当前位置:文档之家› 非视距传播环境下的AOA定位跟踪算法

非视距传播环境下的AOA定位跟踪算法

非视距传播环境下的AOA定位跟踪算法摘要:基于几何结构的单次反射统计信道模型,提出了一种在非视距(NLOS)传播环境下对移动台的到达角(AOA)的定位与跟踪算法。

首先利用径向基函数(RBF)神经网络对NLOS 误差进行修正,再利用最小二乘(LS)算法进行移动台位置估计,然后配合相关检测距离门对移动台进行跟踪。

仿真结果表明,该跟踪算法能够有效地实现移动台的静态定位与动态跟踪,且效果良好。

?ス丶?词:非视距;到达角;跟踪算法;神经网络;最小二乘法?ブ型挤掷嗪牛? TP929.53文献标志码:A英文标题??AOA location and tracking algorithmin ??non??line??of??sight propagation environment?び⑽淖髡呙?MAO Yong??yi 1,ZHANG Ying2?び⑽牡刂?(1. Department of Postgraduate, Xi’an University of Posts and Telecommunications, Xi’an Shaanxi 710061, China??;??2. College of Communication and Information Engineering, Xi’an University of Posts and Telecommunications, Xi’an Shaanxi 710061, China英文摘要)??Abstract:Based on Geometrically Based Single??Bounce (GBSB) statistical channel model, a Angel of Arrival (AOA)??based location and tracking algorithm in Non??Line??Of??Sight (NLOS) environment for Mobile Station (MS) was proposed in this paper. The algorithm using Radical Basis Function (RBF) neural network was able to correct the NLOS errors, and then the positions of MS could be estimated by Least??Square (LS) algorithm. Furthermore, cooperating with correlation detection gate, the MS was tracked by the algorithm. The simulation results show that the proposed algorithm can efficiently track the MS dynamically, and has good results.英文关键词??Key words:Non??Line??Of??Sight (NLOS); Angel of Arrival (AOA);tracking algorithm; neural network; Least??Square(LS) algorithm??0 引言??近年来,随着移动通信技术的发展,运营商提供的服务也更加多样化,无线定位技术受到人们越来越广泛的关注[1-2]。

在蜂窝网络环境中,引起定位误差的因素除了测量设备引起的随机测量误差外,还有电波的非视距(Non Line??of??Sight, NLOS)传播效应、多径效应、多址干扰和远近效应。

由于这些因素的综合影响,将使得定位估计出现较大的偏差。

而在这些因素当中,NLOS是造成定位误差的主要原因,减少非视距影响的算法成为移动台定位研究的热点。

目前无线定位算法主要包括到达时间(Time Of Arrival, TOA)、到达时间差(Time Different Of Arrival, TDOA)、到达角(Angel Of Arrival, AOA)等[3-5]。

其中多是利用TOA和TDOA进行定位,而利用AOA定位的算法少有涉及。

现有的算法研究更多的是静态定位,而对于移动台动态跟踪的文献资料较少[6]。

??随着智能天线技术成熟应用于移动通信系统,对信号幅角的测量精度越来越高,使得用AOA定位方法进行定位成为可能。

为了实现动态连续定位服务和提高定位精度,本文提出了利用RBF神经网络对NLOS误差进行修正;再利用最小二乘(Least??Square, LS)算法进行位置估计,配合相关检测距离门对移动台进行跟踪;最后对该算法的性能进行了分析和仿真。

??1 单次反射统计信道模型??基于几何结构的单次反射统计信道(Geometrically Based Single??Bounced, GBSB)模型适合对各种定位算法进行分析,GBSB又分为适合于宏蜂窝环境的单次反射圆模型(Geometrically Based Single??Bounced Circle Model, GBSBCM),和适合于微蜂窝环境的单次反射椭圆模型(Geometrically Based Single??Bounced Ellipse Model, GBSBEM)。

本文主要考虑适用于宏蜂窝环境的GBSBCM。

如图1所示,散射物均匀分布在以MS为中心,??R??为半径的圆内,在实际应用中散射区半径??R?Э墒导什獾谩?MS与基站(Base Station, BS)间的距离??D大于R。

?Ц媚P屠?用了与实际相符的一个假设,即在宏蜂窝环境中,BS天线较高,BS附近反射物不产生反射信号。

??图片图1 基于几何结构的单次反射圆模型??由模型可得,最大时延扩展?Е营??┆?max???Ш妥畲蠼嵌壤┱躬Е泉??┆?max???Х直鹞?:???Е营??┆?max??=2R/c?В?1)???Е泉??┆?max??=??arcsin??(RD)=?お?arcsin??R(x-x??i)??2+(y-y??i)??2?В?2)??2 基于RBF神经网络的AOA测量值的修正??径向基函数(Radial Basis Function, RBF)神经网络具有较快的学习特性和逼近任意非线性映射的功能。

通过综合利用多个基站的AOA的测量值向量P,对NLOS误差进行修正,使AOA的测量值接近LOS环境下的测量值o,然后再利用LS 算法进行位置估计,使其在NLOS环境中有更高的定位精度。

图2给出了用于NLOS环境下7个基站提供的AOA测量值的修正的RBF神经网络模型。

RBF网络由输入层、隐层和输出层组成,?Е鬲?为输入与输出单元的加权值。

??输入向量为:????P=[AOA????1,AOA????2,AOA????3,AOA????4,AOA????5,AOA?? ??6,AOA????7]?В?3)??输出向量为:????o=[T????1,T????2,T????3,T????4,T????5,T????6,T????7]?В?4)??图片图2 用于NLOS环境下AOA测量值的修正的RBF神经网络模型??3 基于RBF神经网络的AOA定位算法??3.1 基于AOA的LS定位算法??设有??M?Ц龌?站参与定位,BS????i 坐标为??(x??i,y??i)??, MS坐标为??(x,y)??,各基站测量的AOA值?Е泉?i??相互独立,则有:???И?tan?? θ??i=y-y??ix-x??i?В? ??i=1,2,…,M?В?5)??式(5)可转化成以下形式:???И?tan??(θ??i)x-y=??tan??(θ??i)x??i-y??i?В? ??i=1,2,…,M?? (6)??当AOA测量值存在误差时,可以得到误差方程:???Е?=h-G??ax?В?7)其中:??G??a=??tan?? θ??1-1?お?tan?? θ??2-1?う螃螵お?tan?? θ??M-1??x=x??y?И???h=??tan??(θ??1)x??1-y??1?お?tan??(θ??2)x??2-y??2?う螃螵お?tan??(θ??M)x??M-y??M?И?采用LS算法估计MS位置为:????x = (G??T????a G????a ) - 1G??T????a h?В?8)??上面的AOA定位算法在存在视距传播时能达到满意效果,但是在NLOS条件下,由于AOA测量值误差较大,该算法的性能将受到较大影响。

??3.2 NLOS条件下的AOA定位跟踪算法??在NLOS传播环境下,各个基站接收的移动台信号到达时间不同,到达角各异的多径信号,在宏蜂窝环境中,由GBSBCM可知,多径导致的角度扩展不大于最大角度扩展,为由NLOS引起的角度误差设置了范围,增加了算法的精度。

本文先利用RBF网络对AOA测量数据进行修正,从而减小AOA测量值中的NLOS误差,再利用LS算法进行定位将有效地提高系统的定位精度,最后配合相关检测距离门对移动台进行跟踪。

??定位跟踪按以下步骤进行。

??1)假定测得??K?ё?NLOS环境下的AOA值,建立用于修正NLOS误差的RBF网络并进行训练。

以移动台的不含NLOS 误差的AOA为目标样本矢量对网络进行训练。

??2)用训练好的RBF神经网络对模拟的AOA测量数据进行修正。

??3)利用修正后的AOA值采用LS算法进行位置估算。

??4)通过RBF神经网络计算得到的定位结果??(x????i, y??i)为观测值Z????i (i=1,2,…,n),经过跟踪处理后的点迹为S??i (i=1,2,…,n)。

?И?5)将序列??Z的前N个数据送入缓存计算均值作为起始点迹S????i,并计算距离门G。

?И?6)?Ы?下一个观测值Z????i+1与S????i比较,若两点间距离小于G,则转到4);反之,则删除观测点迹Z????i+1并返回2)计算下一点迹。

?И?7)将??Z????i+1送入缓存作为计算的新点迹S????i+1。

?И?8)??S????i+1= S????i,返回2),更新G,进行下一个点迹的运算,直到i=n。

?И?9)对漏掉的点迹采用线性插值进行拟合。

??3.3 距离门??G?У难∪―??Ь嗬朊?G的选取至关重要[7],若G过大则误差大的值也进入结果会使得最后定位跟踪结果扰动太大;若G太小则会导致观测结果中过少的信息进入移动点迹,使得整个性能降低甚至无法实施跟踪。

为确定距离门G首先做出如下假设:认为观测序列Z中除去遗漏的和误差过大的数据外其他数据满足高斯过程。

相关主题