网站布局结构有哪些,wordpress 获取某个分类的文章,国内用python做的网站,微信小程序商家入驻收费1 intro
论文提出LTELoc#xff0c;仅使用信令数据实现精准定位 信令数据已经包含在已在LTE系统中#xff0c;因此这种方法几乎不需要数据获取成本仅使用TA#xff08;时序提前#xff09;和RSRP【这里单位是瓦】#xff08;参考信号接收功率#xff09; TA值对应于信号…1 intro
论文提出LTELoc仅使用信令数据实现精准定位 信令数据已经包含在已在LTE系统中因此这种方法几乎不需要数据获取成本仅使用TA时序提前和RSRP【这里单位是瓦】参考信号接收功率 TA值对应于信号从手机到达基站所需的时间长度 ——考虑到光速它相当于用户设备与基站之间的距离在4G LTE网络中TA值介于0到63之间每个步骤代表一个比特周期大约0.5208μs的提前。以大约3×10^8米/秒的速度传播的无线电波一个TA步长则代表大约156.24米的往返距离变化。这意味着每当移动设备与基站之间的距离变化78.12米TA值就会变化。RSRP定义为在考虑的测量频带宽度内特定参考信号的功率贡献的平均值与传统的基于蜂窝的方法如使用RSSI接收信号强度指示相比LTELoc更准确LTE小区通常具有具有120度扇区化天线的定向基站发射器 给定一个服务小区的TA值用户可以位于阴影区域的任何位置。特别是当TA较大时这意味着用户距离基站较远这个区域会很大。为了提供高精度的基于蜂窝的定位论文将TA和RSRP的组合作为一个指纹fingerprint TA作为距离指示器而RSRP作为角度信息可以预期在一个小区域内只能看到一个独特的指纹考虑(TA, RSRP)签名序列并执行地图匹配过程来提高定位精度
2 Preliminary
2.1 TA和RSRP
2.1.1 TA和RSRP的稳定性
论文首先展示TA和RSRP相对稳定因此是定位的良好签名为了验证这一点论文检查相同位置收集相同cell信号的TA和RSRP是否相同 图2a显示了TA误差分布的累积分布函数CDF可以看到超过99%是正确的。图2b显示了RSRP误差分布的CDF可以看到几乎所有的误差都小于1 dBm。
2.1.2 一个指纹数据
使用和分别表示时间t时来自小区k的TA/RSRP。一个指纹是。与LTELoc相关的数据有两种 训练数据 从道路网络中的一组位置收集的带有地理标签的数据。给定了n个位置以及每个位置服务小区k的和。观测数据 这些数据没有地理标签但带有时间戳。确切地说对于每个移动设备给定时间实例tii 1, 2, ..., T对于每个ti我们给定和。
2.2 问题定义
考虑一个有K个小区的LTE网络。一个移动设备在由图G (V,E)表示的道路网络中行驶其中V表示由纬度-经度元组特征化的节点E表示两个节点之间的有向边。给定一系列(, )观测值估计用户位置。
3 模型
3.0 模型整体架构 3.1 地图匹配
3.1.1 HMM模型
λ (X, F, A, B, π) X (x1, x2, ..., xN) 是隐藏状态的集合N |X| 每个可能的状态代表道路段上的一个点纬度-经度F (F1, F2, ..., FM) 是观测集合M |F| 每个观测是A [aij] 是转移概率矩阵 aij p(xi → xj)1 ≤ i, j ≤ NB [bij] 是观测概率矩阵 bij p(Fj |xi)1 ≤ i ≤ N, 1 ≤ j ≤ Mπ {πi} 是初始状态分布 πi p(xi)
3.1.2 获取某一个fingerprint的候选点
给定一个fingerprint 选择如下的点作为候选点 连接着小区k的点TA ∈ [T Ak(t) - 1, T Ak(t) 1]RSRP ∈ [RSRPk(t) - 1dB, RSRPk(t) 1dB] 3.1.3 获取观测概率p(Fj |xi) 计算 在某个TAk值附近可能存在多个候选位置。在缺乏其他信息的情况下论文做了一个均等可能性的假设这个TAk值附近的所有位置是等可能的 也即每个候选点位置xi产生观测值T Ak的概率是相同的记TAk的候选点数量为N则计算p(RSRPk∣TAk,xi) 为了计算在给定TA值和位置的情况下观测到特定RSRP值的概率采用了SVM 数据收集 首先从每个小区收集数据这些数据应包括在不同位置测得的TA和RSRP值。SVM模型训练 使用这些数据来训练一个SVM模型。在这个模型中TA值和位置信息纬度和经度被用作特征而RSRP值的统计数据平均值是模型的输出。SVM模型能够对新的输入数据即TA值和位置预测RSRP值。概率估计 使用SVM模型【支持向量回归SVR】来预测在给定TA值时在某一特定位置xi的RSRP的平均值。然后假设RSRP值在这一位置呈正态分布其中SVM预测的RSRP值是均值标准差σk 是从数据中得到的。 3.1.4 获取转移概率p(xi → xj) 表示修正后的距离假设在从位置xi到xj的过渡过程中有c次道路切换那么修正后的距离为 δ是道路切换的惩罚
3.1.5 维特比算法
获得输出概率和转移概率后目标就是最大化 类似于HMM 使用维特比算法
4 实验
4.1 多少比例用作training
