CN101466145A - 基于神经网络的双基站精确定位方法 - Google Patents

Abstract

本发明属于无线定位领域，涉及一种基于神经网络的双基站精确定位方法。本方法是：首先由基站测得的定位数据估计出移动终端周围的散射体信息，然后利用神经网络消除散射体误差信息的模糊性，最后用抑制了非视距误差的散射体定位信息作为虚拟基站来实现精确定位。本发明提供的基于神经网络的双基站精确定位方法能有效抑制非视距传播误差，而且具有性能稳定、成本低及定位精度高的优点。

Description

基于神经网络的双基站精确定位方法

技术领域

本发明涉及无线通信中的无线定位方法，特别是提供了一种基于神经网络的双基站精确定位方法。

背景技术

无线定位技术在军事和民用技术上已经得到了广泛的应用。当前随着数据业务和多媒体业务的快速增加，人们对基于无线定位技术的新业务的需求日益增大，尤其在复杂的通信环境，如机场大厅、展厅、仓库、超市、图书馆、地下停车场、矿井等环境中，常常需要确定移动终端或其持有者、设施与物品在室内的位置信息，这些都推动了对无线定位技术的深入研究。同时，向用户提供精确的定位信息已经成为新一代无线通信***的标准业务之一，无线定位技术也已经应用于紧急救援、汽车导航、智能交通、团队管理等方面，参照众多行业的实际需求，无线定位技术和定位业务的发展前景将十分广阔。

但是受定位时间、定位精度以及复杂室内环境等条件的限制，比较完善的定位技术目前还无法很好地利用。许多定位技术解决方案，如A-GPS(辅助全球定位***)定位技术、蓝牙技术、红外线技术等无线定位技术要在移动终端上增加新的硬件，这将对移动站的尺寸和成本带来不利的影响。由多个基站同时接收检测移动如发出的信号，根据测量到的参数由网络对移动台进行定位估计。利用现代移动通信***的蜂窝网络提供导航、位置信息是一种新的定位方式。它通过测量到达(或来自)一系列固定或移动基站携带的与移动台位置信息有关的信号来确定移动台位置，可以提供物美价廉的定位业务，正是设备生产商和网络运营商正在积极思考的问题。但是由于在城区等复杂的电波传播环境下，由于障碍物较多，电波传播环境恶劣，信号很难直接从基站到达移动台，一般要经过折射或反射后产生多径信号，并非视距的到达接收装置，信号的TOA测量也就出现了很大的误差，因此定位精度会受到很大的影响。

利用蜂窝通信网络对移动终端进行无线定位时，NLOS(Non Line Of Sight，非视距传播)，测量误差等因素将会使定位性能受到严重的影响。现有的方法容易受到各种干扰的影响，还需要3个以上的基站才能实现定位，并在多径NLOS环境下定位误差较大，定位精度不高。

发明内容

本发明针对现有技术的不足，提出一种定位精度高，成本低的基于神经网络的双基站精确定位方法，适用于各种定位环境，是一种高精度实用化定位技术。而且，由于训练过的神经网络能存储有关过程的知识，能直接从历史误差信息中学习。就可以根据对象的日常历史数据训练网络，然后将此信息与当前测量数据进行比较，于是神经网络具有滤除噪声及在有噪声情况下的出正确结论的能力。那么就可以用神经网络来处理误差信息。本发明的方法就是根据实际的通信环境中存在散射信息和较大的传播误差的特点，利用电波到达时间和电波到达角等测量信息来实现移动终端的精确定位。

本发明采用如下的技术方案，其包括下列步骤：

(1)在非视距传播环境下，移动终端发射电波的传播由多个散射体反射后产生多径，这些多径信号便会从不同的方向以不同的时间到达基站；利用典型的蜂窝网络进行布局，总体布局为一个小区半径为L的蜂窝***，具体坐标分布为：(0，0)， $\left(\mathrm{0,2}L\right),(\sqrt{3}L,L),(\sqrt{3}L,-L),(-\sqrt{3}L,L),(-\sqrt{3}L,L)(-\sqrt{3}L,-L),$ 其总体布局可以根据实际的环境来自适应的调整；设置参与定位的基站个数为2个，其中有一个主基站；由双基站测得经由多个散射体反射的移动终端的电波到达角AOA，主基站还测得移动终端的电波到达时间TOA；

(2)散射体分布在以移动终端MS点为圆心，半径为r的圆盘上，设坐标为：移动终端MS(x，y)，基站BS_j(x_j，y_j)，散射体S_i(sx_i，sy_i)；BS₁为服务基站，即主基站，MS的电波经以角度β到达散射体S_i反射后再到达基站BS_j，β在[-π，π]上服从均匀分布，且MS与BS_j之间的距离大于反射圆半径r，则可知经散射体后到达基站的最大非视距传播角扩展为： $\mathrm{\α}=\arcsin \left(\frac{r}{\sqrt{(x-x_i)+(y-y_i)}}\right);$

(3)每个基站测得的多径数目为M2路，与散射体数目有关系，是散射体数目的2倍；测得的由散射体反射过来的电波到达角AOA为θ_ji(j＝1，2，i＝1，2，...，M2)，即第j个基站中测得的第i个散射体的电波到达角AOA值分别为θ_ji。主基站测得MS的电波经第i个散射体的电波到达时间TOA转化为距离值为l_li；

(4)各测量值包含了非视距传播误差和测量误差，由以上TOA距离值和传播环境建立多径散射的TOA误差分布模型，模型数学公式为：l_ji＝l_ji ⁰+l_NLOS ji+l_nji＝l_ji′+l_nji，其中：l_ji ⁰为移动终端到基站的距离真值，l_nji为其测量误差，服从均值为0，标准差为σ_ln的高斯分布，l_NLOS ji为非视距传播引起的距离误差，l_ji′为电波传播距离；而且：θ_ji＝θ_ji ⁰+θ_nji+θ_NLOS ji，其中：θ_ji ⁰为AOA的真值，θ_nji为测量误差，θ_NLOS ji为各散射体多径的非视距传播引起的附加角扩展；

(5)对于散射体S_i由双基站BS₁，BS₂测得的电波到达角AOA，可得： $\tan {\mathrm{\θ}}_{\mathrm{ji}}=\frac{{\mathrm{sx}}_i-x_j}{{\mathrm{sy}}_i-y_j}$ ，如是联立多个方程即可得到在圆盘模型上的三个散射体坐标为S_i(sx_i，sy_i)；散射***置S_i(sx_i，sy_i)确定的是通过最小二乘法估计后得到的，体的数学运算表达如下：-sx_i+(tanθ_ji)sy_i＝-x_j+(tanθ_ji)y_j，

令Z_i＝(sx_i，sy_i)^T $G_i=\left[\begin{array}{cc}-1& \tan {\mathrm{\θ}}_{1i}\\ -1& \tan {\mathrm{\θ}}_{2i}\end{array}\right],$ $H_i=\left[\begin{array}{c}-x_1+y_1\tan {\mathrm{\θ}}_{1i}\\ -x_2+y_2\tan {\mathrm{\θ}}_{2i}\end{array}\right];$ 以Z＝[z₁|z₂|z₃]为变量的线性方程组为：H＝GZ，则AOA测量对应误差矢量为：Ψ＝H-GZ，式中：G＝[G₁|G₂|G₃]^T，H＝[H₁|H₂|H₃]，则其最小二乘解为：Z＝(G^TG)^-1G^TH，即得到散射体信息；于是由以上数据经过就得到了初步估计出的各散射体的位置，从而求得散射体S_i与基站BS_j的直线距离为： ${l\′}_{\mathrm{ji}}=\sqrt{{({\mathrm{sx}}_i-x_j)}^2+{({\mathrm{sy}}_i-y_j)}^2};$

(6)再利用主基站测得的电波到达时间TOA值减去散射体到达基站的直线距离，就是移动台到散射体的测量距离了：L_i＝l_li-l_li，然后将散射体作为虚拟基站，并把L_i作为移动台到散射体的电波到达时间TOA值进行定位估计；

(7)由于非视距环境下各种误差的存在，诸如非视距传播误差，测量误差，如此测量值中常包含很较大的误差，采用有效的神经网络来处理这些误差以得到更好的定位性能；该神经网络是一种前向神经网络，是具有单隐层的三层前馈网络，其设计的数学表达如下：1)用高斯函数： $\mathrm{\φ}\left(x\right)=\exp (-\frac{x^2}{{\mathrm{\σ}}^2})$ 作为隐含层，即隐层的基函数，‖·‖表示欧氏范数。由其构成的基函数向量为： $F\left(x\right)=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\λ}}_n\mathrm{\φ}\left(\left|\right|x-c_n\left|\right|\right),$ λ_n和c_n为网络系数；设输入层、隐层和输出层神经元节点数分别为M，N，K，则隐层单元输出为： $h_n=\exp (-\frac{{(X-C)}^T(X-C)}{{{\mathrm{\σ}}_n}^2}),$ 其中，C为隐层神经元的中心组成的向量阵，σ_n为第n个隐节点的宽度。网络的输出为：

，其中，w_kn表示第k个输出单元到第n个隐单元的连接权重，为第k个神经元的阈值；2)神经网络的非线性映射能力体现在隐层基函数上，其特性主要由基函数中心C_n，宽度以及神经元数确定；使用梯度下降法对神经网络的参数进行自适应调整，具体表达如下： $J=\frac{1}{2}\mathrm{\ξ}{(W,k)}^2=\frac{1}{2}{(Y\left(k\right)-Y\′(W,k))}^2,$ 其中，J为误差函数，Y(k)为期望的输出，Y′(W，k)为实际的输出，W为神经网络的所有权值组成的向量。隐层至输出层连结权重的梯度调整为：

隐层中心值矩阵调整算法为： $C_{k+1}=C_k+{\mathrm{\μ}}_k(-\frac{\∂J}{\∂C})=C_k+{\mathrm{\α}}_k(C_k-C_{k-1});$ 宽度调整算法为： ${\mathrm{\σ}}_{k+1}={\mathrm{\σ}}_k+{\mathrm{\μ}}_k(-\frac{\∂J}{\∂\mathrm{\σ}})={\mathrm{\σ}}_k+{\mathrm{\α}}_k({\mathrm{\σ}}_k-{\mathrm{\σ}}_{k-1}),$ 式中，μ_k为神经网络的学习速率，α_k为其算法的动量因子。

(8)用有效数量的训练样本集对该神经网络进行训练，得到期望的诊断网络；

(9)用得到的神经网络来处理θ_ji和步骤(6)中的L_i信息；设神经网络输入层和输出层均为9个神经元，将[L_i，θ_ji]经过神经网络的修正后，其输出层即为修正后的电波到达角AOA和电波到达时间TOA测量值为： $Y=[L_i\′,{\mathrm{\θ}}_{\mathrm{ji}}\′].$ 然后将θ_ji＇带入步骤(5)中处理就可以得到修正后的散射体坐标 $S_i^{\′}({\mathrm{sx}}_i^{\′},{\mathrm{sy}}_i^{\′});$

(10)以圆盘上三个不共线的散射体为基点，具体应用加权质心算法进行如下的定位计算，采用的加权质心算法是经过对质心算法作了改进，就是在经典质心算法中通过加权因子来体现散射体对移动终端MS位置的影响程度；得到有各散射体对MS的影响因子为： ${\mathrm{\γ}}_1=\frac{1}{L_2\′+L_3\′},$ ${\mathrm{\γ}}_2=\frac{1}{L_1\′+L_3\′},$ ${\mathrm{\γ}}_3=\frac{1}{L_1\′+L_2\′};$ 那么MS位置即可精确的估计出来，其定位坐标如下： $\left[\begin{array}{c}\hat{x}\\ \hat{y}\end{array}\right]=\frac{1}{{\mathrm{\γ}}_1+{\mathrm{\γ}}_2+{\mathrm{\γ}}_3}\left[\begin{array}{ccc}{\mathrm{sx}}_1^{\′}& {\mathrm{sx}}_2^{\′}& {\mathrm{sx}}_3^{\′}\\ {\mathrm{sy}}_1^{\′}& {\mathrm{sy}}_2^{\′}& {\mathrm{sy}}_3^{\′}\end{array}\right]{\left[\begin{array}{ccc}{\mathrm{\γ}}_1& {\mathrm{\γ}}_2& {\mathrm{\γ}}_3\end{array}\right]}^T,$ 式中L₁′，L₂′，L₃′为由神经网络修正后得到的抑制了误差的三个散射体到MS的距离；最终得到结果

即得到了移动终端的精确位置，便实现了高精度的无线定位。

本发明与现有技术相比较，具有如下显而易见的突出实质性的特点和显著优点：该发明方法由单次反射统计信道模型只需利用双基站就可以对移动终端进行精确定位。本发明由基站测得的定位数据估计出移动终端周围的散射体信息，然后利用神经网络消除散射体误差信息的模糊性，最后用抑制了非视距误差的定位信息作为虚拟基站应用加权质心算法来实现精确定位。本发明提供的基于神经网络的双基站精确定位方法能有效抑制非视距传播误差，而且具有性能稳定、成本低及定位精度高的优点。由于本发明的高精度定位性能，可以使定位业务得到更为广泛的应用。

附图说明

本发明的基于神经网络的双基站精确定位方法由以下附图及实施示例给出。

图1为本发明方法的无线定位模型原理的二维平面示意图；

图2为本发明方法的神经网络结构设计图；

具体实施方式

以下将对本发明的基于神经网络的双基站精确定位方法作进一步的详细描述。本发明的基于多径散射信息的高精度无线定位方法的具体实现步骤如下：

(1)在非视距传播环境下，在一个典型的蜂窝网络中，有两个基站测得了移动终端的电波到达角(Angle Of Arrival，AOA)信息，其中一个主基站还提供移动终端的电波到达时间(Time ofArrival，TOA)，即是参与定位的基站个数为2个，其中有一个主基站；

(2)设坐标为：移动终端MS(x，y)，基站BS_j(x_j，y_j)，散射体S_i(sx_i，sy_i)；BS₁为服务基站，即主基站，MS的电波经以角度β到达散射体S_i反射后再到达基站BS_j，β在[-π，π]上服从均匀分布，且MS与BS_j之间的距离大于反射圆半径r，则可知经散射体后到达基站的最大非视距传播角扩展为： $\mathrm{\α}=\arcsin \left(\frac{r}{\sqrt{(x-x_i)+(y-y_i)}}\right);$

(3)每个基站测得的多径数目为M2路，与散射体数目有关系，是散射体数目的2倍；测得的由散射体反射过来的电波到达角AOA为θ_ji(j＝1，2，i＝1，2，.，，M2)，即第j个基站中测得的第i个散射体的电波到达角AOA值分别为θ_ji。主基站测得MS的电波经第i个散射体的电波到达时间TOA转化为距离值为l_li；

(4)各测量值包含了非视距传播误差和测量误差，由以上TOA距离值和传播环境建立多径散射的TOA误差分布模型，模型数学公式为：l_ji＝l_ji ⁰+l_NLOSji+l_nji＝l_ji′+l_nji，其中：l_ji ⁰为移动终端到基站的距离真值，l_nji为其测量误差，服从均值为0，标准差为σ_ln的高斯分布，l_NLOS ji为非视距传播引起的距离误差，l_ji′为电波传播距离；而且：θ_ji＝θ_ji ⁰+θ_nji+θ_NLOS ji，其中：θ_ji ⁰为AOA的真值，θ_nji为测量误差，θ_NLOS ji为各散射体多径的非视距传播引起的附加角扩展；

(5)对于散射体S_i由双基站BS₁，BS₂测得的电波到达角AOA，可得： $\tan {\mathrm{\θ}}_{\mathrm{ji}}=\frac{{\mathrm{sx}}_i-x_j}{{\mathrm{sy}}_i-y_j}$ ，如是联立多个方程即可得到在圆盘模型上的三个散射体坐标为S_i(sx_i，sy_i)；散射***置S_i(sx_i，sy_i)确定的是通过最小二乘法估计后得到的，体的数学运算表达如下：-sx_i+(tanθ_ji)sy_i＝-x_j+(tanθ_ji)y_j，

令Z_i＝(sx_i，sy_i)^T， $G_i=\left[\begin{array}{cc}-1& \tan {\mathrm{\θ}}_{1i}\\ -1& \tan {\mathrm{\θ}}_{2i}\end{array}\right],$ $H_i=\left[\begin{array}{c}-x_1+y_1\tan {\mathrm{\θ}}_{1i}\\ -x_2+y_2\tan {\mathrm{\θ}}_{2i}\end{array}\right];$ 以Z＝[z₁|z₂|z₃]为变量的线性方程组为：H＝GZ，则AOA测量对应误差矢量为：Ψ＝H-GZ，式中：G＝[G₁|G₂|G₃]^T，H＝[H₁|H₂|H₃]，则其最小二乘解为：Z＝(G^TG)^-1G^TH，即得到散射体信息；于是由以上数据经过就得到了初步估计出的各散射体的位置，从而求得散射体S_i与基站BS_j的直线距离为： ${l\′}_{\mathrm{ji}}=\sqrt{{({\mathrm{sx}}_i-x_j)}^2+{({\mathrm{sy}}_i-y_j)}^2};$

(6)再利用主基站测得的电波到达时间TOA值减去散射体到达基站的直线距离，就是移动台到散射体的测量距离了：L_i＝l_li-l_li，然后将散射体作为虚拟基站，并把L_i作为移动台到散射体的电波到达时间TOA值进行定位估计；

(7)由于非视距环境下各种误差的存在，诸如非视距传播误差，测量误差，如此测量值中常包含很较大的误差，采用有效的神经网络来处理这些误差以得到更好的定位性能；该神经网络是一种前向神经网络，是具有单隐层的三层前馈网络，其设计的数学表达如下：1)用高斯函数： $\mathrm{\φ}\left(x\right)=\exp (-\frac{x^2}{{\mathrm{\σ}}^2})$ 作为隐含层，即隐层的基函数，‖·‖表示欧氏范数。由其构成的基函数向量为： $F\left(x\right)=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\λ}}_n\mathrm{\φ}\left(\left|\right|x-c_n\left|\right|\right),$ λ_n和c_n为网络系数；设输入层、隐层和输出层神经元节点数分别为M，N，K，则隐层单元输出为： $h_n=\exp (-\frac{{(X-C)}^T(X-C)}{{{\mathrm{\σ}}_n}^2}),$ 其中，C为隐层神经元的中心组成的向量阵，σ_n为第n个隐节点的宽度。网络的输出为：

(k＝1，...，K，n＝1，...，N)，其中，w_kn表示第k个输出单元到第n个隐单元的连接权重，

为第k个神经元的阈值；2)神经网络的非线性映射能力体现在隐层基函数上，其特性主要由基函数中心C_n，宽度以及神经元数确定；使用梯度下降法对神经网络的参数进行自适应调整，具体表达如下： $J=\frac{1}{2}\mathrm{\ξ}{(W,k)}^2=\frac{1}{2}{(Y\left(k\right)-Y\′(W,k))}^2,$ 其中，J为误差函数，Y(k)为期望的输出，Y′(W，k)为实际的输出，W为神经网络的所有权值组成的向量。隐层至输出层连结权重的梯度调整为：

隐层中心值矩阵调整算法为： $C_{k+1}=C_k+{\mathrm{\μ}}_k(-\frac{\∂J}{\∂C})=C_k+{\mathrm{\α}}_k(C_k-C_{k-1});$ 宽度调整算法为： ${\mathrm{\σ}}_{k+1}={\mathrm{\σ}}_k+{\mathrm{\μ}}_k(-\frac{\∂J}{\∂\mathrm{\σ}})={\mathrm{\σ}}_k+{\mathrm{\α}}_k({\mathrm{\σ}}_k-{\mathrm{\σ}}_{k-1}),$ 式中，μ_k为神经网络的学习速率，α_k为其算法的动量因子。

(8)用有效数量的训练样本集对该神经网络进行训练，得到期望的诊断网络；

(9)用得到的神经网络来处理θ_ji和步骤(6)中的L_i信息；设神经网络输入层和输出层均为9个神经元，将[L_i，θ_ji]经过神经网络的修正后，其输出层即为修正后的电波到达角AOA和电波到达时间TOA测量值为： $Y=[L_i\′,{\mathrm{\θ}}_{\mathrm{ji}}\′].$ 然后将θ_ji′带入步骤(5)中处理就可以得到修正后的散射体坐标 $S_i^{\′}({\mathrm{sx}}_i^{\′},{\mathrm{sy}}_i^{\′});$

(10)以圆盘上三个不共线的散射体为基点，具体应用加权质心算法进行如下的定位计算，采用的加权质心算法是经过对质心算法作了改进，就是在经典质心算法中通过加权因子来体现散射体对移动终端MS位置的影响程度；得到有各散射体对MS的影响因子为： ${\mathrm{\γ}}_1=\frac{1}{L_2\′+L_3\′},$ ${\mathrm{\γ}}_2=\frac{1}{L_1\′+L_3\′},$ ${\mathrm{\γ}}_3=\frac{1}{L_1\′+L_2\′};$ 那么MS位置即可精确的估计出来，其定位坐标如下： $\left[\begin{array}{c}\hat{x}\\ \hat{y}\end{array}\right]=\frac{1}{{\mathrm{\γ}}_1+{\mathrm{\γ}}_2+{\mathrm{\γ}}_3}\left[\begin{array}{ccc}{\mathrm{sx}}_1^{\′}& {\mathrm{sx}}_2^{\′}& {\mathrm{sx}}_3^{\′}\\ {\mathrm{sy}}_1^{\′}& {\mathrm{sy}}_2^{\′}& {\mathrm{sy}}_3^{\′}\end{array}\right]{\left[\begin{array}{ccc}{\mathrm{\γ}}_1& {\mathrm{\γ}}_2& {\mathrm{\γ}}_3\end{array}\right]}^T,$ 式中L₁，L₂，L₃为由神经网络修正后得到的抑制了误差的三个散射体到MS的距离；最终得到结果

即得到了移动终端的精确位置，便实现了高精度的无线定位。

图1为本发明方法无线定位模型的二维平面示意图，如其所示，两个基站测得移动终端的AOA，主传感器还可以提供TOA。即电波经过在无线空间传播后，也就得到了多径散射信息。移动终端为MS(x，y)，基站BS_j(x_j，y_j)，主基站BS₁可以位于原点，散射体为S_i(sx_i，sy_i)。以上仅TOA和AOA定位数据就是本发明方法所要利用的，故所需定位的条件较少，完全符合实际的通信环境，成本低廉。

如图2所示为本发明方法的神经网络结构设计图。图中，该神经网络主要包含输入，隐含层，线性层和输出层，其中隐含层的传递函数为，输出层的传递函数为纯线性函数。网络的隐含层有S1个神经元，输出层有S2个神经元。图中的X为网络输入，Y为网络输出。其工作原理过程可以分为两步。首先，基于一定数量的训练样本集(通常称为“征兆-误差”数据集)对神经网络进行训练，得到期望的诊断网络；其次，根据当前诊断输入对***进行诊断，诊断的过程即为利用神经网络进行定位误差处理的过程。在学习和诊断之前，通常需要对诊断原始数据和训练样本数据进行适当的处理，包括预处理和特征选择/提取等，目的是为诊断网络提供合适的诊断输入和训练样本。

综上所述，本发明提供了一种基于神经网络的双基站精确定位方法，适用于各种定位环境，特别是在需定位的移动终端附近有很多障碍物时，散射环境严重，多径丰富的条件下，诸如城区、山陵等环境，是一种高精度实用化定位技术。该方法首先根据实际测得的散射体信息的定位数据来估计散射信息，并建立一组虚拟基站，经过测得的多组TOA和AOA信息，建立一组虚拟基站，经过最小二乘估计、神经网络处理误差、加权质心算法的定位计算等操作来到达目标精确定位的。本发明提供的无线定位方法能有效抑制非视距传播误差，而且具有成本低、能耗低及定位精度相当高的优点。由于本发明的高精度定位性能，可以使定位业务得到更为广泛的应用。

Claims (6)

1、一种基于神经网络的双基站精确定位方法，用于从双基站接收到的无线电波信号中定位出移动终端的精确位置，其特征在于利用了神经网络的良好学习特性消除了由电波非视距传播造成的模糊性，对基站测得的电波到达角与电波到达时间进行修正来抑制非视距传播误差和测量误差，实现蜂窝通信网络中移动终端的精确定位；其具体操作步骤如下：

(1)在非视距传播环境下，移动终端发射电波的传播由多个散射体反射后产生多径，这些多径信号便会从不同的方向以不同的时间到达基站；利用典型的蜂窝网络进行布局，设置参与定位的基站个数为2个，其中有一个主基站；由双基站测得经由多个散射体反射的移动终端的电波到达角AOA，主基站还测得移动终端的电波到达时间TOA；

(2)散射体分布在以移动终端MS点为圆心，半径为r的圆盘上，设坐标为：移动终端MS(x，y)，基站BS_j(x_j，y_j)，散射体S_i(sx_i，sy_i)；BS_l为服务基站，即主基站，MS的电波经以角度β到达散射体S_i反射后再到达基站BS_j，β在[-π，π]上服从均匀分布，且MS与BS_j之间的距离大于反射圆半径r，则可知经散射体后到达基站的最大非视距传播角扩展为： $\mathrm{\α}=\arcsin \left(\frac{r}{\sqrt{(x-x_i)+(y-y_i)}}\right);$

(3)每个基站测得的多径数目为M2路，测得的由散射体反射过来的电波到达角AOA为θ_ji(j＝1，2，i＝1，2，...，M2)，即第j个基站中测得的第i个散射体的电波到达角AOA值分别为θ_ji。主基站测得MS的电波经第i个散射体的电波到达时间TOA转化为距离值为l_li；

(4)各测量值包含了非视距传播误差和测量误差，由以上TOA距离值和传播环境建立多径散射的TOA误差分布模型，模型数学公式为：l_ji＝l_ji ⁰+l_NLOSji+l_nji＝l_ji′+l_nji，其中：l_ji ⁰为移动终端到基站的距离真值，l_nji为其测量误差，服从均值为0，标准差为σ_ln的高斯分布，l_NLOS ji为非视距传播引起的距离误差，l_ji′为电波传播距离；而且：θ_ji＝θ_ji ⁰+θ_nji+θ_NLOS ji，其中：θ_ji ⁰为AOA的真值，θ_nji为测量误差，θ_NLOS ji为各散射体多径的非视距传播引起的附加角扩展；

(5)对于散射体S_i由双基站BS₁，BS₂测得的电波到达角AOA，可得： $\tan {\mathrm{\θ}}_{\mathrm{ji}}=\frac{{\mathrm{sx}}_i-x_j}{{\mathrm{sy}}_i-y_i},$ 如是联立多个方程即可得到在圆盘模型上的三个散射体坐标为S_i(sx_i，sy_i)；于是由以上数据经过就得到了初步估计出的各散射体的位置，从而求得散射体Si与基站BSj的直线距离为： ${l\′}_{\mathrm{ji}}=\sqrt{{({\mathrm{sx}}_i-x_j)}^2+{({\mathrm{sy}}_i-y_j)}^2};$

(6)再利用主基站测得的电波到达时间TOA值减去散射体到达基站的直线距离，就是移动台到散射体的测量距离了：L_i＝l_li-l_li′，然后将散射体作为虚拟基站，并把L_i作为移动台到散射体的电波到达时间TOA值进行定位估计；

(7)由于非视距环境下各种误差的存在，诸如非视距传播误差，测量误差，如此测量值中常包含很较大的误差，采用有效的神经网络来处理这些误差以得到更好的定位性能；该神经网络是一种前向神经网络，是具有单隐层的三层前馈网络；

(8)用有效数量的训练样本集对该神经网络进行训练，得到期望的诊断网络；

(9)用得到的神经网络来处理θ_ji和步骤(6)中的L_i信息；设神经网络输入层和输出层均为9个神经元，将[L_i，θ_ji]经过神经网络的修正后，其输出层即为修正后的电波到达角AOA和电波到达时间TOA测量值为：Y＝[L_i′，θ_ji′]。然后将θ_ji′带入步骤(5)中处理就可以得到修正后的散射体坐标S_i′(sx_i′，sy_i′)；

(10)以圆盘上三个不共线的散射体为基点，具体应用加权质心算法进行如下的定位计算：得到有各散射体对MS的影响因子为： ${\mathrm{\γ}}_1=\frac{1}{L_2\′+L_3\′},$ ${\mathrm{\γ}}_2=\frac{1}{L_1\′+L_3\′},$ ${\mathrm{\γ}}_3=\frac{1}{L_1\′+L_2\′};$ 那么MS位置即可精确的估计出来，其定位坐标如下： $\left[\begin{array}{c}\hat{x}\\ \hat{y}\end{array}\right]=\frac{1}{{\mathrm{\γ}}_1+{\mathrm{\γ}}_2+{\mathrm{\γ}}_3}\left[\begin{array}{ccc}{\mathrm{sx}}_1\′& {\mathrm{sx}}_2\′& {\mathrm{sx}}_3\′\\ {\mathrm{sy}}_1\′& {\mathrm{sy}}_2\′& {\mathrm{sy}}_3\′\end{array}\right]{\left[\begin{array}{ccc}{\mathrm{\γ}}_1& {\mathrm{\γ}}_2& {\mathrm{\γ}}_3\end{array}\right]}^T,$ 式中L₁′，L₂′，L₃′为由神经网络修正后得到的抑制了误差的三个散射体到MS的距离；最终得到结果

即得到了移动终端的精确位置，便实现了高精度的无线定位。

2、如权利要求1所述的一种基于神经网络的双基站精确定位方法，其特征在于：所述步骤(1)中的利用典型的蜂窝网络进行布局是：总体布局为一个小区半径为L的蜂窝***，具体坐标分布为：(0，0)，(0，2L)，

其总体布局可以根据实际的环境来自适应的调整，参与定位的基站是其中的任意2个。

3、如权利要求1所述的一种基于神经网络的双基站精确定位方法，其特征在于：所述步骤(3)中的多径数目为M2路，与散射体数目有关系，是散射体数目的2倍。

4、如权利要求1所述的一种基于神经网络的双基站精确定位方法，其特征在于：所述步骤(5)中的散射***置S_i(sx_i，sy_i)确定的是通过最小二乘法估计后得到的，体的数学运算表达如下：-sx_i+(tanθ_ji)sy_i＝-x_j+(tanθ_ji)y_j，

令Z_i＝(sx_i，sy_i)^T， $G_i=\left[\begin{array}{cc}-1& \tan {\mathrm{\θ}}_{1i}\\ -1& \tan {\mathrm{\θ}}_{2i}\end{array}\right],$ $H_i=\left[\begin{array}{c}{-x}_1+y_1\tan {\mathrm{\θ}}_{1i}\\ {-x}_2+y_2\tan {\mathrm{\θ}}_{2i}\end{array}\right];$

以Z＝[z₁|z₂|z₃]为变量的线性方程组为：H＝GZ，则AOA测量对应误差矢量为：ψ＝H-GZ，式中：G＝[G₁|G₂|G₃]^T，H＝[H₁|H₂|H₃]，则其最小二乘解为：Z＝(G^TG)^-1G^TH，即得到散射体信息。

5、如权利要求1所述的一种基于神经网络的双基站精确定位方法，其特征在于：所述步骤(7)中要用于处理误差的神经网络，其设计的数学表达如下：

1)用高斯函数： $\mathrm{\φ}\left(x\right)=\exp (-\frac{x^2}{{\mathrm{\σ}}^2})$ 作为隐含层，即隐层的基函数，‖·‖表示欧氏范数。由其构成的基函数向量为： $F\left(x\right)=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\λ}}_n\mathrm{\φ}\left(\left|\right|x-c_n\left|\right|\right),$ λ_n和c_n为网络系数；设输入层、隐层和输出层神经元节点数分别为M，N，K，则隐层单元输出为： $h_n=\exp (-\frac{{(X-C)}^T(X-C)}{{{\mathrm{\σ}}_n}^2})$ ，其中，C为隐层神经元的中心组成的向量阵，σ_n为第n个隐节点的宽度。网络的输出为：其中，W_kn表示第k个输出单元到第n个隐单元的连接权重，

为第k个神经元的阈值；

2)神经网络的非线性映射能力体现在隐层基函数上，其特性主要由基函数中心C_n，宽度以及神经元数确定；使用梯度下降法对神经网络的参数进行自适应调整，具体表达如下： $J=\frac{1}{2}\mathrm{\ξ}{(W,k)}^2=\frac{1}{2}{(Y\left(k\right)-Y\′(W,k))}^2,$ 其中，J为误差函数，Y(k)为期望的输出，Y′(W，k)为实际的输出，W为神经网络的所有权值组成的向量。隐层至输出层连结权重的梯度调整为：

隐层中心值矩阵调整算法为： $C_{k+1}=C_k+{\mathrm{\μ}}_k(-\frac{\∂J}{\∂C})=C_k+{\mathrm{\α}}_k(C_k-C_{k-1});$

宽度调整算法为： ${\mathrm{\σ}}_{k+1}={\mathrm{\σ}}_k+{\mathrm{\μ}}_k(-\frac{\∂J}{\∂\mathrm{\σ}})={\mathrm{\σ}}_k+{\mathrm{\α}}_k({\mathrm{\σ}}_k-{\mathrm{\σ}}_{k-1}),$ 式中，μ_k为神经网络的学习速率，α_k为其算法的动量因子。

6、如权利要求1所述的一种基于神经网络的双基站精确定位方法，其特征在于：所述步骤(10)中采用的加权质心算法是经过对质心算法作了改进，就是在经典质心算法中通过加权因子来体现散射体对移动终端MS位置的影响程度。

Images