1.一种用于分布式大规模多天线系统的多网络辅助定位方法，其特征在于，包括以下步骤：

S1：构建分布式大规模多天线系统，根据其室内衍射模型生成RSS训练数据集；

S2：以是否包含位置信息为依据，将RSS训练数据集分为已标记RSS数据集LRD和未标记RSS数据集URD，并按时间顺序进行排序；

S3：通过RSS训练数据集对DLBP模型进行训练，具体为：利用LRD训练DBN估计URD对应的位置信息；LSTMN利用DBN估计结果和少量位置样本构成的历史轨迹信息，对当前位置进行估计；BPNN通过融合DBN和LSTMN的估计结果，实现对衍射RSS对应的位置信息和移动轨迹中包含的位置信息的融合；

S4：将不同RSS向量作为测试数据集对训练完成的DLBP模型进行测试，通过逐步激活DLBP模型中的DBN、LSTMN和BPNN，实现多网络高精度三维定位。

2.根据权利要求1所述的一种用于分布式大规模多天线系统的多网络辅助定位方法，其特征在于，在步骤S1中，分布式大规模多天线系统，即DM‑MIMO系统中有M个RRH和N个UE，每个RRH或UE有1根天线，UE表示设备或使用设备的人；UE按随机路线移动，并向所有RRH发送导频信号；系统中通过对各个UE导频的安排，使各导频之间保持正交，以消除多用户干扰；不失一般性地，假设在时域内，每个UE发送TP个时域导频进行训练，同一UE的两个连续导频之间的时间间隔为t0，值得注意的是，由于UE的动态拓扑结构，一个UE通过视距LOS传输路径传输到某些RRH的信号可能会被其他UE遮挡；同时，在接收端，每个RRH记录所有UE的RSS数据；此外，负责处理DLBP模型训练和测试所需计算的中央计算单元CU通过高速前端链接从所有RRH收集RSS数据。

3.根据权利要求2所述的一种用于分布式大规模多天线系统的多网络辅助定位方法，其特征在于，在步骤S1中，室内衍射模型具体表示为：首先，考虑第n个UE与第m个RRH之间的LOS路径，n∈{1,2,…N}，m∈{1,2,…M}，用sx表示物体x的坐标向量，x∈{n,m}；那么，第n个UE和第n'个UE到第m个RRH的空间向量分别定义为和 其中n'∈{1,2,…N}，n≠n'；注意，UE n'可能会对UE n的信号存在遮挡/衍射效应；从UE n'的质心到UE n和第m个RRH之间的LOS路径的垂直距离为：其中，||·||2为模2范数，x*y为向量或矩阵x与y的内积；接着，基于双径衍射模型，用一个半径为Rn'的圆柱对人体进行模拟，基于人体有限的大小，衍射点到圆柱质心的距离近似为Rn'；特别地，其包括LOS径 有无被UE n'遮挡两种情况；不失一般性地，令p＝1表示距离LOS较近的衍射路径并将其命名为短非视距S‑NLOS径，则另一条索引为p＝2的衍射路径表示距离LOS较远的衍射路径，将其命名为长非视距L‑NLOS径；令dp[s]表示第p条衍射径的第s段，p,s∈{1,2}，则基于三角几何关系，有：其中，dij表示节点i到节点j的距离， 相比于LOS径，第p条衍射路径增加的距离为：

此外，衍射信号的电场强度表示为：

其中，E0为UE n'不存在时在LOS径测量得到的场强，至此，Fresnel‑Kirchhoff衍射参数ηp表示为：

其中，sgn(·)为符号函数，λ为信号波长；由于式(4)无闭式解，因此用和 来对式(4)进行近似求解，则：注意到式(6)反映了两种典型场景，即UE n的信号完全被UE n'遮挡或完全不受UE n'影响，具体来说：

2

情况1：UE n'有无限大的体积，即Rn'→∞，对式(6)的数值分析显示|ED(ηp→∞)|→0，p∈{1,2}，这表明S‑NLOS和L‑NLOS径的衍射信号都非常弱；故而，用式(6)描述UE n的信号完全被UE n'遮挡的场景；

2 2 2

情况2：当UE n'远离LOS径，即 时，有|ED(η1→‑∞)|→|E0| 和|ED(η2→∞)|→0，这说明电场强度集中于S‑NLOS径且近似等于无UE n'时的LOS电场强度，即用式(6)描述UE n的信号完全不受UE n'影响的场景。

4.根据权利要求3所述的一种用于分布式大规模多天线系统的多网络辅助定位方法，其特征在于，在步骤S1中，有：

当UE n'有无限大的体积，即Rn'→∞时，对于S‑NLOS径而言，根据式(2)和式(3)得到Δd1→∞，则基于式(5)，有η1→∞；随后，基于式(6)，由于2

则|ED(η1→∞)|→0；

2

对于L‑NLOS径而言，同理得到Δd2→∞，进而得到η2→∞，随后，推出|ED(η2→∞)|→0，这表明S‑NLOS和L‑NLOS径的衍射信号都非常弱；故而，用式(6)描述UE n的信号完全被UE n'遮挡的场景；

当UE  n'远离LOS径，即 时，对于S‑NLOS径而言，基于式(1)得到则根据式(2)和式(3)，有Δd1→∞，进而根据式(5)得到η1→‑∞，将代入

2 2 2

式(6)，得到|ED(η1→‑∞)|→|E0| ；对于L‑NLOS径而言，同理得到|ED(η2→∞)|→0；这说明电场强度集中于S‑NLOS径且近似等于无UE n'时的LOS电场强度，即用式(6)描述UE n的信号完全不受UE n'影响的场景。

5.根据权利要求3所述的一种用于分布式大规模多天线系统的多网络辅助定位方法，其特征在于，在步骤S1中，RSS训练数据集生成过程具体为：通过利用式(6)，通过对两条径的衍射信号进行求和得到RRH m处测量得到的UE n定向电场强度Emn，RSS具体表示为：其中，θ为取值(0,2π)的随机数，其取值与人体表面的粗糙度有关；随后，CU基于式(7)构建RSS向量 此向量用于后续DLBP模型的输入，用以估计UE n的坐标向量 其中，[x]a×b表示一个大小为a×b，元素为{x}的矩阵一般形式。

6.根据权利要求5所述的一种用于分布式大规模多天线系统的多网络辅助定位方法，其特征在于，在步骤S2中，将TP个RSS数据分为两组，即TL个已标记RSS数据LRD和TU个未标记RSS数据URD，其中TL+TU＝TP；LRD为由UE在房间中具有已知坐标的选定位置发送而收集得到的RSS，相反，URD为UE在没有任何已知坐标信息的位置发送而收集得到的RSS；注意，LRD对应的位置在路线上不一定是连续的，两个LRD对应位置间中可插入URD对应位置，然而，训练路线中最后TA个位置应为URD；

基于LRD和URD训练数据集对DLBP模型进行训练，训练目标是获得在训练路径最后的TA个URD对应的估计位置坐标，将这部分训练数据定义为目标RSS数据TRD；令TL，TU和TA分别定义LRD，URD和TRD元素的序号的集合，其中：TL∪TU＝{1,…,TP}    (9)

7.根据权利要求6所述的一种用于分布式大规模多天线系统的多网络辅助定位方法，其特征在于，在步骤S3中，利用LRD训练DBN估计URD对应的位置信息过程具体为：DBN包含了KD＝3个受限制的玻尔兹曼机RBM和一个输出层；第k个RBM Rk包含两层，k＝

1,…,KD，即可视层 和隐含层 其中，可视层和隐含层分别有 和 个单元；用 和来定义 和 的偏置向量，并定义隐含层和可视层之间连接的权重矩阵为和 的维度分别为 和 RBM的权重矩阵和偏置向量构成DBN中对应层的权重矩阵和偏置向量；当RBM R1的可见层充当DBN的输入层，DBN的KD个隐含层分别指的是KD个RBM的隐含层；基于DBN的结构，对于k＝1,…KD，有：T

其中，[·]表示矩阵/向量的转置；同时，第k个RBM的可视层 同时也可视为第k个RBM的隐含层 即满足：

此外，定义第KD个隐含层和DBN输出层之间的权重矩阵为WDHO，DBN输出层的偏置向量为bDO；输出层包含对目标UE的三维坐标估计，则WDHO和bDO的维度分别为 和3×1；用以下参数集χDBN来表示DBN：

在对DBN训练之前，首先对训练数据集做重排操作，将LRD和URD放在序列的头尾，然后，利用LRD对DBN进行训练，进而确定参数集χDBN；其中，χDBN的取值是取决于式(12)和式(14)的，这其中包含了多个耦合变量，所以，为了得到χDBN，这些变量需要进行解耦合，具体为：预训练过程：通过所有RBM Rk进行无监督预训练，获得式(12)中的 以及用于之后训练过程的 的预训练版本；具体来说，此处采用对比散度CD算法和Gibbs抽样算法，其特征描述为：

其中，ε∈(0,1)是一个随机数，xi和yi分别为向量x和y的第i个元素；为了解耦和计算式(11)，式(12)和式(14)中的多个变量，首先将 带入式(14)得到：

其中，上标(·) 表示了预训练步骤中的第j个阶段， 为RBM Rk中 的中间版本；

表示隐含层被 激活的概率， 表示为：其中， 为sigmoid函数， 和 分别为 和 通过利用高斯分布N(0,0.01)和零向量0进行初始化后的初始版本； 为RBM Rk中 的中间版本，其计算过程为：

由于RBM R1中的可视层单元为实值的RSS数据，此处采用高斯方程对可视层进行重构，将可视层 重构为：

其中，I为 的单位阵； 通过设式(16)中j＝0得到；随后，根据式(7)和式(13)，有：

当k＝2,…,KD时，通过首先设j＝1，将式(18)代入式(17)得到 随后将 带入式(16)，得到式(19)中的

基于上面的操作，对于KD个RBM，更新后的参数通过如下方式递归获得：其中，λD为DBN的学习率；至此完成了无监督预训练的过程，基于预训练结果，对DBN进行下一步训练；

训练过程：基于式(20)‑式(22)中预训练结果 利用式(13)，用 替代 进而重写式(11)为：

其中， 随后，对于k＝1,…,KD，通过对式(23)和式(24)进行迭代，得到 进而计算DBN的输出：

其中，fD(·)为激活函数，WDHO,(0)和bDO,(0)分别为WDHO和bDO通过利用高斯分布N(0,0.01)和零向量0进行初始化后的初始版本；

此外，由于DBN的目标是从RSS信息中估计位置，用欧氏距离来衡量估计位置与实际位置之间的偏差，因此，DBN的损失函数表示为：最后，采用梯度下降算法来更新式(14)中的参数：这样，完成了DBN的训练过程；随后，式(27)中DBN已训练的DBN参数带入式(23)‑式(25)中以获得位置估计

8.根据权利要求7所述的一种用于分布式大规模多天线系统的多网络辅助定位方法，其特征在于，在步骤S3中，LSTMN利用DBN估计结果和少量位置样本构成的历史轨迹信息，对当前位置进行估计过程具体为：

将LSTMN模型视为时间相关的神经细胞结构，分别定义义LSTMN批次大小和LSTMN中神经细胞数量为NW和TLSTMN，其中：TLSTMN＝TP‑NW+1      (28)每个细胞均包含遗忘门，输入门和输出门，每个门包含NG个隐含单元；此处用和 分别定义第tLSTMN个细胞中遗忘门，输入门和输出门的输出，tLSTMN＝1,…,TLSTMN；

具体来说，输入门包含两个门结构，即权重矩阵为WI、偏置向量为bI的基于sigmoid函数的门，以及，权重矩阵为WC、偏置向量为bC的基于tanh函数的门；此外，分别定义遗忘门和输出门的权重矩阵为WF和WO，并定义其偏置向量为bF和bO；每个门的权重矩阵和偏置向量的大小分别为NG×(NW‑1+NG)和NG×1；此外，定义wS为大小为1×NG的LSTMN坐标估计权重向量；注意到，WF，WI，WC，WO和wS均使用高斯分布N(0,0.01)做初始化，bF，bI，bC和bO均初始化为零向量

0；

采用LRD的坐标和式(25)中的DBN估计位置坐标来构建LSTMN训练集：其中， 为一个由 构成的三维向量，κ＝1,2,3分别表示{x,y,z}轴；基于式(29)，将TP个 重排为TLSTMN个NW×1的向量其中，定义 中最后一个元素的序号为：μ＝tLSTMN+NW‑1∈{NW,…,TP}      (31)然后，提取 的前NW‑1个元素以构建：作为历史轨迹信息，进而通过三个门结构，基于此历史轨迹信息来估计目标位置坐标为第tLSTMN个细胞单元中 的最后一个元素；

更进一步的，首先，定义[·,·]表示向量拼接操作，得到大小为(NW‑1+NG)×1的向量：则有：

其中，★表示同样大小的两个向量元素之间的相乘：[ai]l×1★[bi]l×1＝[a1b1,…,alblT

]；注意到，输出门的输出结果，即式(36)中的 通过式(33)‑式(36)的迭代进行计算，其中初始化过程为：

其次， 的估计结果计算为：

对其进行矢量化，得到：

然后，选取式(38)中索引在集合TA内的坐标作为LSTMN估计的目标坐标；特别地，为了保证式(38)序列能够提供足够数量的候选坐标，需要满足式(10)和式(31)结合得到的NW≤TP‑TA+1的条件。

9.根据权利要求8所述的一种用于分布式大规模多天线系统的多网络辅助定位方法，其特征在于，在步骤S3中，BPNN融合DBN和LSTMN的估计结果的过程具体为：基于DBN和LSTMN的估计位置坐标，考虑到其他UE对目标UE的影响和目标UE轨迹信息，进而生成最终的位置估计结果 更确切的说，构建一个可视层，隐含层和输出层分别包含VB，HB和OB个单元的BPNN网络；分别定义可视层输入，可视层与隐含层之间的权重矩阵，隐含层与输出层之间的权重矩阵，隐含层的偏置和输出层的偏置为vB，WBVH，WBHO，bBH和bBO，其对应的维度分别为VB×1，HB×VB，OB×HB，HB×1和OB×1；方便起见，用下面的参数集表示BPNN结构：

χBPNN＝{WBVH,WBHO,bBH,bBO}       (39)其中，权重矩阵WBVH，WBHO和偏置向量bBH，bBO分别用高斯分布N(0,0.01)和零向量0进行初始化；基于对式(25)和式(38)进行的拼接操作，得到 利用vB，得到结合了其他UE的影响和目标UE的轨迹信息的BPNN输出：其中，fB(·)为激活函数；

接着，定义BPNN损失函数为：

基于梯度下降算法，将式(39)中的BPNN参数集更新如下：其中，λB为学习率。

10.根据权利要求9所述的一种用于分布式大规模多天线系统的多网络辅助定位方法，其特征在于，在步骤S4中，在对DLBP模型测试过程中，假设Q个UE随机分布在测试区域，设第q个目标UE有TQ＜＜TP个时域导频信号，令tQ∈{1,…,TQ}定义导频序号索引，其中q＝1,…,Q，TQ≥NW‑1；随着目标UE移动，当满足tQ＜NW‑1这一条件时，训练后的DLBP模型只激活DBN并利用DBN分析第tQ个RSS数据，产生估计坐标 并将其保存为历史轨迹信息；而当tQ≥NW‑1这一条件满足时，整个DLBP模型得到激活；在此情况下，DBN提供基于第tQ个RSS数据分析的估计坐标，LSTMN提供基于UE轨迹前NW‑1个位置信息分析得到的估计坐标，随后，BPNN对DBN和LSTMN的估计值进行合并，并提供最终的估计结果 此结果同样保存为轨迹信息，用于后续的位置估计过程；

最后，采用三维均方根误差RMSE来量化定位精度，其定义为：其中， 为真实坐标。