[发明专利]一种基于径向基函数神经网络的非视距误差抑制方法

说明书

本发明提供一种基于径向基函数神经网络的非视距误差抑制方法，包括：将原始多径TOA样本数据进行标准化分类预处理，得到标准化分类的多径TOA样本数据；建立径向基函数神经网络，并使用量子人工蜂群对径向基函数神经网络进行优化，该径向基函数神经网络由隐层和输出层组成；由标准化分类的多径TOA样本数据训练径向基函数神经网络；使用径向基函数神经网络识别并剔除未知多径TOA数据中的非视距误差。本发明提高移动用户设备的定位精度；不增加任何额外冗余基站，降低部署成本；不带来额外的解算复杂度，提升定位效率。

技术领域

本发明涉及一种基于径向基函数神经网络的非视距误差抑制方法，属于无线定位技术领域。

背景技术

目前，5G通信技术的蓬勃发展及其通信标准的不断完善，标志着5G通信时代已经到来。在5G网络室内密集组网的环境下的高精度室内定位的需求随之日益凸显，这对于整个定位导航领域有着巨大的积极意义。在地下停车场、大型商场、大型展馆以及候机大厅等多种大型建筑场景中，人们现代化的生产生活方式更加离不开室内定位服务的支持。因此，如今的高精度室内定位技术在国家安全层面，以及民生经济发展等层面都有着举足轻重的意义和广泛的应用背景。

虽然目前，室内定位领域的诸多学者提出了基于带内、Wi-Fi、蓝牙等多种技术的室内定位技术方案，但都受制于信号在非视距环境下传播所造成的误差，导致定位精度无法有效提高，实际测量水平远低于理论设计目标。其原因是，室内环境错综复杂，物品摆放无规则，导致定位信号被多次反射、折射、遮挡或衰减，最终使得定位系统所测量的原始数据中包含大量非视距误差数据。因此，能够识别并剔除原始数据中的非视距误差数据的技术，成为了提高室内定位系统的关键技术。由于此技术可以广泛应用于以各种技术为基础的室内定位系统，因此具有普遍推广应用的价值和意义。

传统非视距误差抑制方法多采用多基站协同定位、数值分析、传统神经网络等方法进行误差校正或误差剔除。但这些方法分别存在部署成本过高、实际应用效果低于理论值以及容易陷入局部最优解、准确率不高等问题。目前，代表性的成果包括：文章“俞翔,朱岱寅,杨庆,曹欲晓.基于超宽带定位系统多基站表决的非视距基站筛选算法[J].网络安全技术与应用,2018(11):32-34.”提出了一种基于多基站表决的非视距基站筛选算法,利用了多基站协同定位的冗余性以及非视距基站参与定位时引入的定位估值偏差,筛选出非视距误差，但由于部署冗余基站将会增加额外的成本，且会导致更加复杂的多径效应，恶化室内环境下的信道质量；专利“一种抑制矿井非视距误差的定位方法(CN201910315757.2)”提出了一种根据非视距信号强度衰减造成的测距变化与非视距信号时延造成的测距变化的特点,判定是否存在信号的非视距传输，进而抑制矿井非视距误差的定位方法，但由于需要利用多次双向通信信号特征进行数值分析，增加了基站的运行负载，不适用于5G通信下的低延迟、大带宽的多用户室内定位场景；文章“刘夏,莫树培,何惠玲,杨军.基于优化RBF神经网络的无线室内定位[J].电讯技术,2019,59(11):1261-1267.”提出了一种利用模糊C均值聚类算法建立RBF神经网络，再利用样本数据对RBF神经网络进行训练的方法，但此方法的聚类效果不佳，容易陷入局部最优解，导致识别准确率不高的问题；此外，此方法应用与为基于信号强度的定位技术，不适用于复杂多变的室内定位领域。因此，在室内定位领域，5G通信下基于径向基函数神经网络的非视距误差抑制方法目前还没有被专门研究，尚属较新领域。

综上，总结现有的非视距误差抑制方法还存在如下缺点：

(1)额外部署冗余基站，增加硬件开销，成本过高；

(2)数值分析方法增加了基站解算的复杂度，效率不高；

(3)传统神经网络方法存在容易陷入局部最优解，识别准确率低。

发明内容

本发明的目的是为了提供一种基于径向基函数神经网络的非视距误差抑制方法，采用量子人工蜂群优化的径向基函数神经网络识别并剔除未知多径TOA(time ofarrival，信号到达时间)数据中的非视距误差，进而只保留视距信息，提升定位精度。