CN103399297A - 一种基于机器学习的超宽带非视距鉴别方法 - Google Patents

Abstract

本发明提出了一种基于机器学习的超宽带非视距鉴别方法，克服了传统的NLOS鉴别方法通常采用IEEE802.15.4a信道模型，该模型与实际环境相比存在较大的差异，利用该模型实现的NLOS鉴别方法在实际场景中出现较低的鉴别率的问题。本发明的这种非参数的NLOS鉴别方法与信道独立，不需任何统计信息，鉴别率高，适用范围广。在鉴别的基础上，根据先验统计进行误差消除，可以有效提高定位精度。本发明的方法能有效鉴别出NLOS，为实现室内高精度定位的实现提供了基础。

Description

一种基于机器学习的超宽带非视距鉴别方法

技术领域

本发明涉及一种非视距鉴别方法，尤其涉及一种超宽带非视距鉴别方法。

背景技术

在无线定位技术中，可以根据接收信号不同参数进行定位，这些参数包括：TOA（time-of-arrival），AOA（Angle–of-arrival）和RSS（receivedsignal strength）等。超宽带信号由于具有极高的时域分辨力，抗多径能力强,穿透能力强等特点，在无线定位的技术领域中具有很大发展潜力，基于TOA估计的超宽带定位技术能够利用它的优点实现高精度定位。

基于IR-UWB的实际定位中，NLOS环境（Non Line Of Sight）是误差的主要来源之一。第一，由于NLOS引起的多径效应引起的直达分量会被误检，第二，超宽带脉冲介质中传播时会引起附加的时延，使得TOA估计值会大于真实值。如果使用带有NLOS的TOA估计值进行定位，将严重影响定位性能，在实际定位环境中对NLOS进行鉴别和误差消除能够有效提高定位精度。

NLOS消除方面，存在两种方法：第一，根据TOA估计值的修正，NLOS会使TOA带来正偏差，估计出这个正偏差后可以直接对TOA进行修正。第二，定位算法层面上的消除，在鉴别出NLOS的结果后赋予不同的权重，在定位算法进行消除。

现在NLOS鉴别和消除存在的主要问题有：（1）鉴别和消除都基于不同理论模型，没有实现鉴别消除一体的性能分析；（2）实际应用场景一些先验难以获取，如信道统计特性，特征参数概率密度函等；（3）现有方法鉴别率较低，而且没有将理论数据和实测数据进行比较分析。

发明内容

针对现有技术中存在的问题，本发明提出了一种基于非参数的机器学习方法进行NLOS鉴别，对机器学习的训练参数的选取进行分析，实现了更高的鉴别率。

本发明通过如下技术方案实现：

一种基于机器学习的超宽带非视距鉴别方法，其特征在于：所述方法包括以下步骤：

S1:对定位区域里接收的UWB信号建立样本数量为N的视距LOS和非视距NLOS信号的数据库，对每个信号都计算它的特征参数集R，其中，当1≤i≤N时，x_i一个LOS信号的特征参数，当N+1≤i≤2N，x_i为一个NLOS信号的特征参数集，得到结果：X={x₁,x₂…x_N,x_N+1,x_N+2…x_2N}，x_i∈R，Y={-1,-1…-1,1,1…1}；

S2:利用LS-SVM算法训练出参数w，b，其中，训练的输入为：

X={x₁,x₂…x_N,x_N+1,x_N+2…x_2N}，Y={-1,-1…-1,1,1…1}，

利用得到l(x)的集合Y，其中，x_iN≤i≤2N为训练样本，σ根据不同环境取不同的值，w=[a₁,a₂,a₃…a_N]，b是一个标量；

S3:计算新接收到的UWB信号的特征参数集合x_j，x_i∈R；

S4:计算

若l(x)=-1判断为LOS信号，若l(x)=1判断为NLOS信号；

S5:根据LOS信号和NLOS信号采取误差消除手段；

S6:根据上个步骤处理后的数据进行定位。

进一步地，所述特征参数集有8个元素，包括：峭度Kurtosis、超量时延MED、均方根时延RMS、峰值能量比、幅度、能量、采样数据均值和方差。

进一步地，参数σ在室内环境的取值为1。

进一步地，所述参数w，b由下式求出：

w $\underset{w,b,e}{\min }\frac{1}{2}\left|\right|w\left|\right|+\mathrm{\γ}\frac{1}{2}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ϵ}}_i$

$s.t.y_i(w^T{x}_i+b)\≥1-{\mathrm{\ϵ}}_i,\∀i$

${\mathrm{\ϵ}}_i\≥0,\∀i$

其中，γ为惩罚因子，ε_i为松驰变量，其数值根据需求设置不同的值。

进一步地，对于判别为NLOS的信号，对该信号的TOA估计值减一个修正值

，对于LOS信号，对于该信号的TOA估计值加一个正的修正值。

进一步地，△₁和△₂的取值根据室内实验环境的统计，不同实验环境选取不同的值。

进一步地，△₁为5cm,△₂为16cm。

本发明的有益效果是：本发明提出了一种基于机器学习的超宽带非视距鉴别方法，克服了传统的NLOS鉴别方法通常采用IEEE802.15.4a信道模型，该模型与实际环境相比存在较大的差异，利用该模型实现的NLOS鉴别方法在实际场景中出现较低的鉴别率的问题。本发明的这种非参数的NLOS鉴别方法与信道独立，不需任何统计信息，鉴别率高，适用范围广。在鉴别的基础上，根据先验统计进行误差消除，可以有效提高定位精度。本发明的方法能有效鉴别出NLOS，为实现室内高精度定位的实现提供了基础。

附图说明

图1是超宽带信号定位的流程图；

图2是本发明涉及的测量环境；

图3是LOS和NLOS下MED，RMS，Kurtosis分布对比示意图；

图4是理论数据和实测数据的鉴别率比较图；

图5是本发明的LS-SVM分类器结构示意图；

图6是本发明的LS-SVM训练效果示意图；

图7是LOS和NLOS情况下的测距误差统计图；

图8是误差消除前和消除后的概率分布曲线图；

图9是采用本发明的NLOS鉴别方法后的定位性能。

具体实施方式

下面结合附图说明及具体实施方式对本发明进一步说明。

如附图1所示，接收到超宽带信号后，提取特征参数，然后利用本发明的方法进行NLOS鉴别，在鉴别的基础上对分别对NLOS信号和LOS信号进行误差消除，最后上个步骤处理后的数据进行定位。

一、信号的特征参数的提取

设接收到的信号记为h(t)。

（1）峭度（Kurtosis）

$\mathrm{\κ}=\frac{E\left[{\left({{\left|h\left(t\right)\right|}^2-u}_{\left|h\right|}\right)}^4\right]}{E{\left[{({\left|h\left(t\right)\right|}^2-u_{\left|h\right|})}^2\right]}^2}=\frac{E\left[{({\left|h\left(t\right)\right|}^2-u_{\left|h\right|})}^4\right]}{{\mathrm{\σ}}_{\left|h\right|}^4}---\left(1\right)$

如式（1）所示，它可反映数据集中分布的陡峭程度，一般地，信号的峭度值越大，说明数据中存在较大峰值且下降明显，能量比较集中，峭度值较小，说明数据分布较为平坦，能量较为分散。

（2）超量时延（MED，Mean Excess Dealy）

${\mathrm{\τ}}_{\mathrm{MED}}=\frac{{\∫}_{T}t{\left|h\left(t\right)\right|}^2\mathrm{dt}}{{\∫}_T{\left|h\left(t\right)\right|}^2\mathrm{dt}}---\left(2\right)$

（3）均方根时延（RMS，Dealy Spread）

${\mathrm{\τ}}_{\mathrm{RMS}}-\frac{{\∫}_T{(t-{\mathrm{\τ}}_{\mathrm{MED}})}^2{\left|h\left(t\right)\right|}^2\mathrm{dt}}{{\∫}_T{\left|h\left(t\right)\right|}^2\mathrm{dt}}---\left(3\right)$

峭度提供了多径分量的幅度统计信息，但不包含时延信息，超量时延式（2）和均方根时延式（3）体现了多径分量的时延特征，一般来说，NLOS下的平均超量时延要比LOS时大，RMS时延扩展比LOS更严重。

（4）峰值能量比

${\mathrm{\λ}}_{\mathrm{SP}}=\frac{\max {\left|h\left(t\right)\right|}^2}{{\∫}_T{\left|h\left(t\right)\right|}^2\mathrm{dt}}=\frac{\max {\left|h\left(t\right)\right|}^2}{E_{\mathrm{CH}}}---\left(4\right)$

式（4）定义了最强路径与信号能量比，利用多径能量差异性进行NLOS鉴别。此外，信号在LOS和NLOS情况下的差异性，还可以从以下几个信号特征体现出来，它们也可以用来进行NLOS鉴别。

（5）幅度

r=max|h(t)|    （5）

（6）能量

Ε=∫_T|h(t)|²dt    （6）

在相同距离下，信号经过NLOS障碍物后的幅度式（5）和能量式（6）比LOS情况下的幅度和能量要小。

（7）采样数据均值

$\mathrm{\μ}=\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}h\left({\mathrm{nT}}_s\right)}{N}---\left(7\right)$

（8）采样数据方差

${\mathrm{\σ}}^2=\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(h\left(n{T}_s\right)-\mathrm{\μ})}^2}{N}---\left(8\right)$

方差式（8）反映了数据集中程度，NLOS情况下的数据会比较分散。

二、基于机器学习的NLOS鉴别

研究表明UWB信号通过IEEE802.15.4a信道后，特征参数Kurtosis，MED，RMS的概率密度函数成对数正态分布，而且不同信道下的概率密度函数具有比较大的差异性。将NLOS鉴别问题转化为似然比检验问题，在不同信道模型下根据不同的特征参数进行NLOS鉴别的成功率如表1所示。

表1：参数法鉴别率

表1表明参数方法在IEEE802.15.4a信道中进行NLOS鉴别率高，具有理论指导价值。实际应用中，各特征参数是否服从对数正态的函数分布或其它函数分布，是否具有这么高的鉴别率需要进行验证。

采用TimeDomain公司的产品PulsOn410进行数据采集，该产品发出的UWB信号的带宽为2.2GHz，中心频率在4.3GHz，采样频率为60ps，具有极好的抗干扰能力和测距精度，它采用Lead Edge Detection的TOA估计算法，在室内进行了数据采集如附图2所示，该图为中国典型室内居住环境，外墙厚度为18厘米，隔墙厚度为12厘米，墙视为NLOS障碍物，在此环境建立了1000个LOS和NLOS信号的数据库。并对这些数据的信号特征进行了统计，附图3统计了它们的MED、RMS、Kurtosis分布。

对LOS和NLOS情况下实测数据的特征参数进行统计，根据虚警概率Pfa=2%设定NLOS鉴别的门限值，鉴别的成功率如表2所示。附图4对比了实测数据和理论数据采用参数法进行NLOS鉴别的准确率，检测概率为Pc=P(NLOS|NLOS)，虚警概率Pfa=P(NLOS|LOS)。

表2实测数据鉴别率

实验表明UWB信号在室内传播中特征参数的分布并不服从函数分布。用基于门限的参数法进行LOS和NLOS鉴别，参数法在该典型室内中进行NLOS鉴别失效。

而本发明的基于机器学习的LS-SVM（Least square-support vectormachine）是非参数的分类方法，它的优点有：（1）它针对线性可分情况进行分析，对于线性不可分的情况，通过使用非线性映射算法将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分。（2）SVM学习问题可以表示为凸优化问题，因此可以利用已知的有效算法发现目标函数的全局最小值。而其他分类方法（如基于规则的分类器和人工神经网络）都采用一种基于贪心学习的策略来搜索假设空间，只能获得局部最优解。

SVM的优点使得它能成为非参数分类方法的首先技术。利用SVM进行NLOS分类学习的目标是构造一个判别函数（分类器），将数据尽可能正确地分类，其示意图如附图5所示。

本发明的LS-SVM算法的关键点为：（1）先训练具有N个支持向量机的分类器；（2）对新的l个信号为X=(x₁x₂…x_l)为x_j∈R进行分类；（3）输出y=(y₁y₂…y_l)取值为1和-1，1代表NLOS信号，-1代表LOS信号。

本发明的基于机器学习的超宽带非视距鉴别方法，包括以下步骤：

第一步：

对定位区域里接收的UWB信号建立样本为N的LOS和NLOS信号的数据库，对每个信号都计算它的特征参数集，该参数集有8个元素，包括Kurtosis式（1），MED式（2），RMS式（3），均值能量比式（4），幅度式（5），能量式（6），均值式（7），方差式（8）。当1≤i≤N时，x_i一个LOS信号的特征参数，当N+1≤i≤2N，x_i为一个NLOS信号的特征参数集。得到结果：X={x₁,x₂…x_N,x_N+1,x_N+2…x_2N}，x_i∈R，Y={-1,-1…-1,1,1…1}。

第二步：

利用LS-SVM算法训练出参数w、b：

训练输入为：X={x₁,x₂…x_N,x_N+1,x_N+2…x_2N}，

Y={-1,-1…-1,1,1…1}

x_iN≤i≤2N为用来训练的样本数据，训练出相关参数后，再对Xj进行测试，其中σ在室内环境的取值为1，可根据不同环境取不同的值。

训练输出为参数：w、b，其中w=[a₁,a₂,a₃…a_N]是个向量，b是一个标量。w，b由式（9）求出：

$\underset{w,b,e}{\min }\frac{1}{2}\left|\right|w\left|\right|+\mathrm{\γ}\frac{1}{2}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ϵ}}_i$

$s.t.y_i(w^T{x}_i+b)\≥1-{\mathrm{\ϵ}}_i,\∀i---\left(9\right)$ ${\mathrm{\ϵ}}_i\≥0,\∀i$

其中，γ代表是惩罚因子，ε_i是松驰变量，其数值事先设定，可根据需求设置不同的值。式（9）的求解是一个凸优化求解过程。训练效果如附图6所示。

第三步：

对新于新接收的一个UWB信号，计算它的特征参数集合记为x_j，x_j∈R⁸。

第四步：

计算 $l\left(x_j\right)=\mathrm{sign}[\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{a}_{i}K(x_j,x_i)+b],$

若l(x)=-1判断为LOS信号，若l(x)=1判断为NLOS信号。准确率如表3所示，并与其它方法比较。

第五步：

根据LOS信号和NLOS信号采取误差消除手段。

对于判别为NLOS的信号，对该信号的TOA估计值减一个修正值

，对于LOS信号，对于该信号的TOA估计值加一个正的修正值

,△₁和△₂的取值根据附图7的室内实验环境的统计，△₁选5cm,△₂选16cm，不同实验环境可以选取不同的值。

第六步：

根据上个步骤处理后的数据进行定位。

三、基于LS-SVM的NLOS鉴别性能分析

根据所选的参数作为训练参数，对数据进行划分，用训练数据（20%）训练出相关的参数，再将测试数据（80%）测试下分类器的效果，结果如表3所示，鉴别率可达98%。

表3不同特征参数的鉴别率

参数:1MED，2RMS，3Kurtosis 4幅度 5能量,6峰值能量比，7均值，8方差

上述结果说明：（1）有些参量单独检测时，成功概率比较低，但联合检测时，能够使性能提高很多。（2）跟参数法鉴别的方法相比，在相同的虚警概率下，基于LS-SVM的NLOS鉴别方法在检测概率高25%以上。（3）采用全部特征参数（MED,RMS,Kurtosis,幅度,能量,SP-TC,均值,方差）进行机器学习，训练出来的分类器具有较优的性能，检测概率可以达98%，虚警概率只有1%，相比较现有方法而言在性能上有较大提高。

附图7为LOS和NLOS情况下的测距误差统计。LOS和NLOS情况下的误差都不服从高斯分布。LOS情况下，误差偏小，这是由于TOA估计算法采用的是leading edge detection的检测所引起的。NLOS情况下误差都偏大，这是由于UWB信号通过障碍物的附加时延引起的。

根据LOS和NLOS误差的统计分布，可以采取如下方法进行NLOS消除，LOS情况下采取

，NLOS情况下采取。

在上面的基础上，再采取算法手段消除。根据统计分布可知，LOS具有较小的误差（5cm），而NLOS信号由于经过障碍物引起的附加时延会带来较大的误差，误差消除前和消除后的概率分布曲线如附图7所示。

定位性能如附图8所示，仿真条件说明:（1）定位区域为半径R=10m的圆内，锚节点数量为N=10在圆上均匀分布；（2）目标节点与10个锚节点都属于NLOS情况；（3）测距误差根据实测数据的误差建立的数据库中随机选取；（4）鉴别后对于LOS采用

，对于NLOS采用误差消除

；（5）在（4）的基础上采用Taylor算法处理。从附图8可以看出，经过NLOS鉴别后，再进行误差消除，效果明显。定位结果在0.5米以内的误差经过消除前在占80%，经过消除后95%，性能提升15%。

本发明的有益效果是：本发明提出了一种基于机器学习的超宽带非视距鉴别方法，克服了传统的NLOS鉴别方法通常采用IEEE802.15.4a信道模型，该模型与实际环境相比存在较大的差异，利用该模型实现的NLOS鉴别方法在实际场景中出现较低的鉴别率的问题。本发明的这种非参数的NLOS鉴别方法与信道独立，不需任何统计信息，鉴别率高，适用范围广。在鉴别的基础上，根据先验统计进行误差消除，可以有效提高定位精度。本发明的方法能有效鉴别出NLOS，为实现室内高精度定位的实现提供了基础。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (7)

1.一种基于机器学习的超宽带非视距鉴别方法，其特征在于：所述方法包括以下步骤：

S1:对定位区域里接收的UWB信号建立样本数量为N的视距LOS和非视距NLOS信号的数据库，对每个信号都计算它的特征参数集R，其中，当1≤i≤N时，x_i一个LOS信号的特征参数，当N+1≤i≤2N，x_i为一个NLOS信号的特征参数集，得到结果：X={x₁,x₂…x_N,x_N+1,x_N+2…x_2N}，x_i∈R，Y={-1,-1…-1,1,1…1}；

S2:利用LS-SVM算法训练出参数w，b，训练的输入为：

X={x₁,x₂…x_N,x_N+1,x_N+2…x_2N}，Y={-1,-1…-1,1,1…1}，

利用

得到l(x)的集合Y，其中，x_iN≤i≤2N为训练样本，参数σ根据不同环境取不同的值，w=[a₁,a₂,a₃…a_N]，b是一个标量；

S3:计算新接收到的UWB信号的特征参数集合x_j，x_i∈R；

S4:计算

若l(x)=-1判断为LOS信号，若l(x)=1判断为NLOS信号；

S5:根据LOS信号和NLOS信号采取误差消除手段；

S6:根据上个步骤处理后的数据进行定位。

2.根据权利要求1所述的方法，其特征在于：所述特征参数集有8个元素，包括：峭度Kurtosis、超量时延MED、均方根时延RMS、峰值能量比、幅度、能量、采样数据均值和方差。

3.根据权利要求1所述的方法，其特征在于：所述参数σ在室内环境的取值为1。

4.根据权利要求1所述的方法，其特征在于：所述参数w，b由下式求出：

$\underset{w,b,e}{\min }\frac{1}{2}\left|\right|w\left|\right|+\mathrm{\γ}\frac{1}{2}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ϵ}}_i$

$s.t.y_i(w^T{x}_i+b)\≥1-{\mathrm{\ϵ}}_i,\∀i$

${\mathrm{\ϵ}}_i\≥0,\∀i$

其中，γ为惩罚因子，ε_i为松驰变量，其数值根据需求设置不同的值。

5.根据权利要求1所述的方法，其特征在于：对于判别为NLOS的信号，对该信号的TOA估计值减一个修正值

，对于LOS信号，对于该信号的TOA估计值加一个正的修正值

。

6.根据权利要求4所述的方法，其特征在于：△₁和△₂的取值根据室内实验环境的统计，不同实验环境选取不同的值。

7.根据权利要求4所述的方法，其特征在于：△₁为5cm,△₂为16cm。

Images