CN112484625B - 一种基于uwb信道脉冲响应的高精度位移测量方法 - Google Patents
一种基于uwb信道脉冲响应的高精度位移测量方法 Download PDFInfo
- Publication number
- CN112484625B CN112484625B CN202011258521.9A CN202011258521A CN112484625B CN 112484625 B CN112484625 B CN 112484625B CN 202011258521 A CN202011258521 A CN 202011258521A CN 112484625 B CN112484625 B CN 112484625B
- Authority
- CN
- China
- Prior art keywords
- uwb
- machine learning
- learning model
- impulse response
- displacement
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B7/00—Measuring arrangements characterised by the use of electric or magnetic techniques
- G01B7/02—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring length, width or thickness
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于UWB信道脉冲响应的高精度位移测量方法,包括如下步骤:S1、设置两个UWB收发机分别作为固定节点和移动节点,获取原始信道脉冲信号;S2、基于UWB信道脉冲响应对原始信道脉冲信号进行特征提取;S3、将提取的特征输入XGBoost的机器学习模型进行预测,获得相对位移的预测结果;S4、使用低通滤波器和多项式对预测结果进行校正,获得两个UWB收发机之间的相对位移;其中,S4中使用低通滤波器消减预测结果的方差,使用多项式补偿削减预测结果的偏差。与现有技术相比,本发明提供的方法,采用UWB电磁波测距原理,通过XGBoost的机器学习模型对数据进行处理,并对处理结果产生的误差进行校正,能够实现对大型结构毫米级的位移实时监测。
Description
技术领域
本发明涉及无线电磁波传播及工程测量领域,具体是一种基于UWB信道脉冲响应的高精度位移测量方法。
背景技术
随着经济发展及人民出行需求的不断提高,桥梁等复杂结构的数量也越来越多。高层建筑、大跨度桥梁等在温度、载荷变化等因素的影响下,会产生震动并发生位移,甚至会有倒塌事故的发生。结构位移往往反映着结构的健康状态,在进行结构健康监测时,结构位移是必须监测的物理量之一。近年来由于设计、建设、监管、养护技术手段不足或由于多种因素的耦合作用等原因导致的结构灾难性事故时有发生,这些投入运营的结构是在没有任何被探知征兆的前提下垮塌的。目前学术界和工程界对结构位移进行实时监测的研究越来越热,是工程测量领域内的一个亟待解决的严峻课题。为了尽早发现结构自身所面临的危险状况和性能的劣化,为结构的管养决策提供数据依据、赢得时机,有必要对桥梁位移进行实时监测。因此对大型结构进行动态位移监测不但可以及时发现结构物的危害并及时采取相应的维护措施,避免灾难性事故的发生,而且对结构物的安全运营损伤监测具有非常重要的意义。
国内外对结构位移进行实时监测的方法主要有:加速度传感器、静力水准仪(包括光纤光栅式和振弦式)、全站仪、激光测距仪等方法。加速度传感器对低频振动幅值监测效果识别不敏感;静力水准仪由于其连通管原理导致对高频振动幅值有迟滞性;全站仪和激光测距仪成本过高,且全站仪不适用于实时监测。对于大型结构,例如大跨度桥梁,通过传统的多种监测方法就很难发挥应用的作用。通过加速度传感器间接采集结构的位移信息,需要进行两次积分,这样便导致误差的增加。如果通过位移传感器直接测量,传感器的安装位置则一直没有很好的解决方法,特别是针对大跨度桥梁的位移监测,采用位移传感器很难实现监测。
UWB测距技术实质上是一种全新的、与传统通信技术有极大差异的通信新技术。它不需要使用传统通信体制中的载波,而是通过发送和接收具有纳秒或纳秒级以下的极窄脉冲来传输数据,从而具有GHz量级的带宽。UWB系统与传统的窄带系统相比,具有穿透力强、功耗低、抗多径效果好、安全性高、系统复杂度低、成本低、能提供精确定位等优点。
发明内容
本发明的目的在于克服现有技术在对高层建筑、大跨度桥梁进行结构位移检测时,现有检测手段误差大,难实现实时监测的不足,提供了一种基于UWB信道脉冲响应的高精度位移测量方法,采用UWB电磁波测距原理,具有高精度、低成本、高频采样等有利于实时监测的特性,通过XGBoost的机器学习模型对原始采样数据进行处理,并对处理结果产生的误差进行校正,能够实现对大型结构毫米级的位移实时监测。
本发明的目的主要通过以下技术方案实现:
一种基于UWB信道脉冲响应的高精度位移测量方法,其特征在于,包括如下步骤:S1、设置两个UWB收发机分别作为固定节点和移动节点,获取UWB接收机相对发射机发生毫米级位移时的原始信道脉冲信号;S2、基于UWB信道脉冲响应对原始信道脉冲信号进行特征提取;S3、将提取的特征输入XGBoost的机器学习模型进行预测,获得相对位移的预测结果,即机器学习模型预测值;S4、使用低通滤波器和多项式对预测结果进行校正,获得两个UWB收发机之间的相对位移;其中,S4中使用低通滤波器削减预测结果的方差,使用多项式补偿削减预测结果的偏差。
高层建筑、大跨度桥梁等在温度、载荷变化等因素的影响下,会产生震动并发生位移,甚至会有倒塌事故的发生。因此对大型结构进行动态位移监测具有非常重要的意义。但是,对于大型结构,如大跨度桥梁,通过传统的多种监测方法就很难发挥应用的作用,例如通过加速度传感器间接采集结构的位移信息,需要进行两次积分,这样便导致误差的增加;如果通过位移传感器直接测量,传感器的安装位置则一直没有很好的解决方法,特别是针对大跨度桥梁的位移监测,采用位移传感器很难实现监测。为此,发明人将超宽带无线技术,即UWB与大型结构位移测量相结合,在测量过程中通过分别设置移动节点和固定节点,移动节点主要利用UWB的定位精度向固定节点实时发送坐标信息,而固定节点则用于信息的收集、融合以及与后端服务器的通信,通过两个监测节点的设置,将固定节点安装在大型结构外某一固定位置作为固定基点,将移动节点安装在大型结构上,通过获取移动节点相对固定节点的相对位置变化即相对位移来确定大型结构安装有移动节点位置的位移变化情况,采用UWB检测大型结构的相对位移具有高精度、低成本、高频采样等有利于实时监测的特性。现有技术中UWB一般都是用来进行定位,测量被测物体的位置变化,一般而言使用UWB进行定位测量时,物体的位置变化较大,获得信号差异大,更容易从获得信号中确定物体的位置;而本技术方案中UWB要测量的是大型结构的相对位移变化,由于大型结构的相对位移变化是长期缓慢的结构变化,因此UWB需要长期采集大型结构的位移变化的系列数据,且监测数据的精度远高于定位测量,采集得到的数据中相邻的两次采集数据差异较小,甚至只是毫米级的位移变化,若采用常规的数据处理方法,由于处理过程中的误差存在,会使得小的位移变化无法被检测到;此外,由于UWB的信道脉冲响应包含很多峰值,这些峰值是由于UWB信号在传播过程中的反射、散射、衍射、穿透障碍物造成的。这些无规律的峰值是造成UWB测距误差在厘米级的主要原因。如何从无规律的信道脉冲响应中提取出UWB收发机之间的真实位置是困难的。为了解决这些问题,发明人在将UWB应用在大型结构相对位移测量的基础上,对UWB获得的信号处理过程进行了长期反复的摸索,在对多种不同处理方法研究后发现使用XGBoost的机器学习模型处理UWB获得的信号能获得更为准确的预测结果,例如发明人曾分别采用本技术方案的XGBoost的机器学习模型、随机森林和支持向量回归三种方法进行预测后发现,采用,XGBoost的机器学习模型精度最高、方差最小。发明人使用XGBoost的机器学习模型处理UWB获得的信号中还发现,虽然XGBoost的机器学习模型具有精度最高、方差最小的优点,但是仍然不能完全满足大型结构毫米级位移实时监测的需求,发明人在对大量数据分析研究后发现,造成这一问题的主要原因是采用XGBoost的机器学习模型获得的预测结果容易存在两类误差,即方差及偏差,针对于这两类误差,本技术方案提出使用低通滤波器削减方差,使用多项式补偿削减偏差,进一步提高本技术方法的检测精度,以实现毫米级的位移实时监测。综上可见,本技术方案将UWB电磁波测距原理应用在大型结构相对位移检测中,具有高精度、低成本、高频采样等有利于实时监测的特性,通过XGBoost的机器学习模型对原始采样数据进行处理,并对处理结果产生的误差进行校正,获得两个UWB收发机之间的相对位移,其结构位移测量精度高,能够实现对大型结构毫米级的位移实时监测。
需要说明的是,本技术方案中的结构位移是指大型结构上点的位置的移动;机器学习模型预测值指通过机器学习模型预测得到的结构位移。本技术方案的一对收发机均是实物,实物之间在三维物理空间中具有相对位置关系;接收机收到的脉冲信号包含了实物之间的相对位置关系;相对位移是指:当一对收发机其中一个保持固定,另外一个位置发生移动,则会产生相对位移;通过脉冲信号获得实时相对位置关系再与初始相对位置比较,即能获得两个收发机的相对位移。本技术方案中S1还包括采用现有常规技术手段对原始信道脉冲信号的预处理,如对信号进行方法、缩小、阻抗匹配、滤波等,以使信号达到一个合适可用的范围,从而得到原始信道脉冲信号;本技术方案S4在获得相对位移后,通过不同时间段固定节点和移动节点相对位移的变化,获得移动节点相对固定节点的位移,即大型结构上点的位移;本技术方案中的UWB收发机协议标准采用IEEE802.15标准,工作频率范围在3.1GHz至10.6GHz之间且可编程控制,系统功耗在1mW~4mW之间,脉冲宽度在0.2~1.5纳秒之间,板载天线为全向天线,通讯距离在30±10米且基站与标签之间无遮挡,自携带可更换式锂电池;本技术方案中两个UWB收发机,当其中一个UWB传感器被固定作为固定节点,另外一个作为移动节点被安装在结构表面随着结构进行一维位移,从UWB接收机中可以解析出信道脉冲响应。
进一步的,S2中提取的特征包括:初测距离、修正距离、用于查找第一径的阈值、第一径强度、接收信号强度、第一径强度与接收信号强度差、第一径与峰值经在信道脉冲响应中的位置差、信道脉冲响应斜度。
UWB获得的原始信道脉冲信号中能够提取得到超过20个的特征,现有技术一般选取其中接收信号强度、信号到达角度、信号到达时间和信号到达时间差这四种特征的组合来进行测距计算,发明人也尝试使用了现有技术采用的特征组合进行大型结构位移测量,发现这些特征组合在位移变化较大时能获得较好的检测效果,但并不能满足大型结构毫米级位移实时监测的需求。发明人在对UWB获得信号的特征长期研究后发现,不同的特征之间具有不同的相关性,而相关性会影响到相对位移检测的准确度,发明人利用相关性系数评估和筛选不同的特征组合,发现以初测距离、修正距离、用于查找第一径的阈值、第一径强度、接收信号强度、第一径强度与接收信号强度差、第一径与峰值经在信道脉冲响应中的位置差、信道脉冲响应斜度这八个特征作为本技术方案提取的特征组合,在这一特征组合中只有第一路径功率和第一路径比之间的相关系数大于0.5。特征值之间相对较低的相关性表明所选参数彼此独立,因此使得获得的结果精度明显高于其他特征组合,尤其是将该特征组合与XGBoost的机器学习模型结合使用,能大大提高XGBoost的机器学习模型预测结果的准确性。可见,采用本技术方案中的八个特征,能够大大提高结构位移测量精度,实现对大型结构毫米级的位移实时监测。需要说明的是,S2中提取的特征是指提取的初测距离、修正距离、用于查找第一径的阈值、第一径强度、接收信号强度、第一径强度与接收信号强度差、第一径与峰值经在信道脉冲响应中的位置差、信道脉冲响应斜度这八个特征的特征值。
进一步的,初测距离和修正距离使用UWB收发机的双边测距算法计算得到;用于查找第一径的阈值从UWB芯片的设置获取得到;第一径强度使用公式计算,其中Pfp为第一径强度,F1、F2、F3分别为信道脉冲响应中的前3个估算的第一径幅值,Np为前导码累计计数值,Na为常数;接收信号强度RSSI使用公式计算,其中RSSI为接收信号强度,C为信道脉冲响应功率值,Np为前导码累计计数值,Na为常数;信道脉冲响应斜度使用公式计算,其中S为信道脉冲响应斜度,为F1、F2、F3的平均值,Fk为,k=1,2,3。
本技术方案提供了初测距离、修正距离、用于查找第一径的阈值、第一径强度、接收信号强度、第一径强度与接收信号强度差、第一径与峰值经在信道脉冲响应中的位置差、信道脉冲响应斜度的计算方法。需要说明的是,本技术方案中公式中的所有参数均可从UWB芯片中直接读取,其中Na为113.77,当UWB选择64MHz时Na为121.74,Fk分别表示F1、F2、F3。
进一步的,S3中XGBoost的机器学习模型的构建方法为:S3.1、在固定节点和移动节点固定的相对位移下,获取原始信道脉冲信号,并对原始信道脉冲信号进行特征提取,将提取的特征和结构位移共同组成训练集;S3.2、抽取部分训练集输入使用原始XGBoost机器学习模型进行训练,获得的训练后的XGBoost机器学习模型,剩余部分训练集作为测试集;S3.3、将测试集输入训练后的XGBoost机器学习模型,测试训练后的XGBoost机器学习模型的精度,其中,S3中将提取的特征输入训练后XGBoost的机器学习模型进行训练,获得预测结果。
本技术方案提供了XGBoost的机器学习模型的构建方法,在机器学习训练阶段,该特征值与结构位移共同组成训练集。当机器学习模型被训练后的预测阶段,可以根据特征值预测出当时的结构位移。优选的,本技术方案中将训练集的80%用于训练XGBoost机器学习模型,将训练集的20%作为测试集,测试训练后的XGBoost机器学习模型的精度。需要说明的是,本技术方案中S3.3测试训练后的XGBoost机器学习模型的精度是为了验证XGBoost机器学习模型的精度是否满足预设的精度要求,一般情况下,通过一次训练就能满足预设的精度要求,即可以进行预测。若发现XGBoost机器学习模型的精度不满足预设的精度要求,则需要检查数据是否错误,或进行多次训练。
进一步的,使用相对位移作为训练集的标签。
本技术方案在机器学习训练集采集阶段,本发明未使用绝对距离作为训练集的标签,而是使用相对位移作为训练集的标签。例如,在第一次训练集采集时,UWB收发机之间的真实物理距离是5米,本技术方案将该位置的训练集标签设定为0;在进行第二次训练集采集时,UWB收发机之间的真实物理距离是5.001米,本技术方案将该位置的训练集标签设定为0.001米,依次类推,得到0至0.030米之间的全部训练集。需要说明的是,本技术方案的训练集是一个二维矩阵,行数为训练集的个数,共114918行,列数为9;每行共有9个数据,分别为每个训练集的8个特征值和1个标签,所述标签为相对位移。
进一步的,S4中使用低通滤波器削减预测结果的方差的具体方法为:首先,使用时频分析方法对机器学习模型预测值进行时频谱分析,得到其主要能量聚集的频率范围;其次,使用低通滤波器进行低通滤波,滤除高频噪声部分,得到滤除高频噪声后的相对位移,从而降低机器学习模型预测值的预测方差。
本技术方案使用时频分析得到机器学习模型预测值的低通滤波上限,然后再使用低通滤波器对机器学习模型预测进行低通滤波。需要说明的是,本技术方案中使用的低通滤波器为巴特沃斯低通滤波器。
进一步的,S4中使用多项式补偿削减预测结果的偏差的具体方法为:多项式补偿采样三项式模型,具体为,所述,其中为最终的计算距离,E为滤除高频噪声后的相对位移,系数k1、k2、k3和k4由训练集的训练结果回归得到。
本技术方案在测试阶段,将滤波后的结果与真实值进行多项式回归,得到多项式补偿公式;在正式使用阶段,使用多项式补偿公式,对滤波结果进行修正,得到最终的高精度位移。
综上所述,本发明与现有技术相比具有以下有益效果:
1、本发明将UWB与大型结构位移测量相结合,通过两个监测节点的设置,获取移动节点相对固定节点的相对位置变化即相对位移来确定大型结构安装有移动节点位置的位移变化情况,具有高精度、低成本、高频采样等有利于实时监测的特性。
2、本发明在将UWB应用在大型结构相对位移测量的基础上,使用XGBoost的机器学习模型处理UWB获得的信号能获得更为准确的预测结果,精度最高、方差最小;并针对预测结果的误差,使用低通滤波器削减方差,使用多项式补偿削减偏差,进一步提高本技术方法的检测精度,以实现毫米级的位移实时监测。
3、本发明以初测距离、修正距离、用于查找第一径的阈值、第一径强度、接收信号强度、第一径强度与接收信号强度差、第一径与峰值经在信道脉冲响应中的位置差、信道脉冲响应斜度这八个特征作为本技术方案提取的特征组合,在这一特征组合中只有第一路径功率和第一路径比之间的相关系数大于0.5,特征值之间相对较低的相关性表明所选参数彼此独立,因此使得获得的结果精度明显高于其他特征组合,尤其是将该特征组合与XGBoost的机器学习模型结合使用,能大大提高XGBoost的机器学习模型预测结果的准确性。可见,采用本技术方案中的八个特征,能够大大提高结构位移测量精度,实现对大型结构毫米级的位移实时监测。需要说明的是,S2中提取的特征是指提取的初测距离、修正距离、用于查找第一径的阈值、第一径强度、接收信号强度、第一径强度与接收信号强度差、第一径与峰值经在信道脉冲响应中的位置差、信道脉冲响应斜度这八个特征的特征值。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。在附图中:
图1为本发明的高精度位移测量方法的流程图;
图2为本发明UWB接收机中获得的信道脉冲响应示意图;
图3为本发明使用XGBoost的机器学习模型进行预测,获得预测结果的主要能量分布;
图4为不同方法对预测结果准确度的影响。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
实施例1:
如图1所示,本实施例包括如下步骤:S1、设置两个UWB收发机分别作为固定节点和移动节点,获取UWB接收机相对发射机发生毫米级位移时的原始信道脉冲信号;S2、基于UWB信道脉冲响应对原始信道脉冲信号进行特征提取;S3、将提取的特征输入XGBoost的机器学习模型进行预测,获得相对位移的预测结果,即机器学习模型预测值;S4、使用低通滤波器和多项式对预测结果进行校正,获得两个UWB收发机之间的相对位移;其中,S4中使用低通滤波器削减预测结果的方差,使用多项式补偿削减预测结果的偏差。通过将UWB与大型结构位移测量相结合,通过两个监测节点的设置,获取移动节点相对固定节点的相对位置变化即相对位移来确定大型结构安装有移动节点位置的位移变化情况,具有高精度、低成本、高频采样等有利于实时监测的特性。在将UWB应用在大型结构相对位移测量的基础上,使用XGBoost的机器学习模型处理UWB获得的信号能获得更为准确的预测结果,精度最高、方差最小;并针对预测结果的误差,使用低通滤波器削减方差,使用多项式补偿削减偏差,进一步提高本技术方法的检测精度,以实现毫米级的位移实时监测。
优选的,S2中提取的特征包括:初测距离、修正距离、用于查找第一径的阈值、第一径强度、接收信号强度、第一径强度与接收信号强度差、第一径与峰值经在信道脉冲响应中的位置差、信道脉冲响应斜度。采用这八个特征,能够大大提高结构位移测量精度,实现对大型结构毫米级的位移实时监测;将该特征组合与XGBoost的机器学习模型结合使用,能大大提高XGBoost的机器学习模型预测结果的准确性。
优选的,初测距离和修正距离使用UWB收发机的双边测距算法计算得到;用于查找第一径的阈值从UWB芯片的设置获取得到;第一径强度使用公式计算,其中Pfp为第一径强度,F1、F2、F3分别为信道脉冲响应中的前3个估算的第一径幅值,Np为前导码累计计数值,Na为常数;接收信号强度RSSI使用公式计算,其中RSSI为接收信号强度,C为信道脉冲响应功率值,Np为前导码累计计数值,Na为常数;信道脉冲响应斜度使用公式计算,其中S为信道脉冲响应斜度,为F1、F2、F3的平均值,,k=1,2,3。
优选的,S3中XGBoost的机器学习模型的构建方法为:S3.1、在固定节点和移动节点固定的相对位移下,获取原始信道脉冲信号,并对原始信道脉冲信号进行特征提取,将提取的特征和结构位移共同组成训练集;S3.2、抽取部分训练集输入使用原始XGBoost机器学习模型进行训练,获得的训练后的XGBoost机器学习模型,剩余部分训练集作为测试集;S3.3、将测试集输入训练后的XGBoost机器学习模型,测试获得的训练后的XGBoost机器学习模型的精度;其中,S3中将提取的特征输入训练后XGBoost的机器学习模型进行训练,获得预测结果。
优选的,使用相对位移作为训练集的标签。在机器学习训练集采集阶段,本发明未使用绝对距离作为训练集的标签,而是使用相对位移作为训练集的标签。
优选的,S4中使用低通滤波器削减预测结果的方差的具体方法为:首先,使用时频分析方法对机器学习模型预测值进行时频谱分析,得到其主要能量聚集的频率范围;其次,使用低通滤波器进行低通滤波,滤除高频噪声部分,得到滤除高频噪声后的相对位移,从而降低机器学习模型预测值的预测方差。使用时频分析得到机器学习模型预测值的低通滤波上限,然后再使用低通滤波器对机器学习模型预测进行低通滤波。
优选的,S4中使用多项式补偿削减预测结果的偏差的具体方法为:多项式补偿采样三项式模型,具体为,所述,其中为最终的计算距离,E为滤除高频噪声后的相对位移,系数k1、k2、k3和k4由训练集的训练结果回归得到。在测试阶段,将滤波后的结果与真实值进行多项式回归,得到多项式补偿公式;在正式使用阶段,使用多项式补偿公式,对滤波结果进行修正,得到最终的高精度位移。
验证实验:
1、S2中提取的八个特征的相关性验证
表1提取的八个特征的相关性系数
备注:其中为初测距离、为修正距离、Tfp为用于查找第一径的阈值、Pfp为第一径强度、RSSI为接收信号强度、φfp为第一径强度与接收信号强度差、σfp为第一径与峰值经在信道脉冲响应中的位置差、S为信道脉冲响应斜度。
为了证明本发明选择的八个特征值的选择是正确的,本实验使用相关性系数来评估所选特征值之间的关联,上表1列出了相关系数的结果。由于相关矩阵的对称性,表格只列出一半数据。对角线上的相关系数等于1.0,因为对角线系数描述了特征值的自相关。在不落入对角线的相关系数中,只有第一路径功率和第一路径比之间的相关系数大于0.5。特征值之间相对较低的相关性表明所选参数彼此独立。因此,所选参数是合适的。
2、不同方法对测量结果的影响
本实验将实施例1的方法与其他三种机器学习算法进行了比较,包括XGBoost、随机森林(RF)、支持向量回归(SVR)。对于每种方法,均使用低通滤波器(移动平均法)处理数据,窗口宽度和步长为2000。除实施例1的方法外,其他三种机器学习方法的数据均不使用多项式方程进行处理。图2为实施例1UWB接收机中获得的信道脉冲响应示意图;图3为实施例1使用XGBoost的机器学习模型进行预测,获得预测结果的主要能量分布。
2.1、不同方法对预测结果准确度的影响
图4比较了四种不同方法的结果,图4中:True表示真实值,Proposed表示实施例1的方法,XGBoost表示XGBoost机器学习方法,RF表示随机森林机器学习方法,SVR表示支持向量回归机器学习方法。从图4可以看出,实施例1的方法显示出预测值与真实值具有较高的一致性,而其他三种方法显示出显著的误差,特别是在距离范围(0-30mm)的下限(小于10mm)和上限(高于20mm)上,主要是由于对比的机器学习方法的估计有偏。从实施例1的方法和常规的XGBoost机器学习方法比较可以看出,实施例1中采用多项式补偿削减预测结果的偏差有助于校正受偏差影响的距离结果,可见实施例1的方法获得测量结果误差更小。
2.2不同方法对测量精度的影响
表2不同方法的测量精度
实施例1的方法 | XGBoost | RF | SVR | |
MAE(mm) | 0.501 | 2.823 | 2.190 | 4.449 |
MSE(mm<sup>2</sup>) | 0.467 | 13.42 | 9.392 | 27.97 |
RMSE(mm) | 0.684 | 3.664 | 3.065 | 5.289 |
R<sup>2</sup> | 0.994 | 0.832 | 0.883 | 0.650 |
延迟 | <1秒 | <1秒 | >1小时 | >2小时 |
上表2中显示了四种方法的评价结果,测量精度使用平均绝对误差(MAE)、均方误差(MSE)、均方根误差(RMSE)和决定系数(R2)进行评估,计算效率使用延迟来评估,即计算时间。从表2中数据可以看出,实施例1的方法精度最高,方差最小;与XGBoost模型相比,实施例1的方法的模型显著降低了预测误差;MAE、MSE和RMSE的降低率分别为82%、97%和81%。实施例1的计算消耗时间与XGBoost方法相当,但明显快于RF和SVR方法。可见采用实施例1的方法,能够实现对大型结构毫米级的位移实时监测。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于UWB信道脉冲响应的高精度位移测量方法,其特征在于,包括如下步骤:
S1、设置两个UWB收发机分别作为固定节点和移动节点,获取UWB接收机相对发射机发生毫米级位移时的原始信道脉冲信号;
S2、基于UWB信道脉冲响应对原始信道脉冲信号进行特征提取,提取的特征包括:初测距离、修正距离、用于查找第一径的阈值、第一径强度、接收信号强度、第一径强度与接收信号强度差、第一径与峰值经在信道脉冲响应中的位置差、信道脉冲响应斜度;
S3、将提取的特征输入XGBoost的机器学习模型进行预测,获得相对位移的预测结果,即机器学习模型预测值;
S4、使用低通滤波器和多项式对预测结果进行校正,获得两个UWB收发机之间的相对位移;
其中,S4中使用低通滤波器削减预测结果的方差,使用多项式补偿削减预测结果的偏差。
3.如权利要求1所述的一种基于UWB信道脉冲响应的高精度位移测量方法,其特征在于,S3中XGBoost的机器学习模型的构建方法为:
S3.1、在固定节点和移动节点固定的相对位移下,获取原始信道脉冲信号,并对原始信道脉冲信号进行特征提取,将提取的特征和结构位移共同组成训练集;
S3.2、抽取部分训练集输入使用原始XGBoost机器学习模型进行训练,获得的训练后的XGBoost机器学习模型,剩余部分训练集作为测试集;
S3.3、将测试集输入训练后的XGBoost机器学习模型,测试获得的训练后的XGBoost机器学习模型的精度;
其中,S3中将提取的特征输入训练后XGBoost的机器学习模型进行训练,获得预测结果。
4.如权利要求3所述的一种基于UWB信道脉冲响应的高精度位移测量方法,其特征在于,使用相对位移作为训练集的标签。
5.如权利要求1所述的一种基于UWB信道脉冲响应的高精度位移测量方法,其特征在于,S4中使用低通滤波器削减预测结果的方差的具体方法为:首先,使用时频分析方法对机器学习模型预测值进行时频谱分析,得到其主要能量聚集的频率范围;其次,使用低通滤波器进行低通滤波,滤除高频噪声部分,得到滤除高频噪声后的相对位移,从而降低机器学习模型预测值的预测方差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011258521.9A CN112484625B (zh) | 2020-11-12 | 2020-11-12 | 一种基于uwb信道脉冲响应的高精度位移测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011258521.9A CN112484625B (zh) | 2020-11-12 | 2020-11-12 | 一种基于uwb信道脉冲响应的高精度位移测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112484625A CN112484625A (zh) | 2021-03-12 |
CN112484625B true CN112484625B (zh) | 2021-09-17 |
Family
ID=74929919
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011258521.9A Active CN112484625B (zh) | 2020-11-12 | 2020-11-12 | 一种基于uwb信道脉冲响应的高精度位移测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112484625B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113518306B (zh) * | 2021-04-21 | 2024-01-19 | Tcl通讯(宁波)有限公司 | 一种uwb定位方法、终端及计算机可读存储介质 |
CN113378272B (zh) * | 2021-06-11 | 2022-06-07 | 西南交通大学 | 用于构建多墙体遮挡下超宽带测距误差模型的方法及系统 |
CN114660540B (zh) * | 2022-03-21 | 2022-10-21 | 青岛柯锐思德电子科技有限公司 | 一种脉冲到达时间区域max检测系统及检测方法 |
CN116760433B (zh) * | 2023-08-17 | 2023-10-17 | 为准(北京)电子科技有限公司 | 基带脉冲响应信号测量方法、装置、电子设备及介质 |
CN117056818B (zh) * | 2023-10-08 | 2024-02-02 | 广东工业大学 | 一种基于cir第一路径的超宽带nlos信号识别方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104612682A (zh) * | 2014-12-09 | 2015-05-13 | 中国矿业大学 | 一种基于uwb采煤机绝对位置精确校准方法及装置 |
CN104714209A (zh) * | 2015-03-27 | 2015-06-17 | 中国矿业大学 | 一种基于uwb与激光测距组合的动态定位方法及装置 |
CN205210304U (zh) * | 2015-12-08 | 2016-05-04 | 湖南华诺星空电子技术有限公司 | 一种基于uwb无线电的高精度测距装置 |
CN106168139A (zh) * | 2016-08-24 | 2016-11-30 | 天津华宁电子有限公司 | 一种液压支架无线位移检测和自动找直系统及方法 |
CN107563437A (zh) * | 2017-08-31 | 2018-01-09 | 广州中海达定位技术有限公司 | 基于随机森林的超宽带非视距鉴别方法 |
CN107990821A (zh) * | 2017-11-17 | 2018-05-04 | 深圳大学 | 一种桥梁形变监测方法、存储介质及桥梁形变监测接收机 |
KR20190007206A (ko) * | 2017-07-12 | 2019-01-22 | 주식회사 유캐스트 | Ir―uwb 측위 시스템 및 위치 측정 방법 |
CN110113709A (zh) * | 2019-04-24 | 2019-08-09 | 南京邮电大学 | 一种基于支持向量机的超宽带室内定位误差消除算法 |
CN110208740A (zh) * | 2019-07-09 | 2019-09-06 | 北京智芯微电子科技有限公司 | Tdoa-imu数据自适应融合定位装置及方法 |
CN111457831A (zh) * | 2020-05-14 | 2020-07-28 | 中电科蓉威电子技术有限公司 | 一种基于uwb的位移监测系统和方法 |
CN111595339A (zh) * | 2020-03-30 | 2020-08-28 | 杭州微萤科技有限公司 | 一种提高uwb在室内测距精度的方法及测距系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7383053B2 (en) * | 2004-04-28 | 2008-06-03 | Lawrence Livermore National Security, Llc | Position estimation of transceivers in communication networks |
-
2020
- 2020-11-12 CN CN202011258521.9A patent/CN112484625B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104612682A (zh) * | 2014-12-09 | 2015-05-13 | 中国矿业大学 | 一种基于uwb采煤机绝对位置精确校准方法及装置 |
CN104714209A (zh) * | 2015-03-27 | 2015-06-17 | 中国矿业大学 | 一种基于uwb与激光测距组合的动态定位方法及装置 |
CN205210304U (zh) * | 2015-12-08 | 2016-05-04 | 湖南华诺星空电子技术有限公司 | 一种基于uwb无线电的高精度测距装置 |
CN106168139A (zh) * | 2016-08-24 | 2016-11-30 | 天津华宁电子有限公司 | 一种液压支架无线位移检测和自动找直系统及方法 |
KR20190007206A (ko) * | 2017-07-12 | 2019-01-22 | 주식회사 유캐스트 | Ir―uwb 측위 시스템 및 위치 측정 방법 |
CN107563437A (zh) * | 2017-08-31 | 2018-01-09 | 广州中海达定位技术有限公司 | 基于随机森林的超宽带非视距鉴别方法 |
CN107990821A (zh) * | 2017-11-17 | 2018-05-04 | 深圳大学 | 一种桥梁形变监测方法、存储介质及桥梁形变监测接收机 |
CN110113709A (zh) * | 2019-04-24 | 2019-08-09 | 南京邮电大学 | 一种基于支持向量机的超宽带室内定位误差消除算法 |
CN110208740A (zh) * | 2019-07-09 | 2019-09-06 | 北京智芯微电子科技有限公司 | Tdoa-imu数据自适应融合定位装置及方法 |
CN111595339A (zh) * | 2020-03-30 | 2020-08-28 | 杭州微萤科技有限公司 | 一种提高uwb在室内测距精度的方法及测距系统 |
CN111457831A (zh) * | 2020-05-14 | 2020-07-28 | 中电科蓉威电子技术有限公司 | 一种基于uwb的位移监测系统和方法 |
Non-Patent Citations (4)
Title |
---|
A Method for Improving UWB Indoor Positioning;Zhanjun Hao et al.;《Mathematical Problems in Engineering》;20181212;第2018卷;第8740872(1-17页) * |
UWB Indoor Localization Using Deep Learning LSTM Networks;Alwin Poulose et al.;《Applied Science》;20200910;第6290(1-23)页 * |
基于 UWB的采煤机定位精度提升算法研究;刘一鸣 等;《工矿自动化》;20161231;第42卷(第12期);第25-29页 * |
基于CSI-XGBoost的高精度WiFi室内定位算法;张玄黎 等;《北京航空航天大学学报》;20181231;第44卷(第12期);第2536-3543页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112484625A (zh) | 2021-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112484625B (zh) | 一种基于uwb信道脉冲响应的高精度位移测量方法 | |
CN103209478B (zh) | 基于分类阈值及信号强度权重的室内定位方法 | |
EP3173807B1 (en) | System and method for robust and accurate rssi based location estimation | |
CN105491661B (zh) | 基于改进的Kalman滤波算法的室内定位系统及方法 | |
Daiya et al. | Experimental analysis of RSSI for distance and position estimation | |
CN104883734A (zh) | 一种基于地理指纹的室内被动定位方法 | |
CN105813020A (zh) | 一种自适应环境的rssi校正的无线传感器网络定位算法 | |
CN102711244B (zh) | 一种基于无线传感器网络的协作节点定位方法 | |
CN103605110A (zh) | 基于接收信号强度的室内无源目标定位方法 | |
CN106231549A (zh) | 一种基于重构算法的60GHz脉冲室内定位方法 | |
Miao et al. | The accurate location estimation of sensor node using received signal strength measurements in large‐scale farmland | |
CN108038419A (zh) | 基于Wi-Fi的室内人员被动检测方法 | |
CN110636436A (zh) | 基于改进chan算法的三维uwb室内定位方法 | |
Whitehouse et al. | Sensor field localization: A deployment and empirical analysis | |
Tian et al. | Third-order channel propagation model-based indoor adaptive localization algorithm for wireless sensor networks | |
CN105072582B (zh) | 基于rss分布的距离自适应的无线传感网络被动式定位方法 | |
Palazon et al. | Experimental RSSI-based localization system using wireless sensor networks | |
Luo | Range error correction in RSSI-based wireless sensor node localization | |
Silva et al. | Towards non-line-of-sight ranging error mitigation in industrial wireless sensor networks | |
Zaarour et al. | Path loss exponent estimation using connectivity information in wireless sensor network | |
KR102322480B1 (ko) | 대상체 크기 및 동작강도에 최적화된 검출 임계치를 적용할 수 있는 uwb 위치인식시스템 및 uwb 위치인식방법 | |
CN104125640B (zh) | 一种基于无线传感网加权阈值质心定位方法 | |
Shioda et al. | Anchor-free localization: Estimation of relative locations of sensors | |
Liu | Research on wsn node localization algorithm based on rssi iterative centroid estimation | |
CN107255811A (zh) | 一种基于rssi通信距离估计的不确定性分析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |