TDOA定位技术原理及算法
对TDOA定位技术的基本原理的描述，基于时间测量值的蜂窝无线定位算法第1期郭华:TDOA定位技术的基本原理和算法21值的不确定性度量。对于二维定位系统,、CEP定义为CEP≈(0.75s)ODOP(11)包含了一半以均值为中心的随机矢量实现的圆半G丑OP可作为从大量基站中选择所需定位基站的指径。如果定位估计器为元偏差的CEP即为MS相对标,选中的基站是使(nOP最小的基站,还可用于其真实位置的不确定性度量如图2所示。如果佔计建立新系统时作为选择基站位置的参考。器为有偏差的且以偏差B为界,则对于50%概率,MS的信计位置在距离B+CEP内,此时,CEP为一3基于COST259信道模型的算法仿复杂函数,通常用其近似表示,对于TDOA双曲线主位,CEP近似表示为CEP=0.75J2+02为了从分评估CHAN算法和 Taylor算法在不其中202分别为二维估计位置的方差同信道环境、不同测量条件下的定位性能,本文设定了多种仿真条件,考虑了实际应用中的可能出现的发射机位置情况,并且每次都在相同的条件下对MS做定位佔计。考核定位结果的均方根误差(RMSE)并以图表的形式直观的表示出米,结合理论分析,对这两和主CEP偏差矢量要的无线定位算法做评估。平均估计位置实际应用中,对尢线定位精度造成影响的因素有许多种。在本文中主要考虑以下因素:小区半径的大小、参与定位的基站数目、不同的信道参数、设图2圆误差概率CEP备的测量误差、定位基站的排列形状等。综合考虑2.3几何精度因子((丑OP)以上因素,仿真所需的主要条件如采用距离测量方法的定位系统准确率在很大程1)针对COS259模型中的A、B、C、D四种信度上取决于基站和待定位移动台MS之间的几何位道做仿真。不同的信道其参数T不同。在考察小置关系几何位置对定位准确率影响的度量即为几区半径和定位基站数目对定位性能的影响时主要考何精度因子(GDOP),定义为定位误差RMSE与测虑了A和B两种信道,考察基站的排列形状时主要距误差RMSE比率。GDOP表征了由于移动台与基考虑B和D两种信道。站几何位置关系对测距误差的放大程度。对于无偏(2)检测设备造成的测量误差:假设检测设备精差计器,GDOP为:度造成的TDOA误差服从均值为0,标准差为30mGDOP=Ntr[(AA(7)的高斯正态分布。在考察设备的测量误差对定位精度的影响时,标准差分别取:30m、60m、90m、120m、其中,tr()表示对结果矩阵求迹,即求矩阵主对角150m线兀素之和aA为根据某种特征测量值建立的线性3.1理想信道环境下测量设备误差对定位的影响方程组的系数矩阵,即仿真条件:小区半径R-2000m,参与定位的基Y=AX(8)站数目为3~7个,MS在1/12小区内均匀分布,假这里,基站位置Y是已知的M×1维向量,MS位置设信道为理想的LOS信道,由信道造成的NIOS误X是2×1维未知向量[xy],A是Mx矩阵,如果差为0。仅仅考由于检测设备的测量误差对算法AA是非奇异矩阵且M>2,则式(8)为方程数大于定位性能的影响。比较受限 Taylor算法与CHAN未知量数目的超定方程组,采用最小二乘LS)算算法的定位性能法获得MS估计位置定位结果如图3、图4和图5所示X=(AAAY(9)从图3到图5可以看出,当仅有理想高斯分布对于无偏差的估计器及二维双曲线定位系统的测量误差时,参与定位基站的数目已经不是很重GDOP可表小为要了,基站数目的变化不会影响两种算法的定位性GDOP=x +o v/ s(10)能。定位性能与测量误差直接相关(基本呈线性增这里s为测距误差标准差。GDOP与CEP有以长)。从3个图屮都可以发现CHAN算法的定位性下近似关系能要好与 Taylor算法。也就是说CHAN算法的抗C1994-2010chinaAcademicjOurnalElectronicPublishingHouseAllrightsreservedhttp://www.cnkinet22西安邮电学学报2007年1月高斯分冇;NLOS误差服从COST259模型。仿真结果如图6、图7和图8所示。图3基站数为3时理想高斯测量误差条件下, MTavlor算法与CHAN算法的定位性能比较图6基站数目为3时, TAylor算法和CHAN算法在BadUrban和 Urban环境下图4基站数为4时理想高斯测量误差条件下 MTavlor算法与CHAN算法的定位性能比较图7基站数目为4时, MAylor算法和CHAN算法在Barban和 Urban环境下的性能比画量柱准展图5基站数为7时理想高斯测量误差条件下 MAylor算法与CHAN算法的定位性能比较高斯噪声性能更好,较适用于LOS信道环境。图8基站数目为7时, TAylor算法和CHAN算法在3.2COsT259环境下小区大小定位基站数目及 BadUrban和Uban环境下的性能比排列对定位性能的影响标识说明: Badurban chan表小在 Badurban(T参与定位基站数目与小区大小对定位性能的=1)环境下CHAN算法的定位性能曲线; Urban-影响Chan表示在 Urban(T=0.4)环境下CHAN算法的仿真条件:参与定位的基站数目固定为(3~7),定位性能曲线; BadUrban Taylor表示在 Badurban小区半径大小由100400变化。MS在112(T=1)环境下 M Taylor算法的定位性能曲线;Ur小区内均匀分布,在 Badurban和Ubam环境下比 ban Taylor表示在 Urban(T=0.4)环境下 M Taylor较受限的 Taylor算法和CHN算法的定位性能。算法的定位性能曲线。Taylor算法的初始位置取MS的实际位置;设从图6到图8可以看出,在实际信道中,CHAN备的测量误差服从均值为0,标准差为30m的理想算法的定位性能要比 Taylor算法的性能差,这是o01994-2010ChinaaCademicjOurnalElectronicPublishingHouseAllrightsreservedhttp:/www.cnkinet第1期郭TDOA定位技术的基本原理和算法23由于CHAN算法本身就是针对運想高斯LoS环境想蜂窝状排列时 MAylor算法的定位性能曲线;提出米的,所以在实际信道中,由于NLOS误差的U Highway Chan表示在 Urban(T=0.4)环境下引入导致了CHAN算法性能的急剧下降。基站直线排列时CHAN算法的定位性能曲线我们也可以从图中发现,当NLOS误差分不相Highway Chan表示在 Rural(T=0.1)环境下同时,参与定位的基站数日的多少对算法的定位性基站直线排列时CHAN算法的定位性能曲线能没有多大的影响。但当小区半径大于3000m时,U Chan表示在 Urban(T=0.4)环境下基站理Taylor算法的性能呈直线下降,而且当小区半径增想蜂窝状排列时CHAN算法的定位性能曲线;大时, Maylor算法有可能出现不收敛情况。而CHan表示在Rurl(T-0.1)环境下基站理想CHAN算法性能变化较为平稳,且在任何情况下都蜂窝状排列时CHAN算法的定位性能由线能够给出定位结果。因此可以得出结论,在其它条件相同的条件下CHAN算法比 Taylor算法更适合与宏小区的无线非理想的基站分布对定位性能的影响仿真条件:小区半径从1000m~4000m,参与定位的基站数目为3。在类似高速公路的直线区域内基站一般呈直线分布。MS在1/12小区内均匀分布。比较受限 Taylor算法和CHAN算法在 Urban小区使加和Rura环境下的定位性能,以及基站直线分布与哩想蜂窝状分布下两种算法的定位性能。 Taylor图10基站直线排列与理想蜂窝状排列时在 Urban和算法中MS的初始位置取MS的实际位置。设备测Rurl环境下CHAN算法定位性能的比较量误差服从均值为0,标准差为30m的理想高斯分从图9和图10可以看出,基站的位置分布对两布。非视距误差NLOS满是COST259信道模型。种算法的定位性能影响都很人,其它条件不变时,当仿真结果如图9和图10所示基站呈直线分布时,定位性能都急剧下降。如果做樻向比较,在小、区半径较小时, Taylor算法有较好的定位性能。4小结通过以上的仿真与分析比较可以看出小区半径对CHAN算法的影响的程度比Taylor算法较小,在其它条件不变,只有小区半径增大的量准圣与时,CHAN算法的定位性能变化较为平稳。而Taylor算法的定位性能变化较为剧烈。说明在相同的图9基站直线排列与理想蜂窝状排列时,在 Urban和条件下,CHAN算法更适合与宏小区的定位。Rural环境下 TAylor算法定位性能的比较标识说明在LOS环境下,TDOA测量值的误差服从均U HighwayMTay表示在 Urban(T=0.4)环境值为0的埋想高斯分布CHAN算法的定位性能优于 Taylor算法的定位性能。所以CHAN算法更适下基站直线排列时 MAylor算法的定位性能曲线;合于LOS环境的定位。RHighwayM Tay表示在 Rural(T=0.1)环境下基站直线排列时 TAylor算法的定位性能曲线岀基站呈直线排列时,两种算法的定位性能与UMTay表示在 Urban(T=0.4)环境下基站理理想的蜂窝状分布时的定位性能相比急剧下降。在小区半径较小时, Taylor算法有较好的定位性能。想蜂窝状排列时 MAylor算法的定位性能曲线信道环境对定位性能有很大的影响,特别是对RMTav表示在 Rural(T=0.1)环境下基站理CIAN算法的影响更大一些。在郊区和远郊两种C1994-2010ChinaAcademicJournalElectronicPublishingHouseAllrightsreservedhttp://www.cnki.net4西安邮电学学报2007年1月算法都能取得较好的定位效果,基本能够满足FWrokshop j une 2001911的定位要求;但在城区的效果就明显下降,在闹21 J ames J. Caffery:Jr. and Gordon L. Stuber: Overvie市区几乎不能准确定位。因此,要在市区和闹市区of Radiolocation in CDMA Cellular Systems. TEEF获得较好的定位效果,就需要对定位算法进行改进,Communications Magazine April 1998 pp 38-45对如何取得更精确的TDOA测量值,更好的克服3]An Overview of Wireless Indoor geolocation Techniqueand Systems. Kaven Pahlavan. Xinrong Li. MikaNLOS误差进行深入旳研究。Ylianttila. Ranvir chana. And matti latva- aho. Mo-参考文献bile and wireless Communications Networks. IFIPTC6/ European commission NETWORKiNG 2000 Inter-[I Do menico Porcino. Philips Research Laboratories. Stannational Workshop. MWCN 2000. Paris France. Maydardisation of Location Technologies Mobile Location2000Principle and algorithm of doa location technologyGUO HuaDepartment of Electronic of Information Engineering Xi an University of Post and Telecommunications, Xi an 710121, China)Abstract: This thesis researches the wireless location algorithms based on time-related measurements in thWireless Cellular Network. By analyzing existing basic techniques and algorit hms in wireless location this thesisselects the TDOA algorithm for emp hases of research. First, we int roduce two typical al gorithms as Taylor algo-rithm and chan algorithm. Furthermore, we analyze and compare them by simulation under some commonmobile channel environment. In order to eval uate the performance of the two basic al gorithms in detail, the perfect channel and two typical mo bile communication channel model (CoST 259 and TiPl)are employed for future detailed simulation. In simulations, many relative parameters w hich may effect the performance of the loca-tion algorithms are examined, such as the cell size, the number of the base stations taking part in the locationservice, equip ment measurement errors, NLOS effect etcKey words: Time of Arrive (TOA); Difference Time of Arrive( TDOA); Angel of Arrive(AOA); NLOS error(上接第18页)Error code protection and scheme of Turbo code forwreless video frequency transmissionXU Hua, DONG Yirning, XIA YangCollege of Communication and Information EngineeringNanjing University of Posts and Telecommunications, Nanjing 210003, China)Abstract The characteristics of wireless channel such as time- variety and high BER requires not only strongerror correcting capability of channel coding method but also the ability to adjust bit rate according to the state ofwireless channel. The Rate Compatible Turbo code (RCP T)can fulfill such requirement, and protect video fre-quency stream with tr- s interleaver. The application of rCPt over the mo bile communication channel is intro-duced, and new schemes about adaptive coding system and unequal error protection are discussedKey words: Turbo codes; RCPT codes; puncture table, unequal error protectionC1994-2010ChinaAcademicJournalElectronicPublishingHouse.Allrightsreservedhttp://www.cnki.net
- 2020-11-28下载
- 积分：1
EM算法详细例子及推导
EM算法详细例子及推导数θ),那么对于上面的实验,我们可以计算出他们出现我们观察到的结果即0=(5,9,.8,4,7,20=(B,A,A,B,4)的概率函数P(X=x10),2z)⑨)就叫做θ的似然函数。我们将它对θ求偏导并令偏导数为0,就可以得到如的结果P(X=x0,=20))=(;P(z=A)3(1-P(z=A)2C10(1-64)10A(1-6C104(1-0(1-6B)C106n(1-6我们将这个问题稍微改变一下,我们将我们所观察到的结果修改一…下我们现在只知道每次试验有几次投掷出正面,但是不知道每次试验投掷的是哪个硬币,也就是说我们只知道表中第一列和第三列。这个时候我们就称Z为隐藏变量( Hidden variable),X称为观察变量( Observed variable)。这个时候再来估计参数θ4和θB,就没有那么多数据可供使用了,这个时侯的估计叫做不完整数据的参数估计。如果我们这个时候冇某种方法(比如,正确的猜到每次投掷硬币是A还是B),这样的话我们就可以将这个不完整的数据估计变为完整数据估计当然我们如果没有方法来获得更多的数据的话,那么下面提供了一种在这种不完整数据的情况下来估计参数θ的方法。我们用迭代的方式来进行:(1)我们先赋给θ一个初始值,这个值不管是经验也好猜的也好,反正我们给它一个初始值。在实际使用中往往这个初始值是有其他算法的结果给岀的,当然随机给他分配一个符合定义域的值也可以。这里我们就给定64=0.7,6B=0.4(2)然后我们根据这个来判断或者猜测每次投掷更像是哪枚硬币投掷的结果。比如对于试验1,如果投掷的是Δ,那么出现5个止面的概率为C10×0.75×(1-07)5≈0.1029:;如果投掷的是B,出现5个正面的概率为C105×0.43×(1-0.4)5≈0.2007;基于试验1的试验结果,可以判断这个试验投掷的是使币A的概率为0.10290.10290.2007)-0.389是B的概率为02007(0.1029+0.2007)06611。因此这个结果更可能是投掷B出现的结果(3)假设上一步猜测的结果为B,A,A,B,A,那么恨据这个猜测,可以像完整数据的参数仙计一样(公式2重新计算的值这样一次一次的迭代2-3步骤直到收敛,我们就得到了θ的估计。现在你可能有疑问,这个方法靠谱么?事实证明,它确实是靠谱的。期望最大化算法就是在这个想法上改进的。它在估计每次投掷的硬币的吋候,并不要确定住这次就是硬币A或者B,它计算岀来这次投掷的硬币是A的概率和是B的概率;然后在用这个概率(或者叫做Z的分布)来计算似然函数。期望最大化算法步骤总结如下:F步骤先利用旧的参数值〃计算隐藏变量Z的(条件)分布P(万=2|Xn2),然后计算logP(,X=m)的期望B(o(2,X=x)=∑∑P(Z=别X=)P(Z=X=x)其中θ是当前的值,而θ是上一次迭代得到的值。公式中已经只剩下θ一个变量了,θ是一个确定的值,这个公式或者函数常常叫做Q函数,用Q(6,6)来表示。M步骤极大化Q,往往这一步是求导,得到由旧的θ值′米计算新的θ值的公式aQ总结一下,期望最大化算法就是先根据参数初值估计隐藏变量的分布,然后根据隐藏变量的分布来计算观察变量的似然函数,估计参数的值。前者通常称为E步骤,后者称为M步骤3数学基础首先来明确一下我们的目标:我们的目标是在观察变量X和给定观察样本:1,x2,…,rn的情況下,极大化对数似然函数(=>nP(X2=x;)(5)其中只包含观察变量的概率密度函数P(X2=2)=∑P(X=n,=)这里因为参数θ的写法与条件概率的写法相同,因此将参数θ写到下标以更明确的表述其中Z为隐藏随机变量,{}是Z的所有可能的取值。那么6)=∑h∑P(X=x,z=2)∑h∑。Px=x这里我们引入了一组参数(不要怕多,我们后面会处理掉它的)a,它满足可能的;,0;∈(0,1和∑;a=1到这里,先介绍一个凸函数的性质,或者叫做凸函数的定义。∫(x)为凸函数,=1,2,…,m,A∈[0,1∑1A对∫(x)定义域中的任意n个m1,x2,…,xn有f(∑Aa)≤∑mf(xr)i=1对于严格凸函数,上面的等号只有在x1=2xn的时候成立。关于凸函数的其他性质不再赘述。对数函数是一个严格凸数。因而我们可以有下面这个结果0)=∑hn∑≥∑∑ah(X=2n,2=C现在我们根据等号成立的条件来确定a;即P(X=x,Z=2)C(10)其中c是一个与j无关的常数。因为∑,=1,稍作变换就可以得到P(X;=x;)现在来解释下我们得到了什么。c;就是Z=2;在X=x;下的条件概率戌者后验概率。求α就是求隐藏随机变量Z的条件分布。总结一下目前得到的公式就是)-∑∑P(Xi=i,Z(12)直接就极大值比较难求,EM算法就是按照下面这个过程来的。它就是大名鼎鼎的琴生( Jensen)不等式(1)根据上一步的θ来计算α,即隐藏变量的条件分布(2)极大化似然函数来得到当前的的估计3.1极大似然估计好吧,我觉得还是再说说极大似然估计吧。给定一个概率分布D,假设其概率密度函数为f,其中f带有一组参数6。为了估计这组参数6,我们可以从这个分布中抽出一个具有n个采样值的X1,X2,…,Yn,那么这个就是n个(假设独立)同分布随机变量,他们分别有取值x1,x2…,xn,那么我们就可以计算出出现这样一组观察值的概率密度为lI f(ai)(13)对于f是离散的情况,就计算出现这组观察值的概率10)注意,这个函数中是含有参数0的。0的极大似然估计就是求让上面似然函数取极大值的时候的参数O值。般来说,会将上面那个似然函数取自然对数,这样往往可以简化计算。记住,这样仅仅是为了简化计算。取了自然对数之后的函数叫做对数似然函数。ln()=∑lnf(n)因为对数是一个严格单调递增的凹函数,所以对似然函数取极人值与对对数似然函数取极大值是等价的。3取了对数之后还可以跟信息熵等概念联系起来4关于凸函数有很多种说法,上凸函数和下凸函数,凸函数和凹函数等等,这里指的是二阶导数大」(等」)0的一类函数,而凹函数是其相反数为凸数的一类函数32期望最大化算法收敛性如何保证算法收敛呢?我们只用证明l(04+1)≥1(00)就可以了l(0(t11)∑∑(+1)1PX=x;2=2)(+(t+1∑∑nf(X=x;,z=z;)(+1)(t)o(tn /(r=i,Z=2(t)≥∑∑ahn(t)7(0其中第一个人于等于号是因为只有当a取值合适(琴生不等式等号成立条件)的时候才有等号成立,第二个人于等于号正是M步骤的操作所致。这样我们就知道l(θ)是随着迭代次数的增加越来越人的,收敛条件是值不再变化或者变化幅度很小。4应用举例4.1参数估计很直接的应用就是参数估计,上面举的例子就是参数估计42聚类但是如果估计的参数可以表明类别的话,比如某个参数表示某个样本是否属于某个集合。这样的话其实聚类问题也就可以归结为参数估计问题。References[]最大似然估计[oNline].Availablehttp://zh.wikipediaorg/wiki.%E6%9c%80%E5%A4%A7%E4%BC%BC%E7%84%B6%E4%BC%B0%E8%AE%A1[2] Ceppellini, r, Siniscalco, M.& Smith, C.A. Ann. Hum. Genet. 20, 97-115(1955)3 Hartley, H. Biometrics 14, 174-194(1958)4 Baum, L.E., Petric, T, Soulcs, G.& Weiss, N. Ann. Math. Stat 41, 164-171(1970)[ 5] Dempster, A P, Laird, N.M., Rubin, D B.(1977). "Maximum Likelihoodfrom Incomplete Data via the em algorithm. Journal of the royal statis-tical Society Series B(Methodological)39(1): 1-38. JSTOR 2984875 MR0501537[6]Whatistheexpectationmaximizationalgorithm[oNline].Avaiable:http//ai. stanford. edu/-chuongdo/papers/em tutorial pdf[7TheEmAlgorithmOnline.Availablehttp://www.cnblogs.com,jerrylead/ archive/2011/04/06/2006936html
- 2020-12-07下载
- 积分：1
