1、第30卷第9期 系统工程与电子技术 V0130 No92008年9月 Systems Engineering and Electronics Sep2008_-_l-_-_-_-_-_-_l-_-lI_l_-_-_-_-_-l-IIl_II文章编号：1001506X(2008)091 79803基于RBF神经网络的蜂窝无线定位算法毛永毅1，李明远2，张宝军1(1西安邮电学院电信系，陕西西安710061；2西安交通大学电子与信息工程学院，陕西西安710049)摘 要：为了解决最小二乘法需要测量数据的先验信息来构造协方差矩阵的问题，提出了基于RBF神经网络的蜂窝无线定位算法。它融合了移动基站提供的
2、AOA，TOA和TDOA测量值来实现移动台的定位，利用神经网络较快的学习特性和逼近任意非线性映射的能力，使其适用于复杂的多径环境。对基于RBF神经网络的定位系统性能进行了仿真，结果表明，基于REF网络的蜂窝无线定位算法消除了定位模糊和基站非理想分布对定位精度的影响，在小区半径小于2 km的情况下，系统的定位精度在125 m时准确率可达67，在300 m时准确率可达95。关键词：最小二乘法；蜂窝系统；神经网络；非视距传播中图分类号：TN 92953 文献标志码：ACellular location algorithm based on the RBF neural networkMAO Yong
3、yil，LI Mingyuan2，ZHANG Baojunl(IDeptofElectronic and Inrformation，Xian UnivofPost and Telecommunications，Xian 710061，China；2School of Electronics and Information Engineering，XiaM Jiaotong Univ，Xian 710049，China)Abstract：In order tO solve the problem how tO construct covariance matrix that used presc
4、ient informationof measurement data in leastsquare-method，fl cellular loeation algorithm based on the RBF neural network isproposedThe measurement of AOA，TOA and TD()A provided by mobile base station iS fused tO locate mobileThe fast study and non-linear approach capacity of the neural network is ma
5、de use of tO apply in complicated multipath environmentThe location performance of the RBF neural network iS simulatedThe simulationresults indicate that the uncertainty of location and the effect of bad basement position are avoided while the eellular localization algorithm based on the RBF neural
6、network iS usedWhen the radius of cellular is less than2 km，its location within 125 meters iS 67of the time and within 300 meters iS 95of the timeKeywords：leastsquaremethod；cellular system；neural network；non-lineofsight0 引 言自E-91l定位需求。颁布以来，移动台定位技术在国外受到高度重视。目前无线定位技术的主要研究内容包括：基本定位方法和定位算法的研究、非视距传播(NLoS
7、)误差消除算法的研究、抗多径干扰时延估计、抗多址干扰算法的研究、数据融合技术的研究、定位技术实施方法和定位系统的性能估计研究等。在蜂窝无线定位算法中，求解移动终端位置的圆位置线方程组、双曲位置线方程或含有到达角度的位置线方程组中会遇到非线性问题。求解非线性问题的主要位置算法有：(1)Foy【2一提出的泰勒级数展开线性化最小二乘(LS)位置估计算法(TS-LS)。TS-LS是最基本的位置迭代估计算法，简单、适用环境范围广，但需要迭代初值，初值如果选择不好容易陷入局部最小点，从而算法不收敛；(2)具有闭合解的Fang算法o。、球面相交SX算法、球面插值SI4。算法和Chan一两步加权最小二乘估计算
8、法。线性最小二乘法虽然在现实应用中已获得较好的定位效果，但由于蜂窝无线定位的方程是非线性的，通过线性化后使用最小二乘法的定位精度较低，并且对测量误差比较敏感。而且，最小二乘算法需要测量数据的先验信息来构造协方差矩阵Q，这在实际应用中有一定的难度，另外，此类算法不同程度上存在估计位置的模糊问题。径向基神经网络(RBFNN)是典型的前向神经网络，它具有训练速度快、能收敛到全局最优点、可最佳逼近等优点，在函数拟合和分类上得到了广泛的应用。本文提出了收稿日期：20070411；修回日期：2008一0527。基金项目：陕西省自然科学基金资助课题(2004F12)作者简介：毛永毅(1969一)，男，副教授
9、，博士研究生，主要研究方向为通信信号处理，移动台定位技术。E-mail：maoyongyi263net万方数据第9期 毛永毅等：基于RBF神经网络的蜂窝无线定位算法 1799-_l-I_l_l_l-l_-I I III_基于RBF神经网络的蜂窝无线定位算法，通过综合利用AOA与TOA、TDOA的测量值，从而取得良好的定位效果，在小区半径小于2 km的情况下，定位精度基本上达到了美国联邦通信委员会(FCC)提出的E一911法规定位精度要求，即对基于网络定位的精度在125 ITI时准确率可达67。在300 1TI时准确率可达95。该算法解决了最小二乘算法需要测量数据的先验信息来构造协方差矩阵Q问题
10、，同时该算法消除了定位模糊和基站非理想分布对定位精度的影响。1 基于RBF神经网络的无线定位算法图1给出了基于RBF神经网络数据融合无线定位估计的模型：径向基神经网络由输入层、隐层和输出层组成，输入层只传递信号到隐层，隐层节点由像高斯函数那样的辐射状作用函数构成，而输出节点通常采用线性函数。隐层节点中的作用函数(基函数)对输入信号将在局部产生响应，当输入信号靠近基函数的中央范围时。隐层节点将产生较大的输出，因此这种网络具有良好的局部逼近能力。TOAlTOA2TOA3TDOA2lTDOA3lAOAl6图1 基于RBF神经网络数据融合无线定位估计的模型输入层由三个相关的基站所提供的物理测量值组成，
11、本文算法选择了最小的一组数据，包括：三个基站提供的3个TOA和两个TDOA测量值。为了减小误差只选择了服务基站提供的AOA测量值。隐层节点选择的基函数是高斯函数r Ij ll，1R(x)一exp【一!二!1 1，i一1，2，mL 2口； -|式中，工是输入向量；c。是第i个基函数的中心，与x具有相同维数的向量城是第i个感知的变量(可以自由选择的参数)，它决定了该基函数围绕中心点的宽度；m是感知单元的个数。II善一c，|是向量工一c，的范数。R，(x)在c。处有一个唯一的最大值，随着lj xc。|的增大，R，(工)迅速衰减到零。输出层由两个神经元构成，其输出为相应移动台的估计位置(z，y)。RB
12、F网络的训练算法分两步进行：输入层到隐层采用无教师指导的聚类方法确定网络中心向量和半径；隐层与输出层之间的权值调整采用基于梯度下降的误差纠正算法，以确定权重向量。设系统的实际输出为M，期望输出为v?，则系统的误差为一 PE一了1(一y?)2 (1)式中，P为训练样本的个数，r为输出单元的个数。采用梯度下降的误差纠正算法更新隐层与输出层之间的权值，则叫。(女+1)=。()一叩芒 (2)。砌”2 ToA、TDoA、AOA测量误差模型21 TOA、TDOA测量误差模型设L为MS与BS。之间的TOA测量值，由于存在系统的测量误差和由NLOS引起的附加时延误差rl可表示为1“rt=t0+以f+L，i=1
13、，2，M (3)式中，r0为视距传播(LOS)环境下的TOA的值，种，为系统测量误差，服从0均值高斯分布，方差为仃：；“为NLOS引起的附加时延误差，它是一个大的正均值随机变量，其均值记为m，方差为，各乙之间相互独立。则有己1一r。一f1一(r0一r0)+(理，一n1)+(厶一L1)一ro1+丌+乙1i=2，3，M (4)式中，ro，为在LOS环境下的TDOA的值m，为系统测量误差，服从0均值高斯分布，方差为Z。；矗，为NLOS引起的附加时延误差，其均值为口。，方差为蠢。各矗。之间相互独立。根据式(3)可得脚1一E(rn01)一如一肫1 (5)蠢一D(厶一乙，)一Z+Z。 (6)因此t。可改写
14、为t1=zI+如I+竹：1 (7)式中，”：，为均值为0，方差为d2的随机变量。口2一蠢，+Z1 (8)22 NLOs引起的附加时延误差文献7的研究表明，在NLOS环境下附加时延服在不同的信道环境下服从指数分布。其条件概率密度函数为1 ，厂(“瓦，)一Lexp f一二L1，厶0 (9)L 【5，式中，毛。，为均方根时延扩展(单位为肚s)，可表示为t一T谚 (10)式中，d，为移动台(MS)到基站BS，的距离(单位为km)。亭为服从0均值对数正态分布的随机变量，标准差(std)以=4 dB。不同信道的丁。不同，取值如表1所示。表1不同信遵的Tl参数23 AOA测量误差模型由信道环境造成的AOA误
15、差服从的AOA本地散射环模型。故由信道引起的AOA误差可以看成是一均值为零，标准差为嘞的高斯随机变量，嘞可定义为西一crd。 (11)式中，c为电波传播速度，r为NLOS造成的超量时延，d。为移动台到基站BS，的距离。3 仿真分析31主要仿真条件(1)基站(BS)位置：三个基站参与定位，它们的位置如图2所示。三个基站的位置坐标分别为BSl(0，0)，BS 2(o，2R)，BS 3(3R，R，)万方数据1800 系统工程与电子技术 第30卷(2)MS位置：在仿真中假设移动台均匀分布在如图2阴影部分所示的112小区内。选取其中l 000个位置进行仿真分析。厂 蕊。1广| S(o，0i 7 。I -
16、1l一图2基站与移动台的位置分布32仿真结果说明图3分析了市区环境下，小区半径大小对定位性能的影响。从图3可以看出，随着小区半径的增大，定位误差在125 1TI以内的概率则随之减小，而定位误差在300 m以内的概率虽然也有所减小，但变化不是很大。其原因是由于NI。OS引起的误差，随着距离的增大而增大，正是由于小区半径的增大，MS与BS之间的距离会有所增大，所以导致了NLOS误差的增大，定位精度的下降。当小区半径小于2 km时，定位误差在300 ITl以内的概率大于95，该算法可满足E一911定位需求。图4分析了高斯环境下TOA和TDOA测量设备的测量误差对定位性能的影响。从仿真的结果来看，随着
17、测量误差的标准差的增大，定位误差在300 m以内概率有略微的减小。在高斯环境情况下。即使测量设备误差很大的情况下，定位误差在125 m以内的概率大于67，定位误差在300 ITI以内的概率大于95，均可满足E-911定位需求。摹诗醛剁建国侧小区半径km+：定位误差125 m概率CDFl十：定位误差300 m概率CDF2测量误差m+：定位误差125 m概率CDFI+：定位误差300 m概率CDF2图3小区半径大小对 图4测量设备的测量误差定位性能的影响 对定位性能的影响图5分析了在四种实际信道中，信道参数对定位性能的影响。在四种实际信道环境下，随着信道环境的逐渐恶化，算法的定位性能也有一定的下降
18、。在除了闹市区以外的其它环境下该算法都取得了能够满足E-911的定位要求的定位结果。在环境最差的闹市区环境下，也能够取得一定精度的定位结果，距离FCC的定位要求也只有不大的差距。图6分析了非理想的基站分布对定位性能的影响。研摹静鼙粕蝼毯螋究了市区环境下的RBF网络定位算法性能，并对基站呈直线排列和理想蜂窝状排列时的定位性能作以比较。从仿真结果可以看出，当基站直线排列时该算法的定位性能与基站理想蜂窝排列时的定位性能相差不大。这说明，基站分布该对该定位算法的影响不大。信道环境7_l-：定位误差125 m概率CDFl十：定位误差300 nl毵率CDF2图5信道参数对定位性能的影响4 结 论摹褂墅桶嗤
19、坦谀0095908580757065605550信道环境71一：定位误差125 m概率CDFl；十：定位误差300m概率CDF2+：定位误差125 n-i概率CDFl：+：定位误差300 nl概率CDF2图6非理想的基站分布对定位性能的影响本文建立了基于RBF神经网络的蜂窝无线定位算法模型。通过仿真比较，基于RBF神经网络的蜂窝无线定位算法是一种较为理想的定位算法，该算法利用神经网络较快的学习特性和逼近任意非线性映射的能力，使其适用于复杂的多径环境。此外该算法不需要通过测量值的先验信息确定测量值的协方差矩阵，所以在一定程度上降低了算法的复杂度。该算法对服从正态分布的误差具有很强的对抗能力。在4
20、种不同的信道环境下，RBF神经网络数据融合算法都有较高的定位精度，定位精度基本上达到了FCC提出的E-911法规定位精度要求。基站的分布形状对该算法的影响很小，这说明该算法对基站的分布形状具有很强的适应性。参考文献：E13 Reed J，Rappaport TAn overview of the challenges and progress in meeting the E一91 1 requirement for location serviceJIEEECommunication Magazine。1998，(4)：30372Foy WPositionlocation solutions
21、 by Taylor series estimationJIEEE Journal of Aerospace and Electronic Systems，1976。12(2)：1871943Fang B TSimple solutions for hyperbolic and related fixesJIEEE Transon Aerospace and Electronic Systems。199026(5)：748753E43 Schau H CPassive source localization employing intersectingspherical surfaces fr
22、om time of arrival differenceJIEEETranson Acoustics Speech and Signal Processing，1987，35(8)：12231225E53 Chan Y T。Ho K CA simple and efficient estimationor for hyperbolic locationJIEEE Transon Signal Processing，1994，421(8)：19051915E63邓平，刘林。范平志一种基于TDOA重构的蜂窝网定位服务NLOS误差的消除方法J电波科学学报，2003，18(3)：311316E73
23、Greenstein L JA new pathgaindelay spread propagation modelfor digital cellular channelJIEEE Transon VT。1997，46(2)：】77484万方数据基于RBF神经网络的蜂窝无线定位算法作者： 毛永毅， 李明远， 张宝军， MAO Yong-yi， LI Ming-yuan， ZHANG Bao-jun作者单位： 毛永毅,张宝军,MAO Yong-yi,ZHANG Bao-jun(西安邮电学院电信系,陕西,西安,710061)，李明远,LI Ming-yuan(西安交通大学电子与信息工程学院,陕西
24、,西安,710049)刊名： 系统工程与电子技术英文刊名： SYSTEMS ENGINEERING AND ELECTRONICS年，卷(期)： 2008，30(9)被引用次数： 0次参考文献(7条)1.Reed J.Rappaport T An overview of the challenges and progress in meeting the E-911 requirement forlocation service 1998(04)2.Foy W Position-location solutions by Taylor series estimation 1976(02)3.F
25、ang B T Simple solutions for hyperbolic and related fixes 1990(05)4.Schau H C Passive source localization employing intersecting spherical surfaces from time ofarrival difference 1987(08)5.Chan Y T.Ho K C A simple and efficient estimationor for hyperbolic location 1994(08)6.邓平.刘林.范平志 一种基于TDOA重构的蜂窝网定
26、位服务NLOS误差的消除方法期刊论文-电波科学学报2003(03)7.Greenstein L J A new path-gain/delay spread propagation model for digital cellular channel1997(02)相似文献(1条)1.期刊论文 毛永毅.李明远.张保军.MAO Yong-yi.LI Ming-yuan.ZHANG Bao-jun 基于BP神经网络的蜂窝无线定位算法 -计算机工程与应用2008,44(3)为了解决最小二乘法需要测量数据的先验信息来构造协方差矩阵的问题,提出了基于BP神经网络的蜂窝无线定位算法.该算法融合了移动基站提供的AOA、TOA和TDOA测量值来实现移动台的定位,利用神经网络较快的学习特性和逼近任意非线性映射的能力,使其适用于复杂的多径环境.同时充分利用了定位的冗余和互补信息有效地减小了非视距传播的影响.对基于BP神经网络的定位系统性能进行了仿真,结果表明,基于BP网络的蜂窝无线定位算法消除了定位模糊和基站非理想分布对定位精度的影响,在复杂的多径环境下能够有效地提高定位精度.本文链接：http:/
