[发明专利]一种用于分布式大规模多天线系统的半监督学习定位方法

说明书

本发明提供一种用于分布式大规模多天线系统的半监督学习定位方法，包括：生成两个不同的数据集，包括训练数据集和坐标隶属度集；利用半监督学习算法估计高斯混合模型GMM参数，根据训练数据集对GMM进行初始化；基于半监督期望极大EM算法对GMM参数进行迭代估计，完成GMM的训练；根据训练完成的GMM和坐标隶属度集，完成对目标接收信号强度RSS数据对应的位置信息的估计。通过分析不同天线分布情况下的系统性能，可证明本发明提供的定位方法可实现较高的定位精度；同时，该方法可以有效降低训练集的采样成本，并且仍可达到较高的定位精度；可有效保证位置估计结果的唯一性，为解决二维平面定位和三维空间定位的问题提供了一种有效的通用方法。

技术领域

本发明涉及无线通信、定位及机器学习技术领域，包括多输入多输出(Multiple-Input Multiple-Output，MIMO)技术、基于接收信号强度(Received Signal Strength，RSS)的定位技术、期望极大(Expectation Maximization，EM)算法等。更具体的，涉及一种用于分布式大规模多天线系统的半监督学习定位方法。

背景技术

随着第五代(The Fifth Generation，5G)网络的发展，终端设备的位置信息可用于提供区域广告、内容缓存以及紧急呼叫下的人员追踪服务，从而使得无线用户定位技术已成为学界和业界的重要研究方向之一[1]。

目前的室外通信系统主要采用基于卫星的全球定位系统(Global PositioningSystem，GPS)和基于无线基站来获取终端的位置信息。然而，由于卫星信号容易被地面的建筑物遮挡，GPS技术无法为室内用户提供可靠的位置估计结果。此外，GPS还需要在用户设备中激活耗电量高的传感器[2]。因此，当前替代GPS定位的本地无线定位技术得到了广泛研究。这些本地无线定位方案通常采用无线信号的某些特征信息，如到达角(AngleofArrival，AOA)、到达时间(Time of Arrival，TOA)、接收信号强度(Received SignalStrength，RSS)等来进行定位功能设计[3]。在这些现有方案中，基于TOA的方法需要发送机和传感器之间保持严格的时间同步，因此设备较为复杂且昂贵[4]。基于AOA的方法则要求在每个传感器上部署多个天线，且一般忽略反射、折射、散射等现象对定位性能带来的影响[3][4]。基于RSS的方法是最普遍采用的室内定位方法之一，它通常假定路径损耗指数是已知的，通过终端测量得到的RSS水平来估计发送机和传感器之间距离[3]。

面向更高的数据容量和更精确的定位功能需求，大规模多天线(MassiveMultiple-Input Multiple-Output，M-MIMO)辅助定位技术展现出了较好的应用前景[5]。其中，分布式M-MIMO(Distributed M-MIMO，DM-MIMO)因为能够提供空间分集的增益而受到了广泛的关注[5]-[7]。在DM-MIMO系统中，大量的分布式单天线远程射频前端(RemoteRadio Head，RRH)通过高速前端链路连接到中央计算单元(Computing Unit，CU)，可在同一时-频资源上为多个用户提供服务[8]。基于其对系统容量提升带来的优势，DM-MIMO技术已成为5G系统的核心技术之一。

然而，因较大的天线数量所致的系统复杂性，使得传统的定位方法，如三角测量法、三边测量法等很难用于M-MIMO系统[9]。幸运的是，机器学习(Machine Learning，ML)技术的出现，有望解决这一技术难题。ML技术可利用基站(Base Station，BS)多天线系统产生的大量数据，为M-MIMO系统中的无线定位问题提供有效的支持[6]。