一种用于移动通信终端定位的卡尔曼滤波器改进设计

一种用于移动通信终端定位的卡尔曼滤波器改进设计
何燕;张娜
【摘要】针对传统方法进行移动通信终端定位时,由于无线通信信道存在着噪声干扰、非视距传播、多址干扰等因素的影响,导致移动通信终端定位精准度较低的问题.提出了基于(TDOA/AOA)时间测量值的卡尔曼滤波器改进设计移动通信终端进行定位.利用卡尔曼滤波器抑制和消除TOA/TDOA测量值中NLOS误差,然后通过BP神经网络在时间更新预测阶段及测量阶段对标准的卡尔曼滤波器进行修正,将预处理的TOA测量值输入到修正后卡尔曼滤波器来实现TODA/AOA移动通信终端混合定位,最终确定移动终端的具体位置.实验结果表明,改进的卡尔曼滤波器可以提高移动通信终端定位的精度,具有良好的实用性.
【期刊名称】《科学技术与工程》
【年(卷),期】2016(016)020
【总页数】5页(P218-222)
【关键词】卡尔曼滤波器;BP神经网络;TODA/AOA;移动通信终端定位
【作者】何燕;张娜
【作者单位】郑州轻工业学院计算机与通信工程学院,郑州450002;郑州轻工业学院计算机与通信工程学院,郑州450002
【正文语种】中文
【中图分类】TP391.44
目前随着计算机技术以及移动通信技术的不断发展，对于移动通信网络终端定位的精准度要求也随之提高[1]。

设计卡尔曼滤波器是最为有效的减少移动通信信号定
位误差的途径[2]。

当前的移动网络通信系统定位利用标准的卡尔曼滤波算法进行
参数估计以及对信息的统计集合[3]。

对于如何提高卡尔曼滤波器的滤波精度，并
将其应用于移动通信无线网络中一直是相关专家学者所高度关注的热点[4]。

因此，提出了基于(TDOA/AOA)时间测量值的卡尔曼滤波器改进设计移动通信终
端进行定位。

利用卡尔曼滤波器抑制和消除 TOA/TDOA 测量值中 NLOS 误差，
然后通过BP神经网络在时间更新预测阶段及测量阶段对标准的卡尔曼滤波器进行修正，将预处理的TOA测量值输入到修正后卡尔曼滤波器来实现TODA/AOA移动通信终端混合定位，最终确定移动终端的具体位置，并通过相关实验对其性能进行验证。

一般来说，对移动通信网络终端定位实现的方式可总结为三种，分别为自定位、遥测定位及非直接定位[5]。

自定位主要依靠移动终端完成对自身位置的计算和确定[6]；遥测定位主要由特定的定位中心对连接的多个基站测量得到的结果进行处理，得到移动终端的位置信息，而移动终端对自身的位置是未知的[7]；非直接定位为
上述两种方法的结合，非直接定位仅通过移动通信终端测量定位信号，并不计算其所在的位置[8]。

基于以上定位方法对于目前所研究的移动通信系统，均受到此移
动通信系统基本结构以及传输形式的影响，使得现有的任意移动网络无线终端定位方法不可避免的受到制约[9]。

最终导致其定位精准度不高，定位位置不准确；严
重时会影响整个传输系统的崩溃，不能够实现定位[10]。

传统定位方法在处理移动通信网络时由于无线信道存在着噪声干扰、非视距传播、多址干扰等因素的影响导致移动通信终端定位精准度较低的问题。

上述三种定位方法，基本为蜂窝系统移动终端定位方法，绝大部分都是建立在视距传播设定基础上。

视距传播(NLOS)为准确测量移动通信终端定位参数的重要条件，
也是获取准确的信号属性特征测量值的必须条件。

但所处于繁华的城市及近郊中时，移动台与若干个基站之间进行LOS传播难度是较大的。

更多的时候是通过反射及
折射的形式实现传播的，因此影响了抵达场强、接收电波的抵达方向及电波的传播时间。

因此，本文主要分析为非视距(NLOS)传播对移动通信终端定位造成的影响，并对其进行分析和改进。

2.1 卡尔曼滤波器TOA测量值预处理
通过将真实的NLOS误差输入卡尔曼滤波器的状态向量中，以此计算任意两个基
站的信号抵达的时间差，利用式(1)、式(2)建立TDOA误差以及测量误差的数学模型，利用卡尔曼滤波器对去噪后的测量值进行定位计算，最后利用式(3)、式(4)建
立卡尔曼状态方程及测量方程的数学模型：
s(k+1)=As(k)+ω(k)
z(k)=Gs(k)+v(k)
式中，k时刻的TOA值表示为Δt(k)，它的一阶导数为(k)，TDOA误差表示为
τ(k)，测量的误差表示为nm(k)。

θ的调控由实验决定。

利用标准的卡尔曼滤波器排除NLOS误差，实现为将去噪过程及定位过程分开进行。

实现对去噪后的测量
值仅进行一次定位计算，使得每得到一个TOA测量值将携带着一个估计值，通过以上方式就完成了卡尔曼滤波器TOA测量值预处理。

2.2 基于神经网络算法的卡尔曼通信终端滤波过结果的修正
在完成卡尔曼滤波器TOA测量值预处理后，进行神经网络对移动通信系统卡尔曼滤波算法的修正，通过已知的神经网络结构以及原始参数进行，利用高精度样本对神经网络实现训练，获取神经网络的每个参数。

在卡尔曼滤波器执行跟踪推测时，将影响跟踪推测误差的参数设定为神经网络的输入，通过神经网络对移动通信系统模块及噪声模块进行调整，从根本上控制了卡尔曼滤波的发散。

通过上述描述将神经网络和卡尔曼滤波相结合，利用神经网络的无线逼近优势以及自主学习能力对卡
尔曼滤波器的滤波过程进行修正，结果如图1所示。

神经网络对卡尔曼滤波器的滤波过程修正的结构图模型主要由三层构成，分别是输入层、输出层、隐含层：输入向量x=(x1，x2，…，xn)T;隐含层：输出向量
y=(y1，y2，…，ym)T；输出层：输出向量ο=(ο1，ο2，…，οl)T；希望输出向量d=(d1，d2，…，dl)T；输入层至隐含层之间的权值矩阵v=(v1，v2，…，vm)T；隐含层至输出层之间的权值矩阵w=(w1，w2，…，wl)T。

通过神经网络对卡尔曼滤波器的滤波过程修正的结构图模型中的输入层、隐含层和输出层，将神经网络对卡尔曼滤波器结果的更正过程划分为两个阶段，第一阶段：当信号进行正向传输时，输入信号样本通过输入层传入，经由隐含层阶段处理后，抵达输出层，得到网络的实际输出。

第二阶段：如若在传输进程中出现输出层的实际输出与希望输出不相符，则切入信号误差的反向传输进程，此过程引入误差调控权值。

通过梯度下降法将实际输出与希望输出的误差E以下降速率最高的方向(负梯度方向)减小，以此建立负梯度方向调控权值的模型式(5)、式(6)如下：
；i=0，1，2，…，n;j=1，2，…，m
；j=0，1，2，…，m;k=1，2，…，l
模型(6)经过推导即可得到新的权值模型。

通过新的权值模型来进行调控，再次输入信息样本切入正向传输阶段，计算误差为 E 或δ，如若误差范围没有达到许可标准，将切入误差反向传输进程，接续调控权值。

以第一阶段和第二阶段构成不断循环形式，不断进行，知道得到的移动通信网络输出误差达到许可标准时终止。

对于神经网络对卡尔曼滤波器结果更正的具体实现过程，如图2所示。

将训练完成的BP神经网络应用于移动通信网络终端修正预测结果。

在检测更新阶段，利用另一个BP神经网络计算标准卡尔曼滤波结果与实际结果的误差。

通过利用基准达到精准度的样本，进行对神经网络进行离线训练。

神经网络通过自身优势
学习卡尔曼滤波结果的精准性，可以高精准的给出卡尔曼滤波结果与实际值之间的误差。

最终，结合呈现的误差，即可获取神经网络修正后的卡尔曼滤波结果，这样就完成了移动通信网络卡尔曼滤波结果的更正。

2.3 卡尔曼滤波器的改进及实现
通过基于时间测量值(TDOA/AOA)进行移动通信终端混合定位时，要对参数r1进行重新确定，得到r1的估计原始值，并进行修正，重新设定卡尔曼滤波器参数。

在结合AOA测量值与状态向量之间的线性关系应用于卡尔曼滤波器中，实现卡尔曼滤波器的改进设置。

假设，通过TDOA/AOA测量值，推测移动台的原始位置，并根据此原始位置计算出r1的原始值。

若移动台的原始坐标为(x，y)，服务基站
处于坐标原点(0，0)的位置，第三基站在第一象限内(x3，y3)，相对于服务基站AOA和TDOA的测量值分别为a和d，通过AOA和TDOA的几何意义可推算出移动通信终端的几何方程组，输入TOA测量值，修正卡尔曼滤波器，得到移动通信终端的位置坐标，如式(7)所示。

通过AOA和TDOA的几何方程组及移动通信终端的位置，求得x值，将x代入
=tanα，可计算得到y的坐标，通过此移动台的原始位置实现推测，可得到r1原
始值的推测。

根据文献[5]中所提及的AOA测量值与状态向量的线性关系模型，在结合移动通信终端的位置坐标，确定移动终端的具体位置为：
f(z)=xsinα+ycosα+r1nα
式(8)中，移动台至服务基站之间的抵达角度表示为α，移动台到服务基站的距离
表示为r1，移动台的位置表示为(x，y)，角度的测量误差表示为nα。

将此线性属
性关系应用于卡尔曼滤波器中，完成卡尔曼滤波器模型的改进设置。

在卡尔曼滤波器定位改进设计过程实验的中，仿真参数如下：设置有5个基站，BS(1)设定为服务基站，位于(0，0)，与移动台之间存在视距路径。

各基站位置坐
标为：BS1(0，0)，BS2(0，2 601)，BS3(2 305，1 305)，BS4(2 305，-1 305)，BS5(0，-2 601)，如图3。

移动台(MS)原始位置在东向位置为30 m，北向位置距离为40 m，移动台以(15.0，9.0)m/s的速度匀速运动。

3.1 实验一
信号传输速度为光速c，设定基站检测设备的测量误差用均值为0、标准差为0.1 μs的高斯随机变量表征，设定θ为0.9，移动通信系统载频为1.8 GHz，使用繁
华市区的MLOS环境，噪声均遵从高斯分布。

典型环境参数分别取为：T=0.90
μs，ε=0.5，σξ=4 dB，采样间隔TS为0.5 s。

则去除TOA中NLOS误差方法的性能，测试结果如图4所示。

通过卡尔曼滤波器对MS传输轨迹上1 300个取样点的TOA测量值(这里转化为
距离)进行预处理，通过图4分析可知，改进方法计算得到的TOA测量值相比其
余方法更加接近实际值，并且在排除NLOS误差性能上要优于其他的方法。

3.2 实验二
通过神经网络改进的卡尔曼滤波器应用于TDOA/AOA移动通信网络终端定位。

在实验中，设定AOA测量误差为5°时以及指数散布误差模型下的TDOA定位算
法在静态定位方法中，应用于TDOA及TDOA/AOA移动通信终端定位进行比较。

得到了MS两个方向上的定位误差曲线对比，如图5、图6所示。

由图5、图6可知，本文提出利用神经网络修正的卡尔曼滤波器实现TDOA/AOA 定位方法对移动通信网络终端定位精准度有明显提高，并在混合定位进程中多加考虑了到达角度的测量误差方面，进一步提升定位精准度。

图7为标准卡尔曼滤波经BP神经网络修正前后位置误差变化曲线图。

分析图7可知，在误差修正前，移动通信网络终端定位误差最高可达到约+7.8 m至-6.0 m，但是利用本文的标准卡尔曼滤波经BP神经网络进行修正后，明显减小了定位误差，修正后的误差最高约+4 m至-2.0 m。

由此可以证明本文提出的改进的卡尔曼滤波TDOA定位方法的定位精度高于标准
的卡尔曼滤波器定位方法。

针对无线通信信道存在着噪声干扰等影响因素，导致移动通信终端定位精准度较低的问题，提出一种新的用于移动通信终端定位的卡尔曼滤波器改进设计，采用BP 神经网络算法对其进行修正，得到TDOA测量值，利用卡尔曼滤波器对TDOA测量值进行预处理。

利用基于服务基站的到达角度对移动通信网络终端进行定位。

实验结果表明，改进的方法定位基准度高于标准的卡尔曼滤波器，且算法的复杂度基本未增加。

【相关文献】
1 王江荣.基于卡尔曼滤波和粒子群优化算法的灰色神经网络预测模型.电气自动化，2014；
36(1):24—26
Wang Jiangrong.Gray neural network predition model based on Kalman filtering and particle swarm optimization algorithm. Electrical Automation，2014；36(1):24—26
2 谷丰，周楹君，何玉庆，等.非线性卡尔曼滤波方法的实验比较.控制与决策，2014；
29(08):1387—1393
Gu Feng，Zhou Yingjun，He Yuqing，et al. Experomental investigation and comparison
of nonlinear Kalman filters. Control and Decision，2014；29(08):1387—1393
3 张怡，席彦彪，李刚伟，等.基于卡尔曼滤波的TDOA/AOA混合定位算法.计算机工程与应用，2015；51(20):62—66
Zhang Yi， Xi Yanbiao， Li Gangwei， et al. TDOA/AOA hybrid positioning algorithm based on Kalman filter in NLOS puter Engineering and Applications，2015； 51(20): 62—66
4 李轩，韩笑，关庆阳，等.基于滤波方法的OFDM信道估计研究.电子设计工程，2014；(12):145—147
Li Xuan，Han Xiao，Guan Qingyang，et al. Channel estimation for OFDM based on the filtering methods. Electronic Design Engineering，2014；(12):145—147
5 张维，李文涛，王力.基于接收信号强度的不同移动终端定位方法研究.西北工业大学学报，2014；32(03):481—485
Zhang Wei，Li Wentao，Wang Li.Different mobile terminal positioning method based on the received signal strength is studied.Journal of Northwestem Polytechnical University，
2014；32(03):481—485
6 王德广，郭阳.基于基站的移动终端定位的研究及应用.微型电脑应用，2014； 30(8):18—20 Wang Deguang，Guo Yang.Based on the research and application of mobile terminal positioning of the base station.Microcomputer Applications，2014； 30(8):18—20
7 刘洋，杨乐，郭福成，等.基于定位误差修正的运动目标TDOA/FDOA无源定位方法.航空
学报，2015；36(5):1617—1626
Liu Yang，Yang Le，Guo Fucheng，et al. Moving targets TDOA/FDOA passive localization algorithm based on localization error refinement.Acta Aeronautica et Astronautica Sinica，2015；36(5):1617—1626
8 周成，黄高明，高俊，等.一种TDOA/FDOA联合校准定位算法.海军工程大学学报，2015；27(4):45—49
Zhou Cheng，Huang Gaoming，Gao Jun，et al. An algebraic solution for joint source location and sensor calibration according to TDOA and FDOA.Journal of Naval University
of Engineering，2015；27(4):45—49
9 高红艳.基于静态传感器位置误差的TDOA源定位.电气自动化，2014；36(4):103—105
Gao Hongyan.Source localization through tdoa based on static sensor position
error.Electrical Automation，2014；36(4):103—105
10 杨小凤，陈铁军，刘峰.基于TOA-DOA联合估计的无线定位新方法.数据采集与处理，2014；29(6):1036—1040
Yang Xiaofeng，Chen Tiejun，Liu Feng.Novel wireless positioning method based on joint TOA-DOA estimation.Journal of Data Acquisition and Processong，2014；29(6):1036—1040。