CN113780573A - 一种抗噪的高精度测距方法及装置 - Google Patents

一种抗噪的高精度测距方法及装置 Download PDF

Info

Publication number
CN113780573A
CN113780573A CN202110956973.2A CN202110956973A CN113780573A CN 113780573 A CN113780573 A CN 113780573A CN 202110956973 A CN202110956973 A CN 202110956973A CN 113780573 A CN113780573 A CN 113780573A
Authority
CN
China
Prior art keywords
machine learning
data
field intensity
sample
learning model
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
Application number
CN202110956973.2A
Other languages
English (en)
Other versions
CN113780573B (zh
Inventor
张晓彤
石浩东
万亚东
王小芬
王鹏
刘雯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Science and Technology Beijing USTB
Original Assignee
University of Science and Technology Beijing USTB
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Science and Technology Beijing USTB filed Critical University of Science and Technology Beijing USTB
Priority to CN202110956973.2A priority Critical patent/CN113780573B/zh
Publication of CN113780573A publication Critical patent/CN113780573A/zh
Application granted granted Critical
Publication of CN113780573B publication Critical patent/CN113780573B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G01S11/00—Systems for determining distance or velocity not using reflection or reradiation
    • G01S11/02—Systems for determining distance or velocity not using reflection or reradiation using radio waves
    • G01S11/06—Systems for determining distance or velocity not using reflection or reradiation using radio waves using intensity measurements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/30—Assessment of water resources

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Computing Systems (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Medical Informatics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种抗噪的高精度测距方法及装置，该方法包括：采集样本数据，包括接收到的磁场强度数据、电场强度数据以及传播距离；采用预设的特征提取算法对样本数据中的磁场强度数据与电场强度数据进行特征提取，获得样本特征数据；以样本特征数据作为输入，以传播距离作为输出，训练并得到基于机器学习的距离估计模型；实时采集待测的传播距离对应的磁场强度数据与电场强度数据，并采用预设的特征提取算法进行特征提取，将提取到的特征数据输入到距离估计模型中，得到预测的传播距离。本发明解决了现有技术因环境噪声导致的测距误差大甚至无法求解的问题，同时通过特征提取的方法避免了在使用机器学习方法训练距离估计模型时的特征冗余的问题。

Description

一种抗噪的高精度测距方法及装置
技术领域
本发明涉及测距技术领域，特别涉及一种抗噪的高精度测距方法及装置。
背景技术
随着现代信息技术的高速发展，定位和导航在我们的生活中起着巨大的作用，尤其当在复杂非视距的地下环境中，如矿井、地铁等环境中，及时获得人员和设备的准确位置对于保障人员生命安全、维持社会秩序至关重要。另外，当地下施工发生塌陷时，及时获取受困人员的精确位置能够在很大程度上缩短救助受困人员的时间，提高救助的效率。
现有技术中，近场电磁场测距(Near Field Electromagnetic Ranging，NFER)技术来利用电场天线和磁场天线在近场分别接收发射信号的电场部分和磁场部分，然后利用近场电磁场之间的相位差与通信距离之间的关系来确定测距目标之间的通信距离。申请号为CN107045121A的专利申请提供了一种近场超宽带信号相位差测距方法及系统，将宽带信号引入，解决了低频窄带信号的近场电磁测距系统难以实现远、近距离的测距问题。然而在利用该方法及系统进行测距时，当在存在环境噪声以及环境噪声较大的情况时，会导致测距精度下降甚至无法求解的情况。
发明内容
本发明提供了一种抗噪的高精度测距方法及装置，以解决现有技术因环境噪声的存在导致测距误差较大甚至无法求解的技术问题。
为解决上述技术问题，本发明提供了如下技术方案：
一方面，本发明提供了一种抗噪的高精度测距方法，包括：
采集样本数据，所述样本数据包括接收点接收到的磁场强度数据、电场强度数据以及对应的传播距离；
采用预设的特征提取算法对所述样本数据中的磁场强度数据与电场强度数据进行特征提取，获得样本特征数据；
以所述样本特征数据作为输入，以所述样本特征数据对应的传播距离作为输出，对预设的机器学习模型进行训练，得到基于机器学习的距离估计模型；
实时采集待测的传播距离对应的磁场强度数据与电场强度数据，并采用预设的特征提取算法对实时采集的磁场强度数据与电场强度数据进行特征提取，将提取到的特征数据输入到所述距离估计模型中，得到预测的传播距离。
进一步地，所述预设的特征提取算法为主成分分析法、线性判别分析法或统计分析法。
进一步地，所述以所述样本特征数据作为输入，以所述样本特征数据对应的传播距离作为输出，对预设的机器学习模型进行训练，得到基于机器学习的距离估计模型，包括：
以所述样本特征数据和所述样本特征数据对应的传播距离构建样本集；
将所述样本集按照预设的比例划分为训练集和验证集；
构建预设的机器学习模型，并基于所述训练集对所述机器学习模型进行训练，得到训练好的机器学习模型；
基于所述验证集对训练好的机器学习模型进行评估，将最优评估结果对应的训练好的机器学习模型作为最终的距离估计模型。
进一步地，所述基于所述验证集对训练好的机器学习模型进行评估，将最优评估结果对应的训练好的机器学习模型作为最终的距离估计模型，包括：
基于所述验证集，采用留一法或k折交叉验证法对训练好的机器学习模型进行评估，将传播距离均方误差损失最小时或传播距离均方根误差最小时对应的训练好的机器学习模型确定为最终的距离估计模型。
进一步地，所述预设的机器学习模型为支持向量机回归模型、贝叶斯模型或深度学习模型。
另一方面，本发明还提供了一种抗噪的高精度测距装置，包括：
样本数据采集模块，用于采集样本数据，所述样本数据包括接收点接收到的磁场强度数据、电场强度数据以及对应的传播距离；
特征提取模块，用于采用预设的特征提取算法对所述样本数据采集模块所采集的磁场强度数据与电场强度数据进行特征提取，获得样本特征数据；
距离估计模型训练模块，用于以所述特征提取模块所提取的样本特征数据作为输入，以所述样本特征数据对应的传播距离作为输出，对预设的机器学习模型进行训练，得到基于机器学习的距离估计模型；
传播距离预测模块，用于实时采集待测的传播距离对应的磁场强度数据与电场强度数据，并采用预设的特征提取算法对实时采集的磁场强度数据与电场强度数据进行特征提取，将提取到的特征数据输入到所述距离估计模型训练模块所得到的距离估计模型中，得到预测的传播距离。
进一步地，所述预设的特征提取算法为主成分分析法、线性判别分析法或统计分析法。
进一步地，所述距离估计模型训练模块具体用于：
以所述样本特征数据和所述样本特征数据对应的传播距离构建样本集；
将所述样本集按照预设的比例划分为训练集和验证集；
构建预设的机器学习模型，并基于所述训练集对所述机器学习模型进行训练，得到训练好的机器学习模型；
基于所述验证集对训练好的机器学习模型进行评估，将最优评估结果对应的训练好的机器学习模型作为最终的距离估计模型。
进一步地，所述基于所述验证集对训练好的机器学习模型进行评估，将最优评估结果对应的训练好的机器学习模型作为最终的距离估计模型，包括：
基于所述验证集，采用留一法或k折交叉验证法对训练好的机器学习模型进行评估，将传播距离均方误差损失最小时或传播距离均方根误差最小时对应的训练好的机器学习模型确定为最终的距离估计模型。
进一步地，所述预设的机器学习模型为支持向量机回归模型、贝叶斯模型或深度学习模型。
再一方面，本发明还提供了一种电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行以实现上述方法。
又一方面，本发明还提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现上述方法。
本发明提供的技术方案带来的有益效果至少包括：
本发明通过特征提取的方法，提取接收到的电、磁场强度数据中的特征，避免了在使用机器学习方法训练距离估计模型时的特征冗余的问题，另外，通过采用机器学习的方法训练并得到距离估计模型，然后利用距离估计模型对传播距离进行自动估计，能够满足在环境噪声的存在下，仍然达到高精度测距的要求，这在对测距精度有着较高要求的地下救援等领域至关重要。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述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。
图1是本发明实施例提供的抗噪的高精度测距方法的执行流程示意图；
图2是本发明实施例提供的距离估计模型在测距时的应用示意图。
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，下面将结合附图对本发明实施方式作进一步地详细描述。
第一实施例
本实施例提供了一种抗噪的高精度测距方法，该方法在近场接收到电、磁场强度数据之后，通过特征提取方法，提取电、磁场强度数据中的特征，基于提取的特征数据，采用机器学习的方法实现高精度测距，该方法可以由电子设备实现，该方法的执行流程如图1所示，包括以下步骤：
S1，采集样本数据，所述样本数据包括接收点接收到的磁场强度数据、电场强度数据以及对应的传播距离；
S2，采用预设的特征提取算法对所述样本数据中的磁场强度数据与电场强度数据进行特征提取，获得样本特征数据；
S3，以所述样本特征数据作为输入，以样本特征数据对应的传播距离作为输出，对预设的机器学习模型进行训练，得到基于机器学习的距离估计模型；
S4，实时采集待测的传播距离对应的磁场强度数据与电场强度数据，并采用预设的特征提取算法对实时采集的磁场强度数据与电场强度数据进行特征提取，将提取到的特征数据输入到所述距离估计模型中，得到预测的传播距离。
其中，所述预设的特征提取算法可以为主成分分析法、线性判别分析法或统计分析法等。具体地，本实施例采用主成分分析法进行特征提取，过程如下：
采用主成分分析的特征提取方法提取电、磁场强度中的特征数据，目标函数可以表示为：
Figure BDA0003220687620000051
s.t.MTM＝I
其中，M为线性映射的投影矩阵，X为样本的电、磁场强度数据组成的矩阵，cov(X)为样本X的协方差矩阵，trace为矩阵的迹。
投影矩阵M可以由下面的方程解出：
cov(X)ωi＝λiωi
其中，λi是cov(X)的第i个主特征值，ωi为cov(X)的第i个主特征向量，依次取cov(X)最大特征值的d个主特征向量组成投影矩阵M，提取的d维的特征数据X'可以由下面的公式获取：
X'＝XM
作为一种可选的实施方式，所述距离估计模型的确定方法为：
1)获取样本集，样本集包括电、磁场强度数据及传播距离数据。
2)提取特征数据，采用主成分分析的特征提取方法提取电、磁场强度中的特征数据。
3)将提取到的特征数据与传播距离组成新的样本集，然后将该样本集按照设定比例划分为训练集和验证集。
4)构建距离估计初始模型；所述距离估计初始模型为支持向量机回归模型，此外，也可以通过决策树、梯度提升树或深度学习等机器学习方法构建距离估计初始模型。然后在训练集上训练初始模型并得到距离估计模型。
具体地，该支持向量机回归模型可以表示为：
Figure BDA0003220687620000052
式中，x为特征数据组成的特征向量，f(x)为预测得到的输出，
Figure BDA0003220687620000053
是将输入空间隐射为高维特征空间的映射函数，ω为超平面的权值向量，b为偏置量。选择误差ek的2-范数作为损失函数，其优化问题为：
Figure BDA0003220687620000054
Figure BDA0003220687620000055
式中，J为以ω、e为自变量的优化函数，ek为回归误差，γ>0为惩罚因子，用于调节误差，其值越大，模型的回归误差越小，但也会增加过拟合的风险，所以需要根据经验进行调整大小。引入拉格朗日函数进行求解，得到：
Figure BDA0003220687620000061
式中，αk(k＝1,2,...,N)为拉格朗日乘子。令L(ω,b,e,α)对ω,b,e,α求偏导可得：
Figure BDA0003220687620000062
解得：
Figure BDA0003220687620000063
通过消除上式中的ω和ek，结合KKT条件，优化问题转化为如下线性方程组：
Figure BDA0003220687620000064
式中，y＝[y1,y1,...,yN]T；
Figure BDA0003220687620000065
I为单位矩阵，Ω为由wij(i,j＝1,2,...,N)构成的方阵。根据Mercer条件可知，存在映射
Figure BDA0003220687620000066
和核函数K(·,·)使得：
Figure BDA0003220687620000067
选择不同形式的核函数K(·,·)，可以生成不同的向量机，我们采用高斯核函数，公式如下：
Figure BDA0003220687620000068
由线性方程组求出a和b后，可得到支持向量机的非线性函数估计为:
Figure BDA0003220687620000069
5)基于验证集采用留一法或k折交叉验证法对所述训练好的初始模型进行评估，将验证集的特征数据作为输入，得到传播距离的预测值，然后采用均方误差损失进行评估，该损失函数如下：
Figure BDA00032206876200000610
将传播距离均方误差损失最小时或传播距离均方根误差最小时对应的训练好的模型确定为最终的距离估计模型。
6)在进行实时距离估计时，通过从实时采集的电、磁场强度中提取到的特征数据输入到距离估计模型中，得到传播距离估计的结果。
通过上述距离估计模型进行测距的应用示意图如图2所示，过程如下：
首先，发射宽带信号，然后在接收点由电场天线和磁场天线分别接收到电、磁场强度数据；通过特征提取方法提取电、磁场强度中的特征数据；然后，将提取到的特征数据输入到距离估计模型中，通过模型输出预测的传播距离。
综上，本实施例通过特征提取的方法，提取接收到的电、磁场强度数据中的特征，避免了在使用机器学习方法训练距离估计模型时的特征冗余的问题，另外，通过采用机器学习的方法训练并得到距离估计模型，然后利用距离估计模型对传播距离进行自动估计，能够满足在环境噪声的存在下，仍然达到高精度测距的要求，这在对测距精度有着较高要求的地下救援等领域至关重要。
第二实施例
本实施例提供了一种抗噪的高精度测距装置，该装置包括以下模块：
样本数据采集模块，用于采集样本数据，所述样本数据包括接收点接收到的磁场强度数据、电场强度数据以及对应的传播距离；
特征提取模块，用于采用预设的特征提取算法对所述样本数据采集模块所采集的磁场强度数据与电场强度数据进行特征提取，获得样本特征数据；
距离估计模型训练模块，用于以所述特征提取模块所提取的样本特征数据作为输入，以所述样本特征数据对应的传播距离作为输出，对预设的机器学习模型进行训练，得到基于机器学习的距离估计模型；
传播距离预测模块，用于实时采集待测的传播距离对应的磁场强度数据与电场强度数据，并采用预设的特征提取算法对实时采集的磁场强度数据与电场强度数据进行特征提取，将提取到的特征数据输入到所述距离估计模型训练模块所得到的距离估计模型中，得到预测的传播距离。
本实施例的抗噪的高精度测距装置与上述第一实施例的抗噪的高精度测距方法相对应；其中，本抗噪的高精度测距装置中的各功能模块所实现的功能与上述抗噪的高精度测距方法中的各流程步骤一一对应；故，在此不再赘述。
第三实施例
本实施例提供一种电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行，以实现第一实施例的方法。
该电子设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)和一个或一个以上的存储器，其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行上述方法。
第四实施例
本实施例提供一种计算机可读存储介质，该存储介质中存储有至少一条指令，所述指令由处理器加载并执行，以实现上述第一实施例的方法。其中，该计算机可读存储介质可以是ROM、随机存取存储器、CD-ROM、磁带、软盘和光数据存储设备等。其内存储的指令可由终端中的处理器加载并执行上述方法。
此外，需要说明的是，本发明可提供为方法、装置或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
还需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
最后需要说明的是，以上所述是本发明优选实施方式，应当指出，尽管已描述了本发明优选实施例，但对于本技术领域的技术人员来说，一旦得知了本发明的基本创造性概念，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。

Claims (10)

1.一种抗噪的高精度测距方法，其特征在于，包括：
采集样本数据，所述样本数据包括接收点接收到的磁场强度数据、电场强度数据以及对应的传播距离；
采用预设的特征提取算法对所述样本数据中的磁场强度数据与电场强度数据进行特征提取，获得样本特征数据；
以所述样本特征数据作为输入，以所述样本特征数据对应的传播距离作为输出，对预设的机器学习模型进行训练，得到基于机器学习的距离估计模型；
实时采集待测的传播距离对应的磁场强度数据与电场强度数据，并采用预设的特征提取算法对实时采集的磁场强度数据与电场强度数据进行特征提取，将提取到的特征数据输入到所述距离估计模型中，得到预测的传播距离。
2.如权利要求1所述的抗噪的高精度测距方法，其特征在于，所述预设的特征提取算法为主成分分析法、线性判别分析法或统计分析法。
3.如权利要求1所述的抗噪的高精度测距方法，其特征在于，所述以所述样本特征数据作为输入，以所述样本特征数据对应的传播距离作为输出，对预设的机器学习模型进行训练，得到基于机器学习的距离估计模型，包括：
以所述样本特征数据和所述样本特征数据对应的传播距离构建样本集；
将所述样本集按照预设的比例划分为训练集和验证集；
构建预设的机器学习模型，并基于所述训练集对所述机器学习模型进行训练，得到训练好的机器学习模型；
基于所述验证集对训练好的机器学习模型进行评估，将最优评估结果对应的训练好的机器学习模型作为最终的距离估计模型。
4.如权利要求3所述的抗噪的高精度测距方法，其特征在于，所述基于所述验证集对训练好的机器学习模型进行评估，将最优评估结果对应的训练好的机器学习模型作为最终的距离估计模型，包括：
基于所述验证集，采用留一法或k折交叉验证法对训练好的机器学习模型进行评估，将传播距离均方误差损失最小时或传播距离均方根误差最小时对应的训练好的机器学习模型确定为最终的距离估计模型。
5.如权利要求1所述的抗噪的高精度测距方法，其特征在于，所述预设的机器学习模型为支持向量机回归模型、贝叶斯模型或深度学习模型。
6.一种抗噪的高精度测距装置，其特征在于，包括：
样本数据采集模块，用于采集样本数据，所述样本数据包括接收点接收到的磁场强度数据、电场强度数据以及对应的传播距离；
特征提取模块，用于采用预设的特征提取算法对所述样本数据采集模块所采集的磁场强度数据与电场强度数据进行特征提取，获得样本特征数据；
距离估计模型训练模块，用于以所述特征提取模块所提取的样本特征数据作为输入，以所述样本特征数据对应的传播距离作为输出，对预设的机器学习模型进行训练，得到基于机器学习的距离估计模型；
传播距离预测模块，用于实时采集待测的传播距离对应的磁场强度数据与电场强度数据，并采用预设的特征提取算法对实时采集的磁场强度数据与电场强度数据进行特征提取，将提取到的特征数据输入到所述距离估计模型训练模块所得到的距离估计模型中，得到预测的传播距离。
7.如权利要求6所述的抗噪的高精度测距装置，其特征在于，所述预设的特征提取算法为主成分分析法、线性判别分析法或统计分析法。
8.如权利要求6所述的抗噪的高精度测距装置，其特征在于，所述距离估计模型训练模块具体用于：
以所述样本特征数据和所述样本特征数据对应的传播距离构建样本集；
将所述样本集按照预设的比例划分为训练集和验证集；
构建预设的机器学习模型，并基于所述训练集对所述机器学习模型进行训练，得到训练好的机器学习模型；
基于所述验证集对训练好的机器学习模型进行评估，将最优评估结果对应的训练好的机器学习模型作为最终的距离估计模型。
9.如权利要求8所述的抗噪的高精度测距装置，其特征在于，所述基于所述验证集对训练好的机器学习模型进行评估，将最优评估结果对应的训练好的机器学习模型作为最终的距离估计模型，包括：
基于所述验证集，采用留一法或k折交叉验证法对训练好的机器学习模型进行评估，将传播距离均方误差损失最小时或传播距离均方根误差最小时对应的训练好的机器学习模型确定为最终的距离估计模型。
10.如权利要求6所述的抗噪的高精度测距装置，其特征在于，所述预设的机器学习模型为支持向量机回归模型、贝叶斯模型或深度学习模型。
CN202110956973.2A 2021-08-19 2021-08-19 一种抗噪的高精度测距方法及装置 Active CN113780573B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110956973.2A CN113780573B (zh) 2021-08-19 2021-08-19 一种抗噪的高精度测距方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110956973.2A CN113780573B (zh) 2021-08-19 2021-08-19 一种抗噪的高精度测距方法及装置

Publications (2)

Publication Number Publication Date
CN113780573A true CN113780573A (zh) 2021-12-10
CN113780573B CN113780573B (zh) 2023-04-07

Family

ID=78838614

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110956973.2A Active CN113780573B (zh) 2021-08-19 2021-08-19 一种抗噪的高精度测距方法及装置

Country Status (1)

Country Link
CN (1) CN113780573B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115913413A (zh) * 2023-02-22 2023-04-04 西安电子科技大学 一种智能化空间毫米波传播特征分析方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104914427A (zh) * 2015-06-15 2015-09-16 北京科技大学 基于接收信号强度的自适应时延估计的测距方法及系统
CN106199567A (zh) * 2016-07-07 2016-12-07 北京科技大学 一种近场电磁场测距系统
CN106535133A (zh) * 2016-11-11 2017-03-22 天津大学 一种基于机器学习的蜂窝网络中室内话务精确定位方法
CN106612495A (zh) * 2015-10-23 2017-05-03 北斗导航位置服务（北京）有限公司 一种基于传播损耗学习的室内定位方法及系统
CN107045121A (zh) * 2017-01-11 2017-08-15 北京科技大学 一种近场超宽带信号相位差测距方法及系统
CN109188410A (zh) * 2018-08-27 2019-01-11 清华大学 一种非视距场景下的距离校准方法、装置及设备
CN109444866A (zh) * 2018-11-15 2019-03-08 荆门博谦信息科技有限公司 测距方法及用户终端

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104914427A (zh) * 2015-06-15 2015-09-16 北京科技大学 基于接收信号强度的自适应时延估计的测距方法及系统
CN106612495A (zh) * 2015-10-23 2017-05-03 北斗导航位置服务（北京）有限公司 一种基于传播损耗学习的室内定位方法及系统
CN106199567A (zh) * 2016-07-07 2016-12-07 北京科技大学 一种近场电磁场测距系统
CN106535133A (zh) * 2016-11-11 2017-03-22 天津大学 一种基于机器学习的蜂窝网络中室内话务精确定位方法
CN107045121A (zh) * 2017-01-11 2017-08-15 北京科技大学 一种近场超宽带信号相位差测距方法及系统
CN109188410A (zh) * 2018-08-27 2019-01-11 清华大学 一种非视距场景下的距离校准方法、装置及设备
CN109444866A (zh) * 2018-11-15 2019-03-08 荆门博谦信息科技有限公司 测距方法及用户终端

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
马小雨: "云计算环境下用于智能机器人避障的激光测距仪设计", 《科技通报》 *
高明柯;陈一民;张典华;蒋思宇;黄晨;: "增强现实系统中电磁跟踪器注册精度校正研究" *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115913413A (zh) * 2023-02-22 2023-04-04 西安电子科技大学 一种智能化空间毫米波传播特征分析方法
CN115913413B (zh) * 2023-02-22 2023-07-14 西安电子科技大学 一种智能化空间毫米波传播特征分析方法

Also Published As

Publication number Publication date
CN113780573B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN114429156B (zh) 雷达干扰多域特征对抗学习与检测识别方法
US20200089733A1 (en) Sensor placement method for reducing uncertainty of structural modal identification
CN112312541B (zh) 一种无线定位方法及系统
CN103678869A (zh) 一种飞行参数缺失数据的预测估计方法
CN113780573B (zh) 一种抗噪的高精度测距方法及装置
CN114897032B (zh) 一种基于宽度学习的电流互感器故障诊断方法、装置
CN106885572B (zh) 利用时间序列预测的辅助定位方法和系统
CN110933633A (zh) 一种基于csi指纹特征迁移的船载环境室内定位方法
CN116298880A (zh) 微电机可靠性综合测试系统及其方法
CN117290679A (zh) 电流互感器的运行状态检测方法、装置及电子设备
CN115795353B (zh) 一种基于不均衡数据集的地下金属目标分类方法及系统
CN112333652B (zh) Wlan室内定位方法、装置及电子设备
CN108764301B (zh) 一种基于反向稀疏表示的混凝土裂缝检测方法
CN111047185B (zh) 贮存环境因素对弹药贮存可靠性影响的确定方法及装置
CN114266940A (zh) 基于动态标签分配的图像目标检测方法及装置
CN114139601A (zh) 一种对电力巡检场景人工智能算法模型的评估方法及系统
CN113744318A (zh) 一种rfid无设备人体追踪系统的择优标签方法
CN113780352B (zh) 一种基于神经网络的卫星接收机健康管理方法
CN117529668B (zh) 用于提供训练数据以使得神经网络能够分析nmr测量中的信号的系统和方法
CN118504781B (zh) 顾及矿化空间关联的隐伏矿体三维预测方法及相关设备
Klis et al. Model-based data compression for vibration monitoring using wireless sensor networks
Xuebo et al. Maneuvering target tracking with UKF and EKF for indoor RFID system
US20210389502A1 (en) Information processing apparatus, information processing system, information processing method, and non-transitory computer readable medium storing program
Nkabiti et al. Self-attention mechanism-based activity and motion recognition using Wi-Fi signals
CN115915009A (zh) 一种基于高斯过程的无线环境地图构建方法

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