申请/专利权人：大连理工大学

申请日：2019-12-25

公开（公告）日：2021-01-05

公开（公告）号：CN111065158B

主分类号：H04W64/00(20090101)

分类号：H04W64/00(20090101);H04B17/318(20150101);G01S5/02(20100101);G01S5/04(20060101)

优先权：

专利状态码：失效-未缴年费专利权终止

法律状态：2022.12.02#未缴年费专利权终止;2020.05.19#实质审查的生效;2020.04.24#公开

摘要：本发明属于电子、通信与自动控制技术领域，涉及到基于蜂窝网信号的用户定位，特别涉及到一种基于蜂窝网信号角度和强度融合的指纹定位方法。本发明利用移动终端可获得的蜂窝网信号强度和信号到达角建立指纹数据库；当移动终端需要定位时，其使用本发明设计的基于动态加权函数的在线指纹匹配算法和坐标受限的异常点筛选算法，进行在线数据处理得到移动终端位置坐标。本发明的效果和益处是除了蜂窝网基站外，不需要其他辅助设备，只利用已部署的蜂窝基站即可以实现室内定位，且无需依赖视距环境，定位精度较高。

主权项：1.一种基于蜂窝网信号角度和强度融合的指纹定位方法，其特征在于，利用移动终端可获得的信号强度和二维到达角，将信号强度、俯仰角和方位角作为指纹，设计基于动态加权函数的在线指纹匹配方法和坐标受限的异常点筛选方法实现定位；步骤如下：1建立基于多指纹的离线数据库在离线阶段，首先将移动终端所在的定位区域划分为已知大小的正方形网格，其边长记为dg，将每个网格作为一个指纹点，用网格中心点的坐标作为该指纹点的坐标；设该定位区域共有Q个指纹点和N个基站，则离线阶段建立指纹数据库时，移动终端需测量Q个指纹点的N个基站的RSS、俯仰角和方位角，所述RSS为信号强度；离线阶段测得RSS和角度后，将这两种指纹信息合并为一维向量保存；提出基于多指纹的数据库建立方法：移动终端在离线阶段首先获得在Q个指纹点测量的N个基站的信号强度p、俯仰角α和方位角β，并以这些测量值分别构成维度为Q×N的矩阵R、T1和T2， 然后将角度信息矩阵T1和T2合并为矩阵Φ，Φ＝[T1,T2]T3在线阶段，R和Φ分别用于计算定位点和指纹点之间的角度欧氏距离和信号强度欧氏距离；2利用动态加权函数进行指纹匹配在线阶段移动终端测量N个基站的信号强度、俯仰角和方位角信息，既而得到三个一维指纹向量p1,…,pNT、α1,…,αNT和β1,…,βNT，然后将俯仰角和方位角指纹合并，这样得到信号强度指纹向量Γ和角度指纹向量Θ，其中Γ＝p1,…,pNT，Θ＝α1,…,αN,β1,…,βNT；终端将分别计算定位点与单个指纹点间的信号强度和角度的欧氏距离，标记为dr,i和 其中Γj和Θj分别表示在线测得的指纹向量Γ和Θ中的第j个元素；Ri,j和Φi,j表示离线数据库矩阵R和Φ中第i行第j列个元素；将计算得到的信号强度和角度的多个欧氏距离保存为向量D1和D2，其中D1＝dr,1,…,dr,Q、当移动终端在在线阶段得到两个欧氏距离向量D1和D2后，把D2中的每一个元素作为某一函数F的自变量，将函数输出作为加权值与D1中对应位置的元素dr,i相乘得到向量D，以取代D1和D2来表征角度和RSS欧氏距离向量，即 对于函数F：首先要求为增函数，即当时，则其次在对D2中的元素进行函数加权处理之前要首先从D2中由小到大选择K个角度欧氏距离，并计算这K个欧氏距离的标准差，记为σk，然后根据σk决定函数F；当σk1.5时，选择F为凸函数，F给为Fx＝e0.05x；当σk1.5时，函数给为递增的线性函数或凹函数以适当缩小或保持区分度，给出Fx＝x13；因此，函数F设计为： 3筛选不符合坐标选择范围的异常点在匹配过程完成并得出D后，直接通过WKNN方法得到最终的定位结果，所述WKNN方法为加权K最近邻近点算法；但当D1和D2中相同位置的数据均存在误差时，需要筛除不符合坐标选择范围的异常点，具体过程如下：方法首先从D中由小到大选择K1个数据，这K1个数据所对应的指纹点构成集合S1，然后从S1中筛选出最终的K个指纹点，其中K1K；筛选方法根据指纹点坐标值对指纹点进行筛选；坐标上下限的确定分为两步：首先从D中选择K2个数据，K1K2K，并统计这些数据所对应的指纹点的坐标均值和横纵坐标的选择范围分别确定为和以此范围对指纹点进行筛选；S1中坐标值不在选择范围内的指纹点被筛选掉之后，根据指纹点在D中对应的元素值的大小对S1中的指纹点以升序排列，选择前K个点作为最终的指纹点，即所选指纹点的坐标xj和yj满足： 需要说明的是，把K1个点中的异常点去除之后，可能会导致剩余指纹点个数小于K的情况出现；针对这种情况，首先统计K1个数据所对应的指纹点的横纵坐标的标准差Sx和Sy，然后分为两种情况处理：1当Sx2dg或Sy2dg时，将RSS和角度信息合并为一维向量作为指纹，即，Ai＝p1,…pN,α1…αN,β1,…,βN9然后计算Dm来代替D，Dm＝dm,1,…,dm,Q10其中dm,i是定位点与第i个指纹点之间指纹向量的欧氏距离， X是在线测得的RSS和角度信息合并后的指纹向量，其结构和公式9所示的Ai相同，Xj是向量X中的第j个元素；注意，将RSS和角度信息合并为一维向量作为指纹时，相应的应将信号强度和角度数据库矩阵合并为数据库B，其中B＝[R,Φ]T，Bi,j是矩阵B中第i行第j列个元素；然后将Dm中元素按升序排列后选择前K个元素所对应的指纹点作为最终选择的指纹点；2当Sx2dg且Sy2dg时，从K1个点中的去除异常点后，剩余指纹点个数会大于K；这种情况下再利用异常点筛选方法，得到最后的K个指纹点；获得K个指纹点后，利用其所对应的矩阵D或Dm中的元素值计算出每个指纹点所赋予的权值； 其中Dj是D或Dm第j个元素值.最终计算终端位置x,y，

全文数据：

权利要求：

百度查询： 大连理工大学 一种基于蜂窝网信号角度和强度融合的指纹定位方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD