基于运动预测删除干扰链路的室内无线层析成像增强方法
【专利摘要】本发明公开了一种基于运动预测删除干扰链路的室内无线层析成像增强方法，属于无线网络中目标探测与跟踪【技术领域】。利用聚类找到由阴影衰落链路构成的交点集合，集合的中心作为初始时刻目标位置的估计，通过Kalman滤波利用目标运动模型和上个时刻的定位结果得到当前时刻目标位置的估计从而删除距离目标位置较远的干扰链路，最后通过阴影衰落链路进行RTI成像，在RTI基础上利用Kalman更新得到目标当前时刻位置。基于运动预测排除非阴影衰落链路的影响，有效地消除虚假目标，且更准确突出由于目标存在引起的衰减效应，从而使多径环境下目标定位更精确，提高了成像质量，实现更优动态跟踪。
【专利说明】基于运动预测删除干扰链路的室内无线层析成像増强方法
【技术领域】
[0001] 本发明设及一种无线层析成像系统定位方法，尤其是一种基于运动预测删除干扰 链路的无线层析成像系统更精确测量定位模型，属于无线网络中目标探测与跟踪技术领 域。
【背景技术】
[0002] 无线层析成像（RTI)是一种利用无线节点来定位跟跟踪目标的技术，它根据监测 区域中目标遮挡造成的链路衰减来对监测区域成像，实现对目标的定位跟踪。无线层析成 像技术不需要目标携带任何装置，并且它只需要无线节点的接收信号强度化S巧值，现在 大多数无线设备都可W提供。因此该技术可W很方便的扩展到现在已有的网络中而不需要 添加任何硬件。该技术实际应用领域很广泛，如；室内监控、火灾救援等。
[0003] 目前无线层析成像技术的室内应用还不是很成熟，误差较大，室内环境下改善无 线层析成像性能的一些技术都没考虑到链路干扰的问题，在室内环境下，并非是所有的链 路衰减都是由视距（LO巧路径被遮挡引起，也就是说并不是所有的衰减链路都是阴影衰落 链路。事实上，功率较大的多径被遮挡或是由多径造成的快衰落都可W引起链路衰减，如果 直接利用该些链路来成像，将会使成像质量和定位精度产生很大误差。
[0004] 当目标在监测区域里运动时，对于某两个无线节点之间的链路而言，目标对该链 路的影响可W分为两种情况；LOS路径被遮挡和LOS路径未被遮挡的情况，如图1和图2所 示。图1和图2中，发射节点和接收节点间存在着4条传输路径，其中一条为LOS路径，另 外3条为反射路径。该里只是为了便于分析，实际上室内多径的数目远大于4条。我们知 道本例中3条路径的传播路径是固定不变的，在不同的时刻该些路径的信号有可能会被目 标遮挡，但是该些信号的传播路径是不变的，即每条路径在不同时刻的唯一区别为是否被 目标遮挡。如图1中，LOS路径被遮挡即直射路径（LOS路径）受到遮挡。如图2中，LOS路 径未被遮挡，第3条路径受到遮挡，而第2条路径在两种情况即图1和图2中完全一样。第 4条路径是由于目标的反射和散射产生，其传播路径跟目标的位置有关，因此该条路径是时 变的。
[0005] 假设LOS路径的信号为第2,3条反射路径并非由目标产生，假设该两条路 径的信号为，丫 P表示第P条路径是否被遮挡，如果丫 p= 1则表示第P条 路径没有被目标遮挡，反之丫 p=0则表示第P条路径被目标遮挡。第4条路径信号由目 标的反射或者散射产生，因该条路径是时变的，假设该类路径信号为。该里Ap和 0p(p = 1,2,3……）表示第P条路径接收信号的幅度和相位，那么链路1在离散时刻t = 1，2,....时的接收信号强度RSS值为：
[0006]
【权利要求】
1.基于运动预测删除干扰链路的室内无线层析成像增强方法，其特征在于，包含如下 步骤： 步骤一：当目标位于监测区域时，测量各链路接收信号强度即RSS值的变化： 步骤1. 1 :配置节点 监测区域位于x〇y坐标平面，〇为坐标原点；将n个无线节点等距离部署在监测区域 周围，所有节点都被放置在同一个x〇y坐标平面上即所有节点放置的高度相同，且每个节 点被分配一个唯一的ID号作为标识，每个节点的坐标已知，为（aq，f3q)，q= 1，2，...，n， 其中q为节点编号；这些无线节点构成L=n(n-l)/2条无线链路； 每个节点按照预先设定的协议和时序发送信号，并且接收及测量其它节点所发的无线 信号的RSS值，S卩：在t时刻，编号为q的节点发送数据，其他节点接收数据并测量接收信号 强度；在下个时刻，编号为q+1的节点发送数据，其他节点接收数据并测量接收信号强度； 步骤1. 2 :测量第1条链路在t时刻的RSS变化量Ari，t: 首先测量监测区域没有目标时，每条链路的RSS值为ri，其中1是该链路的编号；然后 测量目标在监测区域内时每条链路在离散时刻t= 1，2,....的RSS值ri，t，从而得到第1 条链路在t时刻的RSS值的变化量为：
Ar1;t为负值表示出现衰减； 步骤二：对步骤一获得的每条链路在t时刻的RSS值的变化量Ari，t进行处理，得到当 前时刻的衰落链路集lt; 步骤2. 1 :在当前时刻t，每条链路接收到的RSS变化量首先经过滑动平均滤波 器以消除快变的噪声，2?+1为滑动滤波器窗长； Aru为链路1在t-? <i<t+?时刻的RSS值的变化量，那么滤波之后链路1在t时刻的RSS变化量为：
步骤2. 2 :设定一个阈值，去掉衰减不明显的链路；S卩，如果离散时刻t= 1，2,....时 链路1满足下面的公式就称该时刻链路1是衰减链路：
其中，是衰减阈值，则t时刻衰落链路集为：
步骤三：获得t时刻衰落链路集1冲所有衰减链路的交点（uk，vk)在监测区域内构成 的集合，即交点集合Pt; 步骤四：在初始时刻t= 1时获得目标的初始位置(名，5\); 步骤4. 1 :用聚类算法将步骤三中获得的t时刻的衰减链路的交点集合Pt按照聚类特 性分组，以找到具有明显聚集的类； 假设K是t时刻交点集合聚类的个数，Op是t时刻聚类j中交点的集合，| 表 示聚类j中点的数目；找到t时刻下每个聚类的中心位置使下面的目标函数最 小化：
这里（cx，j，Cy，j)是t时刻下聚类j即交点集合〇 的中心位置坐标； 步骤4. 2 :t时刻初始化K= 1并假设聚类j为该时刻包含交点最多的聚类，检测该类
阈值；如果满足则迭代终止，否则K值加1，返回步骤4. 1找到使公式（11)所示目标函数最 小化的（Cx，」，Cy，p;最终获得t时刻下聚类的个数K; 步骤4. 3 :选择一个聚类作为阴影衰落链路交点的集合；一般阴影衰落链路交点集合 中交点的数目最大，因此这些L0S路径被遮挡的链路的交点的集合和初始位置可以由下式 给出：
聚集特性的类，（天，兑）是目标当前时刻位置的坐标估计；当t= 1时为初始时刻，可以获得 初始时刻目标位置为(名，夕1); 步骤五：基于Kalman滤波预测在离散时刻t时目标的位置 t多2时，根据前一时刻即t-1时刻的目标位置来估计当前时刻即t时刻目标的位置， 当t= 1时为初始时刻，初始时刻的目标位置为步骤4. 3获得的(七允）；假设目标在监测区 域内为匀速运动，那么目标的运动方程为
根据目标的匀速运动模型，可知：
XtS4维的状态变量，包括目标坐标和速度；T是对目标运动状态的采样时间间隔，木 和幺分别是目标在t时刻在监测区域xoy平面的x方向速度和y方向速度，（xt，yt)是目标 在t时刻在监测区域xoy平面内的位置坐标；假设xoy平面的x方向和y方向上的噪声et
=[ex，t，ey，t]T是高斯分布，噪声的协方差矩阵是 其取值根据目标运动 状态确定； 接下来通过Kalman滤波得到目标在t时刻的位置坐标估计值：假设t时刻得到的目标 位置观测量即目标的二维坐标为Yt，其中t= 1时刻目标位置从目标初始位置估计得到即 步骤4. 3获得的(名，丸），t彡2时刻目标位置观测量Yt从无线层析成像的成像结果中获 得，Yt和Xt的关系是：
其中假设^是均值为零、协方差矩阵为R=c^I的服从高斯分布的观测误差，<是测 量误差的方差；观测矩阵H为：
那么根据下式Kalman滤波理论得到目标在t时刻的位置估计为
其中Pt|w是t-1时刻最小均方误差矩阵对t时刻最小均方误差矩阵的预测，被称为 最小预测均方误差矩阵，t_l时刻最小均方误差矩阵；K1是t时刻Kalman增益； 是t-1时刻对t时刻目标状态变量的预测；&_1|M:是目标在t-1时刻的状态变量， (天1,-1，为状态变量夂im的前两个元素； 步骤六：根据得到的目标位置估计，戈m)删除衰减链路集it中的非阴影衰落链 路，得到阴影衰落链路子集lt;方法如下： 若点（Uk，vk)elt是阴影衰落链路的交点，那么目标和该交点之间的距离必须满足：
其中bid是上一步中根据t-l时刻的目标位置得到t时刻目标位置坐标的估计 值，Rth为距离阈值，其取值大于步骤4. 2中的距离阈值R;如果交点不满足公式（18)这个条 件，则判定这个交点不是阴影衰落链路的交点，从而在衰减链路的交点集合中去掉该交点， 即得到衰减链路中满足公式（18)的交点集合，这些交点所在的衰减链路构成t时刻阴影衰 落链路集合11; 步骤七：根据上述步骤所得的阴影衰落链路集合得到目标当前时刻的位置观测量； 方法如下： 监测区域的xoy平面被分割成网格，Au是网格的边长，队和N。分别是每行和每列包 含的网格个数，无线层析成像的权重矩阵
，其中d= 1，2,....，队XN。表 示网格号，|lt|表示t时刻阴影衰落链路集合中阴影衰落链路的数目；
将孓中的元素按列堆栈排列成队XN。的二维矩阵即可成像；图像中最亮点被视为目标的位 置值，则由下面公式给出成像结果从而获得的目标位置为：
Yt是步骤五中所述的目标的位置观测量即目标的二维坐标，用来更新Kalman滤波 器的目标位置观测量；符号L」:表示对数据向下取整，D表示衰减最大的网格的序号， 1 ^D^NrNc； 步骤八：获得目标当前时刻位置更新： 根据下面的Kalman滤波理论得到目标在t时刻的位置更新：
其中PtIt为t时刻最小均方误差矩阵，東|;是t时刻的状态变量；&的前两个元素 (七，九,）即为t时刻目标位置的更新值。
2. 根据权利要求1所述基于运动预测删除干扰链路的室内无线层析成像增强方法，其 特征在于，所述的n个无线节点均支持IEEE802. 15. 4协议。
3. 根据权利要求1所述基于运动预测删除干扰链路的室内无线层析成像增强方法，其 特征在于，步骤1. 1中，各节点按照令牌环的方式按序依次发送和接收信号。
4. 根据权利要求1所述基于运动预测删除干扰链路的室内无线层析成像增强方法，其 特征在于，步骤2. 1中，滑动滤波器窗长的取值范围为3?7。
5. 根据权利要求1所述基于运动预测删除干扰链路的室内无线层析成像增强方法，其 特征在于，步骤2. 2中，的取值范围为-ldB?-3dB。
6. 根据权利要求1所述基于运动预测删除干扰链路的室内无线层析成像增强方法，其 特征在于，步骤三中，获得任意两条链路的交点坐标的方法如下： 在t时刻，假设属于集合lt的一条链路的两个节点坐标分别为（ai，和（cip0P， 属于^的另一条链路的两个节点坐标分别为（am，和（an，f3n)，那么这两条链路的交 点坐标（uk,vk)满足：
其中[r1表示求矩阵的逆矩阵。
7. 根据权利要求1所述基于运动预测删除干扰链路的室内无线层析成像增强方法，其 特征在于，步骤4. 1中，聚类算法采用K-means。
8. 根据权利要求1所述基于运动预测删除干扰链路的室内无线层析成像增强方法，其 特征在于，步骤4. 1中，预设的距离阈值R取值为目标轮廓的半径。
9. 根据权利要求1所述基于运动预测删除干扰链路的室内无线层析成像增强方法，其 特征在于，步骤七中利用椭圆权重模型得到无线层析成像的权重矩阵。
【文档编号】H04W24/08GK104486833SQ201410680747
【公开日】2015年4月1日 申请日期:2014年11月24日 优先权日:2014年11月24日
【发明者】王正欢, 刘珩, 倪亚萍, 许胜新, 辛怡, 安建平, 卜祥元 申请人:北京理工大学