本发明属于无线电移动定位技术领域，具体涉及一种基于多基站信道状态信息融合的移动设备位置估计方法。
背景技术：
移动位置信息获取技术是建设智慧城市的关键支撑，通过感知和采集人群、物流、车辆及其它各种物联网设备的时空位置信息，可为无线网络频谱资源自动化管理、自动驾驶、智能城市照明、智慧物流、智慧安防、移动互联网社交和社会态势感知等应用场景提供基础数据。
随着大规模多输入多输出(massivemimo)、超密集组网、超宽带等技术在5g移动网络中的应用，使得5g基站具备较强的射频感知能力和移动定位能力，为利用蜂窝网进行高精度用户定位和追踪提供了现实可能性。一方面，目前基于tdoa的蜂窝网移动定位方法需要基站间具有较高的时间同步精度，且在密集城区和室内等复杂环境下工作效果差；另一方面，传统基于射频指纹识别的定位方法则需要采集大量带位置标签的射频指纹训练数据，要在大范围区域内实现无缝覆盖定位，则需进行大量的人工现场勘测和数据收集工作。
技术实现要素：
技术问题：针对现有的移动设备定位方法，需要基站间具有较高时间同步精度并且需要人工现场勘测才能实现有效定位的问题，本发明提供一种基于多基站信道状态信息融合的移动设备位置估计方法，该方法可在基站时间同步精度不高及无监督的条件下实现移动定位和追踪。
技术方案：本发明的基于多基站信道状态信息融合的移动设备位置估计方法，包括以下步骤：
步骤s1：基站收集来自移动设备的非实时信道状态信息样本，构建无线信道状态信息样本数据集；
步骤s2：从信道状态信息样本中提取角域功率谱信道特征；
步骤s3：根据角域功率谱信道特征计算样本间的差异度，得到单基站样本差异度矩阵；
步骤s4：数据融合节点对多个单基站样本差异度矩阵进行融合，得到全局样本差异度矩阵；
步骤s5：数据融合节点根据全局样本差异度矩阵对样本数据集进行流形学习得到二维信道地图，再根据基站位置及基站天线朝向信息对信道地图进行校准；
步骤s6：基站收集来自移动设备的实时信道状态信息，结合样本数据集和信道地图进行匹配定位，获取移动设备的实时位置信息。
进一步地，信道为从移动设备到基站的上行链路信道，信道状态信息包含基站根据导频信号估计的信道协方差矩阵、信噪比信息、移动设备id和时间戳。
进一步地，步骤s1包括：
步骤s11：估计信噪比，提取样本对应的移动设备id和时间戳，并根据移动设备号、id和时间戳信息确定唯一的样本标签；
步骤s12：基站根据导频信号估计信道响应；
步骤s13：在时域或频域估计信道协方差矩阵。
进一步地，步骤s2包括：
步骤s21：对信道协方差矩阵进行特征值分解；
步骤s22：根据特征值的分布，估计主要多径分量数目，使得主要多径的功率之和大于信道总功率的设定百分比；
步骤s23：计算主要多径分量的功率和到达角，并对功率和到达角进行配对，构建角域功率谱特征。
进一步地，步骤s23中，计算主要多径分量的功率和到达角时，采用多重信号分类算法，或空间交替通用期望最大化算法，或旋转不变子空间算法。
进一步地，步骤s3包括：
步骤s31：根据角域功率谱特征计算镜像发射点的笛卡尔坐标；
步骤s32：对所有生成的镜像发射点进行聚类分析；
步骤s33：根据聚类结果计算信道样本间的差异度，构建单基站信道样本数据差异度矩阵。
进一步地，步骤s4包括：
步骤s41：基站向数据融合节点上报信道样本数据、样本标签、信道样本数据差异度矩阵以及信噪比信息；
步骤s42：数据融合节点以信噪比为权重对多个基站上报的差异度矩阵进行融合；
步骤s43：构建全局样本差异度矩阵。
进一步地，步骤s5包括：
步骤s51：根据全局样本差异度矩阵对信道样本进行流形学习，得到二维信道地图；
步骤s52：根据基站位置及基站天线朝向信息对信道地图进行标定。
进一步地，步骤s6包括：
步骤s61：实时采集移动设备信道状态信息；
步骤s62：计算实时信道样本与历史样本的差异度，从样本数据集选取最相似的多个历史样本；
步骤s63：计算多个历史样本的重心，作为移动设备位置估计结果。
进一步地，基站为多天线基站。
有益效果：本发明与现有技术相比，具有以下优点：
(1)降低移动定位对多基站时间同步的要求
本发明所提出的移动设备位置定位方法，相对于传统蜂窝网中基于tdoa的定位技术需要基站间具有精确的时间同步，只需要相邻基站知道信道信息数据样本是来自于同一设备在同一位置发送的导频信号，这通过移动设备识别号和数据的时间戳即可确定，从而有效地降低了移动定位对多基站时间同步的要求。
(2)支持非用户合作定位
在传统的移动设备位置定位方法往往需要移动设备的协作，而在本发明的方法，只要移动设备有通信需求，网络端就可以通过被动地收集信道状态信息数据来实现对移动设备的定位和追踪，这个过程不需要用户的协作，有效减少设备定位所需的能耗，从而支持非用户合作定位。
(3)可在非视线信道条件下工作
本发明提出的移动设备位置定位方法是基于信道特征差异度度量的，即使在非视距条件下，相近位置对应的信道特征也是相似的，因此使得该方法可在非视线信道条件下工作。
(4)不需要人工现场勘测:
本发明利用非监督学习实现位置估计，不需要带位置标签的数据样本，可大大减少人工参与度，实现移动定位系统的自动化运行。
附图说明
图1为本发明的多基站移动定位场景示意图；
图2为本发明的基于多基站信道状态信息融合的移动设备位置估计方法的流程图；
图3为本发明的实施例中的对信道地图标定的示意图；
图4为本发明的实施例中的仿真验证场景图；
图5为本发明的实施例中仿真验证时生成的未校正的信道地图；
图6为本发明的实施例中仿真验证时生成的校正后的信道地图；
图7为本发明的实施例中仿真验证时得到的一个移动位置估计结果图；
图8为本发明的实施例中仿真验证时得到的一百个随机点的平均定位精度曲线图。
具体实施方式
下面结合实施例和说明书附图对本发明作进一步的说明。
图1示出本发明适用的一种多基站移动定位场景；其中，基站个数为b,且基站具有多个天线，基站的编号为b∈{1,2,…,b}；每个基站配置有相同阵元数目的线阵，阵元数目为n；移动设备具有单个天线，且为全向天线；在无线网络运行过程中，移动设备向基站发送具有固定功率的导频信号，用于网络上行链路信道估计；导频信号包含有设备识别(id)信息和其发送时间信息。
图2示出本发明的一个实施例的具体流程，具体步骤如下：
步骤s1：基站收集来自移动设备的非实时信道状态信息样本，构建无线信道状态信息样本数据集。
其中，信道为从移动设备到基站的上行链路信道，信道状态信息包含基站根据导频信号估计的信道协方差矩阵、信噪比信息、移动设备id和时间戳。具体地，步骤s1包括以下步骤：
步骤s11：估计信噪比，提取样本对应的移动设备id和时间戳，并根据移动设备号、id和时间戳信息确定唯一的样本标签。具体地，移动设备发射的导频信号可被多个基站同时接收到，接收到导频信号的基站记录下导频信号对应的移动设备id信息和时间戳；同时用参考信号接收功率(rsrp)与系统噪声功率的比值作为信噪比γ的估计值，记为
步骤s12：基站根据导频信号估计信道响应。具体地，将结果记为大小为n×1的复向量h。
步骤s13：在时域或频域估计多天线信道的协方差矩阵。具体地，收集单个频点一段连续时间内的信道响应向量集合{hi:i＝t1,t2,...,tt}，或同一时间不同频点的信道响应向量集合{hj:j＝f1,f2,...,ff}；由于基站具有多个天线，因此信道协方差矩阵y可估计为
每个基站根据某个移动设备在某个时刻发送的导频信号估计出的信道协方差矩阵为一个信道样本，则基站b收集的信道样本数据集可表示为
通过移动设备识别号和数据的时间戳，使得相邻基站知道信道信息数据样本是来自于同一设备在同一位置发送的导频信号，从而无需像传统蜂窝网中基于tdoa的定位技术需要基站间具有精确的时间同步，从而降低了移动定位对多基站时间同步的要求。
步骤s2：从信道状态信息样本中提取角域功率谱信道特征；具体的，在本发明的实施例中，包括以下步骤：
步骤s21：对信道协方差矩阵进行特征值分解。
具体地，信道协方差矩阵y＝u×diag(λ1,λ2,...,λn)×uh，其中λ1,λ2,...,λn为从大到小排列的特征值，其中h表示矩阵的转置。
步骤s22：根据特征值的分布，估计主要多径分量数目，使得主要多径的功率之和大于信道总功率的设定百分比。在本发明的实施例中，选择设定百分比为80％。具体地，特征值的大小与多径的功率正相关，当多径的数目l小于天线数目n时，特征值中会有l个取值较大，其它特征值则较小；在实际系统中，多径的数目是未知的，且其数目很可能比天线数量要大；从中选取最少m个较大的特征值λ1,λ2,…,λm，使得
步骤s23：计算主要多径分量的功率和到达角并对功率和到达角进行配对，构建角域功率谱特征。
具体地，在本实施例中，采用多重信号分类算法,选取与特征值λ1,λ2,…,λm对应的特征向量组成信号子空间us＝[u1,u2,…,um]，剩余的特征向量组成噪声子空间un＝[um+1,…,un]；计算角域的伪功率谱如下：
其中abs(φ)为基站天线阵列响应向量；从p(φ)中搜索m个峰值及与之对应的到达角φ1,φ2,...,φm，构建角域功率谱信道特征
采用上述方法，基站b可从
需说明的是，在本步骤中，不仅可以使用多重信号分类算法提取信道角域功率谱特征，在其他的实施例中，也可以采用其他算法，如空间交替通用期望最大化算法，或旋转不变子空间算法。
步骤s3：根据角域功率谱信道特征计算样本间的差异度，得到单基站样本差异度矩阵。具体地，在本实施例中，包括如下步骤：
步骤s31：根据角域功率谱特征计算镜像发射点的笛卡尔坐标。根据角域功率谱特征
p＝ψ(f)＝[p1,p2,...,pm]，
其中
采用上述方法，基站b可从
步骤s32：对所有生成的镜像发射点进行聚类分析。具体地，在本发明的实施例中，采用基于密度的聚类算法，而在本实施例中，采用dbscan算法对
在其他的实施例中，也可以采用k-均值、层次聚类算法对所有生成的镜像发射点进行聚类。
步骤s33：根据聚类结果计算信道样本间的差异度，构建单基站信道样本数据差异度矩阵。具体地，对于样本集
采用上述方法，基站b对其样本集
步骤s4：数据融合节点对多个单基站样本差异度矩阵进行融合，得到全局样本差异度矩阵，具体地，包括以下步骤：
步骤s41：基站向数据融合节点上报信道样本数据、样本标签、信道样本数据差异度矩阵以及信噪比信息，融合节点得到一组差异度矩阵
步骤s42：数据融合节点以信噪比为权重对多个基站上报的差异度矩阵进行融合。具体地，先对{sb}b∈{1,2,...,b}进行合并得到s＝s1∪s2...∪sb；取样本p,q∈s,计算全局样本差异度：
其中，1(a)为示性函数，
步骤s43：构建全局样本差异度矩阵。具体地，对所有p,q∈s，根据步骤是42的方法计算dp,q，构建全局样本差异度矩阵d，其元素为dp,q。
本发明的实施例中，通过步骤s3和s4分别构建单基站信道样本数据差异度矩阵和全局样本差异度矩阵，从而利用信道特征差异度来进行度量，即使在非视距条件下，相近位置对应的信道特征也是相似的，因此使得该方法可在非视线信道条件下工作。
步骤s5：数据融合节点根据全局样本差异度矩阵对样本数据集进行流形学习得到二维信道地图，再根据基站位置及基站天线朝向信息对信道地图进行校准。具体地，包括以下步骤：
步骤s51：根据样本全局差异度矩阵d对信道样本进行流形学习，得到二维信道地图{zk}k∈s，其中zk为样本标签k对应的二维地图坐标，其中，在本发明的实施例中，流形学习方法采用的是t-分布随机邻近嵌入(t-sne)算法，当然，在其他的实施例中也可以采用sammon映射，或拉普拉斯特征映射算法。
步骤s52：根据基站位置及基站天线朝向信息对信道地图{zk}k∈s进行标定，获得校正的二维信道地图
当得到二维信道地图并完成标定后，即可实施匹配定位。
步骤s6：基站收集来自移动设备的实时信道状态信息，结合样本数据集和信道地图进行匹配定位，获取移动设备的实时位置信息。具体包括如下步骤：
步骤s61：实时移动设备信道状态信息采集；具体地，移动设备发送导频信号，接收到导频信号的基站采集信道数据ωb。
步骤s62：计算实时信道样本ωb与历史样本数据集
步骤s63：根据信道地图
通过步骤s6可以看出，只要移动设备有通信需求，网络端就可以通过被动地收集信道状态信息数据来实现对移动设备的定位和追踪，这个过程不需要用户的协作，有效减少设备定位所需的能耗，从而支持非用户合作定位。并且在实现移动设备位置的定位时，利用非监督学习实现位置估计，不需要带位置标签的数据样本，可大大减少人工参与度，实现移动定位系统的自动化运行。
下面结合仿真验证对本发明的实施例的效果进行描述。图4为仿真验证场景图，包含城区建筑物地理位置信息、建筑物材料信息、街道信息；场景中基站个数为10，每个基站天线数目为16；移动设备具有单根天线；根据街道信息随机生成2000个样本的位置信息，并采用射线追踪算法生成样本点到基站的信道响应。
图5为仿真验证时生成的未校正的信道地图，图6为生成的校正后的信道地图，可以看出，未校正的信道地图含有样本集中样本间的相对位置信息和拓扑信息，校正后的信道地图则给出了样本的绝对位置信息。
图7为仿真验证时实时匹配定位得到的一个移动位置估计结果，这里选取邻近样本个数k＝20，可以看出以这20个样本的重心作为位置估计结果和实际位置误差小于4米。
图8为仿真验证场景中用本实施例得到的一百个随机点在不同k值下的平均定位精度曲线；可以看出，本实施例提供的方法可达到米级的定位精度；当k大于10的时候，平均定位精度稳定在3米左右。
通过仿真验证，可以发现利用本发明的方法，可以精准的实现移动设备的定位。本发明的移动设备位置定位方法相比传统多基站tdoa定位方法，不需要基站间具有精确的时间同步，并可在多径和非视距条件下工作；相比传统的射频指纹定位方法，并且不需要现场勘测，可大大减少人工参与度，实现移动定位系统的自动化运行。
上述实施例仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和等同替换，这些对本发明权利要求进行改进和等同替换后的技术方案，均落入本发明的保护范围。
1.基于多基站信道状态信息融合的移动设备位置估计方法，其特征在于，包括以下步骤：
步骤s1：基站收集来自移动设备的非实时信道状态信息样本，构建无线信道状态信息样本数据集；
步骤s2：从信道状态信息样本中提取角域功率谱信道特征；
步骤s3：根据角域功率谱信道特征计算样本间的差异度，得到单基站样本差异度矩阵；
步骤s4：数据融合节点对多个单基站样本差异度矩阵进行融合，得到全局样本差异度矩阵；
步骤s5：数据融合节点根据全局样本差异度矩阵对样本数据集进行流形学习得到二维信道地图，再根据基站位置及基站天线朝向信息对信道地图进行校准；
步骤s6：基站收集来自移动设备的实时信道状态信息，结合样本数据集和信道地图进行匹配定位，获取移动设备的实时位置信息。
2.根据权利要求1所述的基于多基站信道状态信息融合的移动设备位置估计方法，其特征在于，信道为从移动设备到基站的上行链路信道，信道状态信息包含基站根据导频信号估计的信道协方差矩阵、信噪比信息、移动设备id和时间戳。
3.根据权利要求2所述的基于多基站信道状态信息融合的移动设备位置估计方法，其特征在于，步骤s1包括：
步骤s11：估计信噪比，提取样本对应的移动设备id和时间戳，并根据移动设备号、id和时间戳信息确定唯一的样本标签；
步骤s12：基站根据导频信号估计信道响应；
步骤s13：在时域或频域估计信道协方差矩阵。
4.根据权利要求3所述的基于多基站信道状态信息融合的移动设备位置估计方法，其特征在于，步骤s2包括：
步骤s21：对信道协方差矩阵进行特征值分解；
步骤s22：根据特征值的分布，估计主要多径分量数目，使得主要多径的功率之和大于信道总功率的设定百分比；
步骤s23：计算主要多径分量的功率和到达角，并对功率和到达角进行配对，构建角域功率谱特征。
5.根据权利要求4所述的基于多基站信道状态信息融合的移动设备位置估计方法，其特征在于，步骤s23中，计算主要多径分量的功率和到达角时，采用多重信号分类算法，或空间交替通用期望最大化算法，或旋转不变子空间方法。
6.根据权利要求4所述的基于多基站信道状态信息融合的移动设备位置估计方法，其特征在于，步骤s3包括：
步骤s31：根据角域功率谱特征计算镜像发射点的笛卡尔坐标；
步骤s32：对所有生成的镜像发射点进行聚类分析；
步骤s33：根据聚类结果计算信道样本间的差异度，构建单基站信道样本数据差异度矩阵。
7.根据权利要求6所述的基于多基站信道状态信息融合的移动设备位置估计方法，其特征在于，步骤s4包括：
步骤s41：基站向数据融合节点上报信道样本数据、样本标签、信道样本数据差异度矩阵以及信噪比信息；
步骤s42：数据融合节点以信噪比为权重对多个基站上报的差异度矩阵进行融合；
步骤s43：构建全局样本差异度矩阵。
8.根据权利要求7所述的基于多基站信道状态信息融合的移动设备位置估计方法，其特征在于，步骤s5包括：
步骤s51：根据全局样本差异度矩阵对信道样本进行流形学习，得到二维信道地图；
步骤s52：根据基站位置及基站天线朝向信息对信道地图进行标定。
9.根据权利要求8所述的基于多基站信道状态信息融合的移动设备位置估计方法，其特征在于，步骤s6包括：
步骤s61：实时采集移动设备信道状态信息；
步骤s62：计算实时信道样本与历史样本的差异度，从样本数据集选取最相似的多个历史样本；
步骤s63：计算多个历史样本的重心，作为移动设备位置估计结果。
10.根据权利要求1-9任一项所述的基于多基站信道状态信息融合的移动设备位置估计方法，其特征在于，基站为多天线基站。
技术总结