论文笔记:Accurate Localization using LTE Signaling Data

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2(a)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2(b)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TA_k(t)RSRP_k(t)分别表示时间t时来自小区k的TA/RSRP。一个指纹是F_k(t)=(TA_k(t),RSRP_k(t))。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\{x\}_{l=1}^n,以及每个位置服务小区k的TA_k(t)RSRP_k(t)
    • 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ti,i = 1, 2, ..., T,对于每个ti,我们给定TA_k(t_i)RSRP_k(t_i)

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(TA_k(t_i), RSRP_k(t_i))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F_k(t)=(TA_k(t),RSRP_k(t))
    • A = [aij] 是转移概率矩阵
      • aij = p(xi → xj),1 ≤ i, j ≤ N
    • B = [bij] 是观测概率矩阵
      • bij = p(Fj |xi),1 ≤ i ≤ N, 1 ≤ j ≤ M
    • π = {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 F_k(t)=(TA_k(t),RSRP_k(t)),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p(TA_k|x_i)
    • 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)

    • \hat{d}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\hat{d}=d+c\cdot \delta
      • 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?

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/236072.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

vue没有使用fetch报错 Uncaught (in promise) TypeError: Failed to fetch

出现下面的错误,主要也没有用谷歌浏览器什么和发起fetch请求,找了很久没有什么发现 POST https://www.google-analytics.com/mp/collect?measurement_idG-04CMS1PYS6&api_secretpRgvhB8VTii5eSmcTzVaOg net::ERR_BLOCKED_BY_CLIENT Uncaught (in pr…

获投1050万欧元!德国量子公司Kipu Quantum成功研发特定压缩算法

​(图片来源:网络) 近日,德国量子软件公司Kipu Quantum宣布成功完成种子轮融资,融资总额达1050万欧元(约合8000万人民币)。该初创公司目前已开发出运行高性能量子计算机所需的压缩算法。该算法…

windows安装、基本使用vim

标题:windows安装、基本使用vim 1.下载并安装GVIM 百度网盘链接 提取码:2apr 进入安装界面,如下,勾选 其它都是默认即可 参考; 2.在powershell中使用vim 参考blog:window10安装vim编辑器 安装好后&…

HTML+CSS做一个冰立方体时钟

文章目录 💕效果展示💕代码展示HTMLJS💕效果展示 💕代码展示 HTML <!DOCTYPE html> <html lang

双三次 Bezier 曲面

双三次 Bezier 曲面的定义 Bezier 曲面是由 Bezier 曲线扩展得到&#xff0c;它是两组正交的 Bezier 曲线控制点构造空间网格生成的曲面 p ( u , v ) ∑ i 0 3 ∑ j 0 3 P i , j B i , 3 ( u ) B j , 3 ( v ) , ( u , v ) ∈ [ 0 , 1 ] [ 0 , 1 ] \begin{equation} \bm{p}…

法线贴图实现衣服上皱褶特效

在线工具推荐&#xff1a; 3D数字孪生场景编辑器 - GLTF/GLB材质纹理编辑器 - 3D模型在线转换 - Three.js AI自动纹理开发包 - YOLO 虚幻合成数据生成器 - 三维模型预览图生成器 - 3D模型语义搜索引擎 法线贴图在3D建模中扮演着重要的角色&#xff0c;它通过模拟表面的微…

c++内存池项目

文章目录 一、内存池介绍二、ThreadCache实现三、CentralCache实现四、PageCache实现五、回收内存六、大于256KB的内存申请与释放七、将new和delete换为定长内存池八、多线程环境下对比malloc进行基准测试九、使用基数树进行性能优化 一、内存池介绍 二、ThreadCache实现 下面…

springboot集成springdoc-openapi(模拟前端请求)

目录 描述---痛点 Springfox对比springdoc-openapi 1. 成熟度和维护性&#xff1a; 2. 依赖和配置&#xff1a; 3. 注解和使用方式&#xff1a; 4. 特性和扩展性&#xff1a; 应用目录结构 pom文件 新增测试controller StaffController YUserController 启动测试看下…

PHP HTTPoxy CGI 应用程序漏洞 CVE-2016-5385

HTTPoxy CGI 应用程序漏洞 CVE-2016-5385 已亲自复现 漏洞名称漏洞描述影响版本 漏洞复现环境搭建漏洞利用 修复建议 漏洞名称 漏洞描述 在Oracle Communications BRM 10.x/12.x&#xff08;云软件&#xff09;中发现漏洞。它已经被宣布为关键。此漏洞影响组件用户数据库的未…

Linux笔记---用户和权限管理基本命令介绍

&#x1f34e;个人博客&#xff1a;个人主页 &#x1f3c6;个人专栏&#xff1a;Linux学习 ⛳️ 功不唐捐&#xff0c;玉汝于成 目录 ​编辑 前言&#xff1a; 命令&#xff1a; whoami&#xff1a; passwd&#xff1a; useradd&#xff1a; userdel&#xff1a; chm…

华为交换配置OSPF与BFD联动

实验拓扑 组网需求 如图所示&#xff0c;SW1、SW2和SW3之间运行OSPF&#xff0c;SW1和SW2之间的交换机仅作透传功能。现在需要SW1和SW2能够快速感应它们之间的链路状态&#xff0c;当链路SW1-SW2发生故障时&#xff0c;业务能快速切换到备份链路SW1-SW3-SW2上 配置思路 采用…

文件的基本管理

目录 一、Linux系统目录结构和相对/绝对路径 &#xff08;一&#xff09;系统目录结构 &#xff08;二&#xff09;相对路径和绝对路径 1.绝对路径 2.相对路径 &#xff08;三&#xff09;通配符的作用 二、创建、复制、删除文件&#xff0c;rm -rf /意外事故 &#xf…

说说对React Hooks的理解?解决了什么问题?

面试官&#xff1a;说说对React Hooks的理解&#xff1f;解决了什么问题&#xff1f; 一、是什么 Hook 是 React 16.8 的新增特性。它可以让你在不编写 class 的情况下使用 state 以及其他的 React 特性 至于为什么引入hook&#xff0c;官方给出的动机是解决长时间使用和维护…

山景DU561—32位高性能音频处理器(DSP)芯片

音频处理可以更好地捕捉和处理声音和音乐&#xff1b;而DSP音频处理芯片是一种利用数字信号处理技术进行音频处理的专用芯片&#xff1b;可用于多种应用&#xff0c;从音乐拾音到复杂的音频信号处理&#xff0c;和声音增强。 由工采网代理的山景DU561是一款集成多种音效算法高…

08、基于LunarLander登陆器的DDQN强化学习(含PYTHON工程)

08、基于LunarLander登陆器的DDQN强化学习&#xff08;含PYTHON工程&#xff09; LunarLander复现&#xff1a; 07、基于LunarLander登陆器的DQN强化学习案例&#xff08;含PYTHON工程&#xff09; 08、基于LunarLander登陆器的DDQN强化学习&#xff08;含PYTHON工程&#xf…

DTC营销新模式,创新商业引领裂变营销新潮流的玩法!

DTC营销新模式&#xff0c;创新商业引领裂变营销新潮流的玩法&#xff01; 随着市场竞争的加剧&#xff0c;企业寻求创新的营销模式以突破困境&#xff0c;脱颖而出。其中&#xff0c;DTC&#xff08;Direct-to-Consumer&#xff0c;直接面向消费者&#xff09;营销新模式应运…

CentOS 7 制作openssh 9.6 rpm包更新修复安全漏洞 —— 筑梦之路

2023年12月18日 openssh 发布新版9.6p1&#xff0c;详细内容阅读OpenSSH: Release Notes 背景说明 之前也写过多篇制作openssh rpm包的文章&#xff0c;为何要重新来写一篇制作openssh 9.6版本的&#xff1f; openssh 9.6 rpm包制作和之前存在区别&#xff0c;对于CentOS 7来…

spring之面向切面:AOP(2)

学习的最大理由是想摆脱平庸&#xff0c;早一天就多一份人生的精彩&#xff1b;迟一天就多一天平庸的困扰。各位小伙伴&#xff0c;如果您&#xff1a; 想系统/深入学习某技术知识点… 一个人摸索学习很难坚持&#xff0c;想组团高效学习… 想写博客但无从下手&#xff0c;急需…

【Python】函数

一、函数介绍 二、函数的定义 三、函数的参数 四、函数的返回值 五、函数说明文档 六、函数的嵌套调用 七、变量的作用域 一、函数介绍 函数的使用 函数的作用 函数 函数&#xff1a;是组织好的&#xff0c;可重复使用的&#xff0c;用来实现特定功能的代码段。 input()、p…

文件批量管理,按单值大小归类保存,提升工作效率与便捷性!

你是否曾经遇到过需要批量管理大量文件&#xff0c;但却因为文件大小不一而感到混乱&#xff1f;你是否希望有一种方法能够将这些文件按照单值大小进行归类保存&#xff0c;以便更方便地管理和查找&#xff1f;现在&#xff0c;我们有一个好消息要告诉你&#xff0c;我们推出了…