一种基于智能反射表面无线定位方法

1.本发明涉及无线定位领域，特别是一种基于智能反射表面无线定位方法。


背景技术：

2.毫米波(mmwave)信号和大型天线阵列被认为是未来5g网络的关键技术，通过利用mmwave频段上的大宽带，它的数据传输速率可以达到每秒千兆比特，但是由于mmwave信号在过程中产生的路径损耗很大，所以通信传输质量就会受到影响。为了有效提高未来5g网络的数据传输速率和通信服务质量，目前更加灵活和更有竞争力的物理层技术方案也在探索之中。虽然mm wave信号在实现高数据速率通信方面的好处是众所周知的，但它在精确定位方面的潜在优势在很大程度上尚未被发现。
3.作为未来无线通信领域一个很有前途的技术方案，智能反射表面(ris)的制作成本低、耗能小、部署方便且可以通过连接的控制器智能的控制入射信号的反射相移，从而加强信号的传输。而ris不仅能增强信道的无线通信传输，还能增强基于成像和定位的应用，特别是在定位领域。
4.但是，在定位领域，在基站分布不均匀的情况下，很多时候难以解决由于非路径引起的信号严重衰减问题，这样使得终端获取基站数据出现严重延时，影响定位精度。
5.另外，现有的无线网络定位技术至少需要三个及以上基站才能实现对目标位置的有效估计，由于需要在多个基站间进行信号传输，它们之间的数据交换需要复杂的消息和同步指令，不仅加重了网络负担且故障率高，而且受功率限制及高频组网覆盖的影响，不能够确保多个基站一起参与定位，定位精度和可靠性得不到保证，且多基站的布置成本也较高。


技术实现要素：

6.针对现有技术存在的不足，提供一种基于智能反射表面无线定位方法，基于ris进行无线定位的方法能够在ris场景下的定位系统中有效估计用户的准确位置。
7.为了达到上述的目的，采取以下技术方案：
8.一种基于智能反射表面无线定位方法，包括如下步骤：
9.s1、获取定位场景下的基站以及至少两个智能反射表面的位置信息，所述基站位置为a、待定位用户b、智能反射表面位置为gn(n＝1,2,3
…
,)，ris_1的位置为ris_2的位置为待定位用户坐标为b(x,y)，其中x，y是未知的；
10.s2、接收端通过接收信号进行定时估计分别得到经过每个智能反射表面的反射径与路径ab的到达时间差dn(n＝1,2,3
…
,)，dn(n＝1,2,3
…
,)通过定时估计算法获得待测目标的最佳估计值
11.s3、根据获得的最佳估计值通过最优化算法得到的最优解即待测用户端位置的最佳估计值
12.s3-1、通过最优化算法搜索样本并进行适应度计算，存储目前样本最好的适应度值；
13.s3-2、进行趋向性循环操作，更新样本的位置；
14.s3-3、进行复制循环操作，对每个样本的适应度值进行累加获得能量，最终得到的能量值的最大值所对应的样本位置为最优解即待测用户端位置的最佳估计值。
15.作为优选，所述基站为单天线，并且获取两个智能反射表面的位置信息分别为ris_1的位置为ris_2的位置为其中，基站位置为a(xa,ya)，待定位用户坐标为b(x,y)，其中x，y是未知的。
16.作为优选，所述步骤s2中，根据智能反射表面ris_1和ris_2的位置信息，分别得到到达时间差d1和d2。
17.作为优选，所述步骤s2中，定时估计算法具体步骤如下：
18.定义：
19.其中，r1表示从bs到用户的距离，r2表示从bs到ris_1的距离，r3表示从ris_1到待定位用户的距离，r4表示从bs到ris_2的距离，r5表示从ris_2到待定位用户的距离，表示从ris_2到待定位用户的距离，c是光速，
20.在基站a、ris_1和用户b构成的δabg1中，由余弦定理计算得到点a'的坐标(x
a'
,y
a'
)，
21.相同，对于基站a、ris_2和用户b构成的δabg2中，由余弦定理计算得到a”的坐标(x
a”,y
a”)；
22.其中以ris_1所在位置为圆心，r2为半径画弧形与ris_1到用户的反射径的延长线g1b相交，设交点为a'，则点a'到ris_1的距离值为r2；以ris_2所在位置为圆心，r4为半径画弧形与ris_2到用户的反射径的延长线g2b相交，设交点为a”，则点a”到ris_2的距离值为r4；
23.定义：
[0024][0025]
[0026][0027][0028]
定义向量γ，可表示为：
[0029]
γ＝[a(x,y),b(x,y),c(x,y),d(x,y)]
t
[0030]
向量γ是一个包含有未知参数x和y的函数，将未知参数记为x＝[x,y]；
[0031]
取目标函数为f(x,y)＝||γ||2，采用如下最优化算法搜索x使得f(x,y)最小化，即：
[0032][0033]
当时，目标函数f(x,y)将取得最小值，此时正为待测目标的最佳估计值。
[0034]
作为优选，所述步骤s3-1的具体方法如下：
[0035]
初始化参数搜索空间的维度,通过最优化算法进行搜索得到样本总数s＝50～20,0
[0036]
接着对于每个样本i，计算其适应度函数：
[0037]ji
(j,k)＝f(pi(j,k))
[0038]
其中，pi(j,k)表示样本i在第j次趋向操作、第k次复制操作后所在的位置，假设每个样本的初始位置pi(1,1)＝(0,0)，令表示样本i存储的目前最好的适应度值。
[0039]
作为优选，所述步骤s3-2的具体方法如下：
[0040]
进行趋向性循环操作，更新样本的位置函数：
[0041]
pi(j+1,k)＝pi(j,k)+δ*δ(i)
[0042]
其中，δ(i)(i＝1,2,...,s)为值在[-1,1]上的随机数，步长单位δ＝0.001，
[0043]
计算相应的适应度值：
[0044]
βji(j+1,k)＝f(pi(j+1,k))
[0045]
如果当前的适应度值ji(j+1,k)大于则保存到当前值
[0046][0047]
计算每个样本新的移动方向：
[0048][0049][0050]
其中
[0051]
其中，c1和c2为数值在0～2的随机数，q1和q2是[0,1]上两个相互独立的随机数，
[0052]
样本间移动对适应度函数产生的影响值j
cc
(j+1,k)定义为：
[0053][0054]
因此，在趋向循环中加入样本移动操作后的数学表达式为：
[0055]ji
(j+1,k)＝ji(j,k)+j
cc
(j+1,k)
[0056]
其中，vi(j,k)表示样本i在第j次趋向操作、第k次复制操作后的速度，设置每个样本i的初始速度vi(1,1)＝0.15，表示趋向性操作中局部极值所在的位置，表示趋向性操作中全局极值所在的位置，f
x
'表示目标函数f(x,y)对x求偏导，fy'表示目标函数f(x,y)对y求偏导，
[0057]
如果j≤nc，则继续进行趋向操作，否则跳出趋向循环进入步骤s3-3。
[0058]
作为优选，所述步骤s3-3的具体方法如下：
[0059]
进行复制循环操作：对每个样本的适应度值进行累加获得能量，表达式为：
[0060][0061]
其中，趋向操作数nc＝100～1000，
[0062]
然后将每个样本的能量值按照从小到大的顺序排列，淘汰掉前s/2个能量值较小的样本，选择后s/2个能量值较大的样本进行复制，每个样本复制成两个完全相同的样本，即对于前s/2个能量值较小的样本，其位置函数pi(j,k)改变为：
[0063]
pi(j,k)＝p
i+s/2
(j,k)(i＝0,1,2,...,s/2-1)
[0064]
每次复制操作结束后，k＝k+1，如果k≤n
re
，则继续进行复制操作，否则跳出复制循环，
[0065]
最终得到的能量值j
health
(i,n
re
)的最大值所对应的样本位置为使目标函数f(x,y)取最小值时的位置坐标即：
[0066][0067]
其中，搜索空间的最大步长数ns＝3～6,复制操作数n
re
＝4，i
max
表示经过趋向、复制操作后适应度值最大的样本所在样本总数中的位数，可以表示为：
[0068][0069]
因此，经过以上最优化算法得到的最优解就是该定位系统中待测用户端位置的最佳估计值。
[0070]
与现有技术相比，本发明有益效果如下：
[0071]
在视距(line-of-sight，los)路径存在的基础上ris能够额外增加多条辅助的非视距(none-line-of-sight，nlos)反射路径，其中基站的位置是已知的，我们根据ris所在平面构造基站的镜像对称点，然后利用该镜像对称点和虚拟基站的形成机理构造虚拟基站并根据信号经ris反射到用户的角度和基站与ris间的距离来计算等效虚拟基站位置，可以
仅需一个定位基站的基础上获得目标位置估计。本发明给出利用多ris计算虚拟基站的方法以及基于虚拟基站进行目标定位的方法。
[0072]
相较于常规的定位场景，本发明仅需一个定位基站，通过ris_1和ris_2构造“虚拟基站”，从而减少了系统中所需定位基站的数量，降低了定位系统的复杂度，且定位计算在待定位终端中进行，满足了用户的隐私保密需求。
[0073]
通过本发明采用的最优化算法求解目标函数，实现了对用户位置坐标的有效估计，获得精度更高的位置估计。
附图说明
[0074]
图1是本发明实施定位的基于ris的二维定位场景的系统模型图；
具体实施方式：
[0075]
为了更清楚地说明本发明实施例，下面将结合附图对实施例进一步描述，显而易见地，下面描述中的实施方式仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据本实施例获得其他的实施方式也属于本发明的保护范围。
[0076]
如图1所示，本发明采用的定位系统由一个基站。本实施例中以两个ris组成为例。这里假设基站为单天线，ris_1、ris_2和接收用户为多天线的均匀线阵(uniform linear array，ula)，阵元数分别为l和n，阵元间隔为d。假设基站位置为a(xa,ya)，ris_1的位置为ris_2的位置为待定位用户坐标为b(x,y)，其中x，y是未知的。r1表示从bs到用户的距离，r2表示从bs到ris_1的距离，r3表示从ris_1到待定位用户的距离，r4表示从bs到ris_2的距离，r5表示从ris_2到待定位用户的距离。
[0077]
以ris_1所在位置为圆心，r2为半径画弧形与ris_1到用户的反射径的延长线g1b相交，设交点为a'，则点a'到ris_1的距离值为r2；以ris_2所在位置为圆心，r4为半径画弧形与ris_2到用户的反射径的延长线g2b相交，设交点为a”，则点a”到ris_2的距离值为r4。
[0078]
步骤1：接收端通过接收信号进行定时估计分别得到经过ris_1的反射径ag1b与路径ab的到达时间差d1、经过ris_2的反射径ag2b与路径ab的到达时间差d2，d1和d2可以通过常用的定时估计算法获得。例如可以通过发送端发送伪随机序列，接收端通过互相关进行定时估计。
[0079]
步骤2：构造方程组：
[0080][0081][0082][0083]
[0084]
其中，其中，
[0085]
a'的横坐标x
a'
表示为纵坐标y
a'
表示为a”的横坐标x
a”表示为纵坐标y
a”表示为c是光速。
[0086]
其中，
[0087][0088][0089][0090][0091]
步骤3：定义优化算法优化向量γ：
[0092]
γ＝[a(x,y),b(x,y),c(x,y),d(x,y)]
t
[0093]
向量γ是一个包含有未知参数x和y的函数，将未知参数记为x＝[x,y]。
[0094]
步骤4：取目标函数为f(x,y)＝||γ||2，采用优化算法求解最优
[0095]
我们采用如下最优化算法搜索x使得f(x,y)最小化，即：
[0096][0097]
当时，目标函数f(x,y)将取得最小值，此时正为待测目标的最佳估计值。
[0098]
步骤5：初始化参数搜索空间的维度n＝14,最优化算法中进行搜索的样本总数s＝50～200,趋向操作数nc＝100～1000,搜索空间的最大步长数ns＝3～6,复制操作数n
re
＝4，步长单位δ＝0.001，δ(i)(i＝1,2,...,s)为值在[-1,1]上的随机数，c1和c2为数值在0～2的随机数，q1和q2是[0,1]上两个相互独立的随机数。
[0099]
步骤6：对于每个样本i，计算其适应度函数：
[0100]ji
(j,k)＝f(pi(j,k))
[0101]
其中，pi(j,k)表示样本i在第j次趋向操作、第k次复制操作后所在的位置，假设每个样本的初始位置pi(1,1)＝(0,0)。令表示样本i存储的目前最好的适应度值。
[0102]
步骤7：进行趋向性循环操作，更新样本的位置函数：
[0103]
pi(j+1,k)＝pi(j,k)+δ*δ(i)
[0104]
计算样本相应的适应度值：
[0105]
βji(j+1,k)＝f(pi(j+1,k))
[0106]
如果当前的适应度值ji(j+1,k)大于则保存到当前值
[0107][0108]
计算每个样本新的移动方向：
[0109][0110][0111]
其中
[0112]
样本间移动对适应度函数产生的影响值j
cc
(j+1,k)定义为：
[0113][0114]
因此，在趋向循环中加入样本移动操作后的数学表达式为：
[0115]ji
(j+1,k)＝ji(j,k)+j
cc
(j+1,k)
[0116]
其中，vi(j,k)表示样本i在第j次趋向操作、第k次复制操作后的速度，设置每个样本i的初始速度vi(1,1)＝0.15，表示趋向性操作中局部极值所在的位置，表示趋向性操作中全局极值所在的位置，f
x
'表示目标函数f(x,y)对x求偏导，fy'表示目标函数f(x,y)对y求偏导。
[0117]
如果j≤nc，则继续进行趋向操作。否则跳出趋向循环。
[0118]
步骤8：进行复制循环操作：对每个样本的适应度值进行累加获得能量，表达式为：
[0119][0120]
然后将每个样本的能量值按照从小到大的顺序排列，淘汰掉前s/2个能量值较小的样本，选择后s/2个能量值较大的样本进行复制，每个样本复制成两个完全相同的样本，
[0121]
即对于前s/2个能量值较小的样本，其位置函数pi(j,k)改变为：
[0122]
pi(j,k)＝p
i+s/2
(j,k)(i＝0,1,2,...,s/2-1)
[0123]
每次复制操作结束后，k＝k+1。如果k≤n
re
，则继续进行复制操作。否则跳出复制循
环。
[0124]
步骤9：计算位置坐标最终得到的能量值j
health
(i,n
re
)的最大值所对应的样本位置为使目标函数f(x,y)取最小值时的位置坐标即：
[0125][0126]
其中，i
max
表示经过趋向、复制操作后适应度值最大的样本所在样本总数中的位数，可以表示为：
[0127][0128]
经过以上最优化算法得到的最优解就是该定位系统中待测用户端位置的最佳估计值。
[0129]
以上实例的说明只是用于帮助理解本发明方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求保护范围内。同时利用最优化算法求解估计得到的目标位置跟用户的真实位置坐标还是有一定的偏差，后续会继续研究定位精度更高的算法进行求解。

技术特征：
1.一种基于智能反射表面无线定位方法，其特征在于，包括如下步骤：s1、获取定位场景下的基站以及至少两个智能反射表面的位置信息，所述基站位置为a、待定位用户b、智能反射表面位置为g
n
(n＝1,2,3
…
,)，ris_1的位置为ris_2的位置为待定位用户坐标为b(x,y)，其中x，y是未知的；s2、接收端通过接收信号进行定时估计分别得到经过每个智能反射表面的反射径与路径ab的到达时间差d
n
(n＝1,2,3
…
,)，d
n
(n＝1,2,3
…
,)通过定时估计算法获得待测目标的最佳估计值s3、根据获得的最佳估计值通过最优化算法得到的最优解即待测用户端位置的最佳估计值s3-1、通过最优化算法搜索样本并进行适应度计算，存储目前样本最好的适应度值；s3-2、进行趋向性循环操作，更新样本的位置；s3-3、进行复制循环操作，对每个样本的适应度值进行累加获得能量，最终得到的能量值的最大值所对应的样本位置为最优解即待测用户端位置的最佳估计值。2.根据权利要求1所述的基于智能反射表面无线定位方法，其特征在于，所述基站为单天线，并且获取两个智能反射表面的位置信息分别为ris_1的位置为ris_2的位置为其中，基站位置为a(x
a
,y
a
)，待定位用户坐标为b(x,y)，其中x，y是未知的。3.根据权利要求2所述的基于智能反射表面无线定位方法，其特征在于，所述步骤s2中，根据智能反射表面ris_1和ris_2的位置信息，分别得到到达时间差d1和d2。4.根据权利要求3所述的基于智能反射表面无线定位方法，其特征在于，所述步骤s2中，定时估计算法具体步骤如下：定义：其中，r1表示从bs到用户的距离，r2表示从bs到ris_1的距离，r3表示从ris_1到待定位用户的距离，r4表示从bs到ris_2的距离，r5表示从ris_2到待定位用户的距离，表示从ris_2到待定位用户的距离，c是光速，在基站a、ris_1和用户b构成的δabg1中，由余弦定理计算得到点a'的坐标(x
a'
,y
a'
)，相同，对于基站a、ris_2和用户b构成的δabg2中，由余弦定理计算得到a”的坐标(x
a”,y
a”)；
其中以ris_1所在位置为圆心，r2为半径画弧形与ris_1到用户的反射径的延长线g1b相交，设交点为a'，则点a'到ris_1的距离值为r2；以ris_2所在位置为圆心，r4为半径画弧形与ris_2到用户的反射径的延长线g2b相交，设交点为a”，则点a”到ris_2的距离值为r4；定义：定义：定义：定义：定义向量γ，可表示为：γ＝[a(x,y),b(x,y),c(x,y),d(x,y)]
t
向量γ是一个包含有未知参数x和y的函数，将未知参数记为x＝[x,y]；取目标函数为f(x,y)＝||γ||2，采用如下最优化算法搜索x使得f(x,y)最小化，即：当时，目标函数f(x,y)将取得最小值，此时正为待测目标的最佳估计值。5.根据权利要求4所述的基于智能反射表面无线定位方法，其特征在于，所述步骤s3-1的具体方法如下：初始化参数搜索空间的维度,通过最优化算法进行搜索得到样本总数s＝50～20,0接着对于每个样本i，计算其适应度函数：j
i
(j,k)＝f(p
i
(j,k))其中，p
i
(j,k)表示样本i在第j次趋向操作、第k次复制操作后所在的位置，假设每个样本的初始位置p
i
(1,1)＝(0,0)，令表示样本i存储的目前最好的适应度值。6.根据权利要求5所述的基于智能反射表面无线定位方法，其特征在于，所述步骤s3-2的具体方法如下：进行趋向性循环操作，更新样本的位置函数：p
i
(j+1,k)＝p
i
(j,k)+δ*δ(i)其中，δ(i)(i＝1,2,...,s)为值在[-1,1]上的随机数，步长单位δ＝0.001，计算相应的适应度值：j
i
(j+1,k)＝f(p
i
(j+1,k))如果当前的适应度值j
i
(j+1,k)大于则保存到当前值则保存到当前值
计算每个样本新的移动方向：计算每个样本新的移动方向：计算每个样本新的移动方向：其中，c1和c2为数值在0～2的随机数，q1和q2是[0,1]上两个相互独立的随机数，样本间移动对适应度函数产生的影响值j
cc
(j+1,k)定义为：因此，在趋向循环中加入样本移动操作后的数学表达式为：j
i
(j+1,k)＝j
i
(j,k)+j
cc
(j+1,k)其中，v
i
(j,k)表示样本i在第j次趋向操作、第k次复制操作后的速度，设置每个样本i的初始速度v
i
(1,1)＝0.15，表示趋向性操作中局部极值所在的位置，表示趋向性操作中全局极值所在的位置，f
x
'表示目标函数f(x,y)对x求偏导，f
y
'表示目标函数f(x,y)对y求偏导，如果j≤n
c
，则继续进行趋向操作，否则跳出趋向循环进入步骤s3-3。7.根据权利要求6所述的基于智能反射表面无线定位方法，其特征在于，所述步骤s3-3的具体方法如下：进行复制循环操作：对每个样本的适应度值进行累加获得能量，表达式为：其中，趋向操作数n
c
＝100～1000，然后将每个样本的能量值按照从小到大的顺序排列，淘汰掉前s/2个能量值较小的样本，选择后s/2个能量值较大的样本进行复制，每个样本复制成两个完全相同的样本，即对于前s/2个能量值较小的样本，其位置函数p
i
(j,k)改变为：p
i
(j,k)＝p
i+s/2
(j,k)(i＝0,1,2,...,s/2-1)每次复制操作结束后，k＝k+1，如果k≤n
re
，则继续进行复制操作，否则跳出复制循环，最终得到的能量值j
health
(i,n
re
)的最大值所对应的样本位置为使目标函数f(x,y)取最小值时的位置坐标即：其中，搜索空间的最大步长数n
s
＝3～6,复制操作数n
re
＝4，i
max
表示经过趋向、复制操作后适应度值最大的样本所在样本总数中的位数，可以表示为：
因此，经过以上最优化算法得到的最优解就是该定位系统中待测用户端位置的最佳估计值。

技术总结
本发明公开了一种基于智能反射表面进行无线定位方法，S1、获取定位场景下的基站以及至少两个智能反射表面的位置信息S2、接收端通过接收信号进行定时估计分别得到经过每个智能反射表面的反射径与路径AB的到达时间差，利用时间差通过定时估计算法获得待测目标的最佳估计值；S3、根据获得的最佳估计值，通过最优化算法得到的最优解，即待测用户端位置的最佳估计值。该方法给出利用多RIS计算虚拟基站的方法以及基于虚拟基站进行目标定位的方法。本发明给出的基于RIS进行无线定位的方法能够在RIS场景下的定位系统中有效估计用户的准确位置。置。置。


技术研发人员：陈铭鑫 曾嵘 马汉良 包建荣 王浩 应娜 姜斌 易志强
受保护的技术使用者：杭州电子科技大学
技术研发日：2023.01.03
技术公布日：2023/9/25