毫米波室内信道状态识别及定位算法研究.pdf

毫米波室内信道状态识别及定位算法研究

摘要

随着无线通信技术进入高速发展期，毫米波和大规模多输入多输出技术（Massive

MultipleInputMultipleOutput，MassiveMIMO）已成为下一代移动通信的关键技术，

并在室内精确定位中具有巨大的潜在优势。在室内定位系统中，视距（LineofSight，

LOS）和非视距（NonLineofSight，NLOS）传播对于定位性能有着显著影响。以

LOS传播为假设条件的定位算法，在缺少直射路径的NLOS场景中存在很大的局限

性，因此，在毫米波通信系统中，提升LOS/NLOS信道状态识别的准确率，并以此为

基础，研究提升NLOS场景下定位精度的方法是必要的。本文针对以上情况，重点研

究毫米波通信系统中LOS/NLOS传播状态识别算法以及室内NLOS场景下的定位算

法。研究内容主要分为两个部分。

1）本文基于波束训练框架下的28GHz毫米波通信系统，引入最强路径角度差和

频域传递函数峰度两个特征参数作为毫米波信道状态识别的新度量，并提出适用于大

数据集的人工神经网络（ArtificialNeuralNetwork,ANN）和适用于小数据集的改进算

术优化最小二乘支持向量机（ArithmeticOptimizationAlgorithm-LeastSquaresSupport

VectorMachine，AOA-LSSVM）两种分类算法实现高精度信道状态识别。

其中，相对于传统低于6GHz的无线局域网系统和超宽带系统，毫米波通信系统

采用定向波束克服较高的路径损耗，因此，本文对毫米波定向波束扫描测量得到的定

向时延功率谱（PowerDelayProfile，PDP）进行全向合成，获取整个环境的时空信息

用于信道状态识别。考虑到MassiveMIMO具有的低时延和高角度分辨率特性，本文

引入最强路径角度差和频域传递函数峰度作为输入特征参数，利用ANN和改进AOA-

LSSVM算法提高信道状态识别的准确性。与传统经典算法相比，改进AOA-LSSVM

算法利用改进AOA算法对LSSVM的参数进行优化，从而充分发挥LSSVM的分类性

能，提升信道状态识别准确性。本文通过与其他经典算法模型和已用于毫米波信道状

态识别的算法作对比，验证了所提算法的有效性和优越性。

2）由于毫米波穿墙能力弱，非视距通信概率增加，面对以LOS传播为假设条件

的定位算法因缺乏直射径而造成定位精度下降，且多基站定位时基站部署成本高、系

统开销大、需要考虑同步等问题，本文提出一种以多径信息为输入，粒子群优化

（ParticleSwarmOptimization，PSO）和列文伯格-马夸尔特（Levenberg-Marquard，

LM）算法相结合的单基站定位算法用于提升NLOS场景下的定位精度。该算法首先利

哈尔滨工程大学专业学位硕士学位论文

用室内场景先验信息和多径到达角信息约束散射体位置范围，其次利用PSO算法求解

定位方程组，寻找散射体和目标最佳位置，实现目标初步定位，最后利用LM算法以

及改进的DBSCAN（Density-BasedSpatialClusteringofApplicationswithNoise）算法，

实现目标位置精确定位。仿真结果表明该算法在室内NLOS单基站条件下具有较好的

定位精度，验证了算法的有效性。

关键词：毫米波；信道状态识别；室内定位；非视距传播

毫米波室内信道状态识别及定位算法研究

Abstract

Withtherapiddevelopmentofwirelesscommunicationtechnology,millimeterwaveand

massivemultipleinputmultipleoutput(MassiveMIMO)technology