CN115103301B - 一种面向mimo-ofdm信号的adf指纹定位方法 - Google Patents

Abstract

本发明公开了一种面向MIMO‑OFDM信号的ADF指纹定位方法，首先，设计出用于后续指纹匹配的ADF指纹矩阵，然后收集待定位区域参考点的ADF指纹，计算每个指纹的CAOA，根据每个指纹的CAOA对指纹数据进行聚类，形成最终的指纹数据库，最后将待定位终端的ADF指纹向量与指纹数据库进行匹配，得到最终的用户终端位置估计值。本发明能够达到分米级别的定位精度，同时在线定位时间大约为几十毫秒，是一种高性能的无线信号指纹定位方法。

Description

一种面向MIMO-OFDM信号的ADF指纹定位方法

技术领域

本发明涉及一种面向MIMO-OFDM信号的ADF指纹定位方法，属于信号与信息处理技术领域。

背景技术

随着城市化水平的提高以及人类活动范围的不断加大，基于位置的服务(Location-Based Service,LBS)应用越来越广泛。特别是近年来，移动互联网和物联网应用的高速发展，生活中，人们习惯性的通过LBS来寻找餐厅、旅游景点、公交站点等等；在生命救援、交通等领域LBS也发挥着至关重要的作用。较为成熟的LBS技术是以军事应用为目的而起源的全球定位系统(Clobal Positioning System,GPS)技术，但是GPS受到环境噪声、多径干扰、非视距路径等影响，不仅定位精度低且消耗功率大。基于无线网络的传统定位方式通常假设无线信号沿着视距(Line-of-Sight,LOS)传播，然后通过接收信号能量(Receiving Signal Strength,RSS)，到达角度(Angle of Arrival,AOA)和到达时间(Timeof Arrival,TOA)的测量值由多个基站(Base Station,BS)进行定位。但随着城市化的迅速发展，高楼林立，人们日常所处的环境大多较为复杂，无线信号的传播路径是非视距(NoneLine-of-Sight,NLOS)的，定位性能大大降低，而多个基站的协作将带来额外的负载和延时，影响定位性能。

为了克服传统的无线定位技术的局限性，指纹定位技术因其算法简单而且可以有效利用多径信息，得到了广泛的研究。通常采用的指纹类型有两种，一种是将接收信号的强度RSS作为指纹，另一种是将移动终端到无线指纹收集器之间的多径特征作为指纹，如AOA、信道冲激响应CIR、信道状态信息CSI和功率延迟分布PDP。基于单站大规模MIMO的无线信道指纹ADCPM是一种基于角度时延域的位置指纹。目前，已有一些基于ADCPM指纹定位的研究，但是其定位精度始终徘徊在米级，即便有一些优化算法对基于ADCPM指纹定位性能进行了提升，但也只是集中在缩短定位时长上，定位精度的提升仍然十分有限。

发明内容

发明目的：为了克服现有指纹定位方法精度不高，在线定位时间复杂度过高的问题，本发明提供了一种面向MIMO-OFDM信号的ADF指纹定位方法，根据离线阶段收集到的ADF指纹向量形成指纹数据库，并利用CAOA算法进行预处理，再通过WKNN算法进行匹配

技术方案：为实现上述目的，本发明采用的技术方案为：

一种面向MIMO-OFDM信号的ADF指纹定位方法，首先，设计出用于后续指纹匹配ADF指纹向量。将待定位区域划分为均匀网格，将网格顶点作为参考点，收集每个参考点的ADF指纹向量形成指纹数据库，通过CAOA聚类对指纹数据库进行预处理，最后将待定位的用户指纹向量通过曼哈顿距离相似度应用WKNN算法进行匹配，得到最终的用户估计位置。使用本发明提供的方法，相比于传统的指纹定位方法，可以提升指纹定位精度和速度，同时缩小指纹数据库规模，获得高性能的指纹定位效果，具体包括以下步骤：

步骤1，构建ADF指纹向量；

步骤2，将待定位的目标区域划分成均匀网格，以待定位的目标区域内的网格顶点作为参考点，将每个参考点的ADF指纹向量及其位置坐标储存起来，对各个参考点的指纹进行CAOA聚类预处理，得到指纹数据库；

步骤3，将在线阶段收集到的待定位指纹向量与指纹数据库中的指纹向量通过曼哈顿距离进行WKNN算法匹配，得到最终用户位置。

进一步的，步骤1中构建ADF指纹向量，具体包括如下步骤：

步骤1.1，首先，计算第k个用户到无线指纹收集器之间的ADCPM指纹矩阵F_k：

其中，E表示期望，⊙表示哈达玛积，Z_k ^*表示角度时延信道响应矩阵，H_k为第k个用户到BS之间的信道响应矩阵，V∈N_t×N_t为DFT相移PS-DFT矩阵，U∈N_L×N_g为DFT酉矩阵，表示对中的每个元素取共轭后的矩阵；

DFT相移PS-DFT矩阵V满足：

DFT酉矩阵U满足：

为V的第α行第β列元素，为U的第φ行第列元素，N_t为BS的天线数，N_L为OFDM的符号数，N_g为循环前缀数；为第k个用户到BS的整体信道频率响应CFR矩阵，为第l个子载波上的CFR矩阵，l＝0,1,...,N_L-1，N_P为总的路径数，α_p,k为第k个用户在第p条路径上的复信道增益，θ_p,k为第k个用户在第p条路径上的到达角度AOA，为传播时延，τ_p,k为第p条路径的TOA，T_s为大规模MIMO单站系统的最小采样间隔，表示实数空间，e(θ_p,k)表示阵列响应向量，j表示虚数单位；

步骤1.2，第k个用户到无线指纹收集器之间ADF指纹向量为：

其中[F_k]_ADP,(1,n)表示第k个用户到无线指纹收集器之间ADF指纹向量的第1行第n维元素，[F_k]_ADCPM,(i,j)表示第k个用户到无线指纹收集器之间的ADCPM指纹矩阵。

进一步的，步骤2中将待定位的目标区域划分成均匀网格，以待定位的目标区域内的网格顶点作为参考点，将每个参考点的ADF指纹向量及其位置坐标储存起来，对各个参考点的指纹向量进行CAOA聚类预处理，得到指纹数据库；具体步骤如下：

步骤2.1，将待定位的目标区域划分成均匀网格，以待定位的目标区域内的网格顶点作为参考点；

步骤2.2，计算出第i个参考点到BS的ADF指纹矩阵F_i(i＝1,2,...,N)，及第i个参考点到BS的ADF指纹向量，将每个参考点的ADF指纹向量及其位置坐标储存起来；

步骤2.3，计算每个参考点的CAOA：

其中，N_t表示天线阵列中的天线个数，也是ADCPM矩阵的行数，N_g表示OFDM的循环前缀个数，也是ADCPM指纹的列数，[F_ADCPM]_n,t表示ADCPM指纹第t行第n列的元素。

步骤2.4，按照每个参考点的CAPA对指纹数据库进行聚类，得到的指纹数据库F-DB：

其中,F-DB_CAOA表示经过CAOA聚类预处理后的指纹数据库，表示中心到达角为CAOA₁的子集，CAOA₁表示第一个子集的中心到达角，(F₁,Loc₁)表示ADF指纹F₁及其对应的位置坐标Loc₁。

进一步的，步骤3中将在线阶段收集到的待定位指纹向量与指纹数据库中的指纹向量通过曼哈顿距离进行WKNN算法匹配，得到最终用户位置，具体包括如下步骤：

步骤3.1，计算x_i与x_j之间的曼哈顿距离；

其中，x_i和x_j为两个向量，u表示向量的其他维度，dist(x_i,x_j)表示向量x_i和x_j之间的曼哈顿距离。

步骤3.2，通过WKNN算法将待定位指纹和指纹数据库中的指纹进行匹配，得到最后的用户位置估计值：

其中，代表待定位终端的位置估计结果，代表第k个参考点的坐标，w_k代表第k个参考点对应的权值，并且满足d_k是第k个参考点和未知位置点对应的指纹曼哈顿距离，Δd是为了避免分母为0的一个很小的正数。

有益效果：相比传统的指纹定位方法，本发明的指纹定位精度为分米级别，平均定位时间为几十毫秒，具有更高的定位性能。

附图说明

图1是指纹定位方法流程图；

图2是由ADCPM提取ADF的过程的示意图。

具体实施方式

下面结合附图和具体实施例，进一步阐明本发明，应理解这些实例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

一种面向MIMO-OFDM信号的ADF指纹定位方法，如图1所示，指纹定位方法分为离线阶段和在线阶段两个阶段，离线阶段需要先采集每个参考点的信号指纹，将其预处理以后存储到指纹数据库中，在线阶段对未知终端进行定位时，需要先采集待测终端的对应指纹，然后利用算法进行指纹匹配，得到结果返回给有定位需求的终端。下面详细描述每一步的具体操作。

Step1:首先本发明设计出后续指纹匹配所需的ADF指纹向量，该指纹向量是基于单个无线指纹收集器的大规模MIMO-OFDM系统。单个无线指纹收集器具体是指一个具有N_t根天线的均匀线性阵列且无线指纹收集器和用户都处于同一水平面上，其能够通过上行信道估计获得终端到所述的无线指纹收集器的信道状态信息CSI，由于在目标区域覆盖范围内存在很多散射体，使得无线信号沿着多径传播，因此CSI包含着散射环境的多径信息。

ADF指纹向量具体计算步骤如下：

Step11:利用公式(1)计算出用户k在第p条路径上的CIR为：

其中，α_p,k∈CN(0,θ_p,k)是第k个用户在第p条路径上的复信道增益，CN(0,θ_p,k)表示均值为0、实虚部统计独立且方差各为θ_p,k/2的复高斯分布，θ_p,k∈(0,π)为相应的AOA，e(θ_p,k)为第p条路径上的阵列响应向量，d_p,k为第p条路径上发射天线到第一根接收天线的物理距离，λ_c是载波波长。假设散射体在目标区域中的分布是独立且随机的，则上述参数彼此独立。若以第一根天线的信号相位作为参考相位，则天线阵列的响应向量为：

Step12:得到CIR后，CIR包含天线域的多径特征，通过DFT可以将其映射到对应的角度域。考虑到每条路径的TOA互不相同，第k个用户的CIR可以表示为所有路径上的CIR之和，即为：

其中，为每条路径的TOA，v是光速，N_p表示的是总的路径数；δ(τ-τ_p,k)为冲激函数，表示在τ_p,k时刻进行采样。

将大规模MIMO单站系统最小的采样间隔设为T_s并对阵列输出进行采样，则T_c＝N_LT_s为OFDM的符号间隔，N_L表示OFDM的符号数；T_g＝N_gT_s为循环前缀的间隔，假设T_g远远大于τ_p,k。每个子载波的带宽为Δf＝1/N_cT_s，第l个子载波的频率为f_l＝lΔf。通过OFDM调制，可以将多径传播造成的频率选择性衰落信道转换成频率平坦信道，并通过时域采样获得每条路径的TOA。

Step13:对于第l个子载波，通过对CIR做傅里叶变换得到对应的信道频率响应CFR，即CFR等于具有不同时延的所有路径的时域CIR之和：

其中，为传播时延，[x]表示最接近x的整数。用户k到BS的整体CFR矩阵为所有子载波上的CFR组成，即

Step14:得到CFR后，上述CFR矩阵描述了第k个用户到BS之间的信道在空间-频率域上的特征。对于大规模MIMO-OFDM系统而言，BS在角度-时延域能获得更高的多径分辨率，因此将其转化为角度-时延域上的矩阵，进而提取响应的特征矩阵作为定位指纹。通过DFT变换将矩阵从空间-频率域转换到角度-时延域，信道响应矩阵表示为其中V∈N_t×N_t为DFT相移(PS-DFT)矩阵，U∈N_L×N_g为DFT酉矩阵，分别满足如下表达式

V矩阵和U矩阵分别将H_k映射角度域和时延域上，因此[Z_k]_i,j表示角度-时延域矩阵上第i个AOA和第j个TOA上的信道复增益值。

计算出第k个用户到无线指纹收集器之间的ADCPM矩阵为：

最后，计算出第k个用户到无线指纹收集器之间的ADF指纹向量为

Step2：收集每个参考的ADF指纹向量，对ADF指纹向量进行CAOA聚类预处理，形成指纹数据库，具体如下：

Step21：离线阶段的关键任务是建立指纹数据库，为在线阶段的指纹匹配做好准备。为此需要在待定位的目标区域选取若干参考点，并提取每个参考点的指纹矩阵。首先确定划分间隔S(单位m)，以间隔s将待定位的目标区域划分为均匀的网格，其中待定位的目标区域内的网格顶点作为参考点。这里越小的间隔S，就会产生更多的参考点；

Step22：计算出第i个参考点到BS的ADF指纹矩阵F_i(i＝1,2,...,N)；

Step23：计算每个参考点的CAOA：

其中，N_t表示天线阵列中的天线个数，也是ADCPM矩阵的行数，N_g表示OFDM的循环前缀个数，也是ADCPM指纹的列数，[F_ADCPM]_n,t表示ADCPM指纹第t行第n列的元素。

Step24：按照每个参考点的CAPA对指纹数据库进行聚类，得到的指纹数据库F-DB：

其中,F-DB_CAOA表示经过CAOA聚类预处理后的指纹数据库，[CAOA₁,(F₁,Loc₁),...,(F_C1,Loc_C1)]表示中心到达角为CAOA₁的子集，CAOA₁表示第一个子集的中心到达角，(F₁,Loc₁)表示ADF指纹F₁及其对应的位置坐标Loc₁。

Step3：通过WKNN算法将待定位指纹和指纹数据库中的指纹进行匹配，得到最后的用户位置估计值：

其中，代表待定位终端的位置估计结果，代表第k个参考点的坐标，w_k代表第k个参考点对应的权值，并且满足d_k是第k个参考点和未知位置点对应的指纹距离相似度度量的结果，Δd是为了避免分母为0的一个很小的正数，通常为10^-5，K为预先设定的值，表示用离待定位终端最近的K个参考点来估计该终端的位置。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (1)

1.一种面向MIMO-OFDM信号的ADF指纹定位方法，其特征在于，包括如下步骤：

步骤1，构建ADF指纹向量；

步骤2，将待定位的目标区域划分成均匀网格，以待定位的目标区域内的网格顶点作为参考点，将每个参考点的ADF指纹向量及其位置坐标储存起来，对各个参考点的指纹进行CAOA聚类预处理，得到指纹数据库；

步骤3，将在线阶段收集到的待定位指纹向量与指纹数据库中的指纹向量通过曼哈顿距离进行WKNN算法匹配，得到最终用户位置；

步骤1中构建ADF指纹向量，具体包括如下步骤：

步骤1.1，首先，计算第k个用户到无线指纹收集器之间的ADCPM指纹矩阵F_k：

其中，Ε表示期望，表示哈达玛积，Z_k ^*表示角度时延信道响应矩阵，H_k为第k个用户到BS之间的信道响应矩阵，V∈N_t×N_t为DFT相移PS-DFT矩阵，U∈N_L×N_g为DFT酉矩阵，表示对中的每个元素取共轭后的矩阵；

DFT相移PS-DFT矩阵V满足：

DFT酉矩阵U满足：

为V的第α行第β列元素，为U的第φ行第列元素，N_t为BS的天线数，N_L为OFDM的符号数，N_g为循环前缀数；为第k个用户到BS的整体信道频率响应CFR矩阵，为第l个子载波上的CFR矩阵，l＝0,1,...,N_L-1，N_P为总的路径数，α_p,k为第k个用户在第p条路径上的复信道增益，θ_p,k为第k个用户在第p条路径上的到达角度AOA，为传播时延，τ_p,k为第p条路径的TOA，T_s为大规模MIMO单站系统的最小采样间隔，表示实数空间，e(θ_p,k)表示阵列响应向量，j表示虚数单位；

步骤1.2，第k个用户到无线指纹收集器之间ADF指纹向量为：

其中[F_k]_ADP,(1,n)表示第k个用户到无线指纹收集器之间ADF指纹向量的第1行第n维元素，[F_k]_ADCPM,(i,j)表示第k个用户到无线指纹收集器之间的ADCPM指纹矩阵；

步骤2中将待定位的目标区域划分成均匀网格，以待定位的目标区域内的网格顶点作为参考点，将每个参考点的ADF指纹向量及其位置坐标储存起来，对各个参考点的指纹向量进行CAOA聚类预处理，得到指纹数据库；具体步骤如下：

步骤2.1，将待定位的目标区域划分成均匀网格，以待定位的目标区域内的网格顶点作为参考点；

步骤2.2，计算出第i个参考点到BS的ADF指纹矩阵F_i(i＝1,2,...,N)，及第i个参考点到BS的ADF指纹向量，将每个参考点的ADF指纹向量及其位置坐标储存起来；

步骤2.3，计算每个参考点的CAOA：

其中，N_t表示天线阵列中的天线个数，也是ADCPM矩阵的行数，N_g表示OFDM的循环前缀个数，也是ADCPM指纹的列数，[F_ADCPM]_n,t表示ADCPM指纹第t行第n列的元素；

步骤2.4，按照每个参考点的CAPA对指纹数据库进行聚类，得到的指纹数据库F-DB：

其中,F-DB_CAOA表示经过CAOA聚类预处理后的指纹数据库，表示中心到达角为CAOA₁的子集，CAOA₁表示第一个子集的中心到达角，(F₁,Loc₁)表示ADF指纹F₁及其对应的位置坐标Loc₁；步骤3中将在线阶段收集到的待定位指纹向量与指纹数据库中的指纹向量通过曼哈顿距离进行WKNN算法匹配，得到最终用户位置，具体包括如下步骤：

步骤3.1，计算x_i与x_j之间的曼哈顿距离；

其中，x_i和x_j为两个向量，u表示向量的其他维度，dist(x_i,x_j)表示向量x_i和x_j之间的曼哈顿距离；

步骤3.2，通过WKNN算法将待定位指纹和指纹数据库中的指纹进行匹配，得到最后的用户位置估计值：

其中，代表待定位终端的位置估计结果，代表第k个参考点的坐标，w_k代表第k个参考点对应的权值，并且满足d_k是第k个参考点和未知位置点对应的指纹曼哈顿距离，Δd是为了避免分母为0的一个很小的正数。