学位论文 > 优秀研究生学位论文题录展示

蜂窝网络中移动台的无线跟踪算法研究

作　者: 周康磊
导　师: 毛永毅
学　校: 西安邮电学院
专　业: 通信与信息系统
关键词: 蜂窝网非视距误差无线定位跟踪算法
分类号: TN929.53
类　型: 硕士论文
年　份: 2010年
下　载: 57次
引　用: 0次
阅　读: 论文下载

内容摘要

无线定位技术是保障人类交通安全和从事军事活动的必要手段,在现代社会中发挥着越来越大的作用,如车辆导航、物流管理、位置查询等,也是广大地面移动用户的迫切需要。在蜂窝定位系统中,被定位的移动终端通常是普通终端(手机等),这在客观上要求多个基站设备利用附加装置测量从移动终端发出的电波信号参数,如传播时间、时间差、信号场强、相位或入射角等,再通过合适的定位算法推算出移动终端的大致位置。显然,由于移动通讯信道噪声和多径传播等不良因素的影响,蜂窝无线定位系统很难达到较高的定位精度,定位覆盖范围也受到蜂窝移动通信系统场强覆盖范围的限制。随着移动通信系统向3G的演进,3G中一些新技术的采用为移动台的定位提供了新的方法和手段。如何为地面移动用户提供丰富的服务,就需要对现有多种定位方法和方案进行研究和分析,并在高斯信道环境和实际信道环境下进行仿真,对算法的性能进行评估,提出更适合于蜂窝网络无线定位且性能好的算法。另外,为了实现连续且实时的定位服务,还需将移动台的静态定位转向动态跟踪。介于此,不少国家政府和公司投入大量物力进行无线蜂窝系统定位技术的研究和试制。本文重点研究了基于时间测量值和角度测量值的蜂窝无线定位跟踪算法。首先,介绍了无线定位的几种主要经典方法,给出了到达时间差(TDOA)定位系统具体的定位算法和公式。同时介绍几种适合于移动台定位的信道模型(COST259和T1P1),并给出几种定位误差表示的方法,为定位仿真和算法的改进奠定了基础。然后,在分析现有无线定位技术和定位算法的基础上,选择了以TDOA定位算法和到达角度(AOA)定位算法为研究重点,给出了基于残差加权的Taylor级数展开TDOA无线定位算法,对Taylor级数展开算法进行了改进,用残差加权算法的定位结果作为Taylor算法的初始值进行迭代计算,并利用最小残差代替实际中不易获取的TDOA测量均方误差。仿真结果表明,该算法能有效地抑制非视距传播误差的影响,且性能稳定。随后,给出了基于BP神经网络的蜂窝无线定位算法、基于BP神经网络的TDOA定位算法、基于RBF神经网络的AOA定位算法以及基于RBF神经网络的TDOA/AOA定位算法等。基于BP神经网络的蜂窝无线定位算法直接利用神经网络对移动台进行定位,后几种算法都是先利用神经网络对非视距(NLOS)误差进行校正,然后利用相应的定位算法进行定位。仿真结果表明,上述基于神经网络无线定位算法在各种环境下都具有较高的定位精度和准确性,在不同的信道环境下其定位性能均优于未经过神经网络校正NLOS误差的定位算法。最后,给出了基于神经网络的定位跟踪算法,首先利用神经网络对TDOA或AOA测量值中NLOS误差进行修正,再利用相关定位算法进行移动台位置估计,然后配合相关检测距离门对移动台进行跟踪。仿真结果表明,该跟踪算法能够有效地实现移动台的静态定位与动态跟踪,性能优于基于Chan算法、LS算法、Taylor算法的静态定位与动态跟踪。另外,还提出了一种新的在蜂窝网络中定位跟踪算法。在获得定位初始估计值后,利用卡尔曼滤波器对移动台的初始位置估计值进行修正,并配合检测门限对移动台进行跟踪。仿真结果表明,该跟踪算法能够实现对移动台动态跟踪,且效果良好。

全文目录

摘要  3-5
ABSTRACT  5-9
第一章绪论  9-15
  1.1 无线定位技术概述  9-10
  1.2 无线定位技术的应用  10
  1.3 无线定位的主要方法  10-13
    1.3.1 场强定位技术  10-11
    1.3.2 TOA定位技术  11
    1.3.3 TDOA定位技术  11-12
    1.3.4 AOA定位技术  12
    1.3.5 混合定位技术  12-13
  1.4 国内外研究现状  13
  1.5 论文内容结构  13-15
第二章通信信道特点与定位评价指标  15-22
  2.1 移动通信无线电波传播特征  15
  2.2 传播路径与信号衰落  15-17
  2.3 仿真信道模型  17-19
    2.3.1 T1P1(COST259)信道模型  17
    2.3.2 延时扩展Greenstein模型  17-18
    2.3.3 基于几何结构的单次反射(GBSB)统计信道模型  18-19
  2.4 移动台定位评价指标  19-21
    2.4.1 均方误差与克拉美-罗下界  19-20
    2.4.2 圆/球误差概率  20
    2.4.3 几何精度因子  20-21
  2.5 本章小结  21-22
第三章经典定位算法介绍  22-28
  3.1 TDOA双曲线数学模型  22
  3.2 Fang算法  22-23
  3.3 LS算法  23-24
  3.4 Chan算法  24-26
    3.4.1 3个基站时的Chan算法  24
    3.4.2 4个以上基站时的Chan算法  24-26
  3.5 Taylor级数展开算法  26-27
  3.6 其它定位算法  27
  3.7 本章小结  27-28
第四章基于残差加权和神经网络的定位算法  28-47
  4.1 基于残差加权的Taylor级数展开TDOA无线定位算法  28-31
    4.1.1 算法关系式  28-29
    4.1.2 残差加权算法  29
    4.1.3 泰勒级数展开算法  29-30
    4.1.4 算法的实现  30
    4.1.5 仿真及分析  30-31
  4.2 基于BP神经网络的蜂窝无线定位算法  31-33
    4.2.1 算法描述  32
    4.2.2 算法实现  32-33
    4.2.3 仿真与分析  33
  4.3 基于BP神经网络的TDOA定位算法  33-38
    4.3.1 基于BP神经网络的TDOA测量值的修正  34-36
    4.3.2 基于BP神经网络的TDOA定位算法  36
    4.3.3 仿真与分析  36-38
  4.4 基于RBF神经网络的AOA定位算法  38-41
    4.4.1 AOA误差数学模型  38
    4.4.2 基于AOA的LS定位算法  38-39
    4.4.3 基于RBF神经网络的AOA模型  39-40
    4.4.4 算法实现  40
    4.4.5 仿真与分析  40-41
  4.5 基于RBF神经网络的TDOA/AOA混合定位算法  41-46
    4.5.1 基于RBF神经网络的TDOA和AOA测量值的修正  42
    4.5.2 推广的Chan算法(TDOA/AOA定位算法)  42-44
    4.5.3 基于RBF神经网络的TDOA/AOA定位算法  44
    4.5.4 仿真与分析  44-46
  4.6 本章小结  46-47
第五章移动台定位跟踪算法  47-57
  5.1 基于BP神经网络的定位跟踪算法  47-50
    5.1.1 BP神经网络定位算法  47-48
    5.1.2 移动台跟踪算法  48
    5.1.3 距离门的选取  48-49
    5.1.4 仿真及分析  49-50
  5.2 基于RBF神经网络的TDOA/AOA跟踪算法  50-53
    5.2.1 RBF神经网络TDOA/AOA定位算法  50-51
    5.2.2 移动台跟踪算法  51
    5.2.3 距离门的选取  51-52
    5.2.4 仿真及分析  52-53
  5.3 基于Kalman滤波的跟踪算法  53-56
    5.3.1 算法描述  53-54
    5.3.2 算法的实现  54-55
    5.3.3 门限的选取  55
    5.3.4 仿真及分析  55-56
  5.4 本章小结  56-57
第六章结论与展望  57-59
  6.1 本论文总结  57
  6.2 下一步工作展望  57-59
参考文献  59-63
致谢  63-65
攻读学位期间取得的研究成果  65-66

蜂窝网络中移动台的无线跟踪算法研究

内容摘要

全文目录

相似论文