基于TDOA的双曲型蜂窝定位技术

2018-04-27汪涛国家新闻出版广电总局724台

数码世界 2018年4期

汪涛国家新闻出版广电总局724台

1 前言

现阶段，伴随移动通信技术的持续完善，其遭受地面发射源干扰情况也变得日益普遍，这些干扰除了会对正常的广播通信造成威胁，还会对整个通信业务的正常运作产生严重不良影响。为了能够有效克服此些干扰，利用遭受的相关卫星，能够比较快速并且准确的明确地面干扰源的具体位置，因而能够较好的满足实际需求。

针对同一信号来讲，当其经历过2颗卫星转发时，在最终传送至接收站的具体路径乃是存在差异的，所以，在具体的传送至接收站的时间上，也是有具体的时间差值，这一差值就是业内所提的TDOA。现阶段，针对TDOA而言，通常情况下，有两种估计方法，其一，将2个基站所传送的信号所送达的具体TOA差计算出来，从中得到TDOA；其二，互相关技术，从本质上来讲，就是基于相邻基站，由其所接收到的同一信号，通过彼此之间的紧密运算，从中获得所需要的TDOA值。针对第一种方法来讲，因其在两基站同步方面有着比较高的要求，所以，基于实用层面来考究，本文最终选择采用第二种方法，来对双曲型蜂窝定位技术开展系统化研究，以此来最大限度的达到定位精度提升的目的。

针对移动通信定位系统而言，其在定位精度方面准确云否，起到决定作用的是所采用的定位技术，而定位技术在整个蜂窝网络当中的应用情况，乃是决定定位精度的核心所在，但需指出的是，对于蜂窝移动通信系统而言，其处于一种比较复杂、多变的信号环境，乃是不可回避的、难以避免的，受此影响，实际的移动定位精度便会出现大幅降低的情况。针对TDOA定位来讲，其在整个移动电话定位当中，处于核心地位，其能准确的将信号传送至各基站所存在的时间差检测出来，因而可以比较准确的估算出信号源的具体位置。针对通信基站而言，其能够对移动电话不断传输的信号进行实时、不间断监测，并且还能对信号传送至相邻基站所需要的时间(TOA)，以及之间所存在的时间差(TDOA)给计算出来，针对同一信号而言，其传送至两个基站所存在的实际时间差，在某种程度上对一条移动电话相应双曲线起到决定作用，因此，针对两条轨迹双曲线，将其监测出来，能够明确移动电话的具体位置。依据既往所制定的TDOA定位原理，若可以比较准确且详细的将信号到达的具体时间差测定出来，那么便能够比较准确的将移动电话的相应位置给计算出来，所以，针对信号传送至各个基站之间所存在的时间差，将其估算出来，乃是整个TDOA定位技术的核心所在。

2 双曲型蜂窝定位技术基本原理

针对双曲线定位来讲，其主要原理即为:已经知晓基站BS1、基站BS2另外，还知晓各个移动台MS见所存在的实际距离差R21=R2-R1,那么由此便可得知，移动台的位置一定2基站处，而且还以其为焦点，还需指出的是，其与2个焦点之间所存在的相应距离差，均为R21相应实线双曲线上。与此同时，基站BS1与BS3之间，以及其与移动台间，所存在的距离差用公式表示为R31=R3-R1,根据此公式，便能够将另外一组移动台的各个焦点之间的距离差恒计算出来，得出R31位于虚线双曲线上。见图1：

图1 双曲线定位

基于2个基站，测量其同时发出信号，传送至目标移动终端所用时间之间的差值t21。能够比较准确的将基站BS1与BS2，以及其与移动台间所存在的相应距离差给求出来。因此,两个基站到对应的移动台见所存在的相应距离差值可表示为R21=c×t21,相同原理，还能得出R31=c×t31,其中,c在公式中所代表的是空中电磁波所具有的传播速度。而在整个双曲线定位当中，移动台的具体坐标值为，而基站的具体坐标值为，（i=1,2,3），由此便可得出下列关系：

通过对上面的方程进行求解，便能够得出最后的2个解，这两个解便是与2对双曲线呈对应状态的2个交点。针对所得出的这2个解而言，因其中一个解所代表的是移动台的具体位置，因此，在进行实际操作时，需要先获得部分先验信息，比如小区的半径等，并运用这些信息，将真实解给分辨出来，运用此种方式将模糊解消除掉。

3 用遗传算法改进的TDOA算法

3.1 遗传算法介绍

针对遗传算法而言，从本质上来讲，其就是一种通过进化策略的应用，在整个解空间架构当中，找寻最优解的一种算法。对于染色体向量来考量，其就是通过浮点数编码的系统化运用；借助于所给出的自适应交叉率以及变异率等，而将各项结果求出来，伴随当今代龄的日益改变与更新，在实际搜索过程中，要想获得快速速度以及较准确的精度，并且在此过程中，不会对高适应度的相应个体造成破坏；针对非均匀变异算子来讲，其伴随着代龄的持续增加，同样会以一种动态的方式，从之前的全空间变异，向局部微调逐渐转变。图2为其流程。

图2 遗传算法流程图

自适应交叉率和变异率定义为：

在此公式当中，fmax所表示的是整个群体当中的最大化的适应度值；favg所代表的是平均适应度值；针对而言，其所代表的是处于交叉状态的2个个体当中，一项比较大的适应度值。针对适应度值而言，如果其相比与平均适应度值，存在偏低情况时，表明此个体在整体性能方面并不佳；另外，如果适应度值相比与平均值，存在高出的情况，那么表明此个体在整体性能上比较好。因此，通过以动态的方式对个体适应度值进行优化，最终所得到的交叉率、变异率等，能够比较准确的得到准确信息，此外，对性能不好的个体，当御用的交叉率、变异率比较大时，那么对于那些优良个体，需要采取与之相适应、相符合的交叉率、变异率。

非均匀变异算子定义为

(3)保兑仓模式(预付类)-采购阶段。参与的对象包括：金融机构、上游供应商、下游制造商、仓储监管方(物流企业)。前两者表现为合作关系，金融机构给下游企业提供融资，中间两个研究对象表现供求关系，全链都表现为合作关系。

在整个公式当中，z所代表的是染色体向量；t所代表的时迭代数；而zt所代表的是第t次迭代时相应染色体向量；针对T来讲，其所表示的是最大迭代数；针对NM×M而言，其所表示的是对角矩阵,针对其对角线元素而言，如果处于[0,1]区间内，与均匀分布相应随机数相符，针对公式中的M而言，其所表示的是染色体向量的维数；而对于BU而言，其所表示的是染色体分量最大取值范围；另外，对于公式中的b而言，其所代表的是对迭代数依赖程度的相关系统参数。

为了能够将方程式(2)～(4)求解出来，对于本算法而言，则可取如下适应值：

（3）无需额外的辅助信息，利用固有信息，便能获得良好的计算能力；

（4）其随机搜索特性乃是内在启发式的，在实际搜索时，遗传算法不容易混入到局部最优当中；

3.2 遗传算法搜索移动台的具体坐标

将约束函数极大值求出来：

在所列出的公式中,min(1)所表示的是x1上的阈值，而max(1)则表示的是x1下的阈值；同理，min(2)所表示的是x2上的阈值，而max(2)即为x2下的阈值。

运用遗传算法，将式（7）求解出来的具体步骤为：

（1）对决策变量加以明确，另对相应约束条件加以明确；（2）构建更佳的优化模型；

（3）对编码方法加以明确：可以运用10位长的二进制编码串，用于代表2个决策变量，即x1，x2。而针对10位二进制编码串来讲，其所表示的是，基于0～1023间，所存在的1024个数，因此，把x1，x2的定义域实施离散化处理，使之成为1023个比较均等的区域，包含2个端点在内，共有离散点1024个。基于离散点min至max，分别使其基于0000000000（0）～1111111111（1023）区间内，实施相应的二进制编码。

（4）对解码方法加以明确：在进行解码时，需将二进制编码串（20位长）进行切断处理，使之成为2个均为10位长的二进制编码串，然后，对其进行相应转换，使之成为更为实用的十进制整数代码，其一一个记作y1，另外一个记作y2。结合个体编码法和，把代码yi向变量xi进行系统化转换，从中便可得到解码公式：

（5）对个体评价方法加以明确：把个体所具有的适应度，以一种比较直接的方式，当作目标函数值，也就是F(X)=f(x1,x2)，然后，根据实际需要，从中选择个体适应度的倒数，并将其当做相应目标函数：J(X)=1/F(X)

（6）遗传算子设计：在对运算算子进行实际选择时，针对交叉运算而言，其运用的是单点交叉算子，而对于变异运算而言，其所选用的是最为基本的变异算子。

（7）对遗传算法相应运行参数加以明确：M表示的是群体大小，终止进化代数G，Pc所表示的是交叉概率，而Pm则表示的是变异概率。

基于上述步骤，便能够将此约束函数的极大优化值给求出来。将(x1,x2)求出，使此约束函数获得极大值。针对移动台来讲，其具体的位置坐标为(x1,x2)，可将其当作Taylor算法的初始值。

3.3 函数优化仿真与对比

为了能够比较准确的对算法的性能进行验算，运用相应测试函数，对其实施系统化测试。针对此函数而言，其乃是比较典型的变峰、多极值点函数，在具体的定义域中，其极值点不止一个，当采用的是测试优化算法时，较难保证能够将此函数的最优解求出来,

图3 染色体初始位置分布图

基于此图可知，横轴是染色体的初始位置的作标点，而对于纵轴而言，是曲线对应的函数。

针对遗传算法而言，其能够以一种比较好的方式，将全局的最优点找出。

图6 函数最优个体适应度值变化曲线

上图是最优个体适应度值的变化曲线，由此可得出，遗传算法在具体的收敛速度方面，还是比较快的，另外，经过一定过程的推进后，其趋向于平稳。由此可知，通过遗传算法的运用，不仅在既定的适应度函数中，其乃是以一种非规则的形式而呈现，而在非不连续状态下，也也能比较较好的将全局最优解给求出来。

图7 遗传算法的最优解(1) 基点（0，0）

图8 遗传算法的最优解(2) 基点（1，2.5）

当对适应度函数所持有的基点位置加以改变时，便能从中获得遗传算法的最优解，但是会有不同的结果。

4 TDOA算法实际应用

用户从始发点到2个基站之间所存在的距离差，可以通过对用户到这2个基站之间的TOA差来来明确。其中所存在的关系是

图9 接收机与目标位置示意图

将种群数设定为100，那么可得出T=140，b=6，Pc1=0.40，Pm2=0.05。另外，在具体的评价指标方面：MV所表示的是平均估计坐标,也就是说，E[(x,y)]；都是方误差：通过独立运算，次数为10000次。那么可以得到如下仿真结果：表1中，Taylor栏所列出的就是采用Taylor算法所得到的相应仿真结果；而针对遗传算法栏而言，其就是采用遗传算法所得到的相应仿真结果，为更加方便的进行对比，可以选择如下参数:将种群数设定为100，而将迭代次数设定为T=200，另外，在杂交率方面，则设定为Pc=0.15，针对变异率而言，即Pm=0.25，b=6，进行独立的运算，运算次数为10000次。在上表中，第1栏10lg(cσ)就是依据蜂窝网通信系统等因素来加以明确的。