CN106941718B

CN106941718B - 一种基于信号子空间指纹库的混合室内定位方法

Info

Publication number: CN106941718B
Application number: CN201710222648.7A
Authority: CN
Inventors: 王韦刚; 王文锐; 张雪; 黄海波
Original assignee: Nanjing University of Posts and Telecommunications
Current assignee: Nanjing University of Posts and Telecommunications
Priority date: 2017-04-07
Filing date: 2017-04-07
Publication date: 2020-05-26
Anticipated expiration: 2037-04-07
Also published as: CN106941718A

Abstract

本发明公开了一种基于信号子空间指纹库的混合室内定位方法，包括离线阶段和定位阶段；在离线阶段，一方面利用阵列天线接收信号，获得接收信号强度，并建立接收信号强度指纹库；另外对接收的阵列信号进行计算，获得信号子空间数据，建立信号子空间指纹库。在定位阶段，首先根据在线时测得的数据与指纹库进行匹配，并考虑离线坐标的概率分布，再利用贝叶斯理论进行信息融合，最终得到准确的定位坐标。本发明使用的阵列天线技术，是未来移动终端的关键技术之一，阵列信号处理后建立的指纹库包含了入射信号的强度和到达角度信息，能更有效地对抗多径传播及环境变化引起的信道时变的影响，从而能有效提高室内定位的精度，减小定位误差。

Description

一种基于信号子空间指纹库的混合室内定位方法

技术领域

本发明属于信号处理、信息融合和室内定位领域，特别涉及一种基于信号子空间指纹库的混合室内定位方法。

背景技术

室内定位技术是指在室内环境中实现位置精确定位，主要采用由无线通讯、基站定位等多种技术组成的一套室内位置定位体系，来实现人员、物体等在室内空间中的位置服务。常见的定位技术有基于Wi-Fi、蓝牙、红外线、超宽带、RFID、ZigBee和超声波的定位技术。

指纹库定位技术可以有效对抗室内多径传播，能在很大程度上提高室内定位精度。目前典型的室内指纹库定位方法大致分为接收信号强度(RSSI)指纹库定位技术、空间谱指纹库定位技术和RFID标签定位技术等。接收信号强度指纹库定位方法只能提供接收接收信号强度信息，而信号子空间则存储了信号的主要信息，因此信号子空间指纹库定位方法能更有效地对抗多径传播及环境变化引起的信道时变的影响。

以智能天线技术为核心的第五代移动通信***正处于如火如荼的研发阶段，有研究表明，通信过程中绝大部分的有用信息都与时间和地点有关，可以预见随着5G通信被广泛的应用，各种各样基于无线定位的业务也将推出，高质量的定位服务将成为十分迫切的需求。利用阵列天线接收信号并进行阵列信号处理，能够增强所需有用信号，抑制无用的干扰和噪声，并提取有用的信号特征及信号所包含的信息。因此通过阵列信号处理技术所建立的信号子空间指纹库，相对于接收信号强度指纹库能更有效地对抗多径传播及环境变化所引起的信道时变的影响。

从上述理论分析可知，如果采用两种指纹库的混合室内定位方法，就可以增加可用于室内移动终端定位的辅助信息，然后利用贝叶斯理论对两个指纹库的定位信息进行融合就可以提高室内定位的精度，减小定位误差。经过检索，现有技术中还没有发现有相关内容的披露。

发明内容

本发明所要解决的技术问题是利用移动终端的阵列天线获取信号子空间，并建立信号子空间指纹库，得到一种基于信号子空间指纹库的混合室内定位方法。目的是进行两种指纹库的混合室内定位，增加了可以用于室内移动终端定位的辅助信息，并通过基于贝叶斯理论的信息融合技术来进一步提高室内定位精度，以减小定位误差。

为实现上述目的，本发明提出的技术方案是一种基于信号子空间指纹库的混合室内定位方法，具体包括如下步骤：

步骤(1)：在离线阶段，进行接收信号强度的测量，根据各个区域坐标(_xi，y_j)，i＝1，…，m，y＝1，…，n，测得相应的接收信号强度R_k(x_i，y_j)，i＝1，…，m，j＝1，…，n，k＝1，…，L，并建立接收信号强度指纹库；

步骤(2)：利用移动终端的阵列天线离线测得阵列信号x(t)，天线阵列输出矢量x(t)可以表示为x(t)＝As(t)+n(t)，其中x(t)＝[x₁(t)，x₂(t)，…，x_b(t)，]，A为阵列方向矩阵，s(t)为信号源，n(t)为噪声；

步骤(3)：将x(t)通过阵列信号处理方法得到信号子空间U_s＝[u₁，u₂，…，u_L]，其中u₁，u₂，…，u_L为阵列信号协方差矩阵的L个较大特征值对应的特征向量，进而测得所有区域坐标的信号子空间集{U_s(x_i，y_j)|i＝1，…，m，j＝1，…，n}，并建立信号子空间指纹库；

步骤(4)：在线测量移动终端处的接收信号强度向量R′(x_i，y_j)和信号子空间U′_s(x_i，y_j)，然后在指纹库里根据相关算法计算得到匹配坐标；

步骤(5)：在每一个区域坐标上进行指纹库匹配训练，分别得到两个指纹库的误差统计概率P(d_R|(x_i，y_j))和P(d_U|(x_i，y_j))；

步骤(6)：根据上述两个指纹库的误差统计概率，利用贝叶斯理论进行信息融合，得到每个区域坐标上的后验概率P((x_i，y_j)|d_R，d_U)；

步骤(7)：利用最大后验概率准则，得到移动终端准确的定位坐标

进一步，上述步骤2具体包括：定义均匀线阵由b根天线构成，阵元间距为d，其阵列方向向量表示为

其中选第一个阵元为基准点，c为信号波长，θ_k为来波方向，天线阵列输出x(t)为x(t)：As(t)+n(t)，其中x(t)＝[x₁(t)，x₂(t)，…，x_b(t)]，s(t)＝[s₁(t)，s₂(t)，…，s_L(t)]，A为阵列方向矩阵。

上述步骤3具体包括：阵列输出信号x(t)的协方差矩阵为R＝E{(x(t)-m_x(t))(x(t)-m_x(t))^H}，其中m_x(t)为输出信号均值，由于协方差矩阵R为方阵，可以直接对其进行特征值分解

进而得到信号子空间U_s＝[u₁，u₂，…，u_L]，其中u₁，u₂，…，u_L为阵列信号协方差矩阵的L个较大特征值对应的特征向量，U是酉矩阵，U^H是其转置形式；λ_i是特征值，u_i是特征向量，u_i ^H是其转置形式，并建立信号子空间指纹库。

上述步骤4具体包括：在线测量移动终端处的接收信号强度向量R′(x_i，y_j)和信号子空间U′_s(x_i，y_j)，在接收信号强度指纹库和信号子空间指纹库中，分别利用

和

这两个公式得到相应的指纹库匹配坐标，其中D为最小欧式距离，T为最小矩阵二范数。

上述步骤5具体包括：在每一个区域坐标上执行多次步骤(4)，利用匹配坐标计算出匹配误差，并进行相应的的概率统计，分别得到两个指纹库的匹配误差统计概率P(d_R|(x_i，y_j))和P(d_U|(x_i，y_j))。

上述步骤(6)中所述后验概率为P((x_i，y_j)|d_R，d_U)∝P(d_R|(x_i，y_j))·P(d_U|(x_i，y_j))·P((x_i，y_j))。

本发明的有益效果：

1、本发明采用了接收信号强度指纹库和信号子空间指纹库的混合定位方法，充分利用了移动终端的有效定位信息，消除单个指纹库产生的多种误差。

2、本发明采用基于贝叶斯理论的信息融合技术，有效提高了最后定位结果判断的准确度。

3、本发明建立了信号子空间指纹库，相比接收信号强度指纹库，信号子空间存储了信号的主要信息，能更有效地对抗多径传播及环境变化引起的信道时变的影响。

4、本发明采用阵列天线接收信号并进行阵列信号处理，能够增强所需有用信号，抑制无用的干扰和噪声，方便提取出有用的信号特征及信号所包含的信息。

附图说明

图1是本发明的混合室内定位的场景示意图。

图2是本发明定为方法的流程图。

图3是均匀线阵示意图。

具体实施方式

现结合附图对本发明作进一步详细的说明。

如图1所示，本发明提供了室内平面图和用户行走时的信号信息采样点，包括接收信号强度和信号子空间信息，其中AP₁，AP₂，……，AP_L为路由器接入点，即发设基站，(x_i，y_j)，i＝1，…，m，y＝1，…，n为采集信息时的参考点坐标，即移动终端采集信息的位置，根据参考点处采集到位置指纹信息建立接收信号强度指纹库和信号子空间指纹库；

如图2所示，本发明的定为方法包含以下主要步骤：

步骤(1)：在离线阶段，进行接收信号强度的测量，根据各个区域坐标(x_i，y_j)，i＝1，…，m，y＝1，…，n，测得相应的接收信号强度R_k(x_i，y_j)，i＝1，…，m，j＝1，…，n，k＝1，…，L，并建立接收信号强度指纹库；

步骤(6)：根据两个指纹库的误差统计概率，利用贝叶斯理论进行信息融合，得到每个区域坐标上的后验概率P((x_i，y_j)|d_R，d_U)；

步骤(1)进一步包括：离线测量接收信号强度，根据区域坐标{(x_i，y_j)|i＝1，…，m，y＝1，…，n}，测得相应的接收信号强度{R_k(x_i，y_j)|i＝1，…，m，j＝1，…，n，k＝1，…，L}，并建立接收信号强度指纹库，如下表所示：

步骤(2)包括：一个由b根天线构成的均匀线阵，阵元间距为d，以来波方向θ入射b根天线，则均匀线阵的阵列方向向量为：

其中选第一个阵元为基准点，c为信号波长。

图3是均匀线阵示意图，定义阵列方向矩阵为：

那么大线阵列输出天量x(t)可以用以下等式表示

x(t)＝As(t)+n(t)

其中x(t)＝[x₁(t)，x₂(t)，…，x_b(t)]，s(t)＝[s₁(t)，s₂(t)，…，s_L(t)]，n(t)为噪声；

步骤(3)包括：阵列输出信号x(t)的协方差矩阵为

R＝E{(x(t)-m_x(t))(x(t)-m_x(t))^H}

其中，m_x(t)＝E[x(t)]为输出信号均值，且m_x(t)＝0。则有

R＝E{x(t)x(t)^H}＝E{(Ax(t)+n(t))(Ax(t)+n(t))^H}

由干协方差矩阵R为方阵，则可以直接对其进行特征值分解得：

对求得的特征值λ进行排序，可得λ₁≥…≥λ_L＞λ_L+1＝…＝λ_b＝σ²，其中σ²表示噪声功率，即前K个值与信号相关，其数值大于σ²，求得到信号子空间U_s＝[u₁，…，u_K]，通常取L＝K，其中u₁，u₂，…，u_L为阵列信号协方差矩阵的L个较大特征值对应的特征向量，U是酉矩阵，U^H是其转置形式；λ_i是特征值，u_i是特征向量，u_i ^H是其转置形式，并建立信号子空间指纹库，U是酉矩阵，U^H是其转置形式；λ_i是特征值，u_i是特征向量，u_i ^H是其转置形式，并建立信号子空间指纹库，如下表所示：

步骤(4)包括：在线测量移动终端处的接收信号强度向量R′和信号子空间U′_s，根据KNN算法，计算R′与接收信号强度指纹库中每一个R(x_i，y_j)的欧氏距离：

D(x_i，y_j)＝||R′-R(x_i，y_j)||₂

选取K个欧氏距离最小的接收信号强度向量对应的坐标，计算平均值得到接收信号强度指纹库的匹配坐标。再根据最小矩阵二范数准则，计算U′_s与信号子空间指纹库中每一个U_s(x_i，y_j)差的矩阵二范数：

计算使矩阵二范数T(x_i，y_j)取最小值时的坐标，即为信号子空间指纹库的匹配坐标。

步骤(5)包括：在每一个区域坐标上执行多次步骤(4)，利用匹配坐标计算出匹配误差，并进行相应的的概率统计，分别得到两个指纹库的匹配误差统计概率为P(d_R|(x_i，y_j))和P(d_U|(x_i，y_j))，即已知坐标的条件下匹配误差的概率分布。

步骤(6)包括：根据上报的来自两个指纹库的匹配误差统计概率，利用贝叶斯信息融合技术，计算每个区域坐标上的后验概率：

步骤(7)包括：根据最大后验概率准则，

求得最终移动终端的定位坐标

Claims

1.一种基于信号子空间指纹库的混合室内定位方法，其特征在于，所述方法包括如下步骤：

步骤(1)：在离线阶段，进行接收信号强度的测量，根据各个区域坐标(x_i,y_j),i＝1,...,m,j＝1,...,n，测得相应的接收信号强度R_k(x_i,y_j),i＝1,…,m,j＝1,…,n,k＝1,…,L，并建立接收信号强度指纹库；

步骤(2)：利用移动终端的阵列天线离线测得阵列信号x(t)，天线阵列输出矢量x(t)可以表示为x(t)＝As(t)+n(t)，其中x(t)＝[x₁(t),x₂(t),…,x_b(t)]表示b根接收天线上的信号，A为阵列方向矩阵，s(t)为信号源，n(t)为噪声；

步骤(3)：将x(t)通过求出协方差矩阵及特征值分解方法得到信号子空间U_s＝[u₁,u₂,…,u_L]，其中u₁,u₂,…,u_L为阵列信号协方差矩阵的L个较大特征值对应的特征向量，进而测得所有区域坐标的信号子空间集{U_s(x_i,y_j)|i＝1,…,m,j＝1,…,n}，并建立信号子空间指纹库；

步骤(4)：在线测量移动终端处的接收信号强度向量R'(x_i,y_j)和信号子空间U′_s(x_i,y_j)，

根据KNN算法，计算R'与接收信号强度指纹库中每一个R(x_i,y_j)的欧氏距离：

D(x_i,y_j)＝||R'-R(x_i,y_j)||₂

选取K个欧氏距离最小的接收信号强度向量对应的坐标，计算平均值得到接收信号强度指纹库的匹配坐标，再根据最小矩阵二范数准则，计算U′_s与信号子空间指纹库中每一个U_s(x_i,y_j)差的矩阵二范数：

计算使矩阵二范数T(x_i,y_j)取最小值时的坐标，即为信号子空间指纹库的匹配坐标；

步骤(5)：在每一个区域坐标上进行指纹库匹配训练，分别得到两个指纹库的误差统计概率P(d_R|(x_i,y_j))和P(d_U|(x_i,y_j))；

步骤(6)：根据上述两个指纹库的误差统计概率，利用贝叶斯理论进行信息融合，得到每个区域坐标上的后验概率P((x_i,y_j)|d_R,d_U)；

2.根据权利要求1所述的一种基于信号子空间指纹库的混合室内定位方法，其特征在于：所述的方法步骤(2)包括：定义均匀线阵由b根天线构成，阵元间距为d，其阵列方向向量表示为

其中选第一个阵元为基准点，c为信号波长，θ_k为来波方向，天线阵列输出x(t)为x(t)＝As(t)+n(t)，其中x(t)＝[x₁(t)，x₂(t)，…，x_b(t)]，s(t)＝[s₁(t),s₂(t),…,s_L(t)]，A为阵列方向矩阵。

3.根据权利要求1所述的一种基于信号子空间指纹库的混合室内定位方法，其特征在于：所述的方法步骤(3)包括：阵列输出信号x(t)的协方差矩阵为R＝E{(x(t)-m_x(t))(x(t)-m_x(t))^H}，其中m_x(t)为输出信号均值，由于协方差矩阵R为方阵，可以直接对其进行特征值分解

进而得到信号子空间U_s＝[u₁,u₂，…，u_L]，其中u₁，u₂，…，u_L为阵列信号协方差矩阵的L个特征值对应的特征向量，U是酉矩阵，U^H是其转置形式；λ_i是特征值，u_i是特征向量，u_i ^H是其转置形式，并建立信号子空间指纹库。

4.根据权利要求1所述的一种基于信号子空间指纹库的混合室内定位方法，其特征在于：所述的方法步骤(5)包括：在每一个区域坐标上执行多次步骤(4)，利用匹配坐标计算出匹配误差，并进行相应的概率统计，分别得到两个指纹库的匹配误差统计概率P(d_R|(x_i,y_j))和P(d_U|(x_i,y_j))。

5.根据权利要求1所述的一种基于信号子空间指纹库的混合室内定位方法，其特征在于：所述的方法步骤(6)中所述后验概率为P((x_i,y_j)|d_R,d_U)∝P(d_R|(x_i,y_j))·P(d_U|(x_i,y_j))·P((x_i,y_j))。