[發(fā)明專利]一種用于分布式大規(guī)模多天線系統(tǒng)的半監(jiān)督學(xué)習(xí)定位方法

有效

• 申請?zhí)枺?/td>: 202010280483.0
• 申請日: 2020-04-10
• 公開（公告）號: CN111523571B
• 公開（公告）日: 2023-09-29
• 發(fā)明（設(shè)計）人: 江明;武曉鴿
• 申請（專利權(quán)）人: 中山大學(xué)
• 主分類號: G06F18/214
• 分類號: G06F18/214;G06F18/2413;G06F18/27;H04B7/0413;H04B17/318;H04B17/391
• 代理公司: 廣州粵高專利商標(biāo)代理有限公司 44102
• 代理人: 林麗明

本發(fā)明提供一種用于分布式大規(guī)模多天線系統(tǒng)的半監(jiān)督學(xué)習(xí)定位方法，包括：生成兩個不同的數(shù)據(jù)集，包括訓(xùn)練數(shù)據(jù)集和坐標(biāo)隸屬度集；利用半監(jiān)督學(xué)習(xí)算法估計高斯混合模型GMM參數(shù)，根據(jù)訓(xùn)練數(shù)據(jù)集對GMM進行初始化；基于半監(jiān)督期望極大EM算法對GMM參數(shù)進行迭代估計，完成GMM的訓(xùn)練；根據(jù)訓(xùn)練完成的GMM和坐標(biāo)隸屬度集，完成對目標(biāo)接收信號強度RSS數(shù)據(jù)對應(yīng)的位置信息的估計。通過分析不同天線分布情況下的系統(tǒng)性能，可證明本發(fā)明提供的定位方法可實現(xiàn)較高的定位精度；同時，該方法可以有效降低訓(xùn)練集的采樣成本，并且仍可達到較高的定位精度；可有效保證位置估計結(jié)果的唯一性，為解決二維平面定位和三維空間定位的問題提供了一種有效的通用方法。

技術(shù)領(lǐng)域

本發(fā)明涉及無線通信、定位及機器學(xué)習(xí)技術(shù)領(lǐng)域，包括多輸入多輸出(Multiple-Input?Multiple-Output，MIMO)技術(shù)、基于接收信號強度(Received?Signal?Strength，RSS)的定位技術(shù)、期望極大(Expectation?Maximization，EM)算法等。更具體的，涉及一種用于分布式大規(guī)模多天線系統(tǒng)的半監(jiān)督學(xué)習(xí)定位方法。

背景技術(shù)

隨著第五代(The?Fifth?Generation，5G)網(wǎng)絡(luò)的發(fā)展，終端設(shè)備的位置信息可用于提供區(qū)域廣告、內(nèi)容緩存以及緊急呼叫下的人員追蹤服務(wù)，從而使得無線用戶定位技術(shù)已成為學(xué)界和業(yè)界的重要研究方向之一[1]。

目前的室外通信系統(tǒng)主要采用基于衛(wèi)星的全球定位系統(tǒng)(Global?PositioningSystem，GPS)和基于無線基站來獲取終端的位置信息。然而，由于衛(wèi)星信號容易被地面的建筑物遮擋，GPS技術(shù)無法為室內(nèi)用戶提供可靠的位置估計結(jié)果。此外，GPS還需要在用戶設(shè)備中激活耗電量高的傳感器[2]。因此，當(dāng)前替代GPS定位的本地?zé)o線定位技術(shù)得到了廣泛研究。這些本地?zé)o線定位方案通常采用無線信號的某些特征信息，如到達角(AngleofArrival，AOA)、到達時間(Time?of?Arrival，TOA)、接收信號強度(Received?SignalStrength，RSS)等來進行定位功能設(shè)計[3]。在這些現(xiàn)有方案中，基于TOA的方法需要發(fā)送機和傳感器之間保持嚴(yán)格的時間同步，因此設(shè)備較為復(fù)雜且昂貴[4]?；贏OA的方法則要求在每個傳感器上部署多個天線，且一般忽略反射、折射、散射等現(xiàn)象對定位性能帶來的影響[3][4]?；赗SS的方法是最普遍采用的室內(nèi)定位方法之一，它通常假定路徑損耗指數(shù)是已知的，通過終端測量得到的RSS水平來估計發(fā)送機和傳感器之間距離[3]。

面向更高的數(shù)據(jù)容量和更精確的定位功能需求，大規(guī)模多天線(MassiveMultiple-Input?Multiple-Output，M-MIMO)輔助定位技術(shù)展現(xiàn)出了較好的應(yīng)用前景[5]。其中，分布式M-MIMO(Distributed?M-MIMO，DM-MIMO)因為能夠提供空間分集的增益而受到了廣泛的關(guān)注[5]-[7]。在DM-MIMO系統(tǒng)中，大量的分布式單天線遠程射頻前端(RemoteRadio?Head，RRH)通過高速前端鏈路連接到中央計算單元(Computing?Unit，CU)，可在同一時-頻資源上為多個用戶提供服務(wù)[8]?；谄鋵ο到y(tǒng)容量提升帶來的優(yōu)勢，DM-MIMO技術(shù)已成為5G系統(tǒng)的核心技術(shù)之一。

然而，因較大的天線數(shù)量所致的系統(tǒng)復(fù)雜性，使得傳統(tǒng)的定位方法，如三角測量法、三邊測量法等很難用于M-MIMO系統(tǒng)[9]。幸運的是，機器學(xué)習(xí)(Machine?Learning，ML)技術(shù)的出現(xiàn)，有望解決這一技術(shù)難題。ML技術(shù)可利用基站(Base?Station，BS)多天線系統(tǒng)產(chǎn)生的大量數(shù)據(jù)，為M-MIMO系統(tǒng)中的無線定位問題提供有效的支持[6]。