基于頻率強度的定位算法容易實施，成本低，不需要對移動終端和基站硬件進行修改，因此，本文就現有的LTE網絡定位問題進行研究，在標準的蜂窩網結構下，利用信道衰減模型參數并輔以神經網絡獲得更高的定位精度，對非視距傳播小區環境下基于頻率差的定位精度進行了仿真分析。
    當移動臺與基站之間的直射路徑被障礙物擋住后，無線電波只能在經過反射和衍射之后到達接收端，此時測量到的數據不能正確地反應發送端與接收端的真實距離。通常采用的定位方法有:到達時間差(TOA)定位[1]、時間差(TDOA) 定位[2]、到達角度(AOA)定位[3]及混合定位[4]。但TOA測量要求MS的發射與所有基站的接收精準同步，并且在發射信號中需包含發射時間標記，這需要與BS時鐘嚴格同步，很容易導致誤差的增大；而測量AOA的天線排列價格昂貴，距離偏大時微小的角度測量偏差會導致較大的定位距離誤差，AOA是受多徑傳播影響最大的，并且有的基站不支持AOA的上報。
    因此,本文就現有的LTE網絡定位問題進行研究，在標準的蜂窩網結構下，提出根據測量移動臺發射功率以及基站接受功率，在傳輸信道衰減模型下估算距離，根據多個距離差來確定移動臺的位置，并對非視距傳播小區環境下基于頻率差的定位精度進行仿真分析。




1.1.3 功率測量參數分析
    在LTE路測[8]中, RSRP表示接收信號強度的絕對值，是衡量無線網的重要指標，根據參考信號的發送功率可以計算出傳播損耗,從而判斷與基站的距離。3GPP協議中規定終端上邊測量RSRP的范圍是[-140 dBm,-44 dBm]，路測時,一般要求RSRP值必須大于-100 dBm，否則容易出現弱覆蓋等問題。
    載波中心頻率fc由信號傳輸模式決定，在信號傳輸過程中，將信號負載到一個固定頻率的波上，這個固定頻率即是載波頻率。TDD和FDD是兩種載波模式，TDD適用于高密度用戶地區的局部覆蓋，FDD適用于大區制的國際間和國家范圍內的覆蓋，兩種方式具有相互無法替代的優點，具體的fc值可根據第三代移動通信系統的頻譜標準來確定, 本仿真中采用2 000 MHz中心頻率。
1.2 基于神經網絡的頻率定位
1.2.1基于BP神經網絡[9]的頻率測量值的修正

     如圖1所示，根據移動臺到基站的功率值計算距離差，測量值由于存在NLOS誤差值，所以本文采用BP 網絡修正測量值。BP神經網絡是一種前向型反饋神經網絡，具有學習速率快、結構簡單等優點來修正NLOS誤差，由輸入層、隱含層和輸出層三級結構組成，其中各節點數目分別為r、s1、s2。隱含層采用激活函數為Sigmoid，即f1(x)=tanh(x)；輸出層激活函數為Purelin,線性傳遞函數，即f2(x)=kx；設輸入向量為P，輸出向量為T；BP網絡修正模型[10]如下：
    輸入向量為：P=[PDOA21,PDOA31,PDOA41,PDOA51,PDOA61,PDOA71]
    輸出向量為:T=[d21,d31,d41,d51,d61]
1.2.2基于BP神經網絡的頻率定位算法
     所有基站與移動臺之間均為NLOS誤差，利用BP神經網路對測量值存在的誤差進行修正，從而減小功率測量中的NLOS誤差，然后再應用Chan算法和最小二乘(LS)算法進行位置估計，使其具有更高的定位精度。定位的具體步驟如下：
    (1)以移動臺及基站的樣本矢量計算在LOS環境下的
PDOA值，作為目標樣本；
    (2)假定模擬誤差函數，得到在NLOS誤差環境下的PDOA值，經由BP神經網絡修正數據；
    (3)利用修正后的PDOA值,采用Chan和LS算法進行位置估計。
2 仿真及分析
    為了檢驗本算法的可操作性，對基于BP的頻率定位算法進行了跟蹤仿真。本仿真基于幾何結構的單次反射(GBSB)系統信道模型，NLOS誤差是采用COST231模型，對市區/郊區小區進行仿真，采用標準的七基站蜂窩網，其中設原點為服務基站BS1,蜂窩網半徑為3 000 m。
    表1為本文算法PDOA和TDOA算法在相同環境下多次仿真定位誤差平均值，由下表數據可以看出，采用頻率測量定位比參考文獻[11]中同樣采用LS算法誤差更小，說明本文在結合BP神經網絡修正誤差并根據信道功率定位上具有良好的性能。

     圖3為在本文算法下隨著信道環境的不同LS與Chan算法的對比圖。由圖可以看出,隨著信道參數的增大，NLOS引起的誤差也隨之增大。由于Chan算法的推導過程都是基于理想的零均值高斯隨機變量，而LS算法不考慮誤差的統計特性，精度要好于Chan算法，所以定位更為穩定精確。

     為了精確無線通信系統無線電波傳播的可靠度，本文提出了一種采用測量移動臺與基站之間的頻率進行定位的算法，該算法減小了傳統測量時間和角度上受多徑干擾及設備的影響，并根據不同的傳播環境提出相應條件的傳播算法，然后結合BP神經網絡修正誤差，最后利用LS算法進行位置估計。從仿真結果可以看出，本文算法在定位精度上有顯著提高且較為穩定。   

參考文獻
[1] 范小峰， 徐蘭芳. 無線網絡中物理定位技術研究[D].武漢:華中科技大學,2008.
[2] 朱朝暉.時差定位原理及其應用[J].無線電工程, 2006,36(8):52-64.
[3] 王洪雁，蘭云飛，裴炳南,等. 非視距環境下基于到達時間差的一種定位算法[J].計算機仿真，2007,24(9):116-119.
[4] Shen Guowei,RUDOLF Z, REINER S T. Performance comparison of TOA and TDOA based location estimation algrithms in LOS environment[C].Proceedings of the 5th Workshop on Positioning, Navigation and Communication, 2008(WPNC’08):71-78.
[5] 唐興偉. TD-LTE系統動態仿真鏈路預算的研究與實現[D].北京:北京郵電大學,2011.
[6] 董晶. LTE系統中下行信號質量RSRP測量研究[J].科技信息,2012(9):78-80.
[7] 付昆鵬.無線通信中電波傳播模型的研究[D]. 廣州: 華南師范大學,2009.
[8] 李儉兵，周元元,李小文.TDD-LTE系統下行資源分配的研究及DSP實現[J].電子技術應用，2013,39(4):34-37.
[9] 鮑連承，趙海軍.基于BP神經網絡的蓄電池充放電溫度模型的建立[J].微型機與應用,2013,32(10):66-68.
[10] Mao Yongyi, Li Mingyuan, Zhang Baojun. Cellular localization algorithm based on BP neural network[J].Computer  Engineering and Applications.2008,44(3):60-63
[11] 毛永毅，張穎.非視距傳播環境下的AOA定位跟蹤算法[J].計算機應用，2011,2(31):317-319.