CN112637950B - 基于角度相似性的指纹定位方法 - Google Patents

Abstract

基于角度相似性的指纹定位方法，属于无线通信技术领域，包括以下处理步骤：参考点指纹信息的采样及提取；指纹数据库的构建；指纹相似性的定义及指纹分簇；用户指纹数据的收集；用户指纹与指纹数据库进行匹配；利用加权K近邻算法进行用户定位。本发明针对现有技术的不足提供一种去蜂窝大规模MIMO系统中基于角度相似性的指纹定位方法，本定位方法具有定位精度高、定位速度快等特点。

Description

基于角度相似性的指纹定位方法

技术领域

本发明属于无线通信技术领域，尤其涉及一种去蜂窝大规模MIMO系统中基于角度相似性的指纹定位方法。

背景技术

随着手机应用和智能产品的多样化，日常生活中基于位置服务的需求和应用也越来越多。为了能够获取准确的用户位置信息，全球定位系统(Global Positioning System,GPS)和无线定位技术发挥了至关重要的作用。GPS作为室外定位最主要的技术，虽然在生活中已经得到了广泛的应用，但其定位效果仍然受到一定的局限性。由于卫星信号主要通过视距(Line of Sight,LOS)路径传播，因此当GPS信号受到障碍物遮挡，如在室内定位或者密集型建筑群中，其定位效果会受到严重影响。而在传统的无线定位技术中，主要是通过提取用户信道的参数特征来进行定位。该方法通过估计信号的到达时间(Time of Arrival,TOA)、到达角(Angle of Arrival,AOA)、到达时间差(Time Difference of Arrival,TDOA)或上述参数的组合，然后利用三角方法来对用户进行定位。然而由于非视距(Non-Line ofSight,NLOS)路径信道的存在，上述参数的估计准确度在实际通信过程中往往并不理想，因此会严重影响到用户定位的精度。

除了GPS定位和传统无线定位技术外，指纹定位技术因其高定位精度和低成本而受到广泛关注。指纹定位技术主要在无线局域网(Wireless Local Area Networks,WLAN)和无线传感器网络(Wireless Sensor Networks,WSN)中得到了大量的应用。指纹定位的主要思想是，通过在离线阶段收集大量参考点的接收信号强度(Received Signal Strength,RSS)信息去构建指纹数据库，然后在在线阶段通过将用户的指纹信息与参考点的指纹信息进行匹配，从而找到与用户最接近的参考点并估计出用户位置。因为指纹定位的精度对于多径信道的影响不会那么敏感，所以指纹定位在实际中的应用效果要优于三角定位。

大规模多输入多输出(Multiple Input Multiple Output,MIMO)技术作为5G通信中的关键技术之一，利用其大规模天线阵列和简单的信号处理技术，为蜂窝网络带来了巨大的频谱效率和能量效率。由于能够带来巨大的性能增益和运用前景，因此大规模MIMO中的用户定位问题也受到了更多的关注。在文献“A.Decurninge et al.,“CSI-basedoutdoor localization for massive MIMO:experiments with a learning参考点proach,”in 2018 15th InternationalSymposium on Wireless Communication Systems(ISWCS),Lisbon,2018,pp.1-6.”中，作者通过从信道状态信息(Channel StateInformation,CSI)中获取样本空间协方差矩阵并将该矩阵作为学习算法的输入，去估计用户位置信息。基于新颖的压缩感知框架，文献“N.Garcia,H.Wymeersch,E.G.Larsson,A.M.Haimovich,and M.Coulon,“Direct localization for massive MIMO,”IEEETrans.SignalProcess.,vol.65,no.10,pp.2475-2487,May 2017.”通过探索信道属性从而将LOS信号从NLOS信号中分离出来，然后通过联合处理多个基站的观察值来对用户直接进行定位。文献“V.Savic and E.G.Larsson,“Fingerprinting-based positioning indistributed massive MIMO systems,”in IEEE Vehicular Technology Conference(VTCFall),2015.”在分布式大规模MIMO中，利用RSS矢量进行指纹定位，并对高斯过程退化的指纹定位提出了解决方案，结果表明其定位效果要优于三角定位。文献“J.Vieira,E.Leitinger,M.Sarajlic,X.Li,and F.Tufvesson,“Deepconvolutional neuralnetworks for massive MIMO fingerprint-based positioning,”in Proc.IEEEInternational Symposium on Personal,Indoorand Mobile Radio Communications(PIMRC),2017.”发现大规模MIMO中信道的稀疏结构能够有效地被卷积神经网络进行学习，所以将深度卷积神经网络用于指纹定位，并取得了良好的定位效果。

作为大规模MIMO的重要拓展，去蜂窝大规模MIMO被看做是下一代无线通信中最热门的技术之一。在去蜂窝大规模MIMO系统中，大量单天线或多天线接入式节点(AccessPoint,参考点)被部署在一定区域范围内，为多个用户同时提供服务，并且所有参考点通过回程链路连接到中央处理单元(Central Processing Unit,CPU)，最后由CPU负责协调各种资源分配。因为在去蜂窝大规模MIMO中，所有参考点以用户为中心进行相互协作，所以一定程度上消除了小区边界，从而避免了小区间用户干扰的影响。此外，由于参考点与用户之间的距离相较于传统蜂窝网络更近，因此带来的好处是更低的路径损耗和更高的分集增益。已有研究表明，无论是与小小区，还是与集中式大规模MIMO相比较，去蜂窝大规模MIMO都具有很好的频谱效率和能量效率表现。

现有关于大规模MIMO定位方法的研究主要聚焦于集中式大规模MIMO，对于去蜂窝大规模MIMO中定位方法还未有深入研究。此外，指纹定位技术主要运用于WLAN和WSN中，并且大都是基于RSS信息，没有考虑把角度信息作为用户指纹。并且原有的指纹定位技术大都是基于单天线展开的，此时的天线阵列几乎没有角度分辨率。

发明内容

本发明针对上述现有技术的不足来提供一种去蜂窝大规模MIMO系统中基于角度相似性的指纹定位方法，本定位方法具有定位精度高、定位速度快等特点。

去蜂窝大规模MIMO系统中基于角度相似性的指纹定位方法，其特征在于包括以下处理步骤：

步骤1：参考点指纹信息的采样及提取：收集参考点的信道状态信息，定义角度域信道功率矩阵，将角度域信道功率矩阵作为每个参考点的指纹信息；

步骤2：指纹数据库的构建：将每个参考点收集到的指纹信息通过回程链路汇聚到CPU，由CPU来构建包含所有参考点的指纹数据库；

步骤3：指纹相似性的定义及指纹分簇：定义角度相似性系数，表示不同指纹之间的接近程度，根据指纹之间的角度相似性系数，利用谱聚类算法来对所有指纹进行分簇；

步骤4：用户指纹数据的收集：对用户的信道状态信息进行收集，计算用户的角度域信道功率矩阵，并将用户指纹信息汇聚到CPU中；

步骤5：用户指纹与指纹数据库进行匹配：将用户的指纹信息与指纹数据库中簇中心进行指纹匹配，找到与角度相似性系数最大的指纹簇，然后在该指纹簇中，遍历寻找与用户相似性最大的前K个参考点；

步骤6：用户定位：根据K个参考点的位置信息，利用加权K近邻算法，对用户位置进行估计。

本发明采用上述技术方案，与现有技术相比具有如下优点：

1、针对现有的去蜂窝大规模MIMO系统中存在的问题，提出了一种去蜂窝大规模MIMO系统中基于角度相似性的指纹定位方法。本发明首先通过对信道矩阵作离散傅里叶变换，获得了角度域的信道功率矩阵并将其作为指纹信息进行提取。然后根据用户与不同参考点之间的AOA关系，提出了角度相似性系数，用于判断指纹之间的相似程度。通过谱聚类算法的应用，对提取的大量参考点指纹信息进行了分簇处理，提升了用户指纹匹配的效率。最后利用指纹匹配和加权K近邻算法，得到了用户的位置估计。

2、本发明将已有的信道状态信息通过离散傅里叶变化转化为角度域信道功率矩阵，充分挖掘了用户信道中的角度域信息。

3、本发明根据参考点到不同参考点的角度关系，提出了角度域相似性系数，用来描述指纹之间的相似性程度。

4、本发明基于谱图理论，利用谱聚类算法对指纹进行分簇，从而将传统的聚类问题转化为图的最优划分问题，谱聚类相较于传统的K-means算法，其优点在于聚类效果不会受到原始数据分布形态的影响，并且能够识别非凸类型的数据集合，不会陷入到局部最优解。

5、本发明采用分层思想，首先将用户指纹与每个簇中心的指纹进行匹配，然后再将用户与簇中的所含参考点指纹进行匹配，从而降低了在线阶段用户指纹匹配的时间，提高了指纹匹配的效率。

6、本发明利用加权K近邻算法，根据与用户指纹相似性最大的K个参考点的位置信息，对用户位置进行估计，有效衡量了不同参考点指纹所占权重的影响。

7、在去蜂窝大规模MIMO中，每个参考点中的天线数可以是多天线，大大增强了天线的角度分辨率，使得利用用户的角度信息来作为指纹并进行用户定位成为了可能。

附图说明

图1是本发明的实现结构框图。

图2是本发明的去蜂窝大规模MIMO系统的模型示意图。

图3是本发明的基于谱聚类的指纹分簇流程图。

图4是本发明的不同天线数下定位误差累积分布图。

图5是本发明的不同采样间隔距离下定位误差累积分布图。

图6是本发明的定位误差与其他定位方法的性能比较图。

具体实施方式

如图1所示，基于角度相似性的指纹定位方法，包括以下处理步骤：

步骤1：参考点指纹信息的提取：收集参考点的信道状态信息，通过离散傅里叶变换，将信道状态信息转化为角度域信道功率矩阵，最后将角度域信道功率矩阵作为每个参考点的指纹信息来进行提取；

如图2所示，本发明采用的去蜂窝大规模MIMO系统，大量单天线或多天线接入式节点被部署在一定区域范围内，为多个用户同时提供服务，并且所有参考点通过回程链路连接到CPU，最后由CPU负责协调各种资源分配。因为在去蜂窝大规模MIMO中，所有参考点以用户为中心进行相互协作，所以一定程度上消除了小区边界，从而避免了小区间用户干扰的影响。此外，由于参考点与用户之间的距离相较于传统蜂窝网络更近，因此带来的好处是更低的路径损耗和更高的分集增益。

为了不失一般性，假设在去蜂窝大规模MIMO系统中，存在有L个随机分布的参考点，每个参考点配有天线数为M的ULA天线。ULA中天线间隔距离为d＝λ/2，λ为天线波长。为了能够获取指纹信息，我们通过专业设备对参考点信号覆盖范围内的N个参考点进行信道采样。参考点的选取采用均匀网格式采样，采样的间隔距离为γ。参考点通过上行信道估计可以获取各个参考点的信道状态信息。CPU通过回程链路将参考点收集到的指纹信息进行汇总，形成指纹数据库。

采用的信道模型为窄带多径信道模型，第l个参考点与第n个参考点间的信道用

来表示，其具体表达式如下

其中P表示信道路径数，β_l,n表示大尺度衰落系数，

表示第p条路径的小尺度衰落，

表示天线的阵列方向矢量，其表达式如下，

其中

表示从第n个信息参考点到第l个参考点的到达角，d表示ULA中天线的间隔距离，λ表示信号波长，e表示指数函数，j表示复数的虚部，[·]^T表示阵列的转置。

令H_n＝[h_1,n,h_2,n,K,h_L,n]，则

表示系统中第n个参考点相对于所有参考点的信道矩阵。

然后，需要将参考点的信道信息转换为可以利用的角度域信息。令DFT矩阵为

其第i行的第j列元素可以表示为

对信道矩阵H_n作DFT变换，可以得到角度域信道响应矩阵为

G_n＝F×H_n (3)

其中[G_n]_i,j表示矩阵

中第i行的第j列元素。

令G_n＝[g_1,n,g_2,n,K,g_L,n]，其中g_l,n表示矩阵G_n中的第l列。根据角度域中已有的经典结论，我们可以知道对于单条路径入射而言，随着天线数M→∞,g_l,n中只存在一个非零点，并且这个非零点反映了入射信号的AOA关系。而当天线数很大但并没有趋近于无穷时，则g_l,n中的大部分能量都将会集中在上述非零点附近。由此可以说明g_l,n的能量集中范围与入射信号的AOA之间存在很强的对应关系，这也为指纹信息的提取提供了可能。

由于小尺度衰落的存在，导致信道存在一定的波动性，因此需要利用可靠的信道统计信息来作为指纹信息，从而降低信道波动带来的影响。为此，利用信道的统计参数来定义第n个信息参考点的角度域信道功率矩阵为

其中

表示哈德玛德积，其第i行第j列的元素为

除了能够提供角度域信息外，角度域信道功率矩阵Ψ_n还能够提供参考点到参考点间的信道强度信息，进一步丰富了指纹信息的信息量。最后我们利用角度域信道功率矩阵Ψ_n来作为第n个参考点的指纹信息进行采样和提取。

步骤2：指纹数据库的构建：将每个参考点收集到的指纹信息汇聚到CPU，由CPU来统一构建包含每个参考点指纹信息的指纹数据库；

由于在去蜂窝大规模MIMO中参考点与CPU之间的回程容量会存在一定限制，因此如何有效的减少回程链路的开销，对于提升系统性能而言至关重要。为了能够减少指纹定位过程中参考点与CPU之间的交互信息，我们对指纹处理过程作出如下优化：首先，信道信息由每个参考点来分别进行采样，然后参考点利用FFT变换对信道矢量h_l,n进行处理，得到角度域信道功率矢量为[Ψ_n]_l，最后利用回程链路传送到CPU进行汇总得到信道功率矩阵Ψ_n。由于在此过程中，每个参考点都只需上传

并且部分计算任务都可以在参考点来完成，因此可以有效地减少信息交互过程，降低CPU的计算复杂度和回程容量消耗。

最终根据每个参考点上传的参考点指纹信息，在CPU端完成了指纹数据库的构建。

步骤3：指纹数据库的分簇：定义角度相似性系数，根据指纹之间的角度相似性系数，利用谱聚类算法来对所有指纹进行分簇；

(1)指纹相似性系数的定义

传统的指纹定位算法中，往往采用的参考点和数据点间的欧式距离来判断两者间的相似性程度，欧式距离越小，则两者的匹配程度越高，反之匹配程度越低。因为角度域信道功率矩阵更多的体现是角度信息，所以这我们提出采用角度相似度系数来代替欧氏距离，作为衡量参考点间的相似性程度的重要参数。角度相似度系数

的定义如下，

其中

表示相对于第l个参考点，参考点n₁和n₂的相似性系数，

表示角度域信道功率矩阵

的第l列。

角度相似度系数

反映出的是两个指纹的AOA信息和信道功率信息相对于所有参考点的接近程度。由于

满足归一化条件并且其取值范围在[0,1]之内，因此更能直观的反映出信道功率矩阵

和

的相似性程度。根据角度相似性系数的定义，可知角度域信道功率矩阵

与

之间的相似性程度越高或距离越接近，则

的取值越接近于1，反之若相似性程度越低，则

越趋近于0。

(2)指纹数据库的分簇

为了能够获得更好的定位精度，一般需要更高密度的指纹信息参考点，随之而来的是指纹信息量的成倍增长。当获得用户的指纹信息之后，为了获取用户的位置信息，我们需要将用户的指纹信息与指纹库中的指纹信息进行匹配。由于指纹信息数据库中的样本数据过多，如果一一进行匹配，虽然可以获得很好的匹配效果，但随之带来的问题是计算复杂度的成倍增加。因此我们提出采用谱聚类算法，根据样本指纹信息间的相似性程度，对大量指纹信息进行分簇处理，提高用户指纹信息的匹配速度并降低系统的计算复杂度。谱聚类相较于传统的K-means算法，其优点在于聚类效果不会受到原始数据分布形态的影响，并且能够识别非凸类型的数据集合，不会陷入到局部最优解。

如图3所示，谱聚类算法的具体流程如下所示。

步骤31：计算邻接矩阵

假设参考点数量为N，为了构造邻接矩阵

我们用参考点间的角度相似性系数代替高斯距离，来衡量不同邻接边的权重。可以构造参考点n₁与参考点n₂间的邻接权重w(n₁,n₂)如下所示，

其中n₁,n₂∈{1,2,K,N}。

步骤32：计算拉普拉斯矩阵

我们令对角矩阵

其中

表示该矩阵的第n₁个对角元素。为了得到

需要将邻接矩阵W的每一行进行累加，得到

然后根据对角矩阵D，我们可以构造拉普拉斯矩阵为L_lap＝D-W。再对矩阵L_lap进行规范化处理得到，可以得到规范拉普拉斯矩阵为

L_sym＝D^-1/2L_lapD^-1/2＝I-D^-1/2WD^-1/2 (9)

其中，

为单位矩阵。

步骤33：切图

对规范拉普拉斯矩阵L_sym进行特征值分解，按特征值从大到小的顺序，取出前Q个最大特征值对应的特征向量x₁,x₂,K,x_Q。将x₁,x₂,K,x_Q作为列向量，构造特征矩阵X＝[x₁,x₂,K,x_Q]。接着再对矩阵X进一步作行规范化处理，得到规范化后的特征矩阵为

其第i行的第j列元素计算如下，

其中x_i,j表示特征矩阵X的第i行第j列元素。

步骤34：K均值聚类

最后我们将矩阵Y中的每一行看作是一个参考点，对N个参考点采用K均值聚类算法分为Q个簇。K-means聚类算法的核心思想是，通过随机选取Q个聚类中心，根据参考点与聚类中心的距离，将样本分配给距离最近的簇。然后重新计算各个簇的均值，并更新聚类中心，反复迭代，直至满足准则函数收敛或者最大迭代次数要求。这里，我们用角度相似度系数代替欧氏距离来判断参考点间的接近程度。衡量聚类效果的目标函数为

其中Z_q表示第q个簇包含的参考点集合，C＝{C₁,C₂,K,C_Q}^T表示聚类中心的集合，C_q表示第q个簇的簇中心，Y_i表示矩阵Y的第i行，S(Y_i,C_q)表示C_q与Y_i之间的指纹相似性系数。

K-means聚类算法的具体流程如下：

步骤341：首先，从样本矩阵Y中随机选取Q行作为初始的聚类中心，其集合为

步骤342：对矩阵Y中剩余的样本数据，计算每个行样本到初始聚类中心Cⁱⁿⁱ的角度相似度距离，然后根据相似度的大小，将对应的样本Y_i分配到相似度最大的簇Z_q中。

步骤343：重新计算Q个聚类中心的位置C＝{C₁,C₂,K,C_Q}^T，

其中|Z_t|表示第q个簇包含的参考点数目。

步骤344：重新计算目标函数J(Y,C)，若满足收敛条件或最大迭代次数，则迭代结束。

最终根据得到的K-means聚类结果，我们得到了Q个簇中所包含的参考点集合Z_q。再由参考点集合Z_q，我们可以对前述指纹信息Ψ_n进行分簇，得到指纹数据库的分簇结果。

可以看出，谱聚类算法的应用，避免了对整个指纹数据集的搜索，加快了指纹匹配的速度，并减少了CPU的计算工作量和定位时延。此外，虽然谱聚类算法相对于传统的K-means聚类算法，其计算复杂度会有所增加，但是因为谱聚类过程是在离线模式下完成，所以其并不会对在线模式中的指纹匹配速度产生任何影响。

步骤4：用户指纹信息的提取：对用户的信道状态信息进行收集，计算用户的角度域信道功率矩阵，并将用户指纹信息汇聚到CPU中；

首先通过信道估计等方式，可以获取用户的信道信息，即用户的信道矩阵为

其中

表示用户相对于第l个参考点的信道向量。

对信道矩阵

作DFT变换，可以得到角度域信道响应矩阵为

根据角度域信道功率矩阵的定义，可以得到用户的角度域信道功率矩阵为

其中

表示哈德玛德积，其第i行第j列的元素为

按照上述步骤，可以得到该用户的指纹信息，即角度域信道功率矩阵为

步骤5：用户指纹匹配：将用户的指纹信息与指纹数据库中簇中心进行指纹匹配，找到与角度相似性系数最大的指纹簇，然后在该指纹簇中，遍历寻找与用户相似性最大的前K个参考点；

首先，将用户指纹

与每个簇中心的信道功率矩阵

进行相似度匹配，计算相似性系数

根据相似性系数大小，对不同簇中心与用户指纹之间的相似性系数进行排序，找到与用户相似度系数最大的Q_C个簇中心。最后将这Q_C个簇中的参考点指纹都融合成一个指纹簇，即可得到与用户相似度最接近的指纹簇集合为Z_C。

为了能有效估计出用户的位置信息，采用加权K近邻(weighted K-nearestneighbor,WKNN)算法来对用户进行定位。相较于传统的KNN算法，WKNN能更有效地反映出用户与不同参考点之间的远近关系。根据WKNN算法，通过比较用户指纹和簇内参考点指纹之间的相似性，可以从簇集合Z_C中，遍历找到与其角度相似度最大的K个参考点。通过得到这K个与用户相关的参考点，即完成了对用户指纹的匹配。

步骤6：用户位置估计：根据K个参考点的位置信息，利用加权K近邻算法，对用户位置进行估计；

假设已知第i个参考点的位置信息为(x_i,y_i)，根据步骤5中K个最近参考点的指纹信息，可以得到用户的估计位置信息为

其中ω_i表示第i个参考点所占权重系数，其表达式如下

从公式(15)可以看出，权重系数ω_i有效的反映了相似性系数与距离之间的反比关系。ω_i的取值越大，则说明用户的估计位置离第i个参考点的距离越近，反之则距离越远。

最终，根据上述WKNN算法，可以得到用户的估计位置为

仿真验证:

为了验证提出的去蜂窝大规模MIMO系统中基于角度相似性的指纹定位方法的性能，仿真了用户定位误差与参考点天线数、采样间隔距离以及不同定位方法之间的关系。假设参考点和用户均随机分布于范围为100×100平方米的方形区域内。

图4给出了不同天线数对于定位误差的影响。从图4中可以看出，随着天线数的增长，定位误差分布呈现下降趋势。当天线数M大于32之后，所能带来的定位误差增益会逐渐趋于饱和。当M＝64时，所提指纹定位方法的定位效果达到最优，此时的平均距离误差(TheMean Distance Error,MDE)为0.93米，均方根误差(The Root Mean Square Error,RMSE)为1.17米，可以将92％的定位误差控制在2米以内，67％的定位误差控制在1米以内。

图5给出了不同采样间隔距离γ对定位误差的影响。从图5中可以看出，随着采样间隔距离γ的减小，即参考点数的增多，用户的定位误差也呈现下降趋势。当γ＝10米时，可以将77.5％的定位误差控制在3米以内。当γ＝2.5米时，可以将89.7％的定位误差分布控制在1米以内，98.3％的定位误差分布控制在2米以内。这说明适当的减小采样间隔距离，增加参考点数，可以带来良好的定位效果。

图6给出了所提定位方法和其他不同定位方法的定位性能的比较。几种定位方法的原理说明如下。

RSS-K-means：采用指纹定位方法。利用RSS作为指纹信息，然后通过K-means聚类方法对指纹进行分簇。

参考点D-RSS：通过利用参考点之间的位置距离和权重欧式距离得到近似位置距离(The参考点proximate Position Distance,参考点D)。然后基于用户与参考点之间的参考点D值，选取离用户最近的参考点。最后利用基于参考点D的WKNN算法去估计用户位置信息。

AOA-K-means：利用角度域信道功率矩阵作为指纹信息，然后用K-means聚类方法替代谱聚类方法对指纹进行分簇。其他定位步骤与本文相同。

AOA-Spectral Clustering：利用角度域信道功率矩阵作为指纹信息，然后用谱聚类方法对指纹进行分簇，即本文所提方法。

AOA-No Clustering：利用角度域信道功率矩阵作为指纹信息，不对指纹进行分簇。直接将用户指纹与指纹库中的所有指纹一一进行匹配，找到与用户相似度最大的K个参考点。

从图6中可以看出，RSS-K-means和参考点D-RSS的定位效果较差，MDE均在14m以上。这说明在多径信道条件下基于RSS的定位方法会存在较大定位误差。相比而言，另外三种利用AOA信息的定位方法拥有更高的定位精度，这说明AOA信息相比于RSS信息的抗多径能力更强。此外，对于比AOA-K-means方法，本文提出的基于谱聚类的定位方法拥有更好的定位效果，而且其效果近似于最优的AOA-No Clustering定位方法。AOA-SpectralClustering定位方法的MDE为0.98米，RMSE为1.25米，两个参数均十分接近AOA-NoClustering。这说明本文所提方法提升在线阶段指纹匹配速度的同时，其定位效果几乎没有受到太大影响。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.基于角度相似性的指纹定位方法，其特征在于包括以下处理步骤：

步骤1：参考点指纹信息的采样及提取：收集参考点的信道状态信息，定义角度域信道功率矩阵，将角度域信道功率矩阵作为每个参考点的指纹信息；

步骤2：指纹数据库的构建：将每个参考点收集到的指纹信息通过回程链路汇聚到CPU，由CPU来构建包含所有参考点的指纹数据库；

步骤3：指纹相似性的定义及指纹分簇：定义角度相似性系数，表示不同指纹之间的接近程度，根据指纹之间的角度相似性系数，利用谱聚类算法来对所有指纹进行分簇；

步骤4：用户指纹数据的收集：对用户的信道状态信息进行收集，计算用户的角度域信道功率矩阵，并将用户指纹信息汇聚到CPU中；

步骤5：用户指纹与指纹数据库进行匹配：将用户的指纹信息与指纹数据库中簇中心进行指纹匹配，找到与角度相似性系数最大的指纹簇，然后在该指纹簇中，遍历寻找与用户相似性最大的前K个参考点；

步骤6：用户定位：根据K个参考点的位置信息，利用加权K近邻算法，对用户位置进行估计。

2.根据权利要求1所述的基于角度相似性的指纹定位方法，其特征在于上述步骤1中的指纹信息的采用及提取包括以下步骤:

第l个参考点与第n个参考点间的信道用

来表示，其具体表达式如下

其中P表示信道路径数，β_l,n表示大尺度衰落系数，

表示第p条路径的小尺度衰落，

表示天线的阵列方向矢量，M表示参考点中的天线数，其表达式如下，

其中

表示从第n个信息参考点到第l个参考点的到达角，d表示均匀线性阵列中天线的间隔距离，λ表示信号波长,e表示指数函数，j表示复数的虚部，[·]^T表示阵列的转置；

令H_n＝[h_1,n,h_2,n,K,h_L,n]，则

表示系统中第n个参考点相对于所有参考点的信道矩阵，其中L表示去蜂窝大规模MIMO系统中的参考点数量；

将参考点的信道信息转换为可以利用的角度域信息，令离散傅里叶变换矩阵为

其第i行的第j列元素可以表示为

对信道矩阵H_n作离散傅里叶变换，得到角度域信道响应矩阵为

G_n＝F×H_n (3)

其中[G_n]_i,j表示矩阵

中第i行的第j列元素；

利用信道的统计参数来定义第n个信息参考点的角度域信道功率矩阵为

其中

表示哈德玛德积，其第i行的第j列元素为

最后我们利用角度域信道功率矩阵Ψ_n来作为第n个参考点的指纹信息进行采样和提取。

3.根据权利要求1所述的基于角度相似性的指纹定位方法，其特征在于上述步骤3中所述的角度相似性的定义包括以下步骤:

作为衡量参考点间的相似性程度的重要参数，角度相似度系数

的定义如下，

其中

表示相对于第l个参考点，任意参考点n₁和n₂之间的相似性系数，

表示角度域信道功率矩阵

的第l列；

角度相似度系数

反映出的是两个指纹的AOA信息和信道功率信息相对于所有参考点的接近程度，由于

满足归一化条件并且其取值范围在[0,1]之内，更直观的反映出信道功率矩阵

和

的相似性程度；根据角度相似性系数的定义，可知角度域信道功率矩阵

与

之间的相似性程度越高或距离越接近，则

的取值越接近于1，反之若相似性程度越低，则

越趋近于0。

4.根据权利要求1所述的基于角度相似性的指纹定位方法，其特征在于上述步骤3中利用谱聚类算法进行指纹分簇，包括以下步骤:

步骤31：计算邻接矩阵

假设所选取的参考点总数量为N，为了构造邻接矩阵

用参考点间的角度相似性系数代替高斯距离，来衡量不同邻接边的权重，构造第n₁个参考点与第n₂个参考点间的邻接权重w(n₁,n₂)如下所示，

其中n₁,n₂∈{1,2,K,N}；

步骤32：计算拉普拉斯矩阵

令对角矩阵

其中

表示该矩阵的第n₁个对角元素，为了得到

需要将邻接矩阵W的每一行进行累加，得到

然后根据对角矩阵D，构造拉普拉斯矩阵为L_lap＝D-W；再对矩阵L_lap进行规范化处理得到，可以得到规范拉普拉斯矩阵为

L_sym＝D^-1/2L_lapD^-1/2＝I-D^-1/2WD^-1/2 (9)

其中，

为单位矩阵；

步骤33：切图

对规范拉普拉斯矩阵L_sym进行特征值分解，按特征值从大到小的顺序，取出前Q个最大特征值对应的特征向量x₁,x₂,K,x_Q；将x₁,x₂,K,x_Q作为列向量，构造特征矩阵X＝[x₁,x₂,K,x_Q]，再对特征矩阵X进一步作行规范化处理，得到规范化后的特征矩阵为

其第i行的第j列元素计算如下，

其中x_i,j表示特征矩阵X的第i行的第j列元素；

步骤34：K均值聚类

将矩阵Y中的每一行看作是一个参考点，对N个参考点采用K均值聚类算法分为Q个簇，通过随机选取Q个聚类中心，根据参考点与聚类中心的距离，将样本分配给距离最近的簇；然后重新计算各个簇的均值，并更新聚类中心，反复迭代，直至满足准则函数收敛或者最大迭代次数要求；准则函数收敛或者最大迭代次数要求的目标函数为

其中Z_q表示第q个簇包含的参考点集合，C＝{C₁,C₂,K,C_Q}^T表示聚类中心的集合，C_q表示第q个簇的簇中心，Y_i表示矩阵Y的第i行，S(Y_i,C_q)表示C_q与Y_i之间的指纹相似性系数；

根据得到的K均值聚类结果，我们得到了Q个簇中所包含的参考点集合Z_q；再由参考点集合Z_q，对指纹信息Ψ_n进行分簇，得到指纹数据库的分簇结果。

5.根据权利要求4所述的基于角度相似性的指纹定位方法，其特征在于上述K均值聚类算法的具体流程如下：

步骤341：首先，从样本矩阵Y中随机选取Q行作为初始的聚类中心，其集合为

步骤342：对矩阵Y中剩余的样本数据，计算每个行样本到初始聚类中心Cⁱⁿⁱ的角度相似度距离，然后根据相似度的大小，将对应的样本Y_i分配到相似度最大的簇Z_q中；

步骤343：重新计算Q个聚类中心的位置C＝{C₁,C₂,K,C_Q}^T，

其中|Z_q|表示第q个簇包含的参考点数目；

步骤344：重新计算目标函数J(Y,C)，若满足收敛条件或最大迭代次数，则迭代结束。

Images