一種新的基于二階統(tǒng)計(jì)量的室內(nèi)定位方法

饒中初　郭賢生

摘 要： 為了解決復(fù)雜室內(nèi)環(huán)境下的近場(chǎng)源定位問(wèn)題，利用室內(nèi)小型天線陣列，提出一種近場(chǎng)多徑模型下的協(xié)方差矩陣匹配及信號(hào)子空間匹配定位方法，較好地解決了傳統(tǒng)近場(chǎng)源定位算法中無(wú)法解決的多徑傳播問(wèn)題。一方面，該方法改善了室內(nèi)定位環(huán)境中由于模型失配引起的定位性能惡化問(wèn)題；另一方面，它也為近場(chǎng)多徑環(huán)境下的目標(biāo)定位提供了一種新的解決思路。仿真結(jié)果表明，該算法不僅在定位精度上有了較大改善，而且在定位成功概率方面具有較大優(yōu)勢(shì)。

關(guān)鍵詞： 室內(nèi)定位； 空間譜； 子空間匹配； 二階統(tǒng)計(jì)量

中圖分類號(hào)： TN911.72?34 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2015）15?0018?04

New indoor localization method based on second?order statistic

RAO Zhongchu1， 2， GUO Xiansheng 2

（1. Tongfang Electronic Science and Technology Limited Company， Jiujiang 332007， China；

2. School of Electronic Engineering， University of Electronic Science and Technology of China， Chengdu 610054， China）

Abstract： To solve the localization problem of near?field source in complex indoor circumstance， the localization methods of covariance matrix matching and signal subspace matching based on near?field multipath model are proposed by using small antenna array in indoor， which can better solve multipath propagation problem which can′t be solved in traditional near?field source localization algorithms. These algorithms improved the localization performance deterioration caused by model mismatching in indoor localization circumstance and offered a new solution to object localization in near?field multipath circumstance. Simulation results show that the proposed algorithms have made a great improvement in localization accuracy， and have greater advantage in the aspect of localization success probability.

Keywords： indoor localization； spatial spectrum； subspace matching； second?order statistic

0 引 言

輻射源的波達(dá)方向（DOA）估計(jì)在電子偵察、智能天線、雷達(dá)和聲納等領(lǐng)域有著廣泛的應(yīng)用，已受到人們的高度重視。大量的高分辨陣列測(cè)向技術(shù)都是運(yùn)用于室外環(huán)境，例如MUSIC算法[1]和ESPRIT算法[2]。然而遠(yuǎn)場(chǎng)定位技術(shù)在近場(chǎng)源場(chǎng)景并不適用，尤其是存在大量多徑的室內(nèi)環(huán)境。

指紋庫(kù)定位技術(shù)是一種常見的算法，文獻(xiàn)[3?4]將該方法運(yùn)用于定位遠(yuǎn)場(chǎng)窄帶信號(hào)源。由于RSS值在靜止環(huán)境中都會(huì)發(fā)生變化，這導(dǎo)致RSS算法的定位精度非常低。文獻(xiàn)[5?6]提出了建立信號(hào)子空間指紋庫(kù)提高室內(nèi)定位精度，但是該算法僅僅考慮了平面波（遠(yuǎn)場(chǎng)窄帶環(huán)境），然而在室內(nèi)環(huán)境中，到達(dá)天線陣列的波形是球面波而不是平面波，在這種情況下，近場(chǎng)窄帶模型比遠(yuǎn)場(chǎng)窄帶模型更有效。

在復(fù)雜室內(nèi)環(huán)境中，信道特征表征為復(fù)雜的多徑傳播，信號(hào)到達(dá)接收陣列為單個(gè)信號(hào)的不同延時(shí)復(fù)本，表現(xiàn)為相干多徑情況。同時(shí)，對(duì)有些頻段的信號(hào)源，其所表現(xiàn)出來(lái)的模型特征不再適合于遠(yuǎn)場(chǎng)窄帶假設(shè)，如聲信號(hào)等。

近場(chǎng)信號(hào)模型是一種較為有效地描述這種復(fù)雜環(huán)境信號(hào)傳播特征的模型，同時(shí)考慮到多徑及信道的非平穩(wěn)性等特征[7?8]，其環(huán)境背景噪聲可建模為非高斯隨機(jī)過(guò)程，如滿足沖擊噪聲等，這時(shí)候，傳統(tǒng)的基于二階統(tǒng)計(jì)量分析的經(jīng)典信號(hào)處理方法將會(huì)帶來(lái)性能的嚴(yán)重下降，因此，有必要發(fā)展基于分?jǐn)?shù)低階統(tǒng)計(jì)量的室內(nèi)近場(chǎng)源定位理論及高精度定位方法。

本文將對(duì)近場(chǎng)源模型下的子空間匹配定位方法進(jìn)行研究，為室內(nèi)復(fù)雜環(huán)境下的近場(chǎng)源定位提供一種可行性解決方案。室內(nèi)近場(chǎng)多徑信號(hào)傳播模型如圖1所示。

圖1 室內(nèi)近場(chǎng)多徑信號(hào)傳播模型

1 均勻圓陣下近場(chǎng)源多徑信號(hào)模型

考慮[N]根天線的均勻圓陣，圓陣半徑為[R]。一個(gè)窄帶信號(hào)包含[q]條多徑到達(dá)陣列天線。第[l]個(gè)陣元的接收信號(hào)為：

[xklt=γktst-τkalrk，θk，?k+nlt] （1）

式中：[xklt]代表接收信號(hào)的第[k]次反射到達(dá)第[l]個(gè)陣元在第[t]次快拍時(shí)的數(shù)據(jù)；[γkt]是復(fù)系數(shù)，代表了第[k]次反射的衰減和相移；隨機(jī)過(guò)程[nlt]是第[l]個(gè)陣元接收到的高斯噪聲，該噪聲是零均值、未知方差[σ2；][L]代表快拍總數(shù)。

對(duì)于均勻圓陣，近場(chǎng)源的方向矢量[ark，θk，?k]可表示為：

[ark，θk，?k=e-jωrk-d1rk，θk，?k，…，e-jωrk-dNrk，θk，?kT] （2）

式中：[ω=2πλ，][λ]是信號(hào)波長(zhǎng)；[rk，θk∈[0，π2]，?k∈][[0，2π]]分別表示信號(hào)源離基站的距離，到達(dá)陣列的俯仰角和到達(dá)陣列的方位角；[（?）T]代表共軛轉(zhuǎn)置。

第[k]個(gè)信號(hào)和第[l]個(gè)陣元的距離是[dl（rk，θk，?k）]：

[dl（rk，θk，?k）=r2k+R2-2Rrkρl（θk，?k）] （3）

式中：[ρl（θk，?k）=sinθkcos（?k-（l-1）θ0），l=1，2，…，N，θ0=][2πN]。。。。使用泰勒級(jí)數(shù)展開，[dl（rk，θk，?k）]可表示為：

[dl（rk，θk，?k）?rk1-ρl（θk，?k）Rrk+1-ρ2l（θk，?k）2Rrk2] （4）

如果信號(hào)源處于菲涅爾區(qū)域[9]，即信號(hào)源到接收陣列之間的距離滿足：

[0.62×d3（N-1）3λ12

則方向矢量可表示為[10]：

[a（rk，θk，?k）=exp-jωρ1（θk，?k）R+jω1-ρ21（θk，?k）2R2rk，…，exp-jωρN（θk，?k）R+jω1-ρ2N（θk，?k）2R2rkT]

接收信號(hào)可表示為：

[x=As+n] （5）

[式中：][A=[a（r1，θ1，?1），…，a（rq，θq，?q）]，][s=[r1（t）s（t-τ1），…，γq（t）?][s（t-τq）]T，][n=[n1（t），n2（t），…，nN（t）]T]。

2 最大似然估計(jì)

假設(shè)接收信號(hào)[x（t）]采樣[L]次，噪聲是獨(dú)立同分布的。高斯隨機(jī)變量具有零均值、未知方差[σ2，]因此概率密度函數(shù)可以表達(dá)為[11]：

[p（x（1），…，x（L）A，s，σ2）=t=1L1det[πσ2]exp-1σ2x（t）-As（t）2] （6）

最大似然估計(jì)表達(dá)式為：

[[σ2，A，s]=argmaxσ2，A，s-NLlogσ2-1σ2t=1Lx（t）-As（t）2] （7）

經(jīng)過(guò)求導(dǎo)和消除常數(shù)因子后，上面求最大值的問(wèn)題等價(jià)于如下求解最小值的問(wèn)題：

[[A，s]=argminA，st=1Lx（t）-As（t）2] （8）

上式的最小值問(wèn)題，可以通過(guò)求解最小二乘解得到[s]的估計(jì)：

[s=（AHA）-1AHx] （9）

式中：[（?）H]代表赫米特共軛轉(zhuǎn)置。將[s]代入[[A，s]，]可以得到：

[A=argminAt=1Lx（t）-PAx（t）2=argmaxAt=1LPAx（t）2] （10）

式中：[PA=A（AHA）-1AH]是矩陣[A]的投影矩陣。這樣上式可以寫成：

[A=argmaxAtr{PAR}]

式中：[tr{?}]是求秩運(yùn)算；[R]是協(xié)方差矩陣估計(jì)：

[R=1Lt=1Lx（t）xH（t）]

為了定位信號(hào)源，搜索指紋庫(kù)找到與估計(jì)[R]最相似的向量對(duì)應(yīng)的坐標(biāo)位置：

[l=argmaxPitr{PiR}] （11）

式中：[R]代表實(shí)測(cè)階段獲得的協(xié)方差矩陣；[Pi]是建庫(kù)階段第[i]個(gè)格點(diǎn)得到的投影矩陣。

3 基于二階統(tǒng)計(jì)量和子空間匹配的定位方法

3.1 信號(hào)子空間匹配定位方法

信號(hào)子空間定位算法的主要思想是：從協(xié)方差矩陣的特征值分解中得到信號(hào)子空間，然后建立信號(hào)子空間的指紋庫(kù)。建庫(kù)階段，按格點(diǎn)儲(chǔ)存最大特征值對(duì)應(yīng)的特征向量[S1；]實(shí)測(cè)階段，按照相同的策略得到實(shí)測(cè)信號(hào)子空間[S2]。下面將仔細(xì)說(shuō)明信號(hào)子空間匹配技術(shù)。

設(shè)[S1]和[S2]是[CN×q]的信號(hào)子空間，子空間[S1]和[S2]之間的角度為[α1，α2，…，αn∈[0，π2]]。[u=v=1，]定義[6]：

[αk（S1，S2）=arccosmaxu∈S1maxv∈S2uHv=arccosuHkvk，k=1，2，…，q]

其中：

[uHu=vHv=1]

[uHuj=0，j=1，2，…，k-1]

[vHvj=0，j=1，2，…，k-1]

式中：[αk]代表[S1]和[S2]之間第[k]個(gè)主角，如果[S1=S2，]則[αk=0]。對(duì)比指紋庫(kù)中的每一個(gè)集合，挑出所得值最大的那個(gè)集合對(duì)應(yīng)的坐標(biāo)為發(fā)射源的位置。

3.2 協(xié)方差矩陣匹配定位方法

協(xié)方差匹配算法的主要思想如下：

（1） 在建庫(kù)階段，計(jì)算[k]個(gè)格點(diǎn)的協(xié)方差矩陣并用其建立指紋庫(kù)：

[Ri=1Lm=1Lxi（t）xHi（t），i=1，2，…，K]

式中：[Ri=Ritr{Ri}，][Rfp=[R1，…，RK]]。協(xié)方差矩陣歸一化的目的是降低建庫(kù)階段和實(shí)測(cè)階段信號(hào)功率的差異，減小對(duì)接收信號(hào)功率的依賴。

（2） 在實(shí)測(cè)階段，接收數(shù)據(jù)為[xT，]則協(xié)方差矩陣為：

[RT=1Lt=1LxT（t）xHT（t）]

式中：[RT=RTtr{RT}]。通過(guò)搜索指紋庫(kù)，在第[k]個(gè)位置取得最小值：

[k=argminRkRk-RT22]

式中：[Rk]是第[k]個(gè)格點(diǎn)的協(xié)方差矩陣，則該坐標(biāo)對(duì)應(yīng)于目標(biāo)的位置；[·2]代表最小二范數(shù)。

4 仿真分析

仿真在一個(gè)20 m×20 m×3 m的區(qū)域進(jìn)行，參考位置的索引如圖2所示，發(fā)射終端放置在地板上，每個(gè)格點(diǎn)之間的距離為1 m。

圖2 數(shù)據(jù)庫(kù)中參考位置的索引

均勻圓陣半徑[R=2λ，]該圓陣配備了12根天線?？紤]加性高斯白噪聲環(huán)境，仿真中包含了1個(gè)直達(dá)信號(hào)和3條多徑信號(hào)，3條多徑的復(fù)衰減系數(shù)分別是[（0.4+0.8j）， （-0.3-0.7j）， （0.5-0.6j）]。500次蒙特卡洛實(shí)驗(yàn)運(yùn)用于不同信噪比下測(cè)試算法的性能。信噪比的變化為-10～8 dB，實(shí)驗(yàn)快拍數(shù)為500，測(cè)試點(diǎn)的位置在區(qū)域中隨機(jī)選取。圖3給出了傳統(tǒng)基于接收信號(hào)強(qiáng)度（RSS）的定位方法、基于協(xié)方差矩陣匹配的定位方法、最大似然定位方法以及基于信號(hào)子空間匹配的定位方法的定位誤差曲線。

圖3 幾種定位方法的定位誤差隨信噪比變化曲線

從圖3可以看出，基于協(xié)方差矩陣匹配和子空間匹配的定位方法比傳統(tǒng)的RSS方法具有更高的定位性能。這兩種方法定位的均方根誤差接近于最大似然估計(jì)的定位結(jié)果。同時(shí)，細(xì)節(jié)性分析可以發(fā)現(xiàn)，子空間匹配方法的定位性能要優(yōu)于協(xié)方差矩陣匹配定位方法，這是因?yàn)楹蛥f(xié)方差矩陣比較而言，協(xié)方差矩陣進(jìn)行特征分解獲取的信號(hào)子空間存儲(chǔ)了信號(hào)的主要信息，能更有效地對(duì)抗多徑傳播及環(huán)境變化引起的信道時(shí)變特性。另外，由于傳統(tǒng)RSS方法只能提供接收信號(hào)強(qiáng)度信息，而接收信號(hào)強(qiáng)度只是協(xié)方差矩陣的對(duì)角線元素的值，對(duì)協(xié)方差矩陣的非對(duì)角線元素，基于RSS的定位直接舍去這些攜帶大量信道環(huán)境信息的數(shù)據(jù)，其定位精度較完全利用其他自相關(guān)值的自相關(guān)矩陣匹配方法大大降低。從圖3還可以看出，隨著信噪比的增加，本文提出的協(xié)方差矩陣方法和子空間匹配定位方法的定位性能幾乎和最大似然估計(jì)方法的定位結(jié)果重合，這也說(shuō)明了本文提出方法的有效性。

為了進(jìn)一步驗(yàn)證本文所提出方法的定位性能，圖4給出了不同信噪比下幾種方法的定位成功概率比較結(jié)果。值得說(shuō)明的是，圖中成功概率的定義為：

[success probablity=x-x2x×100%]

從圖4可以看出，本文所提方法在SNR較大時(shí)，其成功概率較高，當(dāng)信噪比為0 dB時(shí)，定位成功概率大于98%。

圖4 不同信噪比下各種方法的定位成功概率比較

5 結(jié) 論

本文主要介紹了多徑模型下的近場(chǎng)源定位問(wèn)題，利用子空間匹配和協(xié)方差匹配方法解決了傳統(tǒng)近場(chǎng)源無(wú)法解決多徑傳播的情況。仿真結(jié)果表明，本文所提算法不僅在定位精度上有了較大改善，還在定位成功概率方面具有較大優(yōu)勢(shì)。

參考文獻(xiàn)

[1] SCHMIDT R O. Multiple emitter location and signal parameter estimation [J]. IEEE Transactions on Antennas and Propagation， 1986， 34（3）： 276?280.

[2] ROY R， KAILATH T. Esprit?estimation of signal parameters via rotational invariance techniques [J]. IEEE Transactions on ASSP， 1989， 37（7）： 984?995.

[3] HATAMI A， PAHLAVAN K. In?building intruder detection for WLAN access [C]// 2004 Position Location and Navigation Symposium. [S.l.]： IEEE， 2004： 592?597.

[4] WEISS A J. On the accuracy of a cellular location system based on RSS measurements [J]. IEEE Transactions on Vehicular Technology， 2003， 52（6）： 1508?1518.

[5] TSUJI H， KIKUCHI S， KAVEH M. Indoor localization using subspace matching： an experimental evaluation [C]// Procee?dings of 2006 IEEE Workshop on Sensor Array and Multichannel. [S.l.]： IEEE， 2006： 541?545.

[6] NEZAFAT M， KAVEH M， TSUJI H. Indoor localization using a spatial channel signature database [J]. IEEE Antennas and Wireless Propagation Letters， 2006， 5（1）： 406?409.

[7] ZHI Wanjun， CHIA M Y. Near?field source localization via symmetric subarrays [J]. IEEE Signal Processing Letters， 2007， 14（6）： 409?412.

[8] HE Jin， SWAMY M N S， OMAIR AHMAD M. Efficient application of MUSIC algorithm under the coexistence of far?field and near?field sources [J]. IEEE Transactions on Signal Proces?sing， 2012， 60（4）： 2066?2070.

[9] JOHNSON R C， JASIK H. Antenna engineering handbook [M]. 3rd ed. New York： McGraw?Hill， 1993.

[10] HUANG Y D， BARKAT M. Near?field multiple source loca?lization by passive sensor array [J]. IEEE Transactions on Antennas Propagation， 1991， 39（7）： 968?975.

[11] ZISKIND I， WAX M. Maximum likelihood localization of multiple sources by alternating projection [J]. IEEE Transactions on Acoustics， Speech and Signal Processing， 1988， 36（10）： 1553?1560.