一種基于lmbp神經(jīng)網(wǎng)絡(luò)的泰勒定位算法
【專利摘要】本發(fā)明涉及一種基于LMBP神經(jīng)網(wǎng)絡(luò)的泰勒定位算法，所述LMBP神經(jīng)網(wǎng)絡(luò)模塊對TDOA測量數(shù)據(jù)進行修正，減少TDOA測量值中的NLOS誤差，泰勒定位算法接受經(jīng)過LMBP神經(jīng)網(wǎng)絡(luò)修正過的測量數(shù)據(jù)作為初始輸入數(shù)據(jù)，進行定位算法運算后得到系統(tǒng)定位結(jié)果，本發(fā)明算法效率高，準確度高，全面較好地決絕了對區(qū)域大小以及基站個數(shù)的完全依賴。本發(fā)明基站個數(shù)的增加并不敏感，因此對硬件的要求較為寬松。本發(fā)明增加了自我學(xué)習(xí)和提煉功能，可以有效的獲得一套規(guī)律性的數(shù)據(jù)，減少無謂的計算量。
【專利說明】—種基于LMBP神經(jīng)網(wǎng)絡(luò)的泰勒定位算法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種智能定位算法，具體涉及一種基于LMBP神經(jīng)網(wǎng)絡(luò)的泰勒定位算法。
【背景技術(shù)】
[0002]對于目前物流行業(yè)、醫(yī)院以及通信行業(yè)，精確的定位功能被越來越多的受到關(guān)注，當(dāng)然，隨之產(chǎn)生的定位技術(shù)也多種多樣。但是絕大多數(shù)的定位算法都對物理硬件有著較高的要求，比如在較近的范圍內(nèi)才適用，又或者必須有若干個基站的基礎(chǔ)上才可以進行精確的物理定位等。
[0003]常用的定位算法為泰勒序列展開定位算法，該算法在視距(LOS)環(huán)境下有著較好的定位精度，但是在非視距環(huán)境下，即NLOS環(huán)境下，泰勒序列展開定位算法的定位精度大大下降。Chan算法是一種基于TDOA技術(shù)、具有解析表達式解的定位算法，該算法的特點是計算量小，在噪聲服從高斯分布的環(huán)境下，定位精度高。但在非視距(NLOS)環(huán)境下，Chan氏算法的定位精度也會有所下降。目前，在使用泰勒算法、Chan算法等進行定位的同時也會引入一些神經(jīng)算法如:RBF神經(jīng)網(wǎng)絡(luò)。但是RBF神經(jīng)網(wǎng)絡(luò)容易造成“局部極小點”，這種情形是應(yīng)該盡量避免發(fā)生的，并且該算法精度相對較低，且耗時長。缺乏自動學(xué)習(xí)的功能，增加了重復(fù)多次計算的負擔(dān)，提取特征參數(shù)的方法復(fù)雜，參數(shù)較多，運算復(fù)雜且占用大量存儲空間和時間，降低了識別效率。

【發(fā)明內(nèi)容】

[0004]本發(fā)明克服了現(xiàn)有技術(shù)的不足，提出了一種基于LMBP神經(jīng)網(wǎng)絡(luò)的泰勒定位算法，使用人工智能中的LMBP神經(jīng)網(wǎng)絡(luò)。LMBP網(wǎng)絡(luò)能學(xué)習(xí)和存儲大量的輸入-輸出模式映射關(guān)系，而無需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。它的收斂速度快、誤差小而且避免了局部極小問題，所述算法利用LMBP神經(jīng)網(wǎng)絡(luò)較快的學(xué)習(xí)特性和逼近任意非線性映射的能力，對NLOS傳播的誤差進行修正，再利用Chan算法為泰勒序列展開定位算法提供精確的初始值的方式進行定位。進而綜合提聞了定位的精確性和效率。
[0005]本發(fā)明的技術(shù)方案為:一種基于LMBP神經(jīng)網(wǎng)絡(luò)的泰勒定位算法，所述LMBP神經(jīng)網(wǎng)絡(luò)模塊對TDOA測量數(shù)據(jù)進行修正，減少TDOA測量值中的NLOS誤差，泰勒定位算法接受經(jīng)過LMBP神經(jīng)網(wǎng)絡(luò)修正過的測量數(shù)據(jù)作為初始輸入數(shù)據(jù)，進行定位算法運算后得到系統(tǒng)定位結(jié)果，具體算法步驟如下:
1)通過基站對確定移動臺的位置，作為目標(biāo)數(shù)據(jù)，之后根據(jù)TDOA測量誤差模型產(chǎn)生相應(yīng)的測量數(shù)據(jù)，將模擬的測量數(shù)據(jù)分為兩部分，其中一半用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)，另一半用于性能仿真；
2)建立和訓(xùn)練LMBP網(wǎng)絡(luò)，以移動臺的不含NLOS誤差的TDOA為目標(biāo)樣本矢量對網(wǎng)絡(luò)進行訓(xùn)練，具體LMBP人工神經(jīng)網(wǎng)絡(luò)算法基本流程就是:
初始步:給出BP網(wǎng)絡(luò)初始權(quán)值W。，U0,誤差閥值E。，其中uQ>0，E>0,并令k=0，第k次迭代:
1)輸入樣本xK，計算gK，若||gK ||〈 E,學(xué)習(xí)結(jié)束；否則計算H K,
2)分解HK + uK，若不正定，置uK = 4uK，并重復(fù)這一步直到HK+uK正定，
3)解方程(HK + Uk ) S= - g K ,得 Sk,
4)求E (H K + Sk )，qK (sK )，和 rK，
這里 qK(sK ) = E (ff K ) + g tks+(1/2) stH k s，
5)若rk<0.25，置uk + 1= 4uk ;若rk> 0.75，置uK +1=uk/2否則置uK + 1= uK，
6)若rK〈= 0，置換 W K + 1= W K ;否則置 W K + 1= W K + SK，
7)令K = K + 1，轉(zhuǎn) 1)，
3)用訓(xùn)練好的LMBP網(wǎng)絡(luò)對模擬的TDOA測量數(shù)據(jù)進行修正，利用修正后的TDOA值采用泰勒算法進行位置估算，泰勒級數(shù)展開算法是一種需要移動臺初始估計位置的遞歸算法，在每一次遞歸中通過求解TDOA測量誤差的局部最小二乘的解來改進對移動臺的估計位置。
[0006]在一般蜂窩網(wǎng)絡(luò)信道環(huán)境中，泰勒級數(shù)展開法都能得到比較準確的計算結(jié)果，具有精度高，穩(wěn)健性強等特點；但該算法需要一個與實際位置接近的初始估計位置，以保證算法收斂，對不收斂的情況不能事先判斷。在實際應(yīng)用中，泰勒級數(shù)展開法通常具有較好的定位性能，但該方法需要遞歸求解，在基站近似于直線排列等非標(biāo)準基站布局下會出現(xiàn)較多的不收斂情況，算法計算量也較大。
[0007]由于泰勒級數(shù)展開法初始值的選取對定位結(jié)果影響很大。如果初始值選取不合適，可能導(dǎo)致算法的不收斂。因此，可以先通過某種算法，對測量數(shù)據(jù)進行初始定位，將定位的結(jié)果作為泰勒級數(shù)展開法的初始值，然后，再利用泰勒級數(shù)展開法進行定位運算。
[0008]本發(fā)明具有如下有益效果:
1)本發(fā)明算法效率高，準確度高，全面較好地決絕了對區(qū)域大小以及基站個數(shù)的完全依賴。
[0009]2)本發(fā)明對基站個數(shù)的增加并不敏感，因此對硬件的要求較為寬松。
[0010]3)本發(fā)明增加了自我學(xué)習(xí)和提煉功能，可以有效的獲得一套規(guī)律性的數(shù)據(jù)，減少無謂的計算量。
【專利附圖】

【附圖說明】
[0011]圖1為基站與移動臺的位置分布圖。
【具體實施方式】
[0012]參見圖1所示，移動臺(MS)位置:在仿真中假設(shè)移動臺均勻分布在圖1陰影部分所示的1/12小區(qū)內(nèi)。選取其中100個位置進行仿真分析。除了分析小區(qū)半徑對定位性能影響之外，在其他情況下，小區(qū)半徑均取1 km。假設(shè)TDOA系統(tǒng)測量誤差為獨立同分布的均值為0，標(biāo)準差為0.1us (約30 m)的高斯隨機變量。MS與所有基站之間均為NL0S。
[0013]Taylor算法在LOS環(huán)境下具有很好的定位精度，對于NLOS環(huán)境中誤差較大的TDOA測量值，該算法的性能將受到較大影響。利用LMBP網(wǎng)絡(luò)對TDOA測量數(shù)據(jù)進行修正，從而減小TDOA測量值中的NLOS誤差，然后利用Taylor算法進行定位將有效的提高系統(tǒng)的定位精度。
[0014]部分仿真數(shù)據(jù)采集:
【權(quán)利要求】
1.一種基于LMBP神經(jīng)網(wǎng)絡(luò)的泰勒定位算法，其特征是:所述LMBP神經(jīng)網(wǎng)絡(luò)模塊對TDOA測量數(shù)據(jù)進行修正，減少TDOA測量值中的NLOS誤差，泰勒定位算法接受經(jīng)過LMBP神經(jīng)網(wǎng)絡(luò)修正過的測量數(shù)據(jù)作為初始輸入數(shù)據(jù)，進行定位算法運算后得到系統(tǒng)定位結(jié)果，具體算法步驟如下: 1)通過基站對確定移動臺的位置，作為目標(biāo)數(shù)據(jù)，之后根據(jù)TDOA測量誤差模型產(chǎn)生相應(yīng)的測量數(shù)據(jù)，將模擬的測量數(shù)據(jù)分為兩部分，其中一半用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)，另一半用于性能仿真； 2)建立和訓(xùn)練LMBP網(wǎng)絡(luò)，以移動臺的不含NLOS誤差的TDOA為目標(biāo)樣本矢量對網(wǎng)絡(luò)進行訓(xùn)練，具體LMBP人工神經(jīng)網(wǎng)絡(luò)算法基本流程就是: 初始步:給出BP網(wǎng)絡(luò)初始權(quán)值W。，U0,誤差閥值E。，其中uQ>0，E>0,并令k=0， 第k次迭代: 1)輸入樣本xK，計算gK，若IlgK Il〈 E,學(xué)習(xí)結(jié)束；否則計算H K, 2)分解HK + uK，若不正定，置uK = 4uK，并重復(fù)這一步直到HK+uK正定， 3)解方程(HK + Uk ) S= - g K ,得 Sk, 4)求E (H K + Sk )，qK (sK )，和 rK，
這里 qK(sK ) = E (ff K ) + g tks+(1/2) stH k s， 5)若。<0.25，置％ + 1= 4uk ;若。> 0.75，置uK +否則置uK + 1= uK，`
6)若rK〈= 0，置換 W K + e W K ;否則置 W K + e W K + SK， 7)令K = K + 1，轉(zhuǎn) 1)， 3)用訓(xùn)練好的LMBP網(wǎng)絡(luò)對模擬的TDOA測量數(shù)據(jù)進行修正，利用修正后的TDOA值采用泰勒算法進行位置估算，泰勒級數(shù)展開算法是一種需要移動臺初始估計位置的遞歸算法，在每一次遞歸中通過求解TDOA測量誤差的局部最小二乘的解來改進對移動臺的估計位置。
【文檔編號】H04W64/00GK103607772SQ201310658425
【公開日】2014年2月26日 申請日期:2013年12月9日 優(yōu)先權(quán)日:2013年12月9日
【發(fā)明者】許萌, 沙啟鑫 申請人:青島百靈信息科技有限公司