CN113347705B - 基于ica和cs的超宽带aoa室内定位方法 - Google Patents
基于ica和cs的超宽带aoa室内定位方法 Download PDFInfo
- Publication number
- CN113347705B CN113347705B CN202110605942.2A CN202110605942A CN113347705B CN 113347705 B CN113347705 B CN 113347705B CN 202110605942 A CN202110605942 A CN 202110605942A CN 113347705 B CN113347705 B CN 113347705B
- Authority
- CN
- China
- Prior art keywords
- signal
- ica
- positioning
- aoa
- algorithm
- 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
Images
Classifications
-
- 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
- H04W64/006—Locating users or terminals or network equipment for network management purposes, e.g. mobility management with additional information processing, e.g. for direction or speed determination
-
- 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
- H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/80—Services using short range communication, e.g. near-field communication [NFC], radio-frequency identification [RFID] or low energy communication
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明一种基于ICA和CS的超宽带AOA室内定位***及定位方法,包括定位终端、基站、服务器及上位机,定位***采用超宽带AOA测向定位获取定位数据,基站接收定位***的定位数据并将定位数据传输至上位机连接的服务器,以实现终端定位监控。本发明采用非高斯性的独立分量分析(ICA)和压缩感知(CS)理论结合的方法解决超宽带AOA定位的多径信号干扰问题。非高斯性的独立分量分析(ICA)算法利用信号的非高斯性,比经典的MUSIC算法具有更高的角度分辨率与计算精度;在ICA算法得到复合导向矢量的基础上,利用压缩感知理论中稀疏信号重建的方法,解决从复合导向矢量中得到直达及多径分量到达方向的欠定问题。
Description
技术领域
本发明涉及定位***技术领域,尤其是指一种基于ICA和CS的超宽带AOA室内定位***及定位方法。
背景技术
随着人们生活需求的不断提高和现代无线通信技术的迅速发展,无线定位技术日益受到人们的关注和重视,不仅在军事领域得到广泛地应用,也迅速地进入我们的日常生活,在各个应用领域发挥着重要的作用。例如:在超市中进行儿童搜寻、在飞机场寻找遗落的行李箱以及在地震在废墟中搜救被困人员等。如何在这些相对封闭、密集的室内环境下提高定位精度是无线定位技术研究的重要方面。
目前,已存在多种较为成熟的无线定位技术,但这些技术和方法用于室内定位存在着不同程度的缺陷:红外信号智能在小范围内传播,易受荧光灯或者房间内的灯光影响,不能到达高精度定位;GPS定位***是目前比较成熟的***,在室外环境能达到很高定位精度,使用是卫星信号,因此覆盖率广,不需要信号发生器,但却在太空中信号很难无衰减地到达地面,而对于建筑物类似实物却无法穿透,不可能用于室内定位;WIFI定位的成本低,经常被用于室内定位,但是易受别的信号干扰,直接导致定位精度下降,并且***具有相对高的能量消耗;蓝牙技术也是适用于小范围定位,定位误差波动大、受噪声信号干扰波动大。
超宽带信号宽度为纳秒级,占用带宽在1GHz以上,超宽带技术凭借穿透力强、安全性好、数据传输速率高、低功耗等优点,同时超宽带***定位正好可以满足无线室内定位对精度的要求,其能够实现精确定位,在上述多种无线定位技术中成为热点,因此,超宽带***定位具有很广的应用前景,在未来无线定位技术中起到举足轻重的地位。
发明内容
本发明针对现有技术存在之缺失,其主要目的是提供一种基于ICA和CS的超宽带AOA室内定位***及定位方法,能够满足室内定位需求,且解决多径信号对超宽带AOA定位的影响,从而克服现有技术的不足。
为实现上述目的,本发明采用如下之技术方案:
一种基于ICA和CS的超宽带AOA室内定位***及定位方法,包括定位终端、基站、服务器及上位机,定位***采用超宽带AOA测向定位获取定位数据,基站接收定位***的定位数据并将定位数据传输至上位机连接的服务器,以实现终端定位监控。
所述定位终端包含定位标签,用于发射超宽带信号。
所述基站采用无线基站,以实现与定位标签连接,接收定位标签超宽带定位信息。
所述基站还包括与基站连接的无线分站,接收基站反馈数据并传输到服务器中。
所述超宽带AOA测向定位,采用非高斯性的独立分量分析(ICA)和压缩感知算法(CS)结合的方法解决超宽带AOA定位的多径信号干扰问题。非高斯性的独立分量分析(ICA)算法利用信号的非高斯性,比经典的MUSIC算法具有更高的角度分辨率与计算精度;在ICA算法得到复合导向矢量的基础上,利用压缩感知理论中稀疏信号重建的方法,解决从复合导向矢量中得到直达及多径分量到达方向的欠定问题。
所述非高斯性的独立分量分析(ICA)可利用信源信号之间的统计独立性,从观测到的混合信号中估计出信源信号。其方法如下:
M1:N个相互独立统计的信源信号经过位置的线性混合方式被M个传感器接收,接收信号的方程为:
X(t)=AS(t) (1)
其中X(t)=[x1(t),x2(t),…,xm(t)]T为接收到的混合信号,A=[a1,a2,…am]为M×N阶未知混合矩阵,S(t)=[s1(t),s2(t),...,sm(t)]T为未知信源信号。
M2:采用ICA算法处理传感器接收到的混合信号,目的是估计出分离矩阵W。由此得到信源信号S(t),该过程可表示为:
Y(t)=WX(t)=WAS(t)=GS(t) (2)
其中,Y(t)=[y1(t),y(t),...,yn(t)]T是对信源信号S(t)的估计,W为分离矩阵,G为全局矩阵。
M3:当G为单位矩阵式,Y(t)=S(t),信源信号分离成功。
所述压缩算法的具体实现如下:
N1:对信号用稀疏基Ψ进行表示,α为信号x在稀疏基矩阵线性投影下的系数向量;
N2:我们用测量矩阵ΦM×N对信号x进行测量,将原始信号投影到相对于信号长度更低的维度进行观察研究,采样得到的M维向量称之为测量信号y;
N3:分别计算一组稀疏值下各自信号的残差,残差最小的为本组最优稀疏度;
所述非高斯性的独立分量分析(ICA)和压缩感知(CS)理论结合算法步骤如下:
S1:将接收到的信号进行预处理,包括中心化及白化处理;
S2:初始化第一个分量的权值向量ω,根据公式(3)和(4)对ω逐次迭代;
S3:如果算法没有收敛,转到S2;如果算法收敛求出一个独立成分的权值向量;
S6:根据角度空间的网格索引创建过完备字典B;
S7:求解二阶锥规划问题,得到1个信号多径衰弱系数集合C的稀疏谱;
S9:逐个求出所有信号直达分量和多径分量的AOA。
本发明基于ICA和CS的超宽带AOA室内定位***及定位方法的原理是:基站先于定位标签约定测距时隙,然后由基站在相应的时隙内和定位标签依次完成AOA测向和测距;完成测距和AOA测向后,将距离和方向信息通过基站传输至所述无线分站,再由无线分站通过有线将数据传输到服务器上,服务器再将数据传输到连接的上位机上。
与现有技术相比,本发明的有益效果是:基于ICA和CS的超宽带AOA室内定位***及定位方法具有更高的角度辨别率,解决从复合导向矢量中得到直达及多径分量到达方向的欠定问题。除了可以更准确地估计直达信号的AOA而不受信号相干性的影响,还可以估计其多径分量的AOA,同时不需要对阵列接收信号做解相干预处理。
附图说明:
图1是本发明实施例的定位***示意图;
图2是本发明实施例的AOA定位模型图;
图3是本发明实施例的ICA算法的线性瞬时混合模型
图4是本发明实施例的压缩感知框图;
图5是本发明实施例的压缩感知矩阵模型;
图6是本发明实施例的算法流程图。
具体实施方式
下面结合附图详细说明本发明的优选实施例。
如图1所示,本实施例提供一种基于ICA和CS的超宽带AOA室内定位***及定位方法,包括定位终端、基站、服务器及上位机,定位***采用超宽带AOA测向定位获取定位数据,基站接收定位***的定位数据并将定位数据传输至上位机连接的服务器,以实现终端定位监控。
如图2所示,根据未知节点N与已知节点N1的估计角度参数,而角度相应的轨迹上未知节点N肯定在上面,如果同样再用一个已知节点N2和这个未知点建立一条轨迹,则两轨迹交汇处就是所求节点的方位。θ1和θ2分别为已知节点N1、N2与未知节点N间的AOA,具体建立方程组即:
解这个方程组的根即为N的位置,到达信号角度定位模型这里只用到两个已知点,准确度有限,同时利用更多的已知节点会有效的提高定位准确值和成功率。
如图3所示,首先,N个相互独立统计的信源信号经过位置的线性混合方式被M个传感器接收,接收信号的方程为:
X(t)=AS(t) (1)
其中X(t)=[x1(t),x2(t),...,xm(t)]T为接收到的混合信号,A=[a1,a2,...am]为M×N阶未知混合矩阵,S(t)=[s1(t),s2(t),...,sm(t)]T为未知信源信号。
其次,采用ICA算法处理传感器接收到的混合信号,目的是估计出分离矩阵W。由此得到信源信号S(t),该过程可表示为:
Y(t)=WX(t)=WAS(t)=GS(t) (2)
其中,Y(t)=[y1(t),y(t),...,yn(t)]T是对信源信号S(t)的估计,W为分离矩阵,G为全局矩阵。
最后,当G为单位矩阵式,Y(t)=S(t),信源信号分离成功。
如图4所示,首先对信号用稀疏基Ψ进行表示,α为信号x在稀疏基矩阵线性投影下的系数向量,接下来我们用测量矩阵ΦM×N对信号x进行测量,将原始信号投影到相对于信号长度更低的维度进行观察研究,采样得到的M维向量称之为测量信号y,最后采用CS优化重建算法对信号进行恢复。
如图5所示,图中形象化的用方块矩阵形式表示,其中非白色的子块表示非零值,白色的位置表示元素值为0。利用测量矩阵ΦM×N将可压缩信号从N维投影到M维空间,在这过程中存储原信号的感兴趣信息到y中,为简化表示,将测量矩阵ΦM×N和稀疏基矩阵ΨN×Nt进行线性相乘,所得矩阵称为传感矩阵ΘM×Nt=ΦΨ。基于此,测量信号y与稀疏系数向量S可视为等价,其本质上S是在变换域Θ中y的稀疏表示形式。
如图6所示,非高斯性的独立分量分析(ICA)和压缩感知(CS)理论结合算法步骤如下:
S1:将接收到的信号进行预处理,包括中心化及白化处理;
S2:初始化第一个分量的权值向量ω,根据公式(3)和(4)对ω逐次迭代;
S3:如果算法没有收敛,转到S2;如果算法收敛求出一个独立成分的权值向量;
S6:根据角度空间的网格索引创建过完备字典B;
S7:求解二阶锥规划问题,得到1个信号多径衰弱系数集合C的稀疏谱;
S9:逐个求出所有信号直达分量和多径分量的AOA。
由于本发明的技术方案充分,采用非高斯性的独立分量分析(ICA)和压缩感知(CS)理论结合的方法解决超宽带AOA定位的多径信号干扰问题。非高斯性的独立分量分析(ICA)算法利用信号的非高斯性,比经典的MUSIC算法具有更高的角度分辨率与计算精度;在ICA算法得到复合导向矢量的基础上,利用压缩感知理论中稀疏信号重建的方法,解决从复合导向矢量中得到直达及多径分量到达方向的欠定问题。
最后应当说明的是,以上实施例仅用以说明本发明的技术方案,而非对本发明保护范围的限制,尽管参照较佳实施例对本发明作了详细地说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的实质和范围。
Claims (8)
1.一种基于ICA和CS的超宽带AOA室内定位***,其特征是:包括定位终端、基站、服务器及上位机,定位***采用基于ICA和CS的超宽带AOA测向定位获取定位数据,基站接收定位***的定位数据并将定位数据传输至上位机连接的服务器,以实现终端定位监控。
2.根据权利要求1所述的基于ICA和CS的超宽带AOA室内定位***,其特征是:所述定位终端包含定位标签,用于发射超宽带信号。
3.根据权利要求1所述的基于ICA和CS的超宽带AOA室内定位***,其特征是:所述基站采用无线基站,以实现与定位标签连接,接收定位标签超宽带定位信息。
4.根据权利要求1所述的基于ICA和CS的超宽带AOA室内定位***,其特征是:所述基站还包括与基站连接的无线分站,接收基站反馈数据并传输到服务器中。
5.根据权利要求1所述的基于ICA和CS的超宽带AOA室内定位***,其特征是:所述超宽带AOA测向定位,采用非高斯性的独立分量分析(ICA)和压缩感知算法(CS)结合的方法解决超宽带AOA定位的多径信号干扰问题,非高斯性的独立分量分析(ICA)算法利用信号的非高斯性,比经典的MUSIC算法具有更高的角度分辨率与计算精度;在ICA算法得到复合导向矢量的基础上,利用压缩感知理论中稀疏信号重建的方法,解决从复合导向矢量中得到直达及多径分量到达方向的欠定问题。
6.根据权利要求5所述的基于ICA和CS的超宽带AOA室内定位***,其特征是:所述非高斯性的独立分量分析(ICA)可利用信源信号之间的统计独立性,从观测到的混合信号中估计出信源信号,其方法如下:
M1:N个相互独立统计的信源信号经过位置的线性混合方式被M个传感器接收,接收信号的方程为:
X(t)=AS(t) (1)
其中X(t)=[x1(t),x2(t),...,xm(t)]T为接收到的混合信号,A=[a1,a2,...am]为M×N阶未知混合矩阵,S(t)=[s1(t),s2(t),...,sm(t)]T为未知信源信号;
M2:采用ICA算法处理传感器接收到的混合信号,目的是估计出分离矩阵W,由此得到信源信号S(t),该过程可表示为:
Y(t)=WX(t)=WAS(t)=GS(t) (2)
其中,Y(t)=[y1(t),y(t),...,yn(t)]T是对信源信号S(t)的估计,W为分离矩阵,G为全局矩阵;
M3:当G为单位矩阵式,Y(t)=S(t),信源信号分离成功。
7.根据权利要求5所述的基于ICA和CS的超宽带AOA室内定位***,其特征是:所述压缩感知算法的具体实现如下:
N1:对信号用稀疏基Ψ进行表示,α为信号x在稀疏基矩阵线性投影下的系数向量;
N2:我们用测量矩阵ΦM×N对信号x进行测量,将原始信号投影到相对于信号长度更低的维度进行观察研究,采样得到的M维向量称之为测量信号y;
N3:分别计算一组稀疏值下各自信号的残差,残差最小的为本组最优稀疏度。
8.根据权利要求5所述的基于ICA和CS的超宽带AOA室内定位***,其特征是:所述非高斯性的独立分量分析(ICA)和压缩感知(CS)理论结合算法步骤如下:
S1:将接收到的信号进行预处理,包括中心化及白化处理;
S2:初始化第一个分量的权值向量ω,根据公式(3)和(4)对ω逐次迭代;
S3:如果算法没有收敛,转到S2;如果算法收敛求出一个独立成分的权值向量;
S6:根据角度空间的网格索引创建过完备字典B;
S7:求解二阶锥规划问题,得到1个信号多径衰弱系数集合C的稀疏谱;
S9:逐个求出所有信号直达分量和多径分量的AOA。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110605942.2A CN113347705B (zh) | 2021-06-01 | 2021-06-01 | 基于ica和cs的超宽带aoa室内定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110605942.2A CN113347705B (zh) | 2021-06-01 | 2021-06-01 | 基于ica和cs的超宽带aoa室内定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113347705A CN113347705A (zh) | 2021-09-03 |
CN113347705B true CN113347705B (zh) | 2022-07-22 |
Family
ID=77473708
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110605942.2A Active CN113347705B (zh) | 2021-06-01 | 2021-06-01 | 基于ica和cs的超宽带aoa室内定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113347705B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113838223A (zh) * | 2021-10-08 | 2021-12-24 | 联想新视界(南昌)人工智能工研院有限公司 | 一种基于掌静脉识别及超宽带定位的智慧园区人员管理*** |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106507473A (zh) * | 2016-11-01 | 2017-03-15 | 南京工程学院 | 一种基于压缩感知算法的室内定位方法及装置 |
CN108882147A (zh) * | 2018-06-13 | 2018-11-23 | 桂林电子科技大学 | 一种基于超宽带定位技术的无线定位***及快速传动方法 |
CN109520496A (zh) * | 2018-09-28 | 2019-03-26 | 天津大学 | 一种基于盲源分离方法的惯性导航传感器数据去噪方法 |
CN112073895A (zh) * | 2019-06-10 | 2020-12-11 | 重庆邮电大学 | 一种基于csi高精度人员定位跟踪方法 |
-
2021
- 2021-06-01 CN CN202110605942.2A patent/CN113347705B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113347705A (zh) | 2021-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106793086B (zh) | 一种室内定位方法 | |
CN109738861B (zh) | 一种基于Wi-Fi信道状态信息的三维联合估计方法 | |
CN112073895A (zh) | 一种基于csi高精度人员定位跟踪方法 | |
US9377520B2 (en) | Systems and methods for direct emitter geolocation | |
CN104394588B (zh) | 基于Wi‑Fi指纹和多维尺度分析的室内定位方法 | |
CN108717175A (zh) | 基于区域划分和稀疏支持向量回归的室内指纹定位方法 | |
CN110297213A (zh) | 基于装载互质线阵的无人机平台的辐射源定位装置及方法 | |
CN113347705B (zh) | 基于ica和cs的超宽带aoa室内定位方法 | |
Liu et al. | Research and development of indoor positioning | |
CN110441731A (zh) | 窄带电磁辐射源目标定位方法 | |
Peng et al. | A new Wi-Fi dynamic selection of nearest neighbor localization algorithm based on RSS characteristic value extraction by hybrid filtering | |
Rozum et al. | Bluetooth low power portable indoor positioning system using simo approach | |
Zheng et al. | Sparse spectral fitting for direction of arrival and power estimation | |
Wang et al. | High-accuracy localization using single-anchor ultra-wide bandwidth systems | |
Li et al. | Multi-TDOA estimation and source direct position determination based on parallel factor analysis | |
CN109407051A (zh) | 凸优化融合图论的广义秩目标传感网时空数据定位方法 | |
Cavanaugh et al. | WPI precision personnel location system: Rapid deployment antenna system and sensor fusion for 3D precision location | |
CN110519693B (zh) | 一种面向智能移动终端的融合定位方法 | |
Tang et al. | Indoor positioning algorithm fusing multi-source information | |
CN105916200B (zh) | 一种基于压缩采样的超宽带无线定位方法与定位装置 | |
Li et al. | A K-nearest neighbor indoor fingerprint location method based on coarse positioning circular domain and the highest similarity threshold | |
Rajaee et al. | Energy efficient localization in wireless ad-hoc sensor networks using probabilistic neural network and independent component analysis | |
Zhang et al. | Indoor 3D dynamic reconstruction fingerprint matching algorithm in 5G ultra-dense network | |
CN115589569A (zh) | 一种使用Wi-Fi物理层信息校准FTM的方法 | |
CN109961476A (zh) | 基于视觉的地下停车场的定位方法 |
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 |