一种警用无线局域网高精度的定位方法技术

本发明专利技术公开了一种警用无线局域网高精度的方法，该方法包括：步骤1：推算复杂环境基于信道状态信息的WLAN定位误差下界；步骤2：视距传播与非视距传播的智能区分；步骤3：非视距传播场景下测距和测角误差消除；步骤4：基于信道状态信息测量定位数据融合的WLAN定位；步骤5：基于信道状态信息测量定位数据融合的WLAN定位；步骤6：建立基于无线信道状态信息的WLAN定位性能验证实验系统。本发明专利技术为解决高精度低成本警用无线局域网节点定位问题提出一种新的技术方案，为基于信道状态信息的无线局域网定位方法未来能真正走向实用化奠定良好理论和技术基础。技术基础。技术基础。

【技术实现步骤摘要】
一种警用无线局域网高精度的定位方法


[0001]本专利技术涉及一种警用无线局域网高精度的方法，属于无线网络安全


技术介绍

[0002]当定位目标是无线局域网的节点时，传统卫星或蜂窝基站发射的无线信号在传播途中受到建筑物阻碍，导致定位精度大幅降低甚至无法定位，因此无线局域网场景成为卫星和蜂窝网络定位系统的“盲区”。为了解决无线局域网“最后一公里”定位问题，国内外学者研究了多种定位技术并取得了一定成果，譬如超声波定位、无线射频识别定位、蓝牙定位、ZigBee定位、超宽带定位等。这些定位技术都能在各自适应的室内外场景和需求中得到应用，但是均需要预先部署定位网络和硬件设备，成本开销较大。相较于以上几种定位技术，基于无线局域网(Wireless Local Area Networks,WLAN)的定位技术无需额外硬件设备即可实现低成本定位系统。
[0003]目前已有WLAN定位方法一般采用接收信号功率强度，根据无线信号功率强度的路径损耗模型(或者根据线下建立的功率强度指纹库) 来实现目标节点定位。由于接收信号强度只是无线信道的粗粒度表示，相应的定位精确度普遍较低。而根据IEEE 802.11协议标准，WiFi 系统的无线信道响应可通过每个频域子载波上的信道状态信息 (Channel State Information，CSI)以更细粒度的形式得到更全面的表征。因此，与传统基于信号强度的无线定位技术相比，基于信道状态信息的无线定位技术在不增加系统成本的情况下，理论上能获得更精准的定位结果。为了实现高精稳健定位，基于信道状态信息的无线定位方法需要解决无线电传播随机性和不稳定所带来的技术挑战。无线信号在传播过程中容易被地面、墙壁、人员等各种室内外物体反射、散射甚至遮挡，不仅造成强烈的多径传播效应，而且使待定位节点与锚节点之间的信号传播由视距变为非视距，使无线信道产生显著的阴影衰落。这些显著阴影衰落和多径效应会造成无线信道的随机变化，从而对基于信道状态信息的无线定位技术性能造成负面影响。因此研究基于信道状态信息的WLAN节点定位方法，实现稳健、准确、快速的WLAN定位具有重要的研究价值和意义。但是，在警用无线局域网中，无线电传播环境较为复杂，无线信号在传播过程中经常受到地面、墙壁、人员等障碍物的遮挡，不仅造成无线信道的阴影衰落，而且还引起信号的反射和散射，产生多径效应。

技术实现思路

[0004]本专利技术目的在于针对上述现有技术的不足，提供了一种警用无线局域网高精度的方法，该方法首先研究基于信道状态信息的无线局域网定位误差理论下界，然后建立适应于视距传播和非视距传播场景的测距和测角模型，消除测距和测角误差，接着提出基于融合CSI测量数据的定位，最后定位性能验证实验。
[0005]本专利技术解决其技术问题所采用的技术方案是：一种警用无线局域网高精度的方法，该方法包括如下步骤：
[0006]步骤1：推算复杂环境基于信道状态信息的WLAN定位误差下界。
[0007]定位误差理论下界的推算对于定位方法研究具有非常重要的理论指导作用，因为定位误差理论下界直接决定了基于信道状态信息的 WLAN定位方法理论上能获得的最佳定位精确度
[0008]步骤1
‑
1：通过将直达路径和多径的相关参数建模为随机变量，建立视距多径场景下的无线信道模型；
[0009]步骤1
‑
2：在评估视距场景下传统测距和测角模型偏差的基础上，建立视距多径场景下基于信道状态信息的距离和角度无偏估计理论模型；
[0010]步骤1
‑
3根据无偏估计模型，求解视距场景下距离和角度的测量误差模型；
[0011]步骤1
‑
4通过将多径参数建模为随机变量，建立非视距场景下的信道模型；
[0012]步骤1
‑
5建立非视距场景下距离和角度无偏估计理论模型；
[0013]步骤1
‑
6结合信道模型和无偏估计模型，求解非视距场景下测量误差模型；
[0014]步骤1
‑
7推导复杂环境WLAN定位误差的费舍尔信息矩阵，进而求解出基于信道状态信息的定位误差克拉美罗下界。
[0015]步骤2：视距传播与非视距传播的智能区分。
[0016]由于视距和非视距两种场景下的距离和角度测量模型具有较大差异，在消除测量误差之前需要准确区分这两种场景。整个区分过程分为两个阶段，即离线建立区分模型和在线实时区分。其中重点是离线建立区分模型。
[0017]步骤2
‑
1：在视距与非视距场景分别采集CSI数据、计算CSI幅度和相位、对幅度和相位数据进行预处理。然后计算候选特征，考察的特征包括但不限于幅度和相位的均值、标准差、差异系数、偏度、峰度、莱斯K因子等。接着将这些候选特征组合构成多个候选特征簇。对于每个特征簇，将其与区分结果分别作为输入和输出用来训练区分模型。采用的区分模型可从支持向量机、贝叶斯、神经网络等分类算法中筛选和改进。
[0018]步骤2
‑
1：以具有较强泛化能力的支持向量机分类为例，区分模型的输出可表示为
[0019]其中x是输入的CSI特征簇，ω和b是通过训练获得的超平面参数，是特征映射函数，满足且K(x
i
,x
j
)是核函数。为获得最优区分效果，建立的优化问题表示为，其中x
i
是第i个样本的CSI特征簇，y
i
是第i个样本的区分结果，ε
i
是引入的松弛变量来支持分类中出现误差的情况，C是正则化项、用于控制区分误差和复杂度之间的平衡。通过求解上述优化问题，训练得到基于支持向量机的区分模型。
[0020]步骤2
‑
3：根据不同CSI特征簇和不同分类算法，训练多个区分模型。然后对这些区分模型进行测试、评估和对比分析，选出最佳特征簇和最优区分模型。
[0021]步骤3：基于信道状态信息测量定位数据融合的WLAN定位。
[0022]复杂环境导致部分无线传输链路由视距变为非视距。传统定位方法一般首先剔除掉相对误差较大的非视距链路定位数据，然后只采用相对误差较小的视距链路数据进行定位。但非视距链路定位数据中仍然包含有价值的定位辅助信息，通过对非视距链路定位数据进行矫正，并将矫正后非视距定位数据与视距链路数据进行融合，能有效提高定位精确度。
[0023]步骤3
‑
1：根据视距链路和非视距链路各自的距离和角度测量数据，通过测距测角
算法分别推算出视距链路定位结果和非视距链路定位结果；
[0024]步骤3
‑
2：在视距链路锚节点数量较为充裕时，由于视距定位结果具有较高精确度，以多条视距链路的定位结果为基准，建立非视距定位自回归模型；
[0025]步骤3
‑
3：在视距链路锚节点数量不足时，可采用已构建的非视距自回归模型，预测并修正非视距链路定位结果；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种警用无线局域网高精度的方法，其特征在于，所述方法包括如下步骤：步骤1：推算复杂环境基于信道状态信息的WLAN定位误差下界；步骤2：视距传播与非视距传播的智能区分；步骤3：采用基于信道状态信息测量定位数据融合的WLAN定位；步骤4：采用基于指纹数据与测量模型相融合的WLAN定位。2.根据权利要求1所述的一种警用无线局域网高精度的方法，其特征在于，所述步骤1具体包括：步骤1
‑
1：通过将直达路径和多径的相关参数建模为随机变量，建立视距多径场景下的无线信道模型；步骤1
‑
2：建立视距多径场景下基于信道状态信息的距离和角度无偏估计理论模型；步骤1
‑
3：根据无偏估计模型，求解视距场景下距离和角度的测量误差模型；步骤1
‑
4：通过将多径参数建模为随机变量，建立非视距场景下的信道模型；步骤1
‑
5：建立非视距场景下距离和角度无偏估计理论模型；步骤1
‑
6：根据信道模型和无偏估计模型，求解非视距场景下测量误差模型；步骤1
‑
7：推导复杂环境WLAN定位误差的费舍尔信息矩阵，进而求解出基于信道状态信息的定位误差克拉美罗下界。3.根据权利要求1所述的一种警用无线局域网高精度的方法，其特征在于，所述步骤2具体包括：步骤2
‑
1：首先在视距与非视距场景分别采集CSI数据、计算CSI幅度和相位、对幅度和相位数据进行预处理，然后计算候选特征，接着将这些候选特征组合构成多个候选特征簇，对于每个特征簇，将其与区分结果分别作为输入和输出用来训练区分模型，采用的区分模型从分类算法中筛选和改进；步骤2
‑
1：区分模型的输出；其中x是输入的CSI特征簇，ω和b是通过训练获得的超平面参数，是特征映射函数，满足且K(x
i
,x
j
)是核函数；为获得最优区分效果，建立的优化问题表示为，s.t.其中x
i
是第i个样本的CSI特征簇，y
i
是第i个样本的区分结果，ε
i
是引入的松弛变量来支持分类中出现误差的情况，C是正则化项、用于控制区分误差和复杂度之间的平衡，通过求解上...

【专利技术属性】
技术研发人员：周昊，桂林卿，
申请(专利权)人：南京森林警察学院，
类型：发明
国别省市：