CN112748397B - 非视距条件下基于自适应bp神经网络的uwb定位方法 - Google Patents
非视距条件下基于自适应bp神经网络的uwb定位方法 Download PDFInfo
- Publication number
- CN112748397B CN112748397B CN202011528976.8A CN202011528976A CN112748397B CN 112748397 B CN112748397 B CN 112748397B CN 202011528976 A CN202011528976 A CN 202011528976A CN 112748397 B CN112748397 B CN 112748397B
- Authority
- CN
- China
- Prior art keywords
- nlos
- neural network
- algorithm
- coordinates
- estimated
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 44
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 65
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000003062 neural network model Methods 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000004138 cluster model Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 6
- 238000004891 communication Methods 0.000 abstract description 3
- 230000003044 adaptive effect Effects 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000001629 suppression Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 230000000116 mitigating effect Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 230000009295 sperm incapacitation Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/06—Position of source determined by co-ordinating a plurality of position lines defined by path-difference measurements
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明涉及一种非视距条件下基于自适应BP神经网络的UWB定位方法，属于通信定位领域。该方法包括：选用估计距离差以及基于统计的前k组估计距离差的均值和标准差作为特征，采用基于无监督学习的K‑means++聚类算法将观测数据划分为LOS、NLOSL和NLOSH三类；然后通过GA算法对BP神经网络的权值和阈值动态优化，进一步提高算法的效率；最后使用Chan算法解算标签的初始坐标，将计算出的坐标和重构后数据使用Taylor迭代算法更新标签坐标，当满足误差阈值要求或迭代次数时结束迭代过程，并将最终结果输出。本发明能够实时准确的定位标签坐标。
Description
技术领域
本发明属于通信定位领域，涉及一种非视距条件下基于自适应BP神经网络的UWB定位方法。
背景技术
在现有的网络技术中，超宽带(Ultra Wide Band，UWB)无线通信技术由于功耗低、抗多径效果好、安全性高、系统复杂度低和定位精度极高等优点，在众多无线定位技术中脱颖而出。目前基于UWB的定位原理，需要依靠最少3个已知位置的室内基站进行定位，需要定位的人员或设备携带定位标签，定位标签按照一定的频率发射脉冲，不断地和已知位置的基站进行测距，基站接受标签发射的脉冲信号并通过网线传输到交换机与服务器，在服务器软件中运用一定的精确算法进行位置解算，实时显示全局标签的位置。目前应用最普遍、效果相对较好的精确定位算法是信号到达时间差(Time Difference of Arrival,TDOA)定位算法，通过测量信号到达监测基站的时间，可以确定信号源的距离。利用信号源到各个监测基站的距离(以监测基站为中心，距离为半径作圆)，就能确定信号的位置。例如：专利申请“一种自适应室内动态目标的UWB定位方法及系统”(公开号CN106793077A)，利用小波分解自适应去噪法对测得TDOA值进行处理，输出重构的TDOA值。此方法的缺点在于在多径、多金属环境、有遮挡等不同的条件下，并没有做出对测量数据的识别，不同环境下该方法适应性不高。
基于UWB较高的传输速率和较好的实时性，结合TODA定位算法，大致上可以满足无线定位的要求。但这种定位方法会产生一个严重的问题——多径效应，即宽带信号沿着不同路径传输时，由于不同路径有不同时延，定位标签在同一时刻发出的信号分别沿着不同路径而在接收基站处前后重叠，加上传播过程中还有各种障碍物所引起的散射波，从而引起多径效应，最终造成定位精度差，定位实时性差，从而阻碍了UWB定位技术的推广和应用。例如：专利申请“基于KF算法、Chan算法及Taylor算法的UWB定位方法”(公开号：CN109186609A)，利用经卡尔曼滤波后的距离值使用Chan算法得到待测标签估计位置，此方法的缺点在于每次计算时都需要测量待测目标距离各锚节点所在的真实距离值，并且当处在多径、多金属环境、有遮挡条件下，并未对非视距数据进行分析处理，定位精度较低。
在混合LOS(Line-of-sight)与NLOS(Non-line-of-sight)的环境中正确的识别出NLOS，并对其进行缓解是当前的研究热点。当前的研究的算法大都分为两类，一种是识别算法，通过识别算法将LOS与NLOS条件下的测量值区分出来，然后只利用LOS条件下的测量值进行定位，这种方法在NLOS条件严重时，经常会导致无法定位，这极大的影响了定位的性能；另一种是缓解算法，将所有的数据都输入缓解算法中进行处理，这种算法通常因为环境的影响误差缓解的效果不够好，且随着NLOS测量数据的增加定位性能变差。例如：专利申请“一种NLOS条件下SVM与重心坐标相结合的UWB定位方法”(公开号：CN110488222A)，采用SVC分类器对NLOS数据进行识别，采用SVR回归器缓解NLOS数据，在不同的NLOS环境下该方法的适应性不高。同时未能解决当存在系统误差的问题，并未对不同NLOS条件下的数据进行分析处理。
发明内容
有鉴于此，本发明的目的在于提供一种非视距条件下基于自适应BP神经网络的UWB定位方法，采用基于无监督学习的K-means++聚类算法将观测数据划分为LOS、NLOSL和NLOSH三类；然后通过GA算法对BP神经网络的权值和阈值动态优化，进一步提高算法的效率；再使用Chan算法解算标签的初始坐标，将计算出的坐标和重构后数据使用Taylor迭代算法更新标签坐标，使得位置定位更准确。
为达到上述目的，本发明提供如下技术方案：
一种非视距条件下基于自适应BP神经网络的UWB定位方法，具体包括以下步骤：
S1：数据采集与预处理；
S2：构建K-means++算法，并将NLOS和LOS条件下提取的特征样本构成特征矩阵输入K-means++算法中进行计算，得到训练后的聚类中心，根据均值和方差从小到大排序确定LOS、NLOSL和NLOSH三个类别；
S3：构建自适应BP神经网络模型，并将NLOS和LOS条件下提取的特征样本与对应输出值输入神经网络中进行训练，得到训练后的BP神经网络；所述输出值为UWB节点间距离；
S4：采集新的TDOA数据，提取出代表传播条件的统计特征样本，并将其与K-means++算法解算出的聚类中心计算距离，利用距离差的大小排序分类出测量值属于LOS、NLOSL或NLOSH传播条件；
S5：利用Chan算法初步解算标签位置，将解算得到的估计坐标作为Taylor迭代法的初始坐标和已知锚节点的坐标计算出未知节点的实际位置坐标。
进一步，步骤S1中，数据采集与预处理具体包括：使用UWB无线电在室内LOS环境与NLOS环境中分别进行多次测量，并分别采集在LOS环境与不同NLOS环境下的TDOA数据，计算得出相应的估计距离差矩阵Ri1，并根据估计距离差数据划分窗口，计算每组估计距离差数据与前k组数据的均值和方差，根据估计距离差ri1以及估计距离差ri1的均值和方差rmsei1作为聚类模型的输入，计算公式如下：
Ri1＝[r21,r31,...,ri1]T
ri1＝(τi-τ1)×c
其中，ri1表示标签到从基站i的估计距离与标签到主机站1的估计距离的差值，Ri1表示待测估计距离差矩阵，ri1j表示之前接收到的第j组ri1距离估计差值，j＝0时表示ri1本身；τi表示基站i接收到标签发送信号的时间，c表示光速。
进一步，步骤S2中，构建K-means++算法，具体包括以下步骤：
S21：从输入的数据集合中随机选择一个点作为第一个聚类中心μ1；
S22：对于数据集中的每一个点xi，计算它与已选择的聚类中心中最近聚类中心的距离，公式如下：
S23：选择一个新的数据点作为新的聚类中心，选择原则是：D(x)较大的点，被选取作为聚类中心的概率较大；
S24：重复步骤S22和S23直到选择出k个聚类质心；
S25：利用选择出的k个聚类质心作为初始化质心来运行标准的K-means算法；
S26：如果所有的k个质心μi都没有发生变化则输出相应的聚类中心；
S27：根据聚类中心向量中的均值和方差从小到大排序，确定LOS，NLOSL和NLOSH三个类别。
进一步，步骤S3中，构建自适应BP神经网络模型，具体包括以下步骤：
S31：确定BP神经网络的拓扑结构；
S32：对BP神经网络的权值和阈值进行编码，根据BP神经网络数据为[-1,1]之间的小数且数量巨大的特点，本发明采用实数编码规则，得到初始种群；
S33：用个体代表神经网络初始的权值和阈值，利用个体初始化BP神经网络进行TDOA估计值重构，将预测输出值和实际输出值的误差绝对值作为适应度函数变量值C，并判断是否满足优化的标准，若符合则进入步骤S34，否则剔除此个体；其中适应度函数为F(C)＝1/C；
S34：选择满足适应度要求的个体，进行复制、交叉以及变异产生新的个体；
S35：查看产生的新个体是否满足最优个体的标准，若是满足则继续进行步骤S36，若不满足，则返回到步骤S32；
S36：将最终获取的最优个体进行解码，分别作为BP神经网络的权值和阈值；
S37：建立BP神经网络模型，计算全局误差，反向调整网络中的参数，重复迭代训练，直至达到误差精度要求或迭代次数上限；
S38：使用GA算法优化后的BP神经网络模型进行估计距离差重构；
S39：将得到的估计值作为扩展卡尔曼滤波的初始值，利用扩展卡尔曼波算法对移动定位目标进行跟踪定位，求得最终的估计值。
进一步，步骤S4中，利用距离差的大小排序分类出测量值属于LOS、NLOSL或NLOSH传播条件，具体包括：若为LOS传播条件，则直接将距离差矩阵输入Chan算法协同Taylor迭代法获取位置；若为NLOSL或NLOSH传播条件下，则利用训练后的自适应BP神经网络对不同NLOS条件下的测量值进行缓解，即将NLOSL条件下的特征样本输入到已训练的BP神经网络Ⅰ中得到新的对应输出值，将NLOSH条件下的特征样本输入到已训练的BP神经网络Ⅱ中得到新的对应输出值，将重构后的距离差矩阵，通过Chan算法协同Taylor迭代法获取标签位置。
进一步，步骤S5中，利用Chan算法解算得到估计坐标，具体包括：
根据四基站坐标和拟合后的估计距离差构建双曲线方程：
其中，Ri,1为重构后的估计距离差，(x,y,z)为待测标签坐标，(xi,yi,zi)为第i个基站的坐标；由(1)推导出下式：
将(2)式简化为Gava＝h，其中
Si,1＝si-s1(S＝X,Y,Z,i＝2,3,4)；利用两次加权最小二乘法得到：
va＝(GaTQ-1Ga)-1GaTQ-1h (3)
其中，Q为TDOA的协方差矩阵；计算得到标签的估计坐标为
进一步，步骤S5中，将Chan算法解算的估计坐标作为Taylor迭代算法的初始坐标，计算出未知节点的实际位置坐标，具体包括：对(1)式进行Taylor级数展开，并忽略二阶以上分量，得到：
ht＝GtΔ+ε (4)
ε为TDOA测量噪声误差；
对(11)式采用加权最小二乘法求解，得到Δ的最小二乘估计，即：
其中，Q为TDOA测量值的协方差矩阵；
Taylor级数展开法第1次迭代使用选定的tag初始坐标(xp,yp,zp)，求出Δ；第k次迭代后为：
连续迭代直到位置误差量满足Δn≤∈或者达到迭代次数上限时停止迭代，此时的标签的估计坐标即为最终的定位结果。
本发明的有益效果在于：
(1)本发明提供的识别方法使用基于无监督学习的NLOS信号检测方法结合统计学的参数特征，将每组TDOA测量值看作一个整体，考虑了不同误差分布的NLOS信号的影响，采用K-means聚类算法将观测数据划分为LOS、NLOSL和NLOSH三类，使用不同回归模型对NLOS信号进行误差抑制。
(2)本发明提供的NLOS误差抑制方法可有效缓解NLOS测量误差。针对不同类别采用不同的回归模型对TDOA数据进行重构，回归模型选用自适应BP神经网络模型，特征使用估计距离差以及这k组的均值和标准差作为输入特征，求解出重构后的一组估计距离差输出值。
(3)本发明采用识别和误差抑制方法对每一组TDOA数据进行识别，重构，使重构后的TDOA数据的误差近似为零均值的高斯分布，为使Chan算法定位的结果更加的稳定，使用Taylor迭代算法更新标签坐标，迭代判断条件设置为误差和小于阈值即可结束迭代。
(4)本发明的定位方法在模型训练完成后维护简单，误差抑制模型采用三层神经网络，根据前k组获取的TDOA测量值及上述的特征作为自适应BP神经网络的输入，当NLOS误差分布发生变化时，利用GA算法对神经网络权值进行优化，自动更新权值，能够实时准确的定位标签坐标。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为本发明基于自适应BP神经网络的UWB定位方法流程图；
图2为BP神经网络结构图；
图3为自适应BP神经网络训练图；
图4为利用Chan算法结合Taylor迭代算法的定位算法流程图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
请参阅图1～图4，本实施例设计了一种非视距条件下基于自适应BP神经网络的UWB定位方法，具体过程如下：
使用UWB无线电在室内LOS环境与NLOS环境中分别进行多次测量，并分别采集在LOS环境与不同NLOS环境下的TDOA数据，计算得出相应的估计距离差矩阵Ri1，并根据这些数据划分窗口，计算每组估计距离差数据与前k组数据的均值和方差，根据估计距离差ri1以及估计距离差ri1的均值和方差rmsei1作为模型的输入：
本实施例中K-means++聚类具体过程如下：
(1)从输入的数据集合中随机选择一个点作为第一个聚类中心μ1；
(2)对于数据集中的每一个点xi，计算它与已选择的聚类中心中最近聚类中心的距离，公式如下：
(3)选择一个新的数据点作为新的聚类中心，选择的原则是：D(x)较大的点，被选取作为聚类中心的概率较大；
(4)重复步骤(2)和(3)直到选择出k个聚类质心；
(5)利用这k个质心来作为初始化质心来运行标准的K-means算法；
(6)如果所有的k个质心μi都没有发生变化则输出相应的聚类中心；
(7)根据聚类中心向量中的均值和方差从小到大排序确定LOS，NLOSL和NLOSH三个类别。
采集新的UWB测量TDOA数据，计算出相应的估计距离差矩阵以及相应的统计特征，并将其与训练后的聚类中心相计算，分类出采集的测量值属于LOS传播条件还是NLOSL或NLOSH传播条件，计算该点到k个聚类中心的距离，距离第k聚类中心最近的点，则划分为第k类。根据不同的类别对数据使用不同的自适应BP神经网络进行拟合，对重构后的估计距离差数据使用Chan算法解算标签的初始坐标，对Chan算法解算的初始坐标使用Taylor迭代算法进行迭代，当满足迭代要求时，输出最终的定位结果。
本实施例中的自适应BP神经网络模型具体实施流程如下：
(1)确定BP神经网络的拓扑结构，其三层示例结构如图二所示。由于本方法采用4个锚节点的平面布局，因此输入层神经元个数为9个，特征输入为：
隐含层神经元数目根据经验公式N≥log2T确定，其中N为隐藏层的神经元个数；T为输入层神经元个数，本方法将隐藏层神经元个数取为6，输出层神经元个数为3，对应输出3个估计距离差值，用于定位算法计算；
(2)对BP神经网络的权值和阈值进行编码。根据BP神经网络数据为[-1,1]之间的小数且数量巨大的特点,本方法采用实数编码规则,得到初始种群；
(3)适应度函数为F(C)＝1/C。用个体代表神经网络初始的权值和阈值，利用个体初始化BP神经网络进行TDOA估计值重构,将预测输出值和实际输出值的误差绝对值作为适应度函数变量值C,并判断是否满足优化的标准,若符合则进入步骤(4),否则剔除此个体；
(4)选择满足适应度要求的个体,进行复制、交叉以及变异产生新的个体.具体操作方法如下：
复制操作采用轮盘赌选择机制，某个个体i，其适应度为fi，则其被选中的概率为：
其中，n为总个体数。将当前群体中适应度高的个体完整复制到下一代中。
交叉操作中个体的编码方式为实数编码，公式如下：
其中，Γik，Γjk分别为第i和第j个基因的第l位；α为[0,1]之间的随机数。
变异操作方式如下：
h(g)＝r0(1-g/Gmax)
其中，Γmax，Γmin分别为Γkl取值的上、下界；r为[0,1]上的随机数；g为当前迭代次数；Gmax为最大进化代数。
(5)查看产生的新个体是否满足最优个体的标准,若是满足则继续进行下一步骤,若不满足,则返回到步骤(2)；
(6)将最终获取的最优个体进行解码,分别作为BP神经网络的权值和阈值；
(7)建立BP神经网络模型,计算全局误差,反向调整网络中的参数,重复迭代训练，直至达到误差精度要求或迭代次数上限；
(8)使用GA算法优化后的BP神经网络模型进行估计距离差重构；
(9)将得到的估计值作为扩展卡尔曼滤波的初始值，利用扩展卡尔曼波算法对移动定位目标进行跟踪定位，求得最终的估计值。
本实施例中的Chan算法协同Taylor定位方法可通过编程实现，该方法的流程图如图四所示。具体过程如下：
根据四基站坐标和拟合后的估计距离差构建双曲线方程：
其中Ri,1为重构后的估计距离差，(x,y,z)为待测标签坐标，(xi,yi,zi)为第i个基站的坐标。由(1)可以推出下式：
将(2)式简化为Gava＝h，其中 va＝[x,y,z,R1]T，Si,1＝si-s1(S＝X,Y,Z,i＝2,3,4)。利用两次加权最小二乘法可以得到：
va＝(GaTQ-1Ga)-1GaTQ-1h (3)
其中，Q为TDOA的协方差矩阵。计算得到标签的估计坐标为
将Chan算法解算的待测标签估计坐标作为Taylor迭代算法的初始坐标，具体过程如下
对(1)式进行Taylor级数展开，并忽略二阶以上分量，得到：
ht＝GtΔ+ε (4)
其中， ε为TDOA测量噪声误差。对(4)式采用加权最小二乘法求解，可以得到Δ的最小二乘估计，即
其中，Q为TDOA测量值的协方差矩阵。
Taylor级数展开法第1次迭代使用选定的tag初始坐标(xp,yp,zp)，求出Δ。第k次迭代后为：
连续迭代直到位置误差量满足Δn≤∈或者达到迭代次数上限时停止迭代，此时的标签的估计坐标即为最终的定位结果。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (2)
1.一种非视距条件下基于自适应BP神经网络的UWB定位方法，其特征在于，该方法具体包括以下步骤：
S1：数据采集与预处理，具体包括：
使用UWB无线电在室内LOS环境与NLOS环境中分别进行多次测量，并分别采集在LOS环境与不同NLOS环境下的TDOA数据，计算得出相应的估计距离差矩阵Ri1，并根据估计距离差数据划分窗口，计算每组估计距离差数据与前k组数据的均值和方差，根据估计距离差ri1以及估计距离差ri1的均值和方差rmsei1作为聚类模型的输入，计算公式如下：
Ri1＝[r21,r31,...,ri1]T
ri1＝(τi-τ1)×c
其中，ri1表示标签到从基站i的估计距离与标签到主机站1的估计距离的差值，Ri1表示待测估计距离差矩阵，ri1j表示之前接收到的第j组ri1距离估计差值，j＝0时表示ri1本身；τi表示基站i接收到标签发送信号的时间，c表示光速；
S2：构建K-means++算法，并将NLOS和LOS条件下提取的特征样本构成特征矩阵输入K-means++算法中进行计算，得到训练后的聚类中心，根据均值和方差从小到大排序确定LOS、NLOSL和NLOSH三个类别；
构建K-means++算法，具体包括以下步骤：
S21：从输入的数据集合中随机选择一个点作为第一个聚类中心μ1；
S22：对于数据集中的每一个点xi，计算它与已选择的聚类中心中最近聚类中心的距离，公式如下：
S23：选择一个新的数据点作为新的聚类中心，选择原则是：D(x)大的点，被选取作为聚类中心的概率大；
S24：重复步骤S22和S23直到选择出k个聚类质心；
S25：利用选择出的k个聚类质心作为初始化质心来运行标准的K-means算法；
S26：如果所有的k个质心μi都没有发生变化则输出相应的聚类中心；
S27：根据聚类中心向量中的均值和方差从小到大排序，确定LOS，NLOSL和NLOSH三个类别；
S3：构建自适应BP神经网络模型，并将NLOS和LOS条件下提取的特征样本与对应输出值输入神经网络中进行训练，得到训练后的BP神经网络；所述输出值为UWB节点间距离；
构建自适应BP神经网络模型，具体包括以下步骤：
S31：确定BP神经网络的拓扑结构；
S32：对BP神经网络的权值和阈值进行编码，采用实数编码规则，得到初始种群；
S33：用个体代表神经网络初始的权值和阈值，利用个体初始化BP神经网络进行TDOA估计值重构，将预测输出值和实际输出值的误差绝对值作为适应度函数变量值C，并判断是否满足优化的标准，若符合则进入步骤S34，否则剔除此个体；
S34：选择满足适应度要求的个体，进行复制、交叉以及变异产生新的个体；
S35：查看产生的新个体是否满足最优个体的标准，若是满足则继续进行步骤S36，若不满足，则返回到步骤S32；
S36：将最终获取的最优个体进行解码，分别作为BP神经网络的权值和阈值；
S37：建立BP神经网络模型，计算全局误差，反向调整网络中的参数，重复迭代训练，直至达到误差精度要求或迭代次数上限；
S38：使用GA算法优化后的BP神经网络模型进行估计距离差重构；
S39：将得到的估计值作为扩展卡尔曼滤波的初始值，利用扩展卡尔曼波算法对移动定位目标进行跟踪定位，求得最终的估计值；
S4：采集新的TDOA数据，提取出代表传播条件的统计特征样本，并将其与K-means++算法解算出的聚类中心计算距离，利用距离差的大小排序分类出测量值属于LOS、NLOSL或NLOSH传播条件；
S5：利用Chan算法初步解算标签位置，将解算得到的估计坐标作为Taylor迭代法的初始坐标和已知锚节点的坐标计算出未知节点的实际位置坐标；
利用Chan算法解算得到估计坐标，具体包括：
根据四基站坐标和拟合后的估计距离差构建双曲线方程：
其中，Ri,1为重构后的估计距离差，(x,y,z)为待测标签坐标，(xi,yi,zi)为第i个基站的坐标；由(1)推导出下式：
将(2)式简化为Gava＝h，其中
Ki＝xi 2+yi 2+zi 2，va＝[x,y,z,R1]T，Si,1＝si-s1(S＝X,Y,Z,i＝2,3,4)；利用两次加权最小二乘法得到：
va＝(GaTQ-1Ga)-1GaTQ-1h (3)
其中，Q为TDOA的协方差矩阵；计算得到标签的估计坐标为
将Chan算法解算的估计坐标作为Taylor迭代算法的初始坐标，计算出未知节点的实际位置坐标，具体包括：对(1)式进行Taylor级数展开，并忽略二阶以上分量，得到：
ht＝GtΔ+ε (4)
其中，ε为TDOA测量噪声误差；
对(11)式采用加权最小二乘法求解，得到Δ的最小二乘估计，即：
其中，Q为TDOA测量值的协方差矩阵；
Taylor级数展开法第1次迭代使用选定的tag初始坐标(xp,yp,zp)，求出Δ；第k次迭代后为：
连续迭代直到位置误差量满足Δn≤∈或者达到迭代次数上限时停止迭代，此时的标签的估计坐标即为最终的定位结果。
2.根据权利要求1所述的UWB定位方法，其特征在于，步骤S4中，利用距离差的大小排序分类出测量值属于LOS、NLOSL或NLOSH传播条件，具体包括：若为LOS传播条件，则直接将距离差矩阵输入Chan算法协同Taylor迭代法获取位置；若为NLOSL或NLOSH传播条件下，则利用训练后的自适应BP神经网络对不同NLOS条件下的测量值进行缓解，即将NLOSL条件下的特征样本输入到已训练的BP神经网络Ⅰ中得到新的对应输出值，将NLOSH条件下的特征样本输入到已训练的BP神经网络Ⅱ中得到新的对应输出值，将重构后的距离差矩阵，通过Chan算法协同Taylor迭代法获取标签位置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011528976.8A CN112748397B (zh) | 2020-12-22 | 2020-12-22 | 非视距条件下基于自适应bp神经网络的uwb定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011528976.8A CN112748397B (zh) | 2020-12-22 | 2020-12-22 | 非视距条件下基于自适应bp神经网络的uwb定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112748397A CN112748397A (zh) | 2021-05-04 |
| CN112748397B true CN112748397B (zh) | 2023-09-19 |
Family
ID=75648231
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011528976.8A Active CN112748397B (zh) | 2020-12-22 | 2020-12-22 | 非视距条件下基于自适应bp神经网络的uwb定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112748397B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113567925A (zh) * | 2021-06-22 | 2021-10-29 | 山东师范大学 | 一种基于超宽带技术的精准定位方法、系统、装置 |
| CN113820727B (zh) * | 2021-09-30 | 2024-02-02 | 中国科学院光电技术研究所 | 一种非视域目标探测中基于神经网络的快速定位方法 |
| CN116234000A (zh) * | 2021-11-30 | 2023-06-06 | 维沃移动通信有限公司 | 定位方法及通信设备 |
| CN114285500B (zh) * | 2021-12-14 | 2023-03-24 | 电子科技大学 | 一种uwb室内定位信道质量评估方法 |
| CN114363807B (zh) * | 2021-12-31 | 2023-10-27 | 清华大学深圳国际研究生院 | 一种室内三维定位方法及计算机可读存储介质 |
| CN114742102B (zh) * | 2022-03-30 | 2023-05-30 | 中国人民解放军战略支援部队航天工程大学 | 一种nlos信号识别方法及系统 |
| CN114928811B (zh) * | 2022-05-05 | 2024-05-07 | 南京理工大学 | 一种基于神经网络的超宽带矿井下人员精确定位方法 |
| CN117268403B (zh) * | 2023-11-21 | 2024-01-30 | 山东工商学院 | 基于优化部署传感技术的改进式gbnn动态路径规划方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103607772A (zh) * | 2013-12-09 | 2014-02-26 | 青岛百灵信息科技有限公司 | 一种基于lmbp神经网络的泰勒定位算法 |
| CN106793077A (zh) * | 2017-01-05 | 2017-05-31 | 重庆邮电大学 | 一种自适应室内动态目标的uwb定位方法及系统 |
| CN107727095A (zh) * | 2017-09-08 | 2018-02-23 | 西安电子科技大学 | 基于谱聚类和加权反向传播神经网络的3d室内定位方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10440678B2 (en) * | 2016-03-14 | 2019-10-08 | Commonwealth Scientific And Industrial Research Organisation | Estimating locations of mobile devices in a wireless tracking system |
-
2020
- 2020-12-22 CN CN202011528976.8A patent/CN112748397B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103607772A (zh) * | 2013-12-09 | 2014-02-26 | 青岛百灵信息科技有限公司 | 一种基于lmbp神经网络的泰勒定位算法 |
| CN106793077A (zh) * | 2017-01-05 | 2017-05-31 | 重庆邮电大学 | 一种自适应室内动态目标的uwb定位方法及系统 |
| CN107727095A (zh) * | 2017-09-08 | 2018-02-23 | 西安电子科技大学 | 基于谱聚类和加权反向传播神经网络的3d室内定位方法 |
Non-Patent Citations (3)
| Title |
|---|
| UWB NLOS/LOS Classification Using Deep Learning Method;Changhui Jiang;《IEEE Communications Letters》;全文 * |
| 基于IA-BP神经网络的UWB室内定位系统;李勇;《电子测量技术》;全文 * |
| 基于信号到达时间差的超宽带室内定位算法;曾玲;彭程;刘恒;;计算机应用(第S1期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112748397A (zh) | 2021-05-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112748397B (zh) | 非视距条件下基于自适应bp神经网络的uwb定位方法 | |
| Huang et al. | Machine-learning-based data processing techniques for vehicle-to-vehicle channel modeling | |
| Heidari et al. | UDP identification and error mitigation in ToA-based indoor localization systems using neural network architecture | |
| CN107064913A (zh) | 一种基于深度学习的无线定位方法及系统 | |
| CN108696932A (zh) | 一种利用csi多径及机器学习的室外指纹定位方法 | |
| CN109450834A (zh) | 基于多特征关联和贝叶斯网络的通信信号分类识别方法 | |
| CN109814066B (zh) | 基于神经网络学习的rssi室内定位测距方法、室内定位平台 | |
| Chidlovskii et al. | Semi-supervised variational autoencoder for WiFi indoor localization | |
| CN106941718A (zh) | 一种基于信号子空间指纹库的混合室内定位方法 | |
| CN107861098B (zh) | 一种智能球场定位系统及方法 | |
| CN104519571A (zh) | 一种基于rss的室内定位方法 | |
| CN109991591B (zh) | 基于深度学习的定位方法、装置、计算机设备及存储介质 | |
| WO2022242018A1 (zh) | 一种基于改进的cnn模型的室内目标定位方法 | |
| Zhang et al. | Device-free indoor localization based on sparse coding with nonconvex regularization and adaptive relaxation localization criteria | |
| Song et al. | DuLoc: Dual-channel convolutional neural network based on channel state information for indoor localization | |
| Bal et al. | Regression of large-scale path loss parameters using deep neural networks | |
| Tabaa et al. | LOS and NLOS identification based on UWB stable distribution | |
| CN109121081A (zh) | 一种基于位置候选集与em算法的室内定位方法 | |
| CN113852433B (zh) | 一种基于计算机视觉的无线信道阴影衰落模型预测方法 | |
| CN112946567B (zh) | 基于域对抗神经网络的运动目标指纹室内定位方法 | |
| CN111239682B (zh) | 一种电磁发射源定位系统及方法 | |
| Liu et al. | Detection on abnormal usage of spectrum by electromagnetic data mining | |
| Tarekegn et al. | SRCLoc: Synthetic radio map construction method for fingerprinting outdoor localization in hybrid networks | |
| Deng et al. | A dynamic adaptive positioning method based on differential signal feature map | |
| Giuliani et al. | Spatially Consistent Air-to-Ground Channel Modeling via Generative Neural Networks |
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 |