基于PSO_BP神经网络的三维定位方法技术

本发明专利技术设计了一种基于粒子群算法(Particle Swarm Optimizer,PSO)优化后的BP神经网络的终端三维定位方法，可广泛应用于无线定位领域。本方法过程为：测得某区域内多个基站与终端的距离数据。将实测距离从小到大排序，选择距离最近的四个基站，用这四个基站通过最小二乘法计算出含非视距影响的终端位置。再计算出所有含非视距的终端位置，并计算出每个基站到终端的三维方向角。最后把所得终端位置坐标、基站到终端距离以及三维方向角作为PSO_BP神经网络的特征值输入层，输出层是修正后的终端位置坐标。本发明专利技术利用PSO算法优化了BP神经网络，所得结果消除了非视距因素带来的终端位置测量误差，提出的算法具有性能稳定、算法收敛快、定位精度高等优点，适合推广使用。

【技术实现步骤摘要】
基于PSO_BP神经网络的三维定位方法
本专利技术设计了一种基于粒子群算法优化后的BP神经网络的终端三维定位方法，可广泛应用于无线定位领域。
技术介绍
随着无线通信网络和移动互联网的蓬勃发展，提供基于地理位置信息的服务(LocationBasedService，简称LBS)已经成为最具市场前景和发展潜力的业务之一。从传统的GPS导航，到电子商务、餐饮平台等基于地理位置的消费信息服务和社交软件，实现其功能的基础就是要获取用户手持终端(包括手机或者平板等设备)的位置。虽然商用GPS已经随着智能手机的发展而得到了广泛的应用，但是在诸如室内、地下、高楼林立的市区等诸多场景中，GPS定位性能较差。基于无线网络基站的定位系统相比GPS存在覆盖范围广、信号质量高、用户期望其移动终端意愿强烈的优势，同时，基于无线网络基站，运营商推进定位服务的盈利模式清晰，在基础的数据服务之外，还可以通过为用户提供增值服务而促进运营商的业务发展。因此，基于无线通信基站的定位技术有着广阔的应用前景和巨大的商业价值。受定位时间、定位精度以及复杂室内环境等条件的限制，特别在三维定位环境，比较完善的定位技术目前还无法很好地利用。以室内环境为例，无线电信号的传播过程中会经过墙面的多次反射、室内物体的折射和吸收等。这些物理因素会导致通信基站测量得到的诸如距离、角度等信息存在噪声。如何基于这些有噪声的测量，得到对于位置信息的准确估计，也是通信基站实现对终端定位需要解决的问题。求解分析三维条件下移动终端定位相关问题的有创新性和可实现性强的算法，都将有可能被快速部署到现代商业通信网络中，带来巨大的社会和经济效益。
技术实现思路
本专利技术要解决的技术问题是针对上述现有技术中室内多基站情况下的终端定位方法精度不高的问题而提出的一种基于PSO_BP神经网络的终端三维定位方法。一个区域内会存在多个基站，从终端所处的位置(mxi,myi,mzi)的由近及远选取前不在同一平面内的四个基站，终端到基站之间利用TDOA技术实测的距离分别为r1i,r2i,r3i,r4i，有r1i≤r2i≤r3i≤r4i。由四个基站到移动终端的实测距离计算终端含非视距误差的位置，采用最小二乘法估算。则三维坐标的最小二乘估计位置为利用AOA方法，计算由基站坐标(bxj，byj，bzj)到由该基站参与估计的三维终端位置所确定的三维方向角位置误差与方位角误差产生由2个部分产生，分别由非视距传播误差和测量误差2个部分组成。构建BP神经网络，网络的输入特征值是终端位置，基站到终端之间距离，三维AOA方向角。网络为多层，隐层结构待优化后确定，输出层为最终预测的终端点位置。采用PSO算法优化BP神经网络，建立PSO_BP神经网络算法模型。利用采集的部分处理后的样本数据进行PSO_BP神经网络的误差分析，通过神经网络的误差分析确定一个较好的网络结构。利用全部处理后转化为特征值的数据样本，首先利用PSO算法初次训练BP神经网络，然后利用梯度下降方法二次优化，最终确定网络的权值阈值参数。该网络实现了从特征向量M到样本中终端点精确位置(xi,yi,zi)的一个函数映射关系，消除了环境非视距带来的误差，获得较精确的终端点位置。本专利技术根据多基站在三维空间内先初步估计终端的位置，提取了估计位置坐标、基站到终端的距离以及基站到终端的三维空间方位角作为特征值输入向量，这组特征值向量较好的反映了终端位置和基站与终端相对关系能反映非视距因素和测量误差影响的相关因素。从样本点中提取出特征量数据集在BP神经网络中训练，误差函数的寻优按照PSO算法进行，当收敛到一个区域时，再用梯度下降以小步长迭代到误差函数最小值点附近。对于误差函数进行误差分析，通过学习曲线来综合确定网络的结构，以及是否增加数据量等操作。确定网络结构和训练好网络后，得到消除非视距误差和测量误差情况下比较精确的终端位置点。该方法收敛速度快、精确度高、适应各种特定环境，适合推广使用。附图说明图1是本专利技术所述方法实施过程流程图；图2是四个基站确定终端位置的示意图；图3是本专利技术中基站点到终端点三维AOA方位角的示意图；；图4是本专利技术中BP网络的拓扑图；图5是本专利技术中利用PSO算法优化BP神经网络参数过程示意图；图6是本专利技术中基于PSO_BP神经网络的终端三维定位方法算法过程的流程图。具体实施方式以下将对本专利技术的基于PSO_BP神经网络的三维终端定位方法作进一步额的详细描述，图1为本专利技术实施过程流程图，具体实现步骤如下：S1.通过无线电信号传播计算基站到终端的距离过程中，存在非视距的影响，这种影响会使多基站定位终端误差时带来偏差。一个区域内会存在多个基站，从终端所处的位置(mxi,myi,mzi)的由近及远选取前四个基站，四基站坐标按顺序分别命名为(bx1,by1,bz1)，(bx2,by2,bz2),(bx3,by3,bz3),(bx4,by4,bz4)。图2为四个基站确定终端位置的示意图，基站一测距覆盖面(A)、基站二测距覆盖面(B)、基站三测距覆盖面(C)和基站四测距覆盖面(D)分别为以四个基站为球心的球面，四个基站的覆盖面交于终端M，当四个基站不在同一个平面内，终端到基站之间利用TDOA技术实测的距离分别为r1i,r2i,r3i,r4i，有r1i≤r2i≤r3i≤r4i。本专利技术讨论四个不在平面内的基站的情形，当前四基站点处在一个平面内就连续选取前5个基站，以此类推。S2.由四个基站到移动终端的实测距离计算终端含非视距误差的位置，由于存在测量误差，四个球可能不交与一个点，为减小误差的影响，采用最小二乘法估算。则三维坐标的最小二乘估计位置为在S2中，基站到终端之间的距离测量无误差时，可交于一个点，据两点间的距离公式列出四个方程：则i点的坐标(mxi,myi,mzi)的矩阵表示为：由于存在测量误差，四个球能不交与一个点，为了减小误差的影响，采用最小二乘法对数据进行处理。三维坐标的最小二乘估计位置为则运用最小二乘法求解得：其中由于本专利技术研究的是4个不共面的基站，故n＝4。多于4个基站的情况可按照这个公式计算。S3.利用AOA方法，计算由基站坐标(bxj，byj，bzj)到由该基站参与估计的三维终端位置所确定的三维方向角如图3是基站点到终端点三维AOA方位角的示意图，表示基站Mi到终端Bi的三维方位角，是无误差的三维方向角。则PSO_BP神经网络的输入特征值向量为M。由于本专利技术研究的是以基于4个不共面的基站为特例，故n＝4。多于4个基站的情况可按照此一般形式表示。其中在S3中，三维方位角的计算过程为：则有S4.位置误差与方位角误差产生都由2个部分组成，其中终端的估计位置坐标与无误差位置坐标(xi,yi,zi)之间的误差是非视距传播误差和测量误差则有从基站位置坐标(bxj，byj，bzj)到终端估计位置的三维方向角也包含由于非视距因素影响的误差与测量误差有其中是无误差的三维方向角。S5.构建BP神经网络，BP神经网络由输入层、隐含层和输出层组成。输入特征值向量为M。输入特征向量为3n+4维。本专利技术中n＝4。输出层为3维，输出层是所求的精确终端位置坐标。隐层为多层，隐层结构的由神经网络学习曲线的误差分析确定。如图4是该BP网络的拓扑图。在S5中，BP神经网络的隐含层传递函数本文档来自技高网...

【技术保护点】
一种基于PSO_BP神经网络的终端三维定位方法，其特征在于：本专利技术专利可用于从多基站收到的移动终端无线电信号定位出基站精确的位置；这种方法的重要环节在于利用BP神经网络的良好拟合能力消除由于非视距影响造成的终端定位误差，以及利用PSO算法全局寻优能力克服BP神经网络的局部寻优缺陷，并且在BP神经网络输入部分使用距离、估计位置、三维方向角作为特征值，提高了网络学习训练对终端点定位效果。，实现了室内多基站情况下的移动终端定位，具体包括：S1.通过无线电信号传播计算基站到终端的距离过程中，存在非视距的影响，这种影响会使多基站定位终端误差时带来偏差；一个区域内会存在多个基站，从终端所处的位置(mx

【技术特征摘要】
1.一种基于PSO_BP神经网络的终端三维定位方法，其特征在于：本发明专利可用于从多基站收到的移动终端无线电信号定位出基站精确的位置；这种方法的重要环节在于利用BP神经网络的良好拟合能力消除由于非视距影响造成的终端定位误差，以及利用PSO算法全局寻优能力克服BP神经网络的局部寻优缺陷，并且在BP神经网络输入部分使用距离、估计位置、三维方向角作为特征值，提高了网络学习训练对终端点定位效果。，实现了室内多基站情况下的移动终端定位，具体包括：S1.通过无线电信号传播计算基站到终端的距离过程中，存在非视距的影响，这种影响会使多基站定位终端误差时带来偏差；一个区域内会存在多个基站，从终端所处的位置(mxi,myi,mzi)的由近及远选取前四个基站，四基站坐标按顺序分别命名为(bx1,by1,bz1)，(bx2,by2,bz2),(bx3,by3,bz3),(bx4,by4,bz4)，当四个基站不在同一个平面内，终端到基站之间利用TDOA技术实测的距离分别为r1i,r2i,r3i,r4i，有r1i≤r2i≤r3i≤r4i。本发明讨论四个不在平面内的基站的情形，当前四基站点处在一个平面内就连续选取前5个基站，以此类推；S2.由四个基站到移动终端的实测距离计算终端含非视距误差的位置，由于存在测量误差，四个球可能不交与一个点，为减小误差的影响，采用最小二乘法估算，则三维坐标的最小二乘估计位置为S3.利用AOA方法，计算由基站坐标(bxj,byj,bzj)到由该基站参与估计的三维终端位置所确定的三维方向角则PSO_BP神经网络的输入特征值向量为M，由于本发明研究的是以基于4个不共面的基站为特例，故n＝4；多于4个基站的情况可按照此一般形式表示，其中S4.位置误差与方位角误差产生都由2个部分组成，其中终端的估计位置坐标与无误差位置坐标(xi,yi,zi)之间的误差是非视距传播误差和测量误差则有从基站位置坐标(bxj,byj,bzj)到终端估计位置的三维方向角也包含由于非视距因素影响的误差与测量误差有其中是无误差的三维方向角；S5.构建BP神经网络，BP神经网络由输入层、隐含层和输出层组成；输入特征值向量为M，输入特征向量为3n+4维，本发明中n＝4，输出层为3维，输出层是所求的精确终端位置坐标，隐层为多层，隐层结构的由神经网络学习曲线的误差分析确定；S6.PSO_BP神经网络算法的过程是据S5构建BP神经网络，采用PSO算法在给定特征值的定义域内搜索误差函数全局最小值解，当PSO算法收敛到一个小区域并终止迭代后，采用梯度下降的方式局部以较小步长二次寻求最小值解；S7.利用采集...

【专利技术属性】
技术研发人员：任喆，施云波，黄安付，兰云萍，刘丛宁，刘合欢，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：黑龙江,23