CN114051209B - 一种基于智能反射面和场景几何模型的指纹定位方法 - Google Patents

一种基于智能反射面和场景几何模型的指纹定位方法 Download PDF

Info

Publication number
CN114051209B
CN114051209B CN202111371206.1A CN202111371206A CN114051209B CN 114051209 B CN114051209 B CN 114051209B CN 202111371206 A CN202111371206 A CN 202111371206A CN 114051209 B CN114051209 B CN 114051209B
Authority
CN
China
Prior art keywords
reflecting surface
user
base station
fingerprint
positioning
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202111371206.1A
Other languages
English (en)
Other versions
CN114051209A (zh
Inventor
吴亮
张兆涵
张在琛
党建
朱秉诚
汪磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN202111371206.1A priority Critical patent/CN114051209B/zh
Publication of CN114051209A publication Critical patent/CN114051209A/zh
Application granted granted Critical
Publication of CN114051209B publication Critical patent/CN114051209B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种基于智能反射面和场景几何模型的指纹定位方法，包括初步定位和精确定位两部分，且这两个阶段均使用基于接收信号空间谱的指纹定位方法来对目标用户进行定位。在初步定位阶段，将定位区域划分为多个微型小区。在不使用智能反射面的情况下，收集微型小区参考点的信号到达角及其对应的幅度信息作为指纹库。然后利用DNN分类算法确定待定位的目标点所在的小区，从而实现初步定位。在精确定位阶段，首先通过最小化小区内克拉美罗下界的积分来确定每个微型小区所对应的最优智能反射面系数，随后收集在智能反射面辅助下的特定角度上的幅度信息建立指纹库。然后利用DNN回归算法估计得到目标点的二维坐标，从而实现目标的定位。

Description

一种基于智能反射面和场景几何模型的指纹定位方法
技术领域
本发明属于指纹定位领域，尤其涉及一种基于智能反射面和场景几何模型的指纹定位方法。
背景技术
传统的定位技术主要有室外的GPS定位技术，无线网络传感器定位技术，声呐水下定位技术，雷达定位技术以及蜂窝网络基站定位技术等，而室内定位包括Wi-Fi室内定位技术，蓝牙室内定位技术以及超宽带室内定位技术等。但在室内NLOS环境下，这些定位技术定位效果非常差甚至无法定位。
目前应用最多的室内定位方法是基于指纹库的场景分析法。常用的指纹库特征有接收信号强度、信号到达时间差和信号到达角等。
然而指纹定位方法的定位精度受空间中指纹特征值分布情况的影响很大。在不理想的指纹特征分布下，不同位置的指纹特征值相差不大，因此这些位置就难以通过指纹来进行区分，因此定位精度会受到定位区域中指纹特征分布的限制，导致定位不准确。
现有的相关技术中，系统借助智能反射面来改变传播环境，从而改善指纹特征分布不理想的情况。但为了实现智能反射面系数的优化，现有方案需要提前收集大量的指纹信息。需要提前收集的数据量过大，耗费大量人力和时间。
发明内容
本发明目的在于提供一种基于智能反射面和场景几何模型的指纹定位方法,以解决现有智能反射面辅助的定位系统需要提前收集大量指纹数据,定位精度低的技术问题。
为解决上述技术问题，本发明的具体技术方案如下：
一种基于智能反射面和场景几何模型的指纹定位方法，包括以下步骤：
步骤1、初步定位；
步骤1.1、将定位区域划分为多个微型小区，在不使用智能反射面的情况下，收集微型小区参考点的信号到达角及其对应的幅度信息作为指纹库；
步骤1.2、利用DNN分类算法确定待定位的目标点所在的小区；
步骤2、精确定位；
步骤2.1、以每个微型小区的中心点作为路径参考点，求出在中心点发送的信号直接到达基站以及中心点信号经智能反射面反射后到达基站这两种情况下经过的所有路径，并记录下每条路径经过的反射面；
步骤2.2、设置同一微型小区中的用户发送的信号到达基站都要经过相同的反射面，利用反射路径中的对称关系，即可得到微型小区中任意用户的位置(x，y)与该用户到基站的路径数L的关系记为L(x，y)、微型小区中任意用户的位置(x，y)与该用户到基站的每条径的到达角AoA的关系记为微型小区中任意用户的位置(x，y)与该用户到基站的每条径的出发角AoD的关系记为/>微型小区中任意用户的位置(x，y)与该用户到基站的每条径的路径长度d的关系记为d(x，y)，AoA对应的导向矢量写为αr，AoD对应的导向矢量写为αt；
其中，f为载波频率，d0为天线间隔，c为光速，M是天线数，为每条径的到达角AoA，/>为每条径的出发角AoD；
步骤2.3、信道响应H根据L(x，y)、αr、αt和d(x，y)得到每个微型小区对应的H的表达式：
H＝HUB+HRB·Θ·HUR；
其中，
Θ＝diag(θ1，θ2，…，θN)；
其中l表示第l条路径，HUB表示用户到基站的信道响应，HUR表示用户到智能反射面的信道响应，HRB表示智能反射面到基站的信道响应；LUB表示用户到基站的路径数，LUR表示用户到智能反射面的路径数，LRB表示智能反射面到基站的路径数；Θ表示智能反射面系数；g(d)表示路径衰减，表示；其中，ω为障碍物表面的反射系数，k为路径中的反射次数；
步骤2.4、根据Y＝Hx+n得到接收信号的表达式，其中n为噪声，由步骤2.3中H是与(x，y)相关的函数，因此接收信号Y也与用户位置(x，y)相关；
步骤2.5、在每个微型小区中，随机取Na个点，根据这Na个点的坐标来计算相应的接收信号，用MUSIC算法估计Na个点所发送的信号到达基站时的空间谱，并记录下每个点对应的空间谱在β1，β2，β3三个角度下所对应的幅度值γ1，γ2，γ3，其中，β1，β2，β3为与几何场景相关的已知参数；
步骤2.6、空间谱中某一角度对应的幅度值服从高斯分布，均值记为μ；将步骤2.4中利用场景几何模型信息得到的幅度值γ1，γ2，γ3作为均值，记作μ1，μ2，μ3，因此，空间谱在三个角度下所对应的幅度值的联合概率密度函数可写为：
其中，σ为固定方差，s为表示幅度的变量；
步骤2.7、用E[·]表示均值。通过推导得到接收信号强度指纹定位的克拉美罗下界为：
其中，
|J(x，y)|＝Jxx·Jyy-Jxy·Jyx；
步骤2.8、利用拟合算法对μi(x，y)进行数据拟合，求出和/>进一步求得CRLB的表达式；
步骤2.9、以克拉美罗下界在每个小区内的积分作为优化目标函数，即J＝∫∫CRLBdxdy，通过最小化目标函数J，得到每个微型小区对应的最优智能反射面系数；
步骤2.10、收集在智能反射面辅助下的特定角度上的幅度信息建立指纹库；
步骤2.11、利用DNN回归算法估计得到目标点的二维坐标。
进一步的，步骤1.1具体包括以下步骤：
步骤1.1.1、将定位区域划分成Nc×Nc个大小相等的微型小区，并给小区进行编号，在每个小区中随机选取Np个点作为参考点，在不使用智能反射面的情况下，位于参考点的用户向基站发送信号；
步骤1.1.2、基站接收信号并利用MUSIC算法估计接收信号空间谱，估计得到信号空间谱后，利用峰值搜索算法得到信号到达角的估计值，在空间谱中，横坐标表示角度值，纵坐标为对应的幅度信息，将接收信号的到达角和其对应的幅度信息作为指纹特征，小区编号作为标签，保存在指纹库中。
进一步的，步骤1.2具体包括以下步骤：
步骤1.2.1、当有待定位目标在该定位区域时，在智能反射面关闭的条件下，基站接收目标用户发送的信号，并利用MUSIC算法估计接收信号的到达角和其对应的幅度信息；
步骤1.2.2、将得到的到达角及其对应的幅度信息指纹与指纹库中的数据进行匹配，利用DNN分类算法来确定该目标用户所在的小区。
进一步的，所述步骤2.10具体包括以下步骤：
步骤2.10.1、得到每个微型小区的最优智能反射面系数后，为每个微型小区配置其对应的最优系数，在每个小区中随机选取Np个点作为参考点；
步骤2.10.2、收集在智能反射面辅助下的信号空间谱在β1，β2，β3三个角度下所对应的幅度值，并将其作为指纹特征，参考点的二维坐标作为标签，保存在指纹库中。
进一步的，所述步骤2.11具体包括以下步骤：
步骤2.11.1、根据初步定位阶段的定位结果确定出待定位用户所在的微型小区后，将智能反射面系数设置为对应的最优系数；
步骤2.11.2、在智能反射面的辅助下，基站再次接收目标用户发送的信号，并计算接收信号空间谱在β1，β2，β3三个角度下所对应的幅度值，将得到的空间谱幅度指纹与指纹库中的数据进行匹配，利用DNN回归算法估计出该目标用户的二维坐标信息。
本发明的一种基于智能反射面和场景几何模型的指纹定位方法具有以下优点：
1、本发明大大减少了所需采集的指纹数据量。在确定最优智能反射面系数这一步骤中，需要已知接收信号强度分布和其均值的具体数值。现有方案大多将指纹库中的实际接收信号强度作为均值，但在这种方案下，需要提前测试得到参考点在所有可能的智能反射面系数配置下的实际接收信号强度。假设智能反射面共有NR个反射面单位，每个反射面单位有Ne种系数配置。为了得到接收信号强度分布函数，每个微型小区需要提前测试的数据量为需要提前收集的数据量过大，会耗费大量的人力和时间。本方案利用场景几何模型进行信道状态估计，并计算出相应的接收信号强度，因此不需要提前收集参考点位置的用户在所有可能的智能反射面系数配置下所发送信号的实际接收信号强度。使用本方案，每个微型小区仅需测试Np个数据作为精确定位阶段的指纹库。相比于之前的方案，本方案所需收集的数据量减少到原来的/>
2、本发明与没有智能反射面辅助的室内定位方法相比，具有更高的定位精度。采用二次定位的方法，相比于单次定位，定位精度得到提升。仿真结果表明，本方案确实可以提高室内定位精度。
3、本发明大大减少了训练时间。精确定位阶段仅以单个微型小区的参考点指纹数据作为指纹库进行训练。相比于使用所有定位区域的参考点指纹作为训练集的方法，使用本方法可以将训练集的数据量大小减少到原来的从而大大减少了训练时间。
附图说明
图1为本发明的信道模型示意结构示意图；
图2为本发明的定位区域几何场景图；
图3为本发明的初步定位阶段的指纹库数据格式示意图；
图4为本发明的从智能反射面到基站间的所有经过的路径示意图；
图5为本发明的精确定位阶段的指纹库数据格式示意图；
图6为本发明的定位方案流程图。
具体实施方式
为了更好地了解本发明的目的、结构及功能，下面结合附图，对本发明一种基于智能反射面和场景几何模型的指纹定位方法做进一步详细的描述。
一种基于智能反射面的5G上行定位方法，包括以下步骤：
步骤1、初步定位
步骤1.1、将定位区域划分成Nc×Nc个大小相等的微型小区，并给小区进行编号。在每个小区中随机选取Np个点作为参考点，在不使用智能反射面的情况下，位于参考点的用户向基站发送信号。基站接收信号并利用MUSIC算法估计接收信号空间谱。估计得到信号空间谱后，利用峰值搜索算法可以得到信号到达角的估计值。在空间谱中，横坐标表示角度值，纵坐标为对应的幅度信息。将接收信号的到达角和其对应的幅度信息作为指纹特征，小区编号作为标签，保存在指纹库中。
步骤1.2、当有待定位目标在该定位区域时，在智能反射面关闭的条件下，基站接收目标用户发送的信号，并利用MUSIC算法估计接收信号的到达角和其对应的幅度信息。将得到的到达角及其对应的幅度信息指纹与指纹库中的数据进行匹配，利用DNN分类算法来确定该目标用户所在的小区，从而实现初步定位。
步骤2、精确定位
步骤2.1信号打到障碍物上会发生反射。已知场景的几何模型，就可以得到场景中反射面的位置，然后可以根据入射方向与反射方向关于反射面法线对称的特征，求出已知位置的用户所发送的信号到达基站会经过的所有可能的路径，且每条路径可由到达角AoA、出发角AoD、路径长度d和路径所经过的反射面唯一确定。以每个微型小区的中心点作为路径参考点，求出在中心点发送的信号直接到达基站以及中心点信号经智能反射面反射后到达基站这两种情况下可能经过的所有路径，并记录下每条路径经过的反射面。
步骤2.2、假设同一微型小区中的用户发送的信号到达基站都要经过相同的反射面，也就是说小区内任意位置的用户与小区中心点位置用户所发送的信号到达基站都经过相同的反射面。利用反射路径中的对称关系，即可得到微型小区中任意用户的位置(x，y)与该用户到基站的路径数L的关系记为L(x，y)、微型小区中任意用户的位置(x，y)与该用户到基站的每条径的到达角AoA的关系记为微型小区中任意用户的位置(x，y)与该用户到基站的每条径的出发角AoD的关系记为/>微型小区中任意用户的位置(x，y)与该用户到基站的每条径的路径长度d的关系记为d(x，y)。AoA对应的导向矢量写为αr，AoD对应的导向矢量写为αt。
其中，f为载波频率，d0为天线间隔，c为光速，M为天线数，为每条径的到达角AoA，/>为每条径的出发角AoD。
步骤2.3、信道响应H可由路径数L、每条径的到达角AoA、每条径的出发角AoD和每条径的路径长度d这四个特征来表示，即可根据L(x，y)、αr、αt和d(x，y)得到每个微型小区对应的H的表达式。
H＝HUB+HRB·Θ·HUR；
其中，
Θ＝diag(θ1，θ2，…，θN)；
HUB表示用户到基站的信道响应，HUR表示用户到智能反射面的信道响应，HRB表示智能反射面到基站的信道响应，l表示第l条路径。LUB表示用户到基站的路径数，LUR表示用户到智能反射面的路径数，LRB表示智能反射面到基站的路径数。Θ表示智能反射面系数。g(d)表示路径衰减， 表示。其中，ω为障碍物表面的反射系数，k为路径中的反射次数。
步骤2.4、再根据Y＝Hx+n就可以得到接收信号的表达式，其中n为噪声，由步骤2.3可以H是与(x，y)相关的函数，因此接受信号Y也与用户位置(x，y)相关。
步骤2.5、在每个微型小区中，随机取Na个点。根据这Na个点的坐标来计算相应的接收信号。用MUSIC算法估计Na个点所发送的信号到达基站时的空间谱，并记录下每个点对应的空间谱在β1，β2，β3三个角度下所对应的幅度值γ1，γ2，γ3。其中，β1，β2，β3为与几何场景相关的已知参数。
步骤2.6、空间谱中某一角度对应的幅度值服从高斯分布，均值记为μ。将步骤2.4中利用场景几何模型信息得到的幅度值γ1，γ2，γ3作为均值，记作μ1，μ2，μ3。因此，空间谱在三个角度下所对应的幅度值的联合概率密度函数可写为：
其中，σ为固定方差，s为表示幅度的变量。
步骤2.7、通过推导可以得到接收信号强度指纹定位的克拉美罗下界为：
其中，
|J(x，y)|＝Jxx·Jyy-Jxy·Jyx；
步骤2.8、由于μ1(x，y)，μ2(x，y)和μ3(x，y)均为离散值，无法直接进行求导。因此，需要先利用拟合算法对μi(x，y)进行数据拟合，然后求出和/>从而进一步求得CRLB的表达式。
步骤2.9、以克拉美罗下界在每个小区内的积分作为优化目标函数，即J＝∫∫CRLBdxdy。通过最小化目标函数J，得到每个微型小区对应的最优智能反射面系数。
步骤2.10、得到每个微型小区的最优智能反射面系数后，为每个微型小区配置其对应的最优系数。在每个小区中随机选取Np个点作为参考点。收集在智能反射面辅助下的信号空间谱在β1，β2，β3三个角度下所对应的幅度值，并将其作为指纹特征，参考点的二维坐标作为标签，保存在指纹库中。
步骤2.11、根据初步定位阶段的定位结果确定出待定位用户所在的微型小区后，将智能反射面系数设置为对应的最优系数。在智能反射面的辅助下，基站再次接收目标用户发送的信号，并计算接收信号空间谱在β1，β2，β3三个角度下所对应的幅度值。将得到的空间谱幅度指纹与指纹库中的数据进行匹配，利用DNN回归算法估计出该目标用户的二维坐标信息，从而完成对目标用户的定位。
以图2中的场景为例，定位区域为20cm×10cm的室内空间。灰色区域为障碍物，待定位用户A用黄色三角表示。用户与基站之间，用户与智能反射面之间以及智能反射面与基站之间均为非视距环境。基站使用均匀直线阵列天线，天线阵列中共有4个天线。智能反射面有6块独立的参数可连续设置的智能反射单元。该实例采用5G上行定位技术，用户基于3GPP协议向基站发送5G信号，基站接收到用户发送的信号后进行定位。本实例中应用的5G信号中心频率为2.2GHz，载波间隔为15kHz。
步骤1、首先进行初步定位
步骤1.1、首先需要建立初步定位阶段的指纹库。将定位区域划分成10×5个大小相等的微型小区，对小区进行编号，并在每个小区中随机选取4个点作为参考点。在不使用智能反射面的情况下，位于参考点的用户向基站发送信号。基站接收信号并利用MUSIC算法估计接收信号空间谱。估计得到信号空间谱后，利用峰值搜索算法可以得到信号到达角的估计值。在空间谱中，横坐标表示角度值，纵坐标为对应的幅度信息。将接收信号的到达角和其对应的幅度信息作为指纹特征，小区编号作为标签，保存在指纹库中。指纹库中的数据格式如图3所示。
步骤1.2、利用步骤1.1所建立的接收信号强度指纹库对DNN分类网络进行训练，并将训练好的神经网络保存下来用于用户位置的初步估计。
步骤1.3、关闭智能反射面，基站接收用户A发送的信号，利用MUSIC算法估计接收信号的到达角和其对应的幅度信息。利用步骤1.2中训练好的DNN网络将得到的到达角及其对应的幅度信息指纹与指纹库中的数据进行匹配，估计用户A所在的小区，从而实现初步定位。
步骤2、进行精确定位
步骤2.1、初步定位阶段估计出用户A所位于的微型小区，记该小区编号为Cell-Q，其位置如图2所示。微型小区Cell-Q的中心点坐标为(8.5m，1.5m)。根据已知的几何场景可以求出中心点(8.5m，1.5m)发送的信号直接到达基站以及中心点信号经智能反射面反射后到达基站这两种情况下可能经过的所有路径，并记录下每条路径经过的反射面。
步骤2.2、假设每个微型小区中的用户发送的信号到达基站都要经过相同的反射面，即位于Cell-Q的用户所发射的信号到达基站所要经过的反射面与步骤2.1计算得到的反射面相同。利用反射路径中的对称关系，即可得到微型小区中任意用户的位置(x，y)与该用户到基站的路径数L、每条径的到达角AoA、每条径的出发角AoD以及路径总长度d的关系，分别记为L(x，y)、αr(x，y)、αt(x，y)和d(x，y)。AoA和AoD所对应的导向矢量可分别写为αr和αt。
其中，f为载波频率，d0为天线间隔，c为光速
步骤2.3、信道响应H可由路径数L、每条径的到达角AoA、每条径的出发角AoD和路径总长度d这四个特征来表示，即可根据L(x，y)、αr、αt和d(x，y)。得到微型小区Cell-Q中的用户与基站之间的信道响应H的表达式。
H＝HUB+HRB·Θ·HUR；
其中，
Θ＝diag(θ1，θ2，…，θ6)；
HUB表示用户到基站的信道响应，HUR表示用户到智能反射面的信道响应，HRB表示智能反射面到基站的信道响应。LUB表示用户到基站的路径数，LUR表示用户到智能反射面的路径数，LRB表示智能反射面到基站的路径数。Θ表示智能反射面系数。gUB，gUR，gRB表示路径衰减，与路径长度d相关，可用表示。其中，ω为障碍物表面的反射系数，k为路径中的反射次数。
步骤2.4、再根据Y＝Hx+n就可以得到接收信号的表达式，其中n为噪声。
步骤2.5、在每个微型小区中，随机取20个点。根据这20个点的坐标来计算相应的接收信号。用MUSIC算法估计这20个参考点所发送的信号到达基站时的空间谱，并记录下每个点对应的空间谱在β1，β2，β3三个角度下所对应的幅度值γ1，γ2，γ3。由图4可知，从智能反射面到基站可能的到达角为ξ1，ξ2，ξ3和ξ4，因此可以选择ξ1，ξ2，ξ3三个角度所对应的幅度信息作为指纹特征，即令β1＝ξ1，β2＝ξ2，β3＝ξ3。
步骤2.6、空间谱中某一角度对应的幅度值服从高斯分布，均值记为μ。将步骤2.5中利用场景几何模型信息得到的幅度值γ1，γ2，γ3作为均值，记作μ1，μ2，μ3。因此，空间谱在三个角度下所对应的幅度值的联合概率密度函数可写为：
其中，σ为固定方差。
步骤2.7、通过推导可以得到接收信号强度指纹定位的克拉美罗下界为：
其中，
|J(x，y)|＝Jxx·Jyy-Jxy·Jyx；
步骤2.8、由于μ1(x，y)，μ2(x，y)和μ3(x，y)均为离散值，无法直接进行求导。因此，需要先利用拟合算法对μi(x，y)进行数据拟合，然后求出和/>从而进一步求得CRLB的表达式。
以克拉美罗下界在每个小区内的积分作为优化目标函数，即J＝∫∫CRLB dxdy。通过最小化目标函数J，得到微型小区Cell-Q对应的最优智能反射面系数。
步骤2.9、得到最优智能反射面系数后，将智能反射面配置为最优系数。在Cell-Q小区中随机选取50个点作为参考点。收集在智能反射面辅助下的信号空间谱在ξ1，ξ2，ξ3三个角度下所对应的幅度值，并将其作为指纹特征，参考点的二维坐标作为标签，保存在指纹库中。指纹库中的数据格式如图4所示。
步骤2.10利用步骤2.9所建立的指纹库对DNN回归网络进行训练，并将训练好的神经网络保存下来，用于用户位置估计。
步骤2.11、将智能反射面系数设置为对应的最优系数，在智能反射面的辅助下，基站再次接收用户A发送的信号，并计算接收信号空间谱在ξ1，ξ2，ξ3三个角度下所对应的幅度值。利用步骤2.10中训练好的DNN回归网络将得到的接收信号强度指纹与指纹库中的数据进行匹配，估计出该目标用户的二维坐标信息，从而完成对用户A的定位。
可以理解，本发明是通过一些实施例进行描述的，本领域技术人员知悉的，在不脱离本发明的精神和范围的情况下，可以对这些特征和实施例进行各种改变或等效替换。另外，在本发明的教导下，可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此，本发明不受此处所公开的具体实施例的限制，所有落入本申请的权利要求范围内的实施例都属于本发明所保护的范围内。

Claims (3)

1.一种基于智能反射面和场景几何模型的指纹定位方法，其特征在于，包括以下步骤：
步骤1、初步定位；
步骤1.1、将定位区域划分为多个微型小区，在不使用智能反射面的情况下，收集微型小区参考点的信号到达角及其对应的幅度信息作为指纹库；
步骤1.2、利用DNN分类算法确定待定位的目标点所在的小区；
步骤2、精确定位；
步骤2.1、以每个微型小区的中心点作为路径参考点，求出在中心点发送的信号直接到达基站以及中心点信号经智能反射面反射后到达基站这两种情况下经过的所有路径，并记录下每条路径经过的反射面；
步骤2.2、设置同一微型小区中的用户发送的信号到达基站都要经过相同的反射面，利用反射路径中的对称关系，即可得到微型小区中任意用户的位置(x,y)与该用户到基站的路径数L的关系记为L(x,y)、微型小区中任意用户的位置(x,y)与该用户到基站的每条径的到达角AoA的关系记为微型小区中任意用户的位置(x,y)与该用户到基站的每条径的出发角AoD的关系记为/>微型小区中任意用户的位置(x,y)与该用户到基站的每条径的路径长度d的关系记为d(x,y)，AoA对应的导向矢量写为αr，AoD对应的导向矢量写为αt；
其中，f为载波频率，d0为天线间隔，c为光速，M是天线数，为每条径的到达角AoA，/>为每条径的出发角AoD；
步骤2.3、信道响应H根据L(x,y)、αr、αt和d(x,y)得到每个微型小区对应的H的表达式：
H＝HUB+HRBΘ·HUR；
其中，
Θ＝diag(θ1,θ2,...,θN)；
其中l表示第l条路径，HUB表示用户到基站的信道响应，HUR表示用户到智能反射面的信道响应，HRB表示智能反射面到基站的信道响应；LUB表示用户到基站的路径数，LUR表示用户到智能反射面的路径数，LRB表示智能反射面到基站的路径数；Θ表示智能反射面系数；g(d)表示路径衰减， 表示；其中，ω为障碍物表面的反射系数，k为路径中的反射次数；
步骤2.4、根据Y＝Hx+n得到接收信号的表达式，其中n为噪声，由步骤2.3中H是与(x,y)相关的函数，因此接收信号Y与用户位置(x,y)相关；
步骤2.5、在每个微型小区中，随机取Na个点，根据这Na个点的坐标来计算相应的接收信号，用MUSIC算法估计Na个点所发送的信号到达基站时的空间谱，并记录下每个点对应的空间谱在β1，β2，β3三个角度下所对应的幅度值γ1，γ2，γ3，其中，β1，β2，β3为与几何场景相关的已知参数；
步骤2.6、空间谱中某一角度对应的幅度值服从高斯分布，均值记为μ；将步骤2.4中利用场景几何模型信息得到的幅度值γ1，γ2，γ3作为均值，记作μ1，μ2，μ3，因此，空间谱在三个角度下所对应的幅度值的联合概率密度函数写为
其中，σ为固定方差，s为表示幅度的变量，i＝1,2,3；
步骤2.7、用E[·]表示均值；通过推导得到接收信号强度指纹定位的克拉美罗下界为：
其中，
J(x,y)|＝Jxx·Jyy-Jxy·Jyx；
步骤2.8、利用拟合算法对μi(x,y)进行数据拟合，求出和/>进一步求得CRLB的表达式；
步骤2.9、以克拉美罗下界在每个小区内的积分作为优化目标函数，即J＝∫∫CRLBdxdy，通过最小化目标函数J，得到每个微型小区对应的最优智能反射面系数；
步骤2.10、收集在智能反射面辅助下的特定角度上的幅度信息建立指纹库；
步骤2.11、利用DNN回归算法估计得到目标点的二维坐标；
所述步骤2.10具体包括以下步骤：
步骤2.10.1、得到每个微型小区的最优智能反射面系数后，为每个微型小区配置其对应的最优系数，在每个小区中随机选取Np个点作为参考点；
步骤2.10.2、收集在智能反射面辅助下的信号空间谱在β1，β2，β3三个角度下所对应的幅度值，并将其作为指纹特征，参考点的二维坐标作为标签，保存在指纹库中；
所述步骤2.11具体包括以下步骤：
步骤2.11.1、根据初步定位阶段的定位结果确定出待定位用户所在的微型小区后，将智能反射面系数设置为对应的最优系数；
步骤2.11.2、在智能反射面的辅助下，基站再次接收目标用户发送的信号，并计算接收信号空间谱在β1，β2，β3三个角度下所对应的幅度值，将得到的空间谱幅度指纹与指纹库中的数据进行匹配，利用DNN回归算法估计出该目标用户的二维坐标信息。
2.根据权利要求1所述的基于智能反射面和场景几何模型的指纹定位方法，其特征在于，步骤1.1具体包括以下步骤：
步骤1.1.1、将定位区域划分成Nc×Nc个大小相等的微型小区，并给小区进行编号，在每个小区中随机选取Np个点作为参考点，在不使用智能反射面的情况下，位于参考点的用户向基站发送信号；
步骤1.1.2、基站接收信号并利用MUSIC算法估计接收信号空间谱，估计得到信号空间谱后，利用峰值搜索算法得到信号到达角的估计值，在空间谱中，横坐标表示角度值，纵坐标为对应的幅度信息，将接收信号的到达角和其对应的幅度信息作为指纹特征，小区编号作为标签，保存在指纹库中。
3.根据权利要求2所述的基于智能反射面和场景几何模型的指纹定位方法，其特征在于，步骤1.2具体包括以下步骤：
步骤1.2.1、当有待定位目标在该定位区域时，在智能反射面关闭的条件下，基站接收目标用户发送的信号，并利用MUSIC算法估计接收信号的到达角和其对应的幅度信息；
步骤1.2.2、将得到的到达角及其对应的幅度信息指纹与指纹库中的数据进行匹配，利用DNN分类算法来确定该目标用户所在的小区。
CN202111371206.1A 2021-11-18 2021-11-18 一种基于智能反射面和场景几何模型的指纹定位方法 Active CN114051209B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111371206.1A CN114051209B (zh) 2021-11-18 2021-11-18 一种基于智能反射面和场景几何模型的指纹定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111371206.1A CN114051209B (zh) 2021-11-18 2021-11-18 一种基于智能反射面和场景几何模型的指纹定位方法

Publications (2)

Publication Number Publication Date
CN114051209A CN114051209A (zh) 2022-02-15
CN114051209B true CN114051209B (zh) 2024-01-05

Family

ID=80209815

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111371206.1A Active CN114051209B (zh) 2021-11-18 2021-11-18 一种基于智能反射面和场景几何模型的指纹定位方法

Country Status (1)

Country Link
CN (1) CN114051209B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115474270A (zh) * 2022-08-31 2022-12-13 东南大学 一种智能反射表面辅助的指纹库室内定位方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111245494A (zh) * 2020-01-13 2020-06-05 东南大学 基于智能反射面的定位信息辅助波束控制方法
CN111866726A (zh) * 2020-06-30 2020-10-30 中兴通讯股份有限公司 接收装置的定位方法及装置、系统、存储介质和电子装置
CN111983560A (zh) * 2020-08-05 2020-11-24 北京理工大学 一种双可重构智能表面辅助的毫米波单基站定位方法
CN113285897A (zh) * 2021-05-17 2021-08-20 杭州电子科技大学 车联网环境下ris系统中基于定位信息辅助的信道估计方法及系统
WO2021221603A1 (en) * 2020-04-27 2021-11-04 Nokia Technologies Oy Ue positioning aided by reconfigurable reflecting surfaces such as intelligent reflecting surfaces (irs)

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111245494A (zh) * 2020-01-13 2020-06-05 东南大学 基于智能反射面的定位信息辅助波束控制方法
WO2021221603A1 (en) * 2020-04-27 2021-11-04 Nokia Technologies Oy Ue positioning aided by reconfigurable reflecting surfaces such as intelligent reflecting surfaces (irs)
CN111866726A (zh) * 2020-06-30 2020-10-30 中兴通讯股份有限公司 接收装置的定位方法及装置、系统、存储介质和电子装置
CN111983560A (zh) * 2020-08-05 2020-11-24 北京理工大学 一种双可重构智能表面辅助的毫米波单基站定位方法
CN113285897A (zh) * 2021-05-17 2021-08-20 杭州电子科技大学 车联网环境下ris系统中基于定位信息辅助的信道估计方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Teng Ma ; Yue Xiao ; Xia Lei ; Wenhui Xiong ; Yuan Ding.Indoor Localization With Reconfigurable Intelligent Surface.《IEEE Communications Letters》.2020,全文. *
党建 ; 李业伟 ; 朱永东 ; 郭荣斌 ; 张在琛 ; 吴亮.可重构智能表面通信系统的渐进信道估计方法.《系统工程与电子技术》.2021,全文. *

Also Published As

Publication number Publication date
CN114051209A (zh) 2022-02-15

Similar Documents

Publication Publication Date Title
CN109275095B (zh) 一种基于蓝牙的室内定位系统、定位设备和定位方法
Basri et al. Survey on indoor localization system and recent advances of WIFI fingerprinting technique
Wang et al. CSI-based fingerprinting for indoor localization: A deep learning approach
Jin et al. Indoor localization with channel impulse response based fingerprint and nonparametric regression
CN106793087B (zh) 一种基于aoa和pdoa的阵列天线室内定位方法
Robinson et al. Received signal strength based location estimation of a wireless LAN client
CN105704652B (zh) 一种wlan/蓝牙定位中的指纹库采集和优化方法
CN104602342B (zh) 一种基于iBeacon设备的高效室内定位方法
CN109640262B (zh) 一种基于混合指纹的定位方法及系统、设备、存储介质
CN102802260A (zh) 基于矩阵相关的wlan室内定位方法
CN112533149A (zh) 一种基于uwb移动节点的移动目标定位算法
CN109672973A (zh) 一种基于最强ap法的室内定位融合算法
US20160182164A1 (en) Signal Strength Distribution Establishing Method and Wireless Positioning System
CN111698695A (zh) 一种基于神经网络的lte指纹式定位方法
CN111107626A (zh) 一种基于时间反演的doa定位方法
JP2022546656A (ja) 動的環境に基づく自己適応室内融合位置決め方法
CN104540219A (zh) 一种低复杂度的Wi-Fi指纹室内定位方法
CN114051209B (zh) 一种基于智能反射面和场景几何模型的指纹定位方法
Kia et al. A CNN approach for 5G mm wave positioning using beamformed CSI measurements
Tan et al. UAV localization with multipath fingerprints and machine learning in urban NLOS scenario
Yuan et al. Efficient WiFi fingerprint training using semi-supervised learning
CN107071897B (zh) 一种基于环型的Wi-Fi室内定位方法
KR20190122423A (ko) 머신러닝 기반의 실내 측위 방법 및 시스템
de Sousa Enhanced localization systems with multipath fingerprints and machine learning
Assayag et al. Indoor positioning system using synthetic training and data fusion

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant