[发明专利]基于能量检测的60GHz毫米波非视距识别与无线指纹定位方法

摘要

基于能量检测的60 GHz毫米波非视距识别与无线指纹定位方法，包括：1)求由信号的偏度与梯度组成的联合参数J、最优归一化门限以及梯度与标准差组成的参数M；2)建立J与最优归一化门限之间的指纹数据库；3)利用指纹数据库，根据J估计最优化门限；4)利用M进行非视距识别；5)进行TOA估计，进而计算出距离；6)进行60GHz无线定位：根据非视距识别结果及TOA估计值，利用传统的定位算法，进行基于60GHz信号的无线定位。结果表明,NLOS识别成功率远高于同类型的非视距识别算法；无论是视距还是非视距，在很大的信噪比范围内，本方法比其他基于能量的检测具有更高的精度和更好的鲁棒性。

主权项

基于能量检测的60GHz毫米波非视距识别与无线指纹定位方法，包括以下步骤：(1)、建立定位系统，所涉及的定位系统包括能够接收待定位终端发出的信号的多个定位基站，以及接收定位基站发出的定位信息的定位服务器，并对整个定位系统进行初始化：包括设定各个定位基站的采样频率与积分周期T；(2)、待定位终端发射60GHz脉冲序列信号；(3)、定位基站接收上述信号并计算信号的传播时延与NLOS识别；(4)、定位基站将传播时延计算结果与NLOS识别结果发送给定位服务器；(5)、定位服务器接收各个基站的传播时延与NLOS识别结果；(6)、定位服务器计算各个基站的测距结果；(7)、定位服务器应用TOA\TDOA基于距离的定位算法对待定位终端进行定位；其特征在于所述的步骤(3)包括如下A‑C三个步骤：A.定位基站对步骤(2)的信号进行积分运算得到积分能量块，计算该能量块的偏度S、梯度G和标准差SD，并对上述各个变量进行归一化，由归一化之后的各个变量进而得到联合参数J与梯度/标准差乘积M，建立联合参数平均值J2P、TOA估计误差、最优归一化门限X三个参数的指纹数据库；B.对指纹数据库进行曲线拟合，建立对应于最小TOA估计误差的平均联合参数J2P与最优归一化门限X的对应关系F；C.根据步骤A得到的平均联合参数J2P与梯度/标准差乘积M，利用M与事先设定的NLOS门限值进行比对，来判断信号来自于LOS环境还是NLOS环境，将识别结果进行保存，利用对应关系F，计算得到最优归一化门限X，根据此门限得到传播时延(即TOA估计值)；具体来说，步骤A细化为如下的计算步骤：1)、首先设定参数值，在4‑32dB范围内选择一个信噪比SNR，然后在所选择的一个SNR下确定不同的信道环境和多个不同积分周期，所述的不同信道环境是视距和非视距两种不同环境，所述的多个不同积分周期是在0.1ns—4ns范围内选择两个或以上值作为积分周期，所选择的不同积分周期的数量记为P，P是大于等于2的自然数；则在同一个SNR可得到2P个不同的环境和积分周期组合；2)、根据积分运算得到的能量块，分别计算2P个不同的环境和积分周期组合的能量块的偏度S、梯度G和标准差SD；计算梯度G与标准差SD的乘积，记作M＝G*SD；根据S与G两个量得到一个新的联合参数J＝N*norm(S)‑K*norm(G)，其中norm表示对参数的归一化处理，N、K为正实数、且N大于等于6K，得到2P个联合参数J，取平均值记为平均联合参数J2P；3)然后在同一个SNR下计算不同的信道环境和多个不同积分周期下的最优归一化门限：首先计算TOA估计误差和最佳归一化门限：以(0:0.1:1)或更小的间隔作为归一化门限，分别计算积分能量块在每一个门限下的1000次TOA误差，并取平均值作为TOA估计误差，从而得到与归一化门限数量相对应的多个TOA估计误差，选取最小的TOA误差所对应的归一化门限作为最佳归一化门限；则在不同信道环境(视距与非视距)、不同积分周期下可以得到2P个最佳归一化门限，将2P个最佳归一化门限的平均值作为最优化门限X；4)返回步骤1)选择下一个信噪比，并重新计算对应于该信噪比下的平均联合参数J2P、TOA估计误差及最优化门限X，直至历遍4‑32dB范围内的所有信噪比；5)将步骤4)得到的29组平均联合参数J2P、TOA估计误差及最优化门限X的值，作为由三个参数组成的指纹数据库；步骤B、对指纹数据库进行曲线拟合，利用神经网络对上述指纹数据库进行训练，最终建立平均联合参数J2P与最优归一化门限X的对应关系F，即由于平均联合参数J2P与SNR有关，而最优归一化门限是在某个特定SNR下计算得到的，因此可以建立J2P与最优归一化门限的对应关系；步骤C、对信号传播时延进行实际计算时，根据采集的实际信号的偏度S、梯度G和标准差SD得到实际平均联合参数J2P与梯度/标准差乘积M，利用M与事先设定的NLOS门限值进行比对，来判断信号来自于LOS环境还是NLOS环境，将识别结果进行保存；利用对应关系F，计算得到该实际平均联合参数J2P所对应的归一化门限，根据此归一化门限得到TOA估计值：即将所得的实际平均联合参数J2P输入到步骤B)的己经训练好的神经网络，即根据对应关系F得到相应的归一化门限，利用归一化门限识别出最先超过该门限的能量块，以该能量块的中间位置对应的时刻作为TOA估计值。