一种nlos环境下的oaaoa定位算法.docxVIP

一种nlos环境下的oaaoa定位算法 1 基于rbf神经网络的toa/aoa定位算法 随着移动通信技术的发展，蜂窝网络的角色定位（ms）逐渐成为蜂窝网络的基本功能。 RBF网络是典型的前向神经网络，具有非线性连续有理函数的逼近功能。本文提出的基于RBF神经网络的TOA/AOA定位算法，通过综合利用多个基站的TOA和AOA的测量值，并利用RBF神经网络对NLOS误差进行修正，使TOA和AOA的测量值接近LOS环境下的测量值，然后再应用LS算法进行位置估计，使其在NLOS环境中有更高的定位精度。该方法不需要获得确切的传播时延统计特性模型，因此具有较高的实用价值。 2 ms和bs之间的距离 基于几何结构的单次反射 (GBSB) 统计信道模型 (1) MS与BS之间为NLOS, MS发射的电波以角度β到达反射圆再经反射后到达BS，β服从[-π, π]上的均匀分布； (2) 信号的各多径分量在到达BS之前只经历一次反射； (3) MS和BS之间的距离大于R; (4) NLOS造成的误差与系统的自身测量误差是相互统计独立的。 3 基于nlos的rbf神经网络模型 本文通过RBF神经网络来对NLOS误差和测量误差进行修正，使修正后的TOA和AOA值尽量接近真实值。图2给出了用于NLOS环境下7个基站提供的TOA和AOA测量值修正的RBF神经网络模型：RBF网络由输入层、隐层和输出层组成。其中输入层由7个相关的基站所提供的7个TOA和1个AOA测量值组成。隐层节点由高斯函数构成，具有局部感知能力。输出层由8个神经元构成，其输出为修正后的TDOA和AOA值。 4 rbf神经网络定位算法：toa/a 4.1 加标回用法1,2,m 设MS坐标为 (x, y) ，参与定位的基站BS 其中i=1, 2, , M。 上面方程为关于x, y, τ 其中i=1, 2, , M。 当TOA和AOA测量值存在误差时，可以得到误差方程： 其中 法估计MS位置为 将式 (5) 解得的x代入式 (1) 可得到y。 4.2 rbf网络效果 (1) 以移动台的不含测量误差和NLOS误差的TOA和AOA为目标样本矢量对网络进行训练。训练步骤如下： 步骤1选择RBF函数中心，从输入向量集合选择中心。 步骤2按照式 (6) 计算RBF函数的基函数围绕中心点宽度的初值。 其中d 步骤3初始化网络输出权值为一些小的随机值。 步骤4提交一个输入向量，并且按式 (7) 计算网络输出。 步骤5采用监督学习方法按式 (8) -式 (10) 更新网络参数 步骤6如果网络已经收敛则停止，否则，回到步骤4。 (2) 用训练好的RBF网络对TOA和AOA测量数据进行修正，输出值按式 (7) 计算。 (3) 利用修正后的TOA和AOA值采用4.1节所述的LS算法按式 (1) -式 (5) 进行位置估算。 5 模拟与分析 5.1 模型参数设计 本文对基于RBF神经网络的TOA/AOA定位算法在不同信道环境下的性能进行了分析，并与Chan算法, Taylor算法和LS算法在相同条件下的结果进行了分析比较。采用7个小区组成的典型蜂窝结构，它们的位置如图3所示。在仿真中假设移动台均匀分布在图3阴影部分所示的1/12小区内。选取其中1000个位置进行仿真分析。除了分析小区半径对定位性能影响之外，在其它情况下，小区半径均取2km。AOA系统测量误差为独立同分布的均值为0，标准差为0.01 rad的高斯随机变量。除了分析TOA系统测量误差对定位性能影响之外，TOA系统测量误差为独立同分布的均值为0，标准差为0.1μs (约30m) 的高斯随机变量。MS与所有基站之间均为NLOS。 5.2 提升定位性能 (1) 小区半径大小对定位性能的影响图4中反射圆半径为500m，本文算法随着小区半径的增大定位的均方根误差随之增大，但定位的均方根误差远远小于直接利用LS算法的TOA/AOA算法，说明利用神经网络对TDOA和AOA测量值进行了修正，在一定程度上消除了NLOS误差的影响，因而提高了定位精度。当小区半径小于1.5km时，本文算法定位精度最高，Taylor算法稍好，Chan算法次之，LS算法最差。这是由于小区半径较小时，在反射圆半径一定的情况下，NLOS的误差所占比重较大，Taylor算法，Chan算法和LS算法受到的影响较大，而本文算法对NLOS误差具有较好的修正作用。随着小区半径的增大，Chan算法，Taylor算法定位性能逐步上升。在小区半径大于2.5km时，Chan算法定位性能最好，Taylor算法稍好，本文算法次之，LS算法最差。这是由于随着小区半径的增大，在反射圆半径一定的情况下，NLOS的误差所占比重随之减小，其影响随之减小，Chan算法在LOS环境中具有优良的定位性能，Taylor算法