[发明专利]基于复数神经网络的大规模MIMO指纹定位方法

说明书

本发明公开了基于复数神经网络的大规模MIMO指纹定位方法，主要包括离线阶段和在线阶段两个部分。离线阶段，首先在定位区域内等间隔划分样本点，基站端收集用户位于定位区域各样本点上的位置指纹信息，构建位置指纹数据库；将各样本点的位置指纹信息作为复数神经网络输入，对应样本点的位置作为复数神经网络的输出标签，构建复数神经网络，并通过指纹数据库对其进行训练。在线阶段，基站端利用离线阶段训练好的复数神经网络，并基于实时接收到的用户的位置指纹，利用训练后的复数神经网络运算得到用户的位置坐标，实现较高精度的用户定位。

技术领域

本发明属于无线通信技术，具体涉及基于复数神经网络的大规模MIMO指纹定位方法。

背景技术

大规模MIMO(Multiple Input Multiple Output)系统作为5G无线通信的关键技术之一，可以大大提高无线通信系统的频谱效率和吞吐量。系统通过在基站(BaseStation， BS)处配备大规模天线阵列并使用宽带正交频分复用(Orthogonal FrequencyDivision Multiplexing，OFDM)技术，可以获得具有极高角度和时间分辨率的信道状态信息 (Channel State Information，CSI)。

物联网技术的飞速发展带来了更多基于位置的服务(Location Based Service，LBS) 需求，例如自动驾驶汽车、物流仓库、无人搬运小车等。而高精度的位置信息是提供良好位置服务的基础，因此精确定位技术受到了业界和学术界的极大关注。全球定位系统(Global Position System，GPS)为移动终端(Mobile Terminal，MT)提供了定位精度高、实时性好的位置服务，但是其消耗功率大且在城市地区和室内环境中卫星信号容易被建筑遮挡，定位性能会显著下降。传统的无线定位方式通常利用接收信号视距路径 (Line ofSight，LOS)的到达角(Angle of Arrival，AOA)、到达时间(Time of Advent， TOA)和接受信号强度(Received Signal Strength，RSS)的测量值，结合多个基站进行协同定位。但在城市楼宇和室内等复杂散射体环境下，接收信号包含许多非视距路径 (Non-line ofSight，NLOS)干扰甚至可能缺少LOS，导致定位精度大幅降低。而指纹定位技术由于其对NLOS的抗干扰能力强，能有效克服多径效应对定位精度的影响，因此得到了广泛的关注。

常用的指纹类型有接受信号强度(Received Signal Strength，RSS)和信道状态信息 (Channel State Information，CSI)两种。RSS由于采集方便较为常用，但是其受多径效应和阴影衰落影响，静态环境下波动较大，只能粗略地描述信道特性，导致定位精度受限。相较于RSS，CSI拥有信道特性的细粒度描述，其直接反映了信道的衰落和多径效应，具有更高定位精度的潜力，因此近年来被广泛用于指纹定位。此外，复数神经网络在语音信号处理方面取得了一定成效，其在系统的输入输出数据为复数的情况下对数据的处理更为自然、有效。指纹定位的输入数据通常为复数，因此借助复数神经网络有利于提高指纹定位的精度。

发明内容

发明目的：本发明针对现有技术存在的问题，提供基于复数神经网络的大规模MIMO 指纹定位方法，该方法采用指纹定位技术，利用基站的CSI提取角度时延域信道特征，结合复数神经网络充分学习数据中实部和虚部的特征，实现较高精度的定位。

技术方案：为达到上述目的，本发明采用以下技术方案来实现：

基于复数神经网络的大规模MIMO指纹定位方法，主要包括离线阶段和在线阶段两个部分，离线阶段获得训练的复数神经网络用于在线阶段用户的定位，包括以下步骤：

离线阶段：