CN114827888B - 一种基于NB-IoT地磁的融合定位方法 - Google Patents
一种基于NB-IoT地磁的融合定位方法 Download PDFInfo
- Publication number
- CN114827888B CN114827888B CN202210371037.XA CN202210371037A CN114827888B CN 114827888 B CN114827888 B CN 114827888B CN 202210371037 A CN202210371037 A CN 202210371037A CN 114827888 B CN114827888 B CN 114827888B
- Authority
- CN
- China
- Prior art keywords
- geomagnetic
- value
- terminal
- rsrp
- reference point
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000004927 fusion Effects 0.000 title claims abstract description 24
- 230000005358 geomagnetic field Effects 0.000 claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 238000004364 calculation method Methods 0.000 claims abstract description 19
- 238000005259 measurement Methods 0.000 claims abstract description 15
- 238000012163 sequencing technique Methods 0.000 claims abstract description 4
- 238000005192 partition Methods 0.000 claims description 10
- 238000009499 grossing Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 101100001678 Emericella variicolor andM gene Proteins 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
-
- 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)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种基于NB‑IoT地磁的融合定位方法，包括步骤：一、获取待定位终端与多个基站之间的RSRP值，以及当前位置的地磁场强；二、将待定位终端当前位置的地磁场强在北、东和垂直三个方向上的地磁分量进行取模计算得到地磁模值，并将地磁模值和RSRP值作为指纹特征信息；三、根据指纹特征信息，利用FCM算法进行区域匹配，得到所属区域粗定位结果；四、根据所属区域粗定位结果，在融合指纹库中提取该区域的地磁指纹基准库；五、将该区域的地磁指纹基准库与地磁模值进行相似性度量计算，将相似性度量值从小到大排序，将相似性度量值最小的指纹参考点坐标信息确定为实际位置估计值。本发明能够有效提高定位精度。
Description
技术领域
本发明属于物联网设备定位技术领域，具体涉及一种基于NB-IoT地磁的融合定位方法。
背景技术
随着5G时代的到来，NB-IoT作为国内首选的物联网传输技术，对传统企业的发展有着推波助澜的作用，应用前景非常广阔。已经有许多的物联网用例需要定位估算作为其性能的核心指标，在未来的物联网解决方案中，能够拥有良好的定位服务能力将会成为占领物联网市场的优势之一。虽然目前的GPS技术可以在室外实现精确定位，但是成本和功耗过高的问题使得其在庞大数量和低价的物联网终端上不太适用，除此之外，由于室内环境复杂，卫星在室内的信号传播严重衰减，导致GPS定位效果很差甚至无法定位。在3GPP推出的R14版本中通过提供定位参考信号来支持定位后，运营商希望仅仅使用NB-IoT网络到达50m的定位精度，用以满足大部分产品应用的定位需求。由于受到复杂环境的影响，容易产生多径衰落、功率衰减、非视距损耗等噪声，使得仅采用单一的NB-IoT网络作为定位源很难达到满足需求的定位精度。
除了NB-IoT技术之外，还有其他通信技术，例如WIFI、Bluetooth、RFID等短距离通信技术，在广覆盖和大连接的联网场景中存在严重的技术短板，然后在低功耗广域通信技术中，LoRa和Sigfox致力于在公共领域建立各自免授权频段的LPWAN标准，因为与国内频段冲突，因此部署实施将会受到一定的影响。因此NB-IoT技术在大规模移动终端物联网应用中大有可为。
目前基于蜂窝网络的定位技术有AOA、TOA、TDOA等，在3GPP推出的R14版本为NB-IoT增加了定位功能，设计窄带参考定位信号(NRPRS)，支持E-ID和OTDOA定位技术。由于NB-IoT带宽仅有180KHz，同时部署在低频频段和重传机制，使其能够适应更加恶劣的环境，但是也导致了多径衰弱、NLOS衰弱更加严重，使得超低复杂度的NB-IoT终端更加难以满足定位需求。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于NB-IoT地磁的融合定位方法，其将窄带参考信号接收功率和融合地磁强度进行融合，构建出更能体现环境特征的指纹信息，提高定位精度。
为解决上述技术问题，本发明采用的技术方案是：一种基于NB-IoT地磁的融合定位方法，其特征在于，该方法包括以下步骤：
步骤一、获取待定位终端与多个基站之间的NB-IoT参考信号接收功率RSRP值，以及待定位终端当前位置的地磁场强；
步骤二、将待定位终端当前位置的地磁场强在北、东和垂直三个方向上的地磁分量进行取模计算，得到地磁模值，并将地磁模值和RSRP值作为所述待定位终端的指纹特征信息；
步骤三、根据待定位终端的指纹特征信息，利用FCM算法进行区域匹配，得到待定位终端所属区域粗定位结果；
步骤四、根据待定位终端所属区域粗定位结果，在融合指纹库中提取该区域的地磁指纹基准库；
步骤五、将该区域的地磁指纹基准库与待定位终端所获取的地磁模值进行相似性度量计算，将相似性度量值从小到大排序，将相似性度量值最小的指纹参考点坐标信息确定为所述待定位终端的实际位置估计值。
上述的一种基于NB-IoT地磁的融合定位方法，其特征在于：步骤二中所述将待定位终端当前位置的地磁场强在北、东和垂直三个方向上的地磁分量进行取模计算，得到地磁模值时，采用的计算公式为
其中，Mgeo为地磁模值，Mx为待定位终端当前位置的地磁场强在北方向上的地磁分量，My为待定位终端当前位置的地磁场强在东方向上的地磁分量，Mz为待定位终端当前位置的地磁场强在垂直方向上的地磁分量。
上述的一种基于NB-IoT地磁的融合定位方法，其特征在于：步骤三中所述利用FCM算法进行区域匹配，得到待定位终端所属区域粗定位结果时，是利用FCM算法计算指纹特征信息中RSRP值与所有聚类分区中心的隶属度，筛选出隶属度最大的聚类中心作为待定位终端的粗定位分区结果。
上述的一种基于NB-IoT地磁的融合定位方法，其特征在于：所述利用FCM算法计算指纹特征信息中RSRP值与所有聚类分区中心的隶属度时，对RSRP值的数据集
设定k为聚类个数，mr(r＝1，2，...，k)为第r类的聚类中心，设定μr(Pi)为Pi样本对第r类的聚类中心的隶属度值，Pi为参考点i接收到n个基站的RSRP值，i的取值为1～m的自然数；根据公式
计算第r类的聚类中心mr，根据公式
计算参考点i接收到n个基站的RSRP值向量Pi与第r类的聚类中心mr的隶属度值μr(Pi)，b为平滑因子，取值范围为[1，+∞)；通过迭代的方式计算聚类中心和隶属度值，多次初始化聚类中心，保证目标函数
达到最小时，达到聚类最优解。
上述的一种基于NB-IoT地磁的融合定位方法，其特征在于：所述b的取值为2。
上述的一种基于NB-IoT地磁的融合定位方法，其特征在于：步骤四中所述融合指纹库表示为FNB-IoT＝[LNB-IoT，PRSRP，Mgeo，μk(P)]，其中，LNB-IoT为待定位终端的位置坐标，且LNB-IoT＝[(Lon1，Lat1)，(Lon2，Lat2)，…，(Lonm，Latm)]T，(Loni，Lati)为参考点i的位置坐标，i的取值为1～m的自然数；PRSRP为待定位终端与多个基站之间的NB-IoT参考信号接收功率RSRP值，且
Mgeo为地磁模值且
Mx为待定位终端当前位置的地磁场强在北方向上的地磁分量，My为待定位终端当前位置的地磁场强在东方向上的地磁分量，Mz为待定位终端当前位置的地磁场强在垂直方向上的地磁分量；μk(PRSRP)为PRSRP样本对每个聚类中心的隶属度，μr(Pi)为Pi样本对第r类的聚类中心的隶属度值，且
mr为第r类的聚类中心且
为聚类个数，Pi为参考点i接收到n个基站的RSRP值。
上述的一种基于NB-IoT地磁的融合定位方法，其特征在于：步骤四中所述融合指纹库的构建方法为：
步骤401、获取各参考点的位置信息；
步骤402、针对每一参考点，在该参考点位置使用NB终端设备获取其与多个基站的RSRP值和该参考点当前位置的地磁模值；
步骤403、利用均值滤波去除所述地磁模值和所述RSRP值的异常值；步骤404、利用克里金插值法对地磁模值指纹特征进行插值；
步骤405、使用模糊C均值聚类算法根据RSRP信息对参考点进行聚类分区；
步骤406、针对每一参考点，将在该参考点位置使用NB终端设备获取其与多个基站的RSRP值和该参考点当前位置的地磁模值，与该参考点的位置信息进行融合，得到所述指纹特征库。
上述的一种基于NB-IoT地磁的融合定位方法，其特征在于：步骤405中所述使用模糊C均值聚类算法根据RSRP信息对参考点进行聚类分区时，对RSRP值数据集
设定k为聚类个数，mr(r＝1，2，...，k)为第r类的聚类中心，设定μr(Pi)为Pi样本对第r类的聚类中心的隶属度值，Pi为参考点i接收到n个基站的RSRP值，i的取值为1～m的自然数；根据公式
计算第r类的聚类中心mr，根据公式
计算参考点i接收到n个基站的RSRP值向量Pi与第r类的聚类中心mr的隶属度值μr(Pi)，b为平滑因子，取值范围为[1，+∞)；通过迭代的方式计算聚类中心和隶属度值，多次初始化聚类中心，保证目标函数
达到最小时，达到聚类最优解。
上述的一种基于NB-IoT地磁的融合定位方法，其特征在于：步骤五中所述将该区域的地磁指纹基准库与待定位终端所获取的地磁模值进行相似性度量计算时，采用欧式距离公式Di＝|M-Mi|计算待定位终端的地磁模值与地磁指纹基准库中第i个参考点的地磁模值的相似性度量值Di，其中，M为待定位终端的地磁模值，Mi为地磁指纹基准库中第i个参考点的地磁模值。
上述的一种基于NB-IoT地磁的融合定位方法，其特征在于：步骤五中所述将相似性度量值从小到大排序，将相似性度量值最小的指纹参考点坐标信息确定为所述待定位终端的实际位置估计值时，当相似性度量值的最小值个数等于1时，将该参考点坐标作为最优实际位置估计值；当相似性度量值的最小值个数大于1，则将这多个的参考点坐标取平均值作为最优实际位置估计值。
本发明与现有技术相比具有以下优点：本方法使用的是NB-IoT融合地磁的定位方法，能够在不额外架设网络设备和不增加NB-IoT终端设备的处理复杂度的前提下，可以提高NB-IoT终端设备的定位精度，本发明使用NB-IoT参考信号接收功率和地磁模值信息作为指纹特征，利用NB-IoT参考信号接收功率对带定位终端进行第一次粗定位，利用FCM方法得出粗定位结果，再利用粗定位的结果与待定位终端进行第二次的细粒度的地磁指纹匹配，会有更高的定位精度，在构建地磁指纹库的过程中，使用克里金插值法，提高地磁指纹库的密度；本发明可以有效降低地磁指纹的误匹配率、提高地磁指纹的匹配速度和定位精度。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明提供的基于NB-IoT地磁的融合定位方法原理框架图；
图2为本发明提供的在线匹配流程图；
图3为本发明位置指纹特征库的构建流程图；
图4为本发明提供的基于NB-IoT地磁的融合定位方法实施框架图。
具体实施方式
如图1～图4所示，本发明的基于NB-IoT地磁的融合定位方法，包括以下步骤：
步骤一、获取待定位终端与多个基站之间的NB-IoT参考信号接收功率RSRP值，以及待定位终端当前位置的地磁场强；
具体实施时，待定位终端在同一个位置上时，可以同时与多个基站进行信息交互，待定位终端可以通过对NB-IoT通信模块发送指令，即可获取与多个基站之间对应的NB-IoT参考信号接收功率RSRP值，也即窄带参考信号接收功率值；
步骤二、将待定位终端当前位置的地磁场强在北、东和垂直三个方向上的地磁分量进行取模计算，得到地磁模值，并将地磁模值和RSRP值作为所述待定位终端的指纹特征信息；
本实施例中，步骤二中所述将待定位终端当前位置的地磁场强在北、东和垂直三个方向上的地磁分量进行取模计算，得到地磁模值时，采用的计算公式为
其中，Mgeo为地磁模值，Mx为待定位终端当前位置的地磁场强在北方向上的地磁分量，My为待定位终端当前位置的地磁场强在东方向上的地磁分量，Mz为待定位终端当前位置的地磁场强在垂直方向上的地磁分量。
具体实施时，Mx、My、Mz采用安装在待定位终端上的三轴磁力计测量得到，Mx、My、Mz分别为三轴磁力计在X、Y、Z轴的测量数值。
具体实施时，待定位终端将RSRP值、Mx、My、Mz的值均发送至物联网平台端，物联网平台端将数据发送至服务器端，在服务器端完成步骤二以及后续步骤的数据处理。
步骤三、根据待定位终端的指纹特征信息，利用FCM算法(模糊C均值聚类算法)进行区域匹配，得到待定位终端所属区域粗定位结果；
本实施例中，步骤三中所述利用FCM算法进行区域匹配，得到待定位终端所属区域粗定位结果时，是利用FCM算法计算指纹特征信息中RSRP值与所有聚类分区中心的隶属度，筛选出隶属度最大的聚类中心作为待定位终端的粗定位分区结果。
本实施例中，所述利用FCM算法计算指纹特征信息中RSRP值与所有聚类分区中心的隶属度时，对RSRP值的数据集
设定k为聚类个数，mr(r＝1，2，...，k)为第r类的聚类中心，设定μr(Pi)为Pi样本对第r类的聚类中心的隶属度值，Pi为参考点i接收到n个基站的RSRP值，i的取值为1～m的自然数；根据公式
计算第r类的聚类中心mr，根据公式
计算参考点i接收到n个基站的RSRP值向量Pi与第r类的聚类中心mr的隶属度值μr(Pi)，b为平滑因子，取值范围为[1，+∞)；通过迭代的方式计算聚类中心和隶属度值，多次初始化聚类中心，保证目标函数
达到最小时，达到聚类最优解。
具体实施时，达到聚类最优解即为筛选出隶属度最大的聚类中心。
本实施例中，所述b的取值为2。
步骤四、根据待定位终端所属区域粗定位结果，在融合指纹库中提取该区域的地磁指纹基准库；
本实施例中，步骤四中所述融合指纹库表示为FNB-IoT＝[LNB-IoT，PRSRP，Mgeo，μk(P)]，其中，LNB-IoT为待定位终端的位置坐标，且LNB-IoT＝[(Lon1，Lat1)，(Lon2，Lat2)，…，(Lonm，Latm)]T，(Loni，Lati)为参考点i的位置坐标，i的取值为1～m的自然数；PRSRP为待定位终端与多个基站之间的NB-IoT参考信号接收功率RSRP值，且
Mgeo为地磁模值且
Mx为待定位终端当前位置的地磁场强在北方向上的地磁分量，My为待定位终端当前位置的地磁场强在东方向上的地磁分量，Mz为待定位终端当前位置的地磁场强在垂直方向上的地磁分量；μk(PRSRP)为PRSRP样本对每个聚类中心的隶属度，μr(Pi)为Pi样本对第r类的聚类中心的隶属度值，且
mr为第r类的聚类中心且
k为聚类个数，Pi为参考点i接收到n个基站的RSRP值。
本实施例中，步骤四中所述融合指纹库的构建方法为：
步骤401、获取各参考点的位置信息；
NB-IoT设备大部分处于静止状态，在前期部署业务时，可以记录终端设备的经纬度值作为先验知识，然后通过设备工作时上报的状态信息，可实现指纹特征的收集和统计工作；
步骤402、针对每一参考点，在该参考点位置使用NB终端设备获取其与多个基站的RSRP值和该参考点当前位置的地磁模值；
步骤403、利用均值滤波去除所述地磁模值和所述RSRP值的异常值；正常情况下地磁模值和RSRP值都是在一个范围内浮动；
步骤404、利用克里金插值法对地磁模值指纹特征进行插值，提高所述指纹特征库的密度；
步骤405、使用模糊C均值聚类算法根据RSRP信息对参考点进行聚类分区；
本实施例中，步骤405中所述使用模糊C均值聚类算法根据RSRP信息对参考点进行聚类分区时，对RSRP值数据集
设定k为聚类个数，mr(r＝1，2，...，k)为第r类的聚类中心，设定μr(Pi)为Pi样本对第r类的聚类中心的隶属度值，Pi为参考点i接收到n个基站的RSRP值，i的取值为1～m的自然数；根据公式
计算第r类的聚类中心mr，根据公式
算参考点i接收到n个基站的RSRP值向量Pi与第r类的聚类中心mr的隶属度值μr(Pi)，b为平滑因子，取值范围为[1，+∞)；通过迭代的方式计算聚类中心和隶属度值，多次初始化聚类中心，保证目标函数
达到最小时，达到聚类最优解。
步骤406、针对每一参考点，将在该参考点位置使用NB终端设备获取其与多个基站的RSRP值和该参考点当前位置的地磁模值，与该参考点的位置信息进行融合，得到所述指纹特征库。
所述指纹特征库中保存着多个指纹参考点和指纹特征信息，所述指纹参考点对应着唯一的位置信息和指纹特征信息。
步骤五、将该区域的地磁指纹基准库与待定位终端所获取的地磁模值进行相似性度量计算，将相似性度量值从小到大排序，将相似性度量值最小的指纹参考点坐标信息确定为所述待定位终端的实际位置估计值。
本实施例中，步骤五中所述将该区域的地磁指纹基准库与待定位终端所获取的地磁模值进行相似性度量计算时，采用欧式距离公式Di＝|M-Mi|计算待定位终端的地磁模值与地磁指纹基准库中第i个参考点的地磁模值的相似性度量值Di，其中，M为待定位终端的地磁模值，Mi为地磁指纹基准库中第i个参考点的地磁模值；
步骤五中所述将相似性度量值从小到大排序，将相似性度量值最小的指纹参考点坐标信息确定为所述待定位终端的实际位置估计值时，当相似性度量值的最小值个数等于1时，将该参考点坐标作为最优实际位置估计值；当相似性度量值的最小值个数大于1，则将这多个的参考点坐标取平均值作为最优实际位置估计值。
请参阅图2和图4，本实施例通过BC20的NB-IoT通信模块获取窄带参考信号接收功率值，与融合指纹库进行模糊C均值聚类分区匹配，得到粗定位结果，根据粗定位结果得到局部地磁基准图，缩小地磁指纹匹配范围，将待定位终端的地磁模值与局部地磁指纹库进行欧式距离计算，得到更加精确的定位结果。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。
Claims (8)
1.一种基于NB-IoT地磁的融合定位方法，其特征在于，该方法包括以下步骤：
步骤一、获取待定位终端与多个基站之间的NB-IoT参考信号接收功率RSRP值，以及待定位终端当前位置的地磁场强；
步骤二、将待定位终端当前位置的地磁场强在北、东和垂直三个方向上的地磁分量进行取模计算，得到地磁模值，并将地磁模值和RSRP值作为所述待定位终端的指纹特征信息；
步骤三、根据待定位终端的指纹特征信息，利用FCM算法进行区域匹配，得到待定位终端所属区域粗定位结果；
步骤三中所述利用FCM算法进行区域匹配，得到待定位终端所属区域粗定位结果时，是利用FCM算法计算指纹特征信息中RSRP值与所有聚类分区中心的隶属度，筛选出隶属度最大的聚类中心作为待定位终端的粗定位分区结果；
所述利用FCM算法计算指纹特征信息中RSRP值与所有聚类分区中心的隶属度时，对RSRP值的数据集
设定k为聚类个数，mr(r＝1，2，...，k)为第r类的聚类中心，设定μr(pi)为pi样本对第r类的聚类中心的隶属度值，Pi为参考点i接收到n个基站的RSRP值，i的取值为1～m的自然数；根据公式
计算第r类的聚类中心mr，根据公式
计算参考点i接收到基站j的RSRP值Pij与第r类的聚类中心mr的隶属度值μr(pij)，b为平滑因子，取值范围为[1,+∞)；通过迭代的方式计算聚类中心和隶属度值，多次初始化聚类中心，保证目标函数
达到最小时，达到聚类最优解；
步骤四、根据待定位终端所属区域粗定位结果，在融合指纹库中提取该区域的地磁指纹基准库；
步骤五、将该区域的地磁指纹基准库与待定位终端所获取的地磁模值进行相似性度量计算，将相似性度量值从小到大排序，将相似性度量值最小的指纹参考点坐标信息确定为所述待定位终端的实际位置估计值。
2.按照权利要求1所述的一种基于NB-IoT地磁的融合定位方法，其特征在于：步骤二中所述将待定位终端当前位置的地磁场强在北、东和垂直三个方向上的地磁分量进行取模计算，得到地磁模值时，采用的计算公式为
其中，Mgeo为地磁模值，Mx为待定位终端当前位置的地磁场强在北方向上的地磁分量，My为待定位终端当前位置的地磁场强在东方向上的地磁分量，Mz为待定位终端当前位置的地磁场强在垂直方向上的地磁分量。
3.按照权利要求1所述的一种基于NB-IoT地磁的融合定位方法，其特征在于：所述b的取值为2。
4.按照权利要求1所述的一种基于NB-IoT地磁的融合定位方法，其特征在于：步骤四中所述融合指纹库表示为FNB-IoT＝[LNB-IoT，PRSRP，Mgeo，μk(P)]，其中，LNB-IoT为待定位终端的位置坐标，且LNB-IoT＝[(Lon1，Lat1)，(Lon2，Lat2)，…，(Lonm，Latm)]T，(Loni，Lati)为参考点i的位置坐标，i的取值为1～m的自然数；PRSRP为待定位终端与多个基站之间的NB-IoT参考信号接收功率RSRP值，且
j的取值为1～n的自然数；Mgeo为地磁模值且
Mx为待定位终端当前位置的地磁场强在北方向上的地磁分量，My为待定位终端当前位置的地磁场强在东方向上的地磁分量，Mz为待定位终端当前位置的地磁场强在垂直方向上的地磁分量；μk(PRSRP)为PRSRP样本对每个聚类中心的隶属度，μr(pij)为pij样本对第r类的聚类中心mr的隶属度值，且
mr为第r类的聚类中心且
k为聚类个数，Pij为参考点i接收到基站j的RSRP值，i的取值为1～m的自然数，j的取值为1～n的自然数。
5.按照权利要求1或4所述的一种基于NB-IoT地磁的融合定位方法，其特征在于：步骤四中所述融合指纹库的构建方法为：
步骤401、获取各参考点的位置信息；
步骤402、针对每一参考点，在该参考点位置使用NB终端设备获取其与多个基站的RSRP值和该参考点当前位置的地磁模值；
步骤403、利用均值滤波去除所述地磁模值和所述RSRP值的异常值；步骤404、利用克里金插值法对地磁模值指纹特征进行插值；
步骤405、使用模糊C均值聚类算法根据RSRP信息对参考点进行聚类分区；
步骤406、针对每一参考点，将在该参考点位置使用NB终端设备获取其与多个基站的RSRP值和该参考点当前位置的地磁模值，与该参考点的位置信息进行融合，得到所述指纹特征库。
6.按照权利要求5所述的一种基于NB-IoT地磁的融合定位方法，其特征在于：步骤405中所述使用模糊C均值聚类算法根据RSRP信息对参考点进行聚类分区时，对RSRP值数据集
设定k为聚类个数，mr(r＝1，2，...，k)为第r类的聚类中心，设定μr(pij)为pij样本对第r类的聚类中心的隶属度值，Pij为参考点i接收到基站j的RSRP值，i的取值为1～m的自然数，j的取值为1～n的自然数；根据公式
计算第r类的聚类中心mr，根据公式
计算参考点i接收到基站j的RSRP值Pij与第r类的聚类中心mr的隶属度值μr(pij)，b为平滑因子，取值范围为[1,+∞)；通过迭代的方式计算聚类中心和隶属度值，多次初始化聚类中心，保证目标函数
达到最小时，达到聚类最优解。
7.按照权利要求1所述的一种基于NB-IoT地磁的融合定位方法，其特征在于：步骤五中所述将该区域的地磁指纹基准库与待定位终端所获取的地磁模值进行相似性度量计算时，采用欧式距离公式Di＝|M-Mi|计算待定位终端的地磁模值与地磁指纹基准库中第i个参考点的地磁模值的相似性度量值Di，其中，M为待定位终端的地磁模值，Mi为地磁指纹基准库中第i个参考点的地磁模值。
8.按照权利要求1所述的一种基于NB-IoT地磁的融合定位方法，其特征在于：步骤五中所述将相似性度量值从小到大排序，将相似性度量值最小的指纹参考点坐标信息确定为所述待定位终端的实际位置估计值时，当相似性度量值的最小值个数等于1时，将该参考点坐标作为最优实际位置估计值；当相似性度量值的最小值个数大于1，则将这多个的参考点坐标取平均值作为最优实际位置估计值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210371037.XA CN114827888B (zh) | 2022-04-09 | 2022-04-09 | 一种基于NB-IoT地磁的融合定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210371037.XA CN114827888B (zh) | 2022-04-09 | 2022-04-09 | 一种基于NB-IoT地磁的融合定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114827888A CN114827888A (zh) | 2022-07-29 |
| CN114827888B true CN114827888B (zh) | 2022-12-23 |
Family
ID=82534000
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210371037.XA Active CN114827888B (zh) | 2022-04-09 | 2022-04-09 | 一种基于NB-IoT地磁的融合定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114827888B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118408556B (zh) * | 2024-07-03 | 2024-10-01 | 北京理工大学前沿技术研究院 | 基于多磁传感器联合进行磁场匹配的方法、系统和设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103630873A (zh) * | 2013-12-02 | 2014-03-12 | 厦门雅迅网络股份有限公司 | 融合地磁场与wifi信号的室内定位方法 |
| CN105157699A (zh) * | 2015-06-18 | 2015-12-16 | 南京邮电大学 | 一种基于WiFi和传感网技术融合的室内停车场导航方法 |
| CN106550331A (zh) * | 2015-09-23 | 2017-03-29 | 中兴通讯股份有限公司 | 一种室内定位方法和设备 |
| CN108632753A (zh) * | 2018-05-22 | 2018-10-09 | 同济大学 | 一种基于rssi和地磁融合的室内定位方法 |
| CN111182453A (zh) * | 2020-02-12 | 2020-05-19 | 腾讯科技（深圳）有限公司 | 定位方法、装置、电子设备及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109889975B (zh) * | 2019-02-18 | 2021-03-12 | 重庆邮电大学 | 一种基于NB-IoT的终端指纹定位方法 |
-
2022
- 2022-04-09 CN CN202210371037.XA patent/CN114827888B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103630873A (zh) * | 2013-12-02 | 2014-03-12 | 厦门雅迅网络股份有限公司 | 融合地磁场与wifi信号的室内定位方法 |
| CN105157699A (zh) * | 2015-06-18 | 2015-12-16 | 南京邮电大学 | 一种基于WiFi和传感网技术融合的室内停车场导航方法 |
| CN106550331A (zh) * | 2015-09-23 | 2017-03-29 | 中兴通讯股份有限公司 | 一种室内定位方法和设备 |
| CN108632753A (zh) * | 2018-05-22 | 2018-10-09 | 同济大学 | 一种基于rssi和地磁融合的室内定位方法 |
| CN111182453A (zh) * | 2020-02-12 | 2020-05-19 | 腾讯科技（深圳）有限公司 | 定位方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114827888A (zh) | 2022-07-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | RSSI-based bluetooth indoor localization | |
| CN110557716B (zh) | 一种基于对数正态模型的室内定位方法 | |
| CN104010364B (zh) | 用于确定基站的估计的地理位置的方法和系统 | |
| CN103068035B (zh) | 一种无线网络定位方法、装置及系统 | |
| CN102480678B (zh) | 一种指纹定位方法和系统 | |
| CN112218330B (zh) | 定位方法及通信装置 | |
| Fang et al. | Dynamic fingerprinting combination for improved mobile localization | |
| CN106454747B (zh) | 手机终端的无线定位方法 | |
| CN1360807A (zh) | 用于确定移动通信台位置的定位测量单元的选择 | |
| Redondi | Radio map interpolation using graph signal processing | |
| CN102480784A (zh) | 一种指纹定位误差的评估方法和系统 | |
| CN104144495B (zh) | 一种基于方向传感器与wlan网络的指纹定位方法 | |
| CN108226860A (zh) | 基于rss的超宽带混合维定位方法及定位系统 | |
| CN108450060A (zh) | 基于wi-fi接入点的定位方法、设备 | |
| CN114827888B (zh) | 一种基于NB-IoT地磁的融合定位方法 | |
| CN109640262A (zh) | 一种基于混合指纹的定位方法及系统、设备、存储介质 | |
| CN113759311B (zh) | 一种定位方法、装置及存储介质 | |
| CN106792516B (zh) | 基于无线通信基站的三维定位方法 | |
| CN115942231A (zh) | 一种基于rss的5g室外定位方法 | |
| US10454597B1 (en) | Systems and methods for locating telecommunication cell sites | |
| CN109889975B (zh) | 一种基于NB-IoT的终端指纹定位方法 | |
| Zheng et al. | RSS-based indoor passive localization using clustering and filtering in a LTE network | |
| CN105866729B (zh) | 一种基于用户行为特征的室内定位方法及装置 | |
| CN110662167A (zh) | 一种室内异构网络间协同定位方法、系统及可读存储介质 | |
| CN113411745B (zh) | 基于主邻区信号的指纹定位方法、装置、设备及存储介质 |
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 |