一种异构网络环境中面向指纹定位的基站部署优化方法

摘要

本发明公开了一种异构网络环境中面向指纹定位的基站部署优化方法。该方法使用CRLB(Cramer‑Rao lower bound，克拉美罗下界)度量给定基站部署方案的定位误差，然后应用遗传算法快速搜索具有最小平均定位误差并满足预定覆盖要求的最佳基站部署方案，以提高定位精度。此外，本发明提供的技术方案还考虑了异构网络环境中的基站部署优化和利用环境中已存在的基站提高定位精度。

说明书

技术领域

本发明涉及通信技术领域，更具体的说是涉及一种异构网络环境中面向指纹定位的基站部署优化方法。

背景技术

随着无线网络技术的迅速发展和智能移动设备的普及，位置感知服务和应用的需求日益增多。在这些服务和应用中，收集或计算位置信息是一个关键问题。GPS(GlobalPosition System,全球定位系统)在室外环境可以提供高精度的定位信息。然而在室内环境中，由于障碍物(如：墙壁、门窗、家具等)的遮挡使得收到的GPS信号较弱，无法计算出位置信息或计算出的位置信息偏差较大。因此需要建立室内定位系统提供可靠的位置信息服务。

目前，已经有许多用于室内位置感知的系统和技术，如ZigBee技术、射频识别技术、蓝牙定位技术、WLAN(Wireless Local Area Networks,无线局域网)定位技术等，其中基于WLAN的室内定位是一项低成本易实现的技术，因为几乎无处不在的WLAN基础设施和客户端设备消除了硬件成本。

在WLAN定位技术中，与三边测量定位方法相比指纹定位方法是优选的，三边定位方法容易受到传播路径损耗，路径衰落和环境阴影的影响。指纹定位分为离线阶段和在线阶段。在离线阶段，一些均匀间隔的参考点被用于从可用基站收集RSS矢量以生成指纹数据库；在在线阶段，当前采样的RSS矢量将与预先建立的指纹数据库进行匹配来估计目标位置。

然而，WLAN的主要目的是数据通信而不是提供定位服务。因此，原有基站布局下的WLAN提供的定位精度可能不足。通过优化基站位置提高定位精度是一种重要且有效的方法。大多数现有的基站部署优化方法通常基于信号覆盖范围、服务连接性、网络吞吐量和传输速率来优化基站位置以保障通信质量而没有考虑定位。一些用于提高定位精度的基站部署优化方法通常涉及以下三个方面：1)建立适当的目标函数来判断基站部署方案的质量；2)确定搜索最佳部署方案的搜索算法；3)确定在给定基站部署的情况下生成任意位置的RSS测量信号的传播模型(对于基于仿真的部署方法)。

关于目标函数，最具代表性的是以下四种：1)使每个参考点的RSS组合唯一；2)利用几何精度稀释度(GDOP)来评估定位性能；3)最小化无线电地图中每对指纹上的类似指纹的总数；4)最大化无线电地图中每对指纹的信号距离。

对于搜索算法，由于找到最优基站部署方案的问题基本上是NP完全问题，因此采用了不同的启发式算法来提高时间效率。例如，模拟退火算法、遗传算法、差分演绎算法。

对于无线信号传播模型，大多数方法采用简单对数路径损耗模型，而更实用的有Motley-Keenan模型和射线追踪传播模型。

但是，现有的提高定位精度的基站部署优化方法存在以下三个问题：

第一，没有考虑如何利用目标环境中预先存在的基站来提高定位精度。这些方法只研究了使用新部署的基站进行定位的场景。然而，用预先存在的基站提供定位数据是基于WALN指纹的室内定位系统的优点之一。忽略预先存在的基站可能会导致定位性能下降和基站部署不当。此外，这些方法仅考虑使用WiFi作为基站进行定位的场景，没有考虑异构网络环境中部署基站进行定位的场景。

第二，许多现有方法旨在通过使用一些启发式方法来搜索最大化指纹差异的基站部署方案。然而，最大化指纹差异的基站部署方案不一定使得在这样的室内环境中具有高定位精度。

第三，大多数基于仿真的部署方法采用简单对数路径损耗模型，该模型不能体现基站和接收器之间障碍物引起的衰减，如墙壁，家具等，导致仿真的RSS数据存在较大误差。

因此，如何优化基站位置以提高指纹定位精度是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种异构网络环境中面向指纹定位的基站部署优化方法，通过满足多重覆盖和最小化定位误差来优化异构网络环境中基站的位置，以提高指纹定位精度。

为了实现上述目的，本发明采用如下技术方案：

一种异构网络环境中面向指纹定位的基站部署优化方法，包括：

S1：读入室内空间结构的平面图；

S2：在平面图中设置障碍物，包括障碍物类型和无线信号穿过障碍物的衰减值；

S3：在平面图中设置预先存在的基站，基站标识为0；

S4：在平面图中划定要部署基站的部署范围；

S5：在平面图中设置网格长度，并将平面图划分为均匀的网格，网格的中心点为参考点的位置，在基站部署范围内的参考点的位置为基站可部署的位置；

S6：设置要部署基站的参数并将基站标识为1；

S7：设要部署的基站数量为N，可部署基站的位置数量为K，则共有C_KN种部署方案，即解空间，采用遗传算法搜索解空间，得到具有最小平均定位误差并满足预定覆盖要求的最佳部署方案；

其中，采用遗传算法搜索解空间的具体步骤包括：

S71：产生初始化种群，设定迭代次数为0；

S72：个体评估

首先，定义基站部署方案覆盖率的指标：当且仅当参考点处的接收器能够从至少c个基站接收到具有高于预设阈值的RSS测量的有效信号时，参考点满足c度覆盖，当且仅当所有参考点满足c度覆盖时，基站部署方案满足c度覆盖；将覆盖率定义为满足c度覆盖的参考点的百分比：

其中，I是基站部署方案，c是覆盖度，m是参考点的数量，C(I，c，i)定义如下：

其次，定义定位误差的度量：设位置x处的接收器从n个基站接收到的RSS测量结果y＝[y₁,y₂,…,y_n]^T是独立且相同分布的随机变量，即

y～N(m(x)，σ²E_n)

其中，m(x)＝[m₁(x),m₂(x),…,m_n(x)]^T是一个向量函数，表示在位置x＝[x₁，x₂]^T处的接收器从n个基站接收到的平均RSS测量值，E_n表示n阶单位矩阵,其似然函数可以表示为：L(y；x)＝log>

定义梯度和则费舍尔信息矩阵(Fisherinformation matrix,FIM)为CRLB为费舍尔信息矩阵的逆，即F^-1(x)的迹用于表示任何无偏定位算法的均方(Mean>

其中θ_ij表示r_i和r_j所对应的角度；

最后，使用以下公式计算种群中每个个体的适应度：

其中I_i是种群中的第i个个体，F_C是覆盖率阈值，f_L(I_i)是使用CRLB计算出的所有参考点的平均定位误差，即

S73：选择操作

将个体的适应度值转化为选择的概率，选择概率的计算如下：

其中，I_i是种群中的第i个个体，w是种群个体数量；

之后利用轮盘赌模型选择出两个个体；

S74：交叉操作

如果生成的0～1之间的随机数小于预设的交叉概率p_c，则从步骤S73中选择出来的两个个体中选择j个位置进行交换，其中，交换时只交换标识为1的基站；

S75：变异操作

如果生成的0～1之间的随机数小于预设的突变概率p_m，则在个体中随机选择标识为1的基站，并在基站可部署范围内随机改变其坐标；

S76：重复步骤S72～S75，以产生下一代种群，迭代次数加1，当迭代次数大于阈值T，则终止，输出最大适应度的个体作为最佳部署方案。

优选的，步骤S6具体包括：在平面图中设置要部署基站的类型、发射功率、频率和数量，且设置要部署的基站的标识为1。

优选的，步骤S71具体包括：将基站坐标信息作为基因使用实数编码，基因序列被编码为G_i＝[x_i,y_i]，其中，(x_i,y_i)表示第i个基站的坐标；

设P＝(I₁,I₂,...,I_w)表示种群，其中，I_i＝(G₁,G₂,...,G_n)表示第i个个体，n是基因的数量，w是个体的数量；

每个个体对应于一种基站部署方案，并且标识为1的基站的坐标在基站可部署范围内均匀且随机的生成。

优选的，步骤S72具体包括：使用Motley-Keenan无线信号传播模型仿真RSS数据。

经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种异构网络环境中面向指纹定位的基站部署优化方法，将CRLB用作评估给定基站部署方案的定位精度的度量，然后应用遗传算法快速搜索具有最小平均定位误差并同时满足预定覆盖要求的最佳基站部署方案，以提高定位精度。此外，本发明提供的技术方案还考虑了异构网络环境中的基站部署优化和利用环境中已存在的基站提高定位精度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明提供的异构网络环境中面向指纹定位的基站部署优化方法的流程图。

图2为本发明提供的利用本发明方法开发的仿真软件界面图。

图3为本发明提供的仿真软件读入并显示的室内空间结构平面图。

图4为本发明提供的在仿真软件读入的室内空间结构平面图中设置的障碍物信息。图中标蓝的部分为设置的墙壁障碍物，其衰减值为10dB。

图5为本发明提供的在仿真软件读入的室内空间结构平面图中设置的预先存在的基站信息。图中红色方块表示预先存在的WiFi基站，其发射功率为20dBm、频率为2400MHz。

图6为本发明提供的在仿真软件读入的室内空间结构平面图中划定要部署基站的部署范围。图中红色线包围的区域为新基站的部署范围。

图7为本发明提供的划分仿真软件读入的室内空间结构平面图的网格图。图中以1m的网格长度划分平面图形成蓝色网格区域，网格中心点使用灰色小方块表示。

图8为本发明提供的要部署基站的参数设置信息。

图9为本发明提供的基站部署优化结果图。图中红色方块表示预先存在的WiFi基站，蓝色方块表示要部署的WiFi基站，蓝色三角表示要部署的Bluetooth基站；图中的蓝色方块与蓝色三角的位置就是用本发明方法开发的仿真软件得到的基站部署优化结果。

图10为本发明提供的三种基站部署优化方法在不同基站数量下的均方根误差图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参见附图1，本发明实施例公开了一种异构网络环境中面向指纹定位的基站部署优化方法，包括：

S1：读入室内空间结构的平面图；

S2：在平面图中设置障碍物，包括障碍物类型和无线信号穿过障碍物的衰减值；

S3：在平面图中设置预先存在的基站，基站标识为0；

S4：在平面图中划定要部署基站的部署范围；

S5：在平面图中设置网格长度，并将平面图划分为均匀的网格，网格的中心点为参考点的位置，在基站部署范围内的参考点的位置为基站可部署的位置；

S6：设置要部署基站的参数并将基站标识为1；其中，需要设置要部署的基站的类型、发射功率、频率和数量，且基站的标识为1；

S7：设要部署的基站数量为N，可部署基站的位置数量为K，则共有种部署方案，即解空间，采用遗传算法搜索解空间，得到具有最小平均定位误差并满足预定覆盖要求的最佳部署方案；

其中，采用遗传算法搜索解空间的具体步骤包括：

S71：产生初始化种群，设定迭代次数为0；

在初始化群体之前，需要确定基因编码方法，将基站坐标信息作为基因使用实数编码，基因序列被编码为G_i＝[x_i,y_i]，其中，(x_i,y_i)表示第i个基站的坐标；

设P＝(I₁,I₂,...,I_w)表示种群，其中，I_i＝(G₁,G₂,...,G_n)表示第i个个体，n是基因的数量，w是个体的数量；随机生成w×n个基站以形成初始种群；

每个个体对应于一种基站部署方案，并且标识为1的基站的坐标在基站可部署范围内均匀且随机的生成。

S72：个体评估

首先，定义基站部署方案覆盖率的指标：当且仅当参考点处的接收器能够从至少c个基站接收到具有高于预设阈值的RSS测量的有效信号时，参考点满足c度覆盖，当且仅当所有参考点满足c度覆盖时，基站部署方案满足c度覆盖；将覆盖率定义为满足c度覆盖的参考点的百分比：

其中，I是基站部署方案，c是覆盖度，m是参考点的数量，C(I，c，i)定义如下：

其次，定义定位误差的度量：设位置x处的接收器从n个基站接收到的RSS测量结果y＝[y₁,y₂,…,y_n]^T是独立且相同分布的随机变量，即

y～N(m(x),σ²E_n)

其中，m(x)＝[m₁(x),m₂(x),…,m_n(x)]^T是一个向量函数，表示在位置x＝[x₁，x₂]^T处的接收器从n个基站接收到的平均RSS测量值，E_n表示n阶单位矩阵,其似然函数可以表示为：L(y；x)＝log>

定义梯度和则费舍尔信息矩阵(Fisherinformation matrix,FIM)为CRLB为费舍尔信息矩阵的逆，即F^-1(x)的迹用于表示任何无偏定位算法的均方(Mean>

其中θ_ij表示r_i和r_j所对应的角度；

最后，使用以下公式计算种群中每个个体的适应度：

其中I_i是种群中的第i个个体，FC是覆盖率阈值，f_L(Ii)是使用CRLB计算出的所有参考点的平均定位误差，即

S73：选择操作

将个体的适应度值转化为选择的概率，选择概率的计算如下：

其中，I_i是种群中的第i个个体，w是种群个体数量；高适应度值的个体具有高选择概率。

之后利用轮盘赌模型选择出两个个体；

S74：交叉操作

如果生成的0～1之间的随机数小于预设的交叉概率p_c，则从步骤S73中选择出来的两个个体中选择j个位置进行交换，其中，交换时只交换标识为1的基站；

交叉操作通过交换与两个个体相关的部分基因创建新的个体，决定了全局的搜索能力。

S75：变异操作

如果生成的0～1之间的随机数小于预设的突变概率p_m，则在个体中随机选择标识为1的基站，并在基站可部署范围内随机改变其坐标；

变异操作改变了个体的遗传值，避免遗传算法落入局部最优。

步骤S73～步骤S75根据个体适应度从父代选择一些最佳个体到下一代或通过交叉和变异操作生成新的个体到下一代。

S76：重复步骤S72～S75，以产生下一代种群，迭代次数加1，当迭代次数大于阈值T，则终止，输出最大适应度的个体作为最佳部署方案。

下面结合仿真结果对本发明做进一步说明。

如图10所示，该实验在利用本发明方法开发的仿真软件中，对三种基站部署优化方法在不同基站数量下进行定位实验，用以验证不同的基站部署优化方法的优化效果。图中横轴为WiFi基站的数量，纵轴为均方根误差。其中，CRLB为本发明方法提出的基站部署优化方法、FingerprintDifference为最大化指纹差异的基站部署优化方法、FIM为基于费舍尔信息的基站部署优化方法。由于其他两种方法均没有考虑异构网络环境中的基站部署优化问题，因此仅使用WiFi基站进行实验。可以看出本发明方法提出的基站部署优化方法在同等条件下所得到的均方根误差要小于其他两种方法。

本发明将CRLB用作评估给定基站部署方案的定位精度的度量，然后应用遗传算法快速搜索具有最小平均定位误差并同时满足预定覆盖要求的最佳基站部署方案，以提高定位精度。此外，本发明提供的技术方案还考虑了异构网络环境中的基站部署优化和利用环境中已存在的基站提高定位精度。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。