CN113469110A - 一种基于深度学习的uwb非视距信号识别方法 - Google Patents
一种基于深度学习的uwb非视距信号识别方法 Download PDFInfo
- Publication number
- CN113469110A CN113469110A CN202110809540.4A CN202110809540A CN113469110A CN 113469110 A CN113469110 A CN 113469110A CN 202110809540 A CN202110809540 A CN 202110809540A CN 113469110 A CN113469110 A CN 113469110A
- Authority
- CN
- China
- Prior art keywords
- uwb
- data set
- network
- signal
- neural network
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000013135 deep learning Methods 0.000 title claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000010606 normalization Methods 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims abstract description 16
- 230000004044 response Effects 0.000 claims abstract description 14
- 238000013527 convolutional neural network Methods 0.000 claims abstract 4
- 238000007781 pre-processing Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 2
- 238000013480 data collection Methods 0.000 claims 1
- 239000000284 extract Substances 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 8
- 238000012795 verification Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 3
- 239000003550 marker Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Mobile Radio Communication Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于深度学习的超宽带(Ultra Wide Band,UWB)非视距信号(None‑Line‑Of‑Sight,NLOS)识别方法。该方法以信号的信道脉冲响应(ChannelImpulse Response,CIR)作为输入,使用双流神经网络提取信号特征,可实现非视距信号(NLOS)与视距信号(Line‑Of‑Sight,LOS)的识别。该双流神经网络的一路借鉴了ResNet18中的残差结构,以1016个时刻的CIR信号作为输入,提取信号的时域特征;另一路使用一个卷积神经网络(CNN)提取10个额外参数中的特征。为了减小输入数据中的噪声干扰并放大NLOS与LOS信号的差异性,本发明提出了一种新的能量归一化方法。此外,本发明提出了一个专用于识别NLOS和LOS信号的损失函数,使用该损失函数训练神经网络,可以加快网络收敛速度,提升识别精度。
Description
技术领域
本发明涉及深度学习以及信息与通信工程领域,是一种基于深度学习的UWB非视距信号识别方法。
背景技术
随着物联网技术的飞速发展,对于定位技术的研究日益增多。在户外,全球卫星导航系统(GNSS)可以提供可靠的定位方案,已经被广泛地使用于车辆导航。然而,室外定位方法(如GPS,GNSS等)无法在室内定位中取得同样良好地效果。因为室内空间障碍物较多,GNSS等信号无法有效地穿透墙壁。超宽带技术(UWB)具有抗干扰能力强,传输速率高,带宽高,系统容量大,穿透能力强等优点,目前已经广泛使用于室内定位领域并且取得了极佳的定位精度。
在室内定位技术领域,UWB信号相对于其它信号具有很大的优势。然而,UWB信号的定位精度受到多方面因素的影响,如:NLOS误差、多径传播、多址干扰和时钟误差。这些因素会带来测距误差,从而降低定位精度,其中NLOS误差对室内定位精度的影响最严重。
NLOS误差产生的原因:当基站与标签之间存在障碍物时,信号无法通过视距直达传输,只能通过信号的散射或反射传播。目前,针对在办公室、医院和隧道等场景出现NLOS误差的问题,国内外学者做了大量的研究,从不同角度提出了NLOS识别与误差消除算法。但是,仍有很多问题待解决,如:精确识别出NLOS障碍物、对NLOS信号进行误差补偿等。因此针对NLOS识别与误差补偿的研究能够进一步提高室内定位的精度,具有重要的研究意义。
发明内容
有鉴于此,本发明提供了一种基于深度学习的UWB非视距信号识别方法,该方法借鉴ResNet18网络的残差结构,构建双流网络作为主干网络提取UWB信号的特征,并通过下采样及特征融合方法融合多维度特征。最后,通过曲线分类的方法区分视距信号与非视距信号。以便于在后续的UWB室内定位中补偿NLOS误差。
对于多障碍物场景中的超宽带室内定位方法,本发明提供了一种高精度NLOS以及LOS信号识别方法,当信号由于障碍物的影响产生反射和多径传播时,本发明能够有效的识别NLOS信号。为后续定位过程中补偿NLOS误差,提升定位精度做了充分的铺垫。
一方面,本申请实施例提供的一种基于深度学习的UWB非视距信号识别方法,包括:
UWB信号数据集的收集、标定及预处理;
进一步地,所述步骤UWB信号数据集的收集、标定及预处理,其中收集具体包括UWB基站的布置,信号接收器的布置,障碍物的安放,数据集的采集。本发明所使用的数据集是由某公司采集的UWB信号,共记20000个。
进一步地,UWB信号数据集的标定,对采集完成的数据集进行标定。具体包括人工核验信号发生器与接收器之间的障碍物情况。对于存在障碍物的标记为NLOS信号,不存在障碍物的标记为LOS信号。标注完成的文件保存为csv格式,用于后续的模型训练及测试。
进一步地,所述UWB信号数据集的预处理。具体包括数据集的能量归一化、额外参数计算以及划分训练集、测试集与验证集三部分。能量归一化是根据本发明中提出的能量归一化方法CIRPN,对数据集中的信号进行处理,以减少信号噪声,增大NLOS与LOS信号的差异性。额外参数计算是根据所采集的UWB信号,计算出其信道脉冲响应(CIR),信号能量,最大噪声,平均噪声,测距估算值等参数。划分训练集测试集与验证集是指按照一定的比例对数据集进行分割。
公共UWB信号数据集的预处理;
进一步地,所述公共UWB信号数据集的预处理,包含能量归一化、额外参数计算以及划分训练集测试集与验证集三部分。
搭建双流深度神经网络,我们将其命名为CIRNN;
进一步地,所述搭建双流深度神经网络,本发明中为了更好的利用信号的信道脉冲响应(CIR)特征与额外参数。我们搭建了一个残差网络用于信号CIR特征的提取,搭建了一个卷积神经网络用于学习额外参数中的信息,并对这两部分特征进行融合。网络结构如图1所示。其中,CIR特征提取网络部分包含17个卷积层,1个最大池化层,1个平均池化层,可提取CIR不同维度的特征;额外参数特征提取网络部分包含一个全连接层,两个卷积层。该双流网络对提取到的两部分特征进行融合,输入到最终的全连接层。通过这种方式使CIRNN网络最终得到的特征向量具备多个维度的特征,提高了特征向量对不同UWB信号的表达能力。
提出一个针对于信道脉冲响应(CIR)的能量归一化方法,我们将其命名为CIRPN;
进一步地,所述CIRPN方法的主要内容包括噪声计算、总能量计算、能量归一化三步。噪声计算方法:定义h(n)为n时刻的信号幅值,hmax为信号幅值的峰值。低于10%hmax的部分视为该信号的噪声部分。则每个信号的噪声按式(1)计算得到:
总能量计算方法:在得到了信号的总噪声后,按式(2)计算信号的总能量εh。
使用总能量对信号进行归一化处理,如式(3)
CIRPN可以将信号的最大幅值缩小至0.5附近。可以避免偶然出现的极大信号对神经网络的影响,增强神经网络对较小信息的敏感性。经过能量归一化后,LOS与NLOS信号峰值之间的差异性相对于源信号显著增大。经过能量归一化后的数据,输入进神经网络进行训练,可以获得更好的识别效果。
提出一个针对于UWB NLOS/LOS信号识别的深度神经网络损失函数,我们将其命名为CIRL;
进一步地,所述CIRL的主要内容包括:计算NLOS与LOS的标准化特征序列,由标准化序列计算损失值。取UWB数据集中所有NLOS曲线,将其各个时刻的信号幅值求取平均值,得到一条标准化NLOS序列。同理,得到标准化LOS序列。使用式(4)计算损失值。
式中,y为真实标签,y'为神经网络预测值,h为神经网络的输入序列,h1为NLOS标准序列,h0为LOS标准序列。每个序列含有1016个时刻信息。该损失函数的原理如下:
1.若预测正确,则y'-y=0,损失值为0
2.若预测错误,且y'为1,则将输入序列h与LOS标准序列h0进行比较求取损失值。
3.若预测错误,且y'为0,则将输入序列h与NLOS标准序列h1进行比较求取损失值。
对于不同的预测结果,该损失函数可以从中获得不同的信息量。对于预测错误,且与标准化曲线差异较大的输入样本,该损失函数可以获得较大的信息量。
使用UWB信号数据集训练CIRNN网络;
进一步地,所述步骤使用UWB信号数据集训练CIRNN网络。增强CIRNN网络对LOS及NLOS信号特征的敏感性,从而更加准确的对LOS/NLOS信号进行分类操作。
使用公共UWB信号数据集测试CIRNN网络的性能;
进一步地,所述步骤使用公共UWB信号数据集测试CIRNN网络性能。为了与其他相同的工作进行对比,CIRNN网络性能的测试在公共数据集上进行而不是在本发明中提出的UWB信号数据集上进行。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。通过附图所示,本发明的上述及其它目的、特征和优势将更加清晰。在全部附图中相同的附图标记指示相同的部分。并未刻意按实际尺寸等比例缩放绘制附图,重点在于示出本发明的主旨。
图1为本发明实施例基于深度学习的UWB非视距信号识别模型整体结构示意图;
图2为本发明提供的双流神经网络CIRNN结构细节示意图;
图3为一种基于深度学习的UWB非视距信号识别方法的流程示意图;
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所述为本申请的实施例中基于深度学习的UWB非视距信号识别模型整体结构示意图。UWB信号经过能量归一化处理过后,输入进双流神经网络中提取特征,进行特征融合。该模型在学习了融合后的特征后可对NLOS与LOS信号进行区分。
其中,本模型运行环境在Ubuntu16.04下配置,CPU为Inter(R)Core(TM)i9-9900CPU@2.30GHZ,GPU为NVIDIA GeForce GTX 2080ti,采用python3.7进行程序编写,在Pytorch框架下搭建模型结构。
如图2所示为本申请的实施例中双流神经网络CIRNN结构细节示意图。该双流网络的一路输入为UWB信号的信道脉冲响应,另一路输入为UWB信号的额外参数。该双流网络将UWB信号分为两类并输出。
参见图3,为本申请实施例示例性示出的一种基于深度学习的UWB非视距信号识别方法的流程示意图,所述方法包括以下步骤:
步骤S1:所述UWB信号数据集的收集、标定及预处理。
具体包括UWB基站的布置,信号接收器的布置,障碍物的安放,数据集的采集,划分信号类别,最后使用本发明中的CIRPN方法进行预处理。
步骤S2:公共UWB信号数据集的预处理;
具体包括能量归一化、额外参数计算计算以及划分训练集测试集与验证集三部分。
步骤S3:所述搭建双流深度神经网络CIRNN,使用CIRL作为损失函数;
具体的,该双流网络借鉴Resnet18中的残差结构,其中CIR特征提取网络部分包含17个卷积层,1个最大池化层,1个平均池化层,可提取CIR不同维度的特征;额外参数特征提取网络部分包含一个全连接层,两个卷积层。通过融合多维度特征,提高特征向量的表达能力。在训练网络的过程中使用所述CIRL作为神经网络损失函数,引导神经网络的反向传播。提高模型的识别精度,改善模型收敛性能。
步骤S4:所述使用UWB信号数据集对CIRNN网络进行训练;
具体的,使用S1所述数据集对CIRNN网络进行预训练。本发明在S1所创建的数据集上训练1000个epoch,Batch size设置为256,learning rate设置为0.0001,采用Adam作为模型的优化器。
步骤S5:所述使用公共UWB信号数据集评估CIRNN网络训练效果;
具体的,使用S2步骤所处理的公共UWB信号数据集对CIRNN模型的性能做验证。测试结果表明本发明提出的一种基于深度学习的UWB非视距信号识别方法在真实NLOS信号识别任务中达到88.5%的精度。
从上述实施例可以看出,本发明提出的方法包括UWB信号数据集的收集、标定及预处理;搭建双流神经网络CIRNN,利用标定及预处理后的数据对多CIRNN网络训练及测试,提出损失函数CIRL,提出能量归一化方法CIRPN,从而完成整个模型的训练。
上述方法与现有技术相比,具有以下优点:
1、在预处理过程中,本发明提出一种能量归一化方法CIRPN,该方法可以减小输入噪声,增大NLOS/LOS信号差异。与标准归一化相比,CIRPN可提升3.4%的识别精度;与最大最小归一化相比,CIRPN可提升1.3%的识别精度。
2、本发明提出的双流网络融合了信号的CIR响应特征与10个额外特征,可以同时学习UWB信号的时域特征与能量特征。融合后的特征包含多维度信息,使得神经网络对NLOS与LOS信号有更强的敏感性。与单流网络相比,该双流网络可提升2.8%的识别精度。
3、该方法提出了一个针对于NLOS/LOS信号识别的损失函数CIRL,可以提升模型收性能,减少训练时间。与交叉熵损失函数相比,达到收敛所需epoch数由300降低至245,模型最终精度提升1.2%。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种基于深度学习的UWB非视距信号识别方法,其特征在于,所述方法包括:
UWB信号数据集的收集、标定及预处理;
公共UWB信号数据集的预处理;
搭建双流深度神经网络,我们将其命名为CIRNN;
提出一个针对信道脉冲响应(CIR)的能量归一化方法,我们将其命名为CIRPN;
提出一个针对于UWB NLOS/LOS信号识别的深度神经网络损失函数,我们将其命名为CIRL;
使用预处理后的UWB信号数据集训练CIRNN网络;
使用预处理后的公共UWB信号数据集测试CIRNN网络的性能。
2.根据权利要求1所述的一种基于深度学习的UWB非视距信号识别方法,其特征在于,UWB信号数据集的收集、标定及预处理,具体包括:
所述UWB信号数据集是为训练CIRNN网络而制作的数据集。该数据集中的信号,由UWB基站发出,信号采集点接收,并根据信号有无遮挡将信号标定为NLOS信号与LOS信号两类。同时,截取每个信号中1016个时刻的值作为该信号特征序列,并将该特征序列映射为CIR响应。后续过程使用CIRPN对CIR响应曲线进行预处理,并按照比例生成训练和测试数据。
3.根据权利要求1所述的一种基于深度学习的UWB非视距信号识别方法,其特征在于,公共UWB信号数据集的预处理,具体包括:
对公共UWB信号数据集进行预处理,生成特征序列,映射为CIR响应。用本发明中的CIRPN方法对CIR响应曲线进行归一化处理,并按照比例生成训练和测试数据。
4.根据权利要求1所述的一种基于深度学习的UWB非视距信号识别方法,其特征在于,搭建双流深度神经网络,具体包括:
该双流神经网络的一路借鉴了ResNet18中的残差结构,以CIR响应曲线作为输入,提取信号的时域特征;另一路使用一个卷积神经网络(CNN)学习10个额外参数中的信息。这10个额外参数包含CIRPN方法所计算的中间参数以及数据集采集过程中收集的信息如:距离估算值,信号带宽等。该神经网络将CIR特征与额外参数特征进行融合,使用融合特征对NLOS与LOS信号进行分类。
5.根据权利要求1所述的一种基于深度学习的UWB非视距信号识别方法,其特征在于,提出一个针对于信道脉冲响应(CIR)的能量归一化方法,具体包括:
设定一个阈值,幅值低于该阈值10%的CIR响应视为噪声,求解信号的平均噪声及总能量。利用噪声和总能量,按照CIRPN规定的法则完成对输入信号的归一化处理。
6.根据权利要求1所述的一种基于深度学习的UWB非视距信号识别方法,其特征在于,使用UWB信号数据集训练CIRNN网络;具体包括:
使用数量规模大的UWB信号数据集训练CIRNN网络,使该网络能够识别区分NLOS与LOS信号。
7.根据权利要求1所述的一种基于深度学习的UWB非视距信号识别方法,其特征在于,提出一个针对UWB NLOS/LOS信号识别的深度神经网络损失函数,具体包括:
在训练CIRNN神经网络的过程中,使用CIRL作为损失函数。该损失函数可以从不同的预测结果中获得不同的信息。从而,更加有效的指导模型的训练过程。该损失函数提高模型的精度与收敛性能。
8.根据权利要求1所述的一种基于深度学习的UWB非视距信号识别方法,其特征在于,使用公共UWB信号数据集测试CIRNN网络的性能,具体包括:
为了测试该方法在真实场景下的应用效果,使用所述公共UWB信号数据集测试CIRNN网络的性能。
所述UWB信号数据集为根据UWB室内定位技术需求而采集、制作、标注的数据集;所述公共UWB信号数据集为已经开源的UWB信号数据集;所述双流神经网络,由CIR特征提取网络与额外参数特征提取网络两部分组成。所述使用UWB信号数据集对CIRNN网络进行训练,包括网络模型的训练及网络参数调整;所述使用公共UWB信号数据集测试CIRNN网络的性能,目的是为了测试该方法在真实场景下的应用效果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110809540.4A CN113469110B (zh) | 2021-07-15 | 2021-07-15 | 一种基于深度学习的uwb非视距信号识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110809540.4A CN113469110B (zh) | 2021-07-15 | 2021-07-15 | 一种基于深度学习的uwb非视距信号识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113469110A true CN113469110A (zh) | 2021-10-01 |
CN113469110B CN113469110B (zh) | 2024-05-07 |
Family
ID=77880869
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110809540.4A Active CN113469110B (zh) | 2021-07-15 | 2021-07-15 | 一种基于深度学习的uwb非视距信号识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113469110B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113919398A (zh) * | 2021-10-18 | 2022-01-11 | 中国科学院光电技术研究所 | 一种基于深度学习的非视域目标信号辨识方法 |
CN114285500A (zh) * | 2021-12-14 | 2022-04-05 | 电子科技大学 | 一种uwb室内定位信道质量评估方法 |
CN114339649A (zh) * | 2022-01-10 | 2022-04-12 | 河北阿卡斯物联网科技有限公司 | 一种wknn分类的nlos识别系统 |
CN114364015A (zh) * | 2021-12-10 | 2022-04-15 | 上海应用技术大学 | 一种基于深度学习的uwb定位方法 |
CN114742102A (zh) * | 2022-03-30 | 2022-07-12 | 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 |
CN114828266A (zh) * | 2022-05-27 | 2022-07-29 | 电子科技大学 | 一种光与无线融合接入的资源智能分配方法 |
CN115237790A (zh) * | 2022-08-01 | 2022-10-25 | 青岛柯锐思德电子科技有限公司 | 一种uwb的nlos信号识别采集方法及系统 |
CN115293202A (zh) * | 2022-08-01 | 2022-11-04 | 青岛柯锐思德电子科技有限公司 | 一种uwb的nlos信号的识别方法 |
CN116582814A (zh) * | 2023-05-12 | 2023-08-11 | 青岛柯锐思德电子科技有限公司 | 一种uwb测距误差计算方法 |
CN117056818A (zh) * | 2023-10-08 | 2023-11-14 | 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 |
WO2024036844A1 (zh) * | 2022-08-16 | 2024-02-22 | 网络通信与安全紫金山实验室 | 非视距传播信道识别方法、装置、无线通信系统及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110351658A (zh) * | 2019-06-03 | 2019-10-18 | 西北大学 | 一种基于卷积神经网络的室内定位方法 |
CN112163574A (zh) * | 2020-11-23 | 2021-01-01 | 南京航天工业科技有限公司 | 一种基于深度残差网络的etc干扰信号发射机的识别方法及系统 |
CN112533136A (zh) * | 2020-11-26 | 2021-03-19 | 南京工业大学 | 一种基于深度学习的wlan指纹定位方法 |
US20210190702A1 (en) * | 2019-12-18 | 2021-06-24 | Chenshu Wu | Method, apparatus, and system for wireless material sensing |
-
2021
- 2021-07-15 CN CN202110809540.4A patent/CN113469110B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110351658A (zh) * | 2019-06-03 | 2019-10-18 | 西北大学 | 一种基于卷积神经网络的室内定位方法 |
US20210190702A1 (en) * | 2019-12-18 | 2021-06-24 | Chenshu Wu | Method, apparatus, and system for wireless material sensing |
CN112163574A (zh) * | 2020-11-23 | 2021-01-01 | 南京航天工业科技有限公司 | 一种基于深度残差网络的etc干扰信号发射机的识别方法及系统 |
CN112533136A (zh) * | 2020-11-26 | 2021-03-19 | 南京工业大学 | 一种基于深度学习的wlan指纹定位方法 |
Non-Patent Citations (1)
Title |
---|
孔乾坤;: "基于CNN的NLOS识别与定位技术研究", 通信技术, no. 09 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113919398A (zh) * | 2021-10-18 | 2022-01-11 | 中国科学院光电技术研究所 | 一种基于深度学习的非视域目标信号辨识方法 |
CN113919398B (zh) * | 2021-10-18 | 2023-06-16 | 中国科学院光电技术研究所 | 一种基于深度学习的非视域目标信号辨识方法 |
CN114364015A (zh) * | 2021-12-10 | 2022-04-15 | 上海应用技术大学 | 一种基于深度学习的uwb定位方法 |
CN114285500A (zh) * | 2021-12-14 | 2022-04-05 | 电子科技大学 | 一种uwb室内定位信道质量评估方法 |
CN114339649A (zh) * | 2022-01-10 | 2022-04-12 | 河北阿卡斯物联网科技有限公司 | 一种wknn分类的nlos识别系统 |
CN114339649B (zh) * | 2022-01-10 | 2024-03-01 | 河北阿卡斯物联网科技有限公司 | 一种wknn分类的nlos识别系统 |
CN114742102A (zh) * | 2022-03-30 | 2022-07-12 | 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 |
CN114828266B (zh) * | 2022-05-27 | 2023-04-07 | 电子科技大学 | 一种光与无线融合接入的资源智能分配方法 |
CN114828266A (zh) * | 2022-05-27 | 2022-07-29 | 电子科技大学 | 一种光与无线融合接入的资源智能分配方法 |
CN115293202A (zh) * | 2022-08-01 | 2022-11-04 | 青岛柯锐思德电子科技有限公司 | 一种uwb的nlos信号的识别方法 |
CN115237790A (zh) * | 2022-08-01 | 2022-10-25 | 青岛柯锐思德电子科技有限公司 | 一种uwb的nlos信号识别采集方法及系统 |
WO2024036844A1 (zh) * | 2022-08-16 | 2024-02-22 | 网络通信与安全紫金山实验室 | 非视距传播信道识别方法、装置、无线通信系统及介质 |
CN116582814A (zh) * | 2023-05-12 | 2023-08-11 | 青岛柯锐思德电子科技有限公司 | 一种uwb测距误差计算方法 |
CN116582814B (zh) * | 2023-05-12 | 2023-10-10 | 青岛柯锐思德电子科技有限公司 | 一种uwb测距误差计算方法 |
CN117056818A (zh) * | 2023-10-08 | 2023-11-14 | 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 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN113469110B (zh) | 2024-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113469110B (zh) | 一种基于深度学习的uwb非视距信号识别方法 | |
KR100987615B1 (ko) | 수신된 신호들의 도달 시간과 단말기 위치를 통합적으로 추정하는 반복적인 방법 | |
CN107015205B (zh) | 一种分布式mimo雷达检测的虚假目标消除方法 | |
CN108872932A (zh) | 基于神经网络的超视距目标直接定位结果纠偏方法 | |
CN103217676B (zh) | 基于双谱去噪的噪声背景下雷达目标识别方法 | |
CN110072186B (zh) | 基于属性独立的加权朴素贝叶斯室内定位方法 | |
CN113031031B (zh) | 一种城市峡谷内基于gnss信号精确分类的加权定位方法 | |
CN111199280B (zh) | 短波信道模型误差存在下联合信号复包络和载波相位信息的多站目标源地理坐标估计方法 | |
CN103618997A (zh) | 一种基于信号强度概率的室内定位方法和装置 | |
CN104820204A (zh) | 一种减小偏差的加权最小二乘定位方法 | |
CN114285500A (zh) | 一种uwb室内定位信道质量评估方法 | |
CN116866129A (zh) | 一种无线通信信号检测方法 | |
CN113300986B (zh) | 无人机图传信号与热点信号识别方法、介质、计算机设备 | |
CN102236109B (zh) | 一种重磁干扰区的方差系数干扰校正方法 | |
Njima et al. | Convolutional neural networks based denoising for indoor localization | |
CN115438708A (zh) | 一种基于卷积神经网络和多模态融合的分类识别方法 | |
WO2005045467A1 (fr) | Procede de localisation d'un ou de plusieurs emetteurs | |
CN111446998B (zh) | 基于深度学习的波达方向估计方法 | |
CN116299166A (zh) | 一种用于chirp信号的低复杂度融合测距方法 | |
US9424858B1 (en) | Acoustic receiver for underwater digital communications | |
CN115017958A (zh) | 一种基于信道特征加权模型的非视距信号识别方法 | |
CN101834647B (zh) | 一种分布式天线协同定时捕获方法 | |
CN102628939B (zh) | 基于噪声先验的独立高斯模型的雷达目标稳健识别方法 | |
KR101232365B1 (ko) | 무선센서 네트워크에서의 다중 이동체 위치추적장치 및 그 방법 | |
CN115496097A (zh) | 一种基于小波格拉姆卷积神经网络的非视距信号识别方法 |
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 |