本技術(shù)涉及無線，尤其涉及tdoa定位基站選擇方法、裝置、設(shè)備、存儲介質(zhì)及計算機(jī)程序。

背景技術(shù)：

1、到達(dá)時間差(time?difference?of?arrival，tdoa)定位是一種廣泛應(yīng)用在無線通信、物聯(lián)網(wǎng)、導(dǎo)航系統(tǒng)中的無源定位技術(shù)，它通過測量信號從發(fā)射源到達(dá)多個基站的時間差來確定目標(biāo)的位置，tdoa定位精度和可靠性在很大程度上取決于所選基站的布局、性能以及它們與目標(biāo)設(shè)備間的信號傳播特性。因此，選擇合適的基站組合對于提升tdoa定位系統(tǒng)的整體性能至關(guān)重要。

2、目前，現(xiàn)有tdoa定位算法大多假設(shè)信號傳播路徑清晰、無遮擋，即理想化的los(line?of?sight，面對視線)條件。但在實際應(yīng)用中，也即在城市環(huán)境中，建筑物、植被、甚至天氣狀況都會造成嚴(yán)重的多徑效應(yīng)，形成nlos(non-line?of?sight，非視線)傳播，使信號傳播時間延遲增加且具有不確定性，導(dǎo)致根據(jù)tdoa定位選擇的基站的可靠性降低，進(jìn)而降低了對基站的定位精度。

3、上述內(nèi)容僅用于輔助理解本技術(shù)的技術(shù)方案，并不代表承認(rèn)上述內(nèi)容是現(xiàn)有技術(shù)。

技術(shù)實現(xiàn)思路

1、本技術(shù)的主要目的在于提供一種tdoa定位基站選擇方法，旨在解決信號傳播時間延遲增加且具有不確定性，導(dǎo)致根據(jù)tdoa定位選擇的基站的可靠性降低，進(jìn)而降低了對基站的定位精度的技術(shù)問題。

2、為實現(xiàn)上述目的，本技術(shù)提出一種tdoa定位基站選擇方法，所述的方法包括：

3、從采集的各候選基站的rrs數(shù)據(jù)與trs數(shù)據(jù)中提取幅度彌散特征與時間彌散特征；

4、將所述幅度彌散特征與所述時間彌散特征輸入至定位基站預(yù)測模型，獲得各所述候選基站作為定位基站的預(yù)測結(jié)果，所述定位基站預(yù)測模型是通過將從樣本數(shù)據(jù)中提取的時間彌散特征和幅度彌散特征輸入adaboost模型進(jìn)行訓(xùn)練獲得；

5、對所述預(yù)測結(jié)果進(jìn)行置信度評估，獲得各所述候選基站對應(yīng)的預(yù)測結(jié)果的置信度；

6、基于所述置信度從各所述候選基站中選擇滿足預(yù)設(shè)置信度門限要求的基站作為定位基站。

7、在一實施例中，所述從采集的各候選基站的rrs數(shù)據(jù)與trs數(shù)據(jù)中提取幅度彌散特征與時間彌散特征的步驟包括：

8、對采集的各候選基站的rrs數(shù)據(jù)與trs數(shù)據(jù)進(jìn)行預(yù)處理；

9、對預(yù)處理后的rrs數(shù)據(jù)與trs數(shù)據(jù)進(jìn)行時間戳對齊；

10、基于時間戳對齊后的rrs數(shù)據(jù)與trs數(shù)據(jù)的采集時間點，確定rrs數(shù)據(jù)與trs數(shù)據(jù)之間的互相關(guān)值；

11、基于所述互相關(guān)值，確定所述幅度彌散特征與所述時間彌散特征。

12、在一實施例中，所述幅度彌散特征包括幅度彌散能量、幅度彌散最大值、幅度彌散均值、幅度彌散方差、幅度彌散峰度以及幅度彌散偏度，所述基于所述互相關(guān)值，確定所述幅度彌散特征的步驟包括：

13、基于各所述采集時間點的所述互相關(guān)值的平方和，確定所述rrs數(shù)據(jù)與所述trs數(shù)據(jù)中信號功率分布的幅度彌散能量；

14、從所述rrs數(shù)據(jù)與所述trs數(shù)據(jù)中篩選最大所述互相關(guān)值對應(yīng)目標(biāo)時間點的幅度彌散最大值；

15、基于各所述采集時間點的所述互相關(guān)值，對所述信號功率進(jìn)行平均處理，確定所述信號功率的幅度彌散均值；

16、基于所述幅度彌散均值與對應(yīng)互相關(guān)值，對所述信號功率進(jìn)行波動程度分析，確定所述信號功率的幅度彌散方差；

17、基于所述幅度彌散均值、對應(yīng)幅度彌散方差與互相關(guān)值，對所述信號功率進(jìn)行尖峭程度分析，確定所述信號功率的幅度彌散峰度；

18、基于所述幅度彌散均值、對應(yīng)幅度彌散方差與互相關(guān)值，對所述信號功率進(jìn)行不對稱程度分析，確定所述信號功率的幅度彌散偏。

19、在一實施例中，所述時間彌散特征包括時間彌散均值、時間彌散方差、時間彌散峰度以及時間彌散偏度，所述基于所述互相關(guān)值，確定所述時間彌散特征的步驟包括：

20、對各所述采集時間點所述互相關(guān)值與進(jìn)行歸一化處理，獲得各所述采集時間點的歸一互相關(guān)；

21、基于所述歸一互相關(guān)，對所述rrs數(shù)據(jù)與所述trs數(shù)據(jù)中信號到達(dá)時間差進(jìn)行平均處理，獲得所述到達(dá)時間差的時間彌散均值；

22、基于所述時間彌散均值與各所述歸一互相關(guān)，對所述到達(dá)時間差進(jìn)行波動程度分析，確定所述到達(dá)時間差的時間彌散方差；

23、基于所述時間彌散均值、所述時間方差與各所述歸一互相關(guān)，對所述到達(dá)時間差進(jìn)行尖峭程度分析，確定所述到達(dá)時間差的時間彌散峰度；

24、基于所述時間彌散均值、所述時間方差與各所述歸一互相關(guān)，對所述到達(dá)時間差進(jìn)行不對稱程度分析，確定所述到達(dá)時間差的時間彌散偏度。

25、在一實施例中，所述定位基站預(yù)測模型基于以下步驟獲得：

26、采集各樣本基站的rrs數(shù)據(jù)與trs數(shù)據(jù)；

27、從所述各樣本基站的rrs數(shù)據(jù)與trs數(shù)據(jù)中提取時間彌散特征與幅度彌散特征；

28、基于所述時間彌散特征與所述幅度彌散特征對預(yù)選的弱分類器進(jìn)行迭代訓(xùn)練，獲得各所述弱分類器的權(quán)重；

29、基于所述權(quán)重，將各所述弱分類器組合為強(qiáng)分類器，獲得所述定位基站預(yù)測模型。

30、在一實施例中，所述對所述預(yù)測結(jié)果進(jìn)行置信度評估，獲得各所述候選基站對應(yīng)的預(yù)測結(jié)果的置信度的步驟包括：

31、調(diào)用所述定位基站預(yù)測模型中各弱分類器對應(yīng)的權(quán)重以及各弱分類器對每個候選基站進(jìn)行預(yù)測的參考結(jié)果；

32、基于所述參考結(jié)果與對應(yīng)的權(quán)重，對所述預(yù)測結(jié)果進(jìn)行置信度評估，獲得各候選基站對應(yīng)的預(yù)測結(jié)果的最終決策值；

33、對所述最終決策值進(jìn)行映射轉(zhuǎn)換，獲得各候選基站對應(yīng)的預(yù)測結(jié)果的置信度。

34、此外，為實現(xiàn)上述目的，本技術(shù)還提出一種tdoa定位基站選擇裝置，所述tdoa定位基站選擇裝置包括：

35、提取模塊，用于從采集的各候選基站的rrs數(shù)據(jù)與trs數(shù)據(jù)中提取幅度彌散特征與時間彌散特征；

36、預(yù)測模塊，用于將所述幅度彌散特征與所述時間彌散特征輸入至定位基站預(yù)測模型，獲得各所述候選基站作為定位基站的預(yù)測結(jié)果，所述定位基站預(yù)測模型是通過將從樣本數(shù)據(jù)中提取的時間彌散特征和幅度彌散特征輸入adaboost模型進(jìn)行訓(xùn)練獲得；

37、評估模塊，用于對所述預(yù)測結(jié)果進(jìn)行置信度評估，獲得各所述候選基站對應(yīng)的預(yù)測結(jié)果的置信度；

38、選擇模塊，用于基于所述置信度從各所述候選基站中選擇滿足預(yù)設(shè)置信度門限要求的基站作為定位基站。

39、此外，為實現(xiàn)上述目的，本技術(shù)還提出一種tdoa定位基站選擇設(shè)備，所述設(shè)備包括：存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運(yùn)行的計算機(jī)程序，所述計算機(jī)程序配置為實現(xiàn)如上文所述的tdoa定位基站選擇方法的步驟。

40、此外，為實現(xiàn)上述目的，本技術(shù)還提出一種存儲介質(zhì)，所述存儲介質(zhì)為計算機(jī)可讀存儲介質(zhì)，所述存儲介質(zhì)上存儲有計算機(jī)程序，所述計算機(jī)程序被處理器執(zhí)行時實現(xiàn)如上文所述的tdoa定位基站選擇方法的步驟。

41、此外，為實現(xiàn)上述目的，本技術(shù)還提供一種計算機(jī)程序產(chǎn)品，所述計算機(jī)程序產(chǎn)品包括計算機(jī)程序，所述計算機(jī)程序被處理器執(zhí)行時實現(xiàn)如上文所述的tdoa定位基站選擇方法的步驟。

42、本技術(shù)提出的一個或多個技術(shù)方案，至少具有以下技術(shù)效果：

43、本技術(shù)通過從rrs數(shù)據(jù)與trs數(shù)據(jù)中提取幅度彌散特征與時間彌散特征，形成標(biāo)準(zhǔn)化特征向量，再利用定位基站預(yù)測模型，并根據(jù)特征向量對基站進(jìn)行選擇預(yù)測，該定位基站預(yù)測模型是通過將從樣本數(shù)據(jù)中提取的時間彌散特征和幅度彌散特征輸入adaboost模型進(jìn)行訓(xùn)練獲得，由于adaboost模型通過集成弱分類器，有效提升了在復(fù)雜場景下的預(yù)測準(zhǔn)確率，且結(jié)合幅度彌散和時間彌散特征，以及基站工作狀態(tài)參數(shù)，生成的標(biāo)準(zhǔn)化特征向量更為全面反映tdoa基站特性，則利用adaboost模型訓(xùn)練獲得的定位基站預(yù)測模型也具有adaboost模型的特性。利用adaboost模型中的算法進(jìn)行分類預(yù)測，該算法的強(qiáng)學(xué)習(xí)能力和低復(fù)雜度特性，使得在復(fù)雜環(huán)境下的基站選擇更為智能化和準(zhǔn)確，相比傳統(tǒng)算法，預(yù)測效果大幅提升，計算成本大幅減少，為了確保最終選擇的基站時可以結(jié)合各候選基站的貢獻(xiàn)度，因此，在定位基站預(yù)測模型輸出預(yù)測結(jié)果后，對預(yù)測結(jié)果進(jìn)行置信度評估，從而識別并優(yōu)先考慮那些定位貢獻(xiàn)度高且預(yù)測結(jié)果可靠的基站，從而在不確定性強(qiáng)的復(fù)雜環(huán)境中作出更加可靠的基站選擇決策，有效辨別并剔除低質(zhì)量預(yù)測結(jié)果，減少誤選基站的可能性，提高了根據(jù)tdoa定位選擇的基站的可靠性，進(jìn)而提高了對基站的定位精度。