CN103096465A - 一种环境自适应的多目标直接定位方法 - Google Patents
一种环境自适应的多目标直接定位方法 Download PDFInfo
- Publication number
- CN103096465A CN103096465A CN2013100098170A CN201310009817A CN103096465A CN 103096465 A CN103096465 A CN 103096465A CN 2013100098170 A CN2013100098170 A CN 2013100098170A CN 201310009817 A CN201310009817 A CN 201310009817A CN 103096465 A CN103096465 A CN 103096465A
- Authority
- CN
- China
- Prior art keywords
- dictionary
- base station
- lattice point
- learning
- signal
- 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.)
- Granted
Links
Images
Landscapes
- Position Fixing By Use Of Radio Waves (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种环境自适应的多目标直接定位方法。该方法由定位中心首先对定位区域进行格点划分,并将格点坐标组成集合;然后根据已知的基站和格点坐标预先建立理想字典;接着定位中心根据各基站所收到的移动终端发出信号,利用离线和在线两步字典学习方法对理想字典进行动态调整,使之适应信号环境的动态变化,进而对稀疏信号进行重构,所得稀疏向量中非零值所对应格点位置即为所求移动终端位置,非零值个数即为待定位目标个数。本发明的方法不仅无需进行信号时延、角度、强度等特征参数估计,而且由于采用两步字典学习方式能够动态适应环境的变化,可以获得更高的定位精度,同时该方法无需预先已知待定位目标个数。
Description
技术领域
本发明属于无线定位技术领域,特别涉及一种利用无线通信设施进行无线定位的方法。
背景技术
无线定位技术在搜索救援、智能交通、物流管理、地质勘探和国土开发、航海/航空导航等诸多领域都有广泛应用。如今在军事行动和日常生活的各个领域,具有空间位置特性的地理信息发挥着越来越重要的作用,高精度的无线定位技术也越来越受到广泛关注。
在众多无线定位***中,最著名的是把无线电发射源设置在各种轨道卫星上的定位***,例如美国的全球定位***(GPS)、欧洲的伽利略(Galileo)***、俄罗斯的GLONASS***以及我国的“北斗”定位***等,凭借着广域覆盖的巨大优势,将无线电定位技术发展到一个新的高度。尽管卫星定位技术已经在国民经济各个方面得到广泛应用,但是在应用领域由于受到各种接收误差的影响,需要通过其它辅助手段(例如建立差分基准站)才能达到所需的定位精度要求;同时在接收信号受到物理遮挡的情况下常常无法完成导航任务。因此,利用现有和即将建设的庞大的民用无线通信设施进行无线定位,不仅可以弥补卫星定位***的不足,而且可以作为无线通信高附加值的服务。尤其是在美国联邦通信委员会颁布了E911(Emergency call 911)强制性定位要求后,加上巨大市场利润的驱动,国内外出现了研究移动通信***终端定位技术的热潮。
受卫星定位***的影响,当前利用民用通信设施的定位方法绝大多数采用两步定位模式(如图2所示),即首先估计接收信号的一个或多个特征参数(如信号强度(RSS)、信号到达时间(TOA)、信号到达时间差(TDOA)和信号到达角度(AOA)等),再根据这些参数估计出移动终端的位置。此类定位模式的定位精度取决于第一步参数估计的精度和第二步位置解算算法的性能。在两步定位模式下,众多研究一直试图从提高参数估计精度和增强定位算法性能两个角度提出改进方案,以达到改善最终定位性能的目的。但不同于卫星定位***,无线通信网络不是专门为定位设计的***,其特征参数测量和估计是在完成通信功能的同时进行的,而且在信号格式上一般也没有为定位目的专门设计的定位信息域,难以保证特征参数测量精度,其误差不仅影响定位参数的估计精度,而且会传递到第二步位置解算阶段,引起更大误差。尽管已有大量关于参数估计的论文发表,但因为实际环境的复杂性和随机性,目前还没有在所有环境下都能进行高精度参数估计的一般方法。而且涉及到多目标定位时,存在着数据关联难题。
直接定位方法(Direct Position Determination,DPD)是无线定位领域近几年发展起来的一种定位新模式(如图3所示),该方法突破了传统两步定位方法的局限,将特征参数检测和定位融为一体,直接利用信号波形进行定位,无需专门的参数估计过程。目前最著名的直接定位方法是Weiss等人提出的格点搜索直接定位方法,可称为GDPD方法(Weiss, A. J. and A. Amar, “Directposition determination of multiple radio signals,”EURASIP Journal on Applied Signal Processing, vol.2005, no.1, 37-49, 2005.)。该方法依据最小二乘原则建立目标函数,通过求解该函数的最小值即可得到移动终端的位置估计。由于这是一个多维优化问题,直接求解计算复杂度很高。为了方便计算,Weiss等人将定位区域划分成若干个格点,将每个格点作为移动终端可能的潜在位置,分别计算每个格点的目标函数值,其极值所对应位置即为所求位置。由于这种直接定位方法不像两步定位方法可以利用清晰的几何关系,其计算量要远高于传统两步定位方法,尤其不适用于实时性要求较高的场合。而且该方法需要预先已知目标个数,这在实际中往往较难得到。
近年来,压缩感知理论成为信号处理领域的研究热点,其独特的思想也开始在无线定位领域中得到应用。但现有基于压缩感知的定位工作绝大部分针对两步定位模式,目前仅专利申请书(申请号为CN2011104003679)中提出利用格点处信号构成冗余字典,实现稀疏基的直接定位,可称为SDPD方法。但该方法忽略了实际信道时变特性的影响,因此在实际环境中该方法的定位精度会有显著下降。
发明内容
本发明的目的是针对现有技术中存在的不足,利用两步字典学习技术,提出一种环境自适应的多目标直接定位方法,不仅从根本上解决时变因素对直接定位方法的影响,而且能够根据环境的动态改变自适应地做出调整,达到提高DPD定位精度,促进直接定位模式的实用化的目的。
本发明为实现上述发明目的,所采用的技术方案是:
一种环境自适应的直接定位方法,包括如下步骤:
1)定位请求:假设共有L个待定位的移动终端,其位置未知,记为pl=(xl,yl),l=1,…,L;N个已知位置的基站位于qn=(xn,yn),n=1,…,N,每个基站均装有含M阵元的阵列天线;移动终端向参考基站发出定位请求,各参考基站分别接收移动终端发出的信号,并将信号汇集到定位中心;定位中心将基站所围成的定位区域划分为K个格点(格点位置已知),此处可以根据需要进行均匀划分或者非均匀划分,并将格点坐标组成集合;由于在某一特定时刻移动终端所在的位置在空间域上是唯一的,也即移动终端只在其中的一个格点处(或其附近),因此一旦定位区域内的格点位置划定,移动终端在空间上的位置可精确地用一个索引向量θ=[θ1,…,θK]T表示,其中移动终端所在格点处的索引分量θi,i∈{1,…,K}为正(比如记为1),而其他格点所对应索引值记为0。由于移动终端数量一般远小于格点数量,如此一来,定位问题可以转变为依据接收信号判断稀疏向量中非零值所在位置的问题;
2)建立理想字典:在忽略信道变化的情况下,在第n个基站上接收到的第l个移动终端发出的信号可以表示为:
rn(t)=an(pl)sl(t-τn(pl))+vn(t)(1)
其中sl(t)表示第l个移动终端发出的信号波形,一般采用训练序列或同步序列等已知信号波形,并且所有移动终端采用相同信号波形;an(pl)是第n个基站的天线阵列响应,当天线孔径远小于移动终端到天线的距离时,an(pl)仅仅是AOA的函数;τn(pl)表示电磁波从第l个移动终端到第n个基站所经历的时延;vn(t)表示噪声矢量;
下面考虑忽略掉噪声影响的理想情况,假设第i个格点处存在一个移动终端,则在第n个基站上理想接收信号可以表示为
由于基站和格点位置都已知,时延可由两者间距离除以光速精确求得,同样也可以由基站位置与格点之间的几何关系求出AOA,然后由根据所选天线类型得到,所以上述可以预先知道;同样方法,可以通过计算预先得到对应任意一个格点处所发出信号的理想接收信号,组合成一个理想接收信号矩阵,可表示为
于是可以将定位问题转化为一个稀疏恢复问题,即
R=Hθ+V(4)
其中,;由于字典H是已知的,所以通过压缩感知理论可以求出稀疏矢量θ,找出其中非零位置所对应格点,就可以得到移动终端的位置,非零值个数即为移动终端个数;一般来说,移动终端位置pl不会正好等于格点位置,但当格点密度足够大时,可以做到。
3)离线字典学习:以上模型是理想信道条件为基础的,而在实际环境中信道是不断变化的,因此上述建立的理想字典未必能够正确表示实际信号,也即实际字典D与理想字典H之间存在着偏差,直接利用理想字典H进行稀疏恢复,会出现较大误差;将字典偏差记为Γ,则D=H+Γ。由于Γ一般是未知且时变的,所以D也是未知的,为解决这一问题,根据得到的训练样本集,对字典进行学习,使之与实际环境相适应;这一步采用交替学习方式,即稀疏恢复和字典更新交替进行,具体如下:
a)稀疏恢复阶段:根据字典学习原理,此阶段字典固定不变,稀疏恢复问题可以归结求解下述方程:
min||θ||l s.t.R=Dθ(5)
压缩感知理论中已有多种算法可以求解方程(5),如凸优化算法等。
b)字典更新阶段:此阶段稀疏矢量θ固定不变,字典学习等效为
其中di,i=1,…,K,为字典D中列矢量;此处可以采用ILS-DLA算法(K. Engan, K. Skretting, and J. Husry, “Family of iterative LS-based dictionary learning algorithms, ILS-DLA, for sparse signal representation,” Digital SignalProcessing, vol. 17, no. 1, pp. 32–49, 2007.)或K-SVD算法(M. Aharon, M. Elad, and A. Bruckstein, “K-SVD: An algorithm for designing overcomplete dictionariesfor sparse representation,” IEEE Transactions On Signal Processing, vol. 54, no. 11, pp. 4311–4322, 2006.)等实现离线字典学习;
4)在线字典学习:尽管经过离线学习后字典D可以初步与实际环境相适应,但由于训练样本是预先采样得到的,而环境在不断的变化,此字典D并不能总是与实际信号相符合,必须不断根据实时接收信号调整字典,但每次采用步骤3)的方法进行学习运算量太大,不适合在线计算。为了克服这一问题,在线字典更新采用增量学习算法,该算法以离线学习后字典作为初始字典,当接收新的信号就对当前字典的每一列进行更新,每次只需给每一列加上一个增量,计算量很小,即
dj→dj+(bj-Daj)/Aj,j=1,2,…,K(7)
其中dj, bj, aj分别是矩阵 D, Bj和Aj的列矢量,矩阵Bj和Aj的定义请参见文献(Mairal J., Bach F., Ponce J., and Sapiro G., “Online learning for matrix factorization and sparse coding,” J.Mach. Learn. Res., vol. 11, no. 3, pp. 19–60, Jan.2010.);这样一来,不断根据最新采样数据调整字典,并计算出θ,其非零值位置对应的格点位置就是要估计的移动终端位置。
本发明的有益效果主要体现在以下几个方面:
(1)本发明的方法保持了现有直接定位方法无需进行时延、角度、强度等特征参数估计的特点,可以去除了参数估计环节误差对定位精度的影响,能得到比两步定位方法获得更高的定位精度。
(2)本发明的方法根据训练样本动态调整字典,可以自适应环境的变化,提高定位精度,并且该方法无需预先已知待定位目标数量,降低了实用化难度。
(3)本发明的方法利用两步字典学习方法,先利用离线训练建立初始字典,为后续动态改变奠定基础,在线阶段只采用增量方式就可以实现自适应学习,既可以动态地适应环境变化,又大大降低了计算复杂度。
附图说明
图1是本发明环境自适应的直接定位方法的流程图;
图2是现有技术中基于两步定位方式的多目标定位示意图;
图3是现有技术中基于直接定位方式的多目标定位示意图;
图4是本发明实施例中仿真结果图。
具体实施例
为了更好地理解本发明的技术方案,以下将结合附图及具体实施例对本发明的工作流程及有益效果进行详细说明。
在本实施例中,基站的数目为4,并且4个基站的坐标分别为(500m,500m), (500m,-500m), (-500m,-500m),(-500m,500m),用符号,n∈{1,2,3,4}表示。选择基站1作为定位中心,并且基站之间可以互相通信。每个基站安装一部均匀线阵天线(Uniform Linear Array,ULA),天线阵元数均为10,阵元间隔取为信号波长的一半,信号载波频率为900MHz。采用Greenstein模型(Greenstein, L.J., Ereeg,V., Yeh Y.S., and Clark, M.V., ‘A new path-gain/delay-spread propagation model for digital cellular channels’, IEEE Transactions on Vehicular Technology, 1997, Vol.46, No.2, pp.477-485.)建立仿真信道。格点划分方式采用均匀划分方式,格点间隔为20m,这样在所围区域内共设定了NΩ=26×26个格点。定位区域选为四个基站所围区域,因此这些格点位置可以预先得到,记为,i∈{1,2,…,NΩ}。
由于基站和格点位置都是已知的,因此从格点到第n个基站所经历的时延可以由公式直接计算得到,其中c表示光速。同样地,格点和第n个基站的波达角也可以通过计算得到,为。于是,当采用均匀线阵时,第n个基站的阵列响应矢量为,其中ζ=2π/λ为波数,λ是信号波长,d为阵元间隔。注意此处的时延和阵列响应是根据几何关系直接计算得到,并非通过参数估计得到,因此可以在定位前预先获得。相应地,根据上述时延和阵列响应建立的理想字典H可以预先建立,并且只要基站位置和格点划分方法不改变,理想字典也不会发生改变。
采用计算机仿真验证本发明的性能(仿真中使用的是Core i5(2.3GHz)处理器和2GB 内存的计算机),统计运行100次的平均定位效果,仿真结果如图4所示。如图所示,环境自适应的直接定位方法的定位性能要优于GDPD和SDPD方法。
以上实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。
Claims (1)
1.一种环境自适应的多目标直接定位方法,其特征在于,所述方法包括如下步骤:
1)移动终端向参考基站发出定位请求,各参考基站分别接收移动终端发出的信号,并将信号汇集到定位中心;
3)离线字典学习:根据得到的采样点,对理想字典进行学习,这一步采用交替学习方式,即稀疏恢复和字典更新交替进行;
4)在线字典学习:在离线学习字典的基础上,再通过增量学习方法,根据最新数据不断调整字典和稀疏矢量θ;稀疏矢量θ中非零值位置所对应的格点位置就是要估计的移动终端位置,非零值的个数即为目标个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310009817.0A CN103096465B (zh) | 2013-01-11 | 2013-01-11 | 一种环境自适应的多目标直接定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310009817.0A CN103096465B (zh) | 2013-01-11 | 2013-01-11 | 一种环境自适应的多目标直接定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103096465A true CN103096465A (zh) | 2013-05-08 |
CN103096465B CN103096465B (zh) | 2015-06-24 |
Family
ID=48208439
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310009817.0A Expired - Fee Related CN103096465B (zh) | 2013-01-11 | 2013-01-11 | 一种环境自适应的多目标直接定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103096465B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103576137A (zh) * | 2013-09-27 | 2014-02-12 | 电子科技大学 | 一种基于成像策略的多传感器多目标定位方法 |
CN104093202A (zh) * | 2014-07-02 | 2014-10-08 | 南京信息工程大学 | 一种环境自适应的无设备目标定位方法 |
CN105738865A (zh) * | 2015-12-05 | 2016-07-06 | 中国人民解放军信息工程大学 | 信号波形已知条件下的多目标直接定位方法 |
CN107368809A (zh) * | 2017-07-20 | 2017-11-21 | 合肥工业大学 | 一种基于稀疏表示和字典学习的轴承故障分类方法 |
CN111308530A (zh) * | 2020-02-17 | 2020-06-19 | 中国人民解放军战略支援部队信息工程大学 | 一种基于二维波达方向的短波多站和单星协同直接定位方法 |
CN114019445A (zh) * | 2021-09-22 | 2022-02-08 | 中国电子科技集团公司第二十九研究所 | 一种基于位置聚类动态稀疏重构的二维到达角度测量方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102427602A (zh) * | 2011-12-06 | 2012-04-25 | 南京师范大学 | 稀疏直接定位方法 |
CN102688032A (zh) * | 2012-05-11 | 2012-09-26 | 东华大学 | 基于精简公共字典库的心电信号稀疏分解压缩*** |
WO2012166356A1 (en) * | 2011-06-03 | 2012-12-06 | Apple Inc. | Monitoring geofence exit |
-
2013
- 2013-01-11 CN CN201310009817.0A patent/CN103096465B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012166356A1 (en) * | 2011-06-03 | 2012-12-06 | Apple Inc. | Monitoring geofence exit |
CN102427602A (zh) * | 2011-12-06 | 2012-04-25 | 南京师范大学 | 稀疏直接定位方法 |
CN102688032A (zh) * | 2012-05-11 | 2012-09-26 | 东华大学 | 基于精简公共字典库的心电信号稀疏分解压缩*** |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103576137A (zh) * | 2013-09-27 | 2014-02-12 | 电子科技大学 | 一种基于成像策略的多传感器多目标定位方法 |
CN104093202A (zh) * | 2014-07-02 | 2014-10-08 | 南京信息工程大学 | 一种环境自适应的无设备目标定位方法 |
CN104093202B (zh) * | 2014-07-02 | 2017-11-17 | 南京信息工程大学 | 一种环境自适应的无设备目标定位方法 |
CN105738865A (zh) * | 2015-12-05 | 2016-07-06 | 中国人民解放军信息工程大学 | 信号波形已知条件下的多目标直接定位方法 |
CN105738865B (zh) * | 2015-12-05 | 2018-03-27 | 中国人民解放军信息工程大学 | 信号波形已知条件下的多目标直接定位方法 |
CN107368809A (zh) * | 2017-07-20 | 2017-11-21 | 合肥工业大学 | 一种基于稀疏表示和字典学习的轴承故障分类方法 |
CN111308530A (zh) * | 2020-02-17 | 2020-06-19 | 中国人民解放军战略支援部队信息工程大学 | 一种基于二维波达方向的短波多站和单星协同直接定位方法 |
CN114019445A (zh) * | 2021-09-22 | 2022-02-08 | 中国电子科技集团公司第二十九研究所 | 一种基于位置聚类动态稀疏重构的二维到达角度测量方法 |
CN114019445B (zh) * | 2021-09-22 | 2023-06-06 | 中国电子科技集团公司第二十九研究所 | 一种基于位置聚类动态稀疏重构的二维到达角度测量方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103096465B (zh) | 2015-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107817469B (zh) | 基于非视距环境下超宽频测距实现室内定位方法 | |
CN109548141B (zh) | 基于卡尔曼滤波算法的室内环境基站坐标位置标定方法 | |
Liu et al. | Improving positioning accuracy using GPS pseudorange measurements for cooperative vehicular localization | |
CN106912105B (zh) | 基于pso_bp神经网络的三维定位方法 | |
CN102638761B (zh) | 一种wifi定位方法及其定位*** | |
CN103096465B (zh) | 一种环境自适应的多目标直接定位方法 | |
CN102291817B (zh) | 移动通信网络中的基于位置测量样本的群定位方法 | |
CN102427602B (zh) | 稀疏直接定位方法 | |
CN103501538B (zh) | 基于多径能量指纹的室内定位方法 | |
CN102088769B (zh) | 直接估计和消除非视距误差的无线定位方法 | |
CN103402258A (zh) | 一种基于Wi-Fi的室内定位***和方法 | |
CN204166130U (zh) | 射频定位装置和*** | |
CN105510948A (zh) | 联合无线电信号复包络和载波相位信息的多目标直接定位方法 | |
CN103561463A (zh) | 一种基于样本聚类的rbf神经网络室内定位方法 | |
CN102325370A (zh) | 一种高精度的无线传感器网络节点的三维*** | |
CN104038901A (zh) | 一种减少指纹数据采集工作量的室内定位方法 | |
CN102928860A (zh) | 基于局部定位信息提高gps定位精度的方法 | |
CN112511976B (zh) | 定位无人机控制端的处理方法、装置、设备与介质 | |
CN104507097A (zh) | 一种基于WiFi位置指纹的半监督训练方法 | |
CN104640204A (zh) | 一种非直达波环境下无线传感器网络节点定位方法 | |
CN105044667A (zh) | 一种运动目标的双星跟踪方法、装置和*** | |
CN102288938A (zh) | 一种有效的无线传感器网络节点的三维*** | |
Lu et al. | Robot indoor location modeling and simulation based on Kalman filtering | |
Cho et al. | Improving TDoA based positioning accuracy using machine learning in a LoRaWan environment | |
Li et al. | Review on positioning technology of wireless sensor networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150624 Termination date: 20180111 |
|
CF01 | Termination of patent right due to non-payment of annual fee |