一种多算法协同定位模型

彭 静

[JP2]摘 要:为了减少非视距对定位精度的影响,在K[CD*2]O模型的基础上,研究一种在无任何先验信息的情况下,利用残差函数构造先验信息,用于定位的数据融合技术。该技术利用简单残差算法得到MS初始坐标后构造下层算法所需的TDOA协方差矩阵,采用最佳线性数据融合进行最后加权处理,得到移动台的估计坐标。最后,通过试验仿真证明了该算法的有效性。[JP]

关键词:数据融合;协方差矩阵;多算法协同定位;最佳线性融合

中图分类号:TN929.53

文献标识码:A

0 引 言

数据融合技术是结合有关先验信息,综合不同处理方法和技术的优点对不同类型的数据进行融合,从而获得比单一处理方法和技术更优数据输出的技术。目前,一些研究者已经在基于JDL数据融合模型上面做了很多的工作[2[CD*2]5]。文献[2[CD*2]5]包括有综合利用到TOA,TDOA,AOA三种测量值来进行融合技术,但是由于要进行不同参数的测量,限制了这些方法的实用化;文献[6]虽然单独利用TDOA进行融合,实现容易,但对于移动台某一个确定位置,其定位结果有较大的误差。

由于基于TDOA的定位方法不需要基站与移动台之间严格的同步,因此在基于蜂窝网的移动台定位技术中,大部分无线定位算法都是基于TDOA的,其中比较经典的算法有Chan算法和泰勒序列展开法。在不同的信道环境中他们各自具有其特有的优点,同时也存在局限性。为了提高移动台的定位准确度,将综合这两种算法,并且结合了简单的残差加权算法,构造先验信息,对Kleine[CD*2]Ostmarm数据融合模型[7,8]进行改进,提出一种无需先验信息的,利用Chan算法和泰勒序列展开法定位结果进行融合的算法协同定位模型。由于在数据融合过程中需要利用简单的残差加权算法,因此下面先对之进行较为详细的介绍。

1 简单的残差加权算法

设参与定位的基站个数为M≥4,待定位的移动台坐标为(x,y),(x璱,y璱)为第iЦ龌站发射机的已知位置。根据测量得到的TDOA测量值可以得到下式:

2 融合方法

各种算法都有其自身的优缺点,Chan算法和泰勒序列展开法都需要先验信息,在无法知道先验信息的情况下,都假设TDOA测量值的协方差矩阵为单位矩阵。因此,先用简单的残差加权法构造TDOA测量值的协方差矩阵[9](见式(5)),代入这两种基本算法中,以减少NLOS误差。此外,对于泰勒序列展开法,先通过其他算法进行初始定位,再将定位结果作为初始值代入其中进行定位计算。本文提出的多算法协同定位的数据融合模型,如图1所示,该模型特点如下。

(1) 因为没有任何有关TDOA测量值的先验信息,所以Chan算法和泰勒序列展开法中的TDOA测量值的协方差矩阵[WTHX]Q[WTBX]是未知的。可以由前面定义的残差函数,将玀S位置初始估计值(﹛,﹜)代入式(2)得到┟扛霆方程的残差f璱(﹛,﹜),Я:

将构造后的[WTHX]Q[WTBZ]值代入Chan算法和泰勒序列展开法中作为TDOA的协方差矩阵。文献[9]中对此做了详细的分析,且结果表明,将与真实位置比较接近的初始值代入残差函数,构造TDOA的协方差矩阵,可以有效改善NLOS误差对定位带来的不利影响。

(2) 对于TDOA测量值,分别采用简单残差加权法、Chan算法、泰勒序列展开法、第一层数据融合和第二层数据融合,产生五种定位估计,其中泰勒序列展开法的初值由简单残差加权法产生。

(3) 第一层数据融合

对于同一组TDOA测量值分别采用简单残差加权法、Chan算法和泰勒序列展开法进行定位估计,每种算法的加权系数玆璳,则:

式中:[WTHX][WTBX]璳=[x,y]玊为第k种算法的定位结果;[WTHX]X[WTBX]璱=[x璱,y璱]玊为参与定位的第i个基站的坐标;獴SN为BS数目;r﹊,1为移动台到各基站的测量距离差,即对应的TDOA测量值。则加权后的定位结果:

И[HJ][WTHX][WTBX]1=(∑Kx璳R-1璌)/(∑KR-1璌)[JY](7)И[HJ]

式中:獽为算法数目。

(4) 第二层数据融合

该层依旧采用加权方式进行数据融合,在这层进行融合的定位估计有3种,设每种的加权系数为玆﹌′,则定义:

(5) 第四层数据融合

该层数据融合采用文献[10]方法进行加权处理,假定Chan算法、泰勒序列展开法、第一层数据融合和第二层数据融合的定位估计值的均值和方差分别为X┆玞玬,X

3 算法仿真及性能讨论

采用标准7基站/小区蜂窝网络,小区半径为3 000 m。其中第一个基站为服务基站,如图2所示。

信道模型采用C0ST259,环境分别为闹市区、一般市区、郊区和远郊。由于该算法主要是为了减少非视距对定位精度的影响,因此这里主要对在闹市区的情况进行较为详细的分析。为了验证该模型的性能,在服务基站的第一扇区内随机选择了12个待定位点,这12个点随机分布在相邻距离为200 m的同心圆上,每个点重复仿真200次,将数据融合各层定位结果定位均方根误差和均值误差与融合结果比较,以及将数据融合各层误差小于150 m和小于300 m的概率进行比较,最后比较本融合结果与传统的Chan算法比较。オ[KH-1]

如图3所示,得到:经过融合以后,融合结果相对于参与融合的各层,其定位均方根误差有明显的减小,但均值误差并不是最低,这是因为决策层是用基于最小均方误差的最优线性融合的方法来进行融合的。它只能保证融合后的结果比参与融合各层的均方根误差都小,而无法保证定位的均值误差也比各层的都小。

如图4所示,得到,在定位误差小于150 m概率比较时,第一层和第二层融合出现了融合结果的概率小于Chan算法。这是因为这两层都是利用线性加权的方法进行融合的,如果有一个或者若干基站的定位结果较差,那么就会导致这层融合结果较差。当初始值定位较差时候,也可能会导致泰勒序列展开法在闹市环境下比Chan算法差。

从图5可以看到,融合结果无论在定位误差均值还是在均方根误差指标上都比传统的Chan算法优越。在较为严重的非视距环境下,该算法具有较好的适应性。第一层和第二层都是采用的残差融合方法可以对非视距影响较大的估计分配较小的加权因子,因而也可以减小非视距的影响,并且非视距影响越大,这种效果就越明显。因此本融合模型的定位精度要比Chan算法高,具有一定的实用性。

4 结 语

在蜂窝网络定位系统中,由于基于单个测量值的定位方法以及单个算法的定位精度有限,因此Kleine[CD*2]Ostmann提出了一种基于JDL的三层定位数据融合模型。为了在没有任何信道环境先验信息的情况下,融合不同TDOA定位算法的优点,讨论了一种针对不同TDOA定位算法融合的新型数据融合模型,利用简单的残差加权算法得到第一步定位估计值,构造TDOA协方差矩阵和作为泰勒序列展开法的初始值,并且利用线性加权和贝叶斯推论等融合方法,得到最好定位结果。仿真结果表明,在非视距环境下,该模型有效提高了移动台的定位精度,且不需要先验信息。

参 考 文 献

[1]Ostmann T Kleine,Bell A.A Data Fusion Architecture for Enhanced Position Estimation in Wireless Networks[J].IEEE Communication Letters,2001,5(8):343[CD*2]345.

[2]杜海兵,王民北.数据融合技术在无线移动定位中的应用[J].计算机工程与应用,2005(16):153[CD*2]155,161.

[3]孙国林,郭伟.基于数据融合的蜂窝无线定位算法研究[J].通信学报,2003,24(1):137[CD*2]142.

[4]刘军民,张展,刘石.基于数据融合技术的TDOA移动台定位方法[J].大连理工大学学报,2005,45(1):138[CD*2]141.

[5]陈朝,昂志敏.一种基于数据融合的蜂窝无线定位算法模型[J].国外电子测量技术,2008,27(3):27[CD*2]30.

[6]邓平, 刘林, 范平志.移动台定位估计数据融合增强模型及其仿真研究[J].通信学报,2003,24(11):165[CD*2]17.

[7]范平志,邓平,刘林.蜂窝网络无线定位[M].北京:电子工业出版社,2002.

[8]袁登科.蜂窝网络消除非视距传播误差影响的定位算法研究[D].成都:西南交通大学,2005.

[10]李启虎.独立观测资料的最佳线性数据融合[J].声学学报,2000,25(5):385[CD*2]388.

科学计算与信息处理王 凯等:基于结点等效功率法的地区电网网损计算及分析