CN114339649A - 一种wknn分类的nlos识别系统 - Google Patents
一种wknn分类的nlos识别系统 Download PDFInfo
- Publication number
- CN114339649A CN114339649A CN202210021897.0A CN202210021897A CN114339649A CN 114339649 A CN114339649 A CN 114339649A CN 202210021897 A CN202210021897 A CN 202210021897A CN 114339649 A CN114339649 A CN 114339649A
- Authority
- CN
- China
- Prior art keywords
- module
- cir
- nlos
- positioning
- processor
- 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
- 238000012545 processing Methods 0.000 claims abstract description 45
- 238000004891 communication Methods 0.000 claims abstract description 7
- 230000003993 interaction Effects 0.000 claims abstract description 4
- 238000012800 visualization Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 15
- 230000005540 biological transmission Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 4
- 239000000919 ceramic Substances 0.000 claims description 3
- 230000006855 networking Effects 0.000 claims 1
- 238000000034 method Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000007635 classification algorithm Methods 0.000 description 6
- 230000004044 response Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 239000004065 semiconductor Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Radar Systems Or Details Thereof (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种基于WKNN分类的NLOS识别系统，包括：定位标签、多个定位基站和上位机，定位标签与多个定位基站无线通信连接，定位基站与上位机通过以太网连接，定位基站接收定位标签产生的CIR数据，并上传到上位机进行处理，上位机搭载有CIR处理系统，CIR处理系统包括控制后台和前端显示界面，控制后台用于实现对CIR数据的接收处理、特征参数提取、基于加权‑K近邻的NLOS识别处理，前端显示界面用于实现CIR波形、特征参量和信号类型可视化及人机交互。本发明提供的WKNN分类的NLOS识别系统，减少了计算量，提高了实时性和识别准确率，增强了不同环境的适应性，有效提高了室内定位精度。
Description
技术领域
本发明涉及室内定位技术领域，特别是涉及一种WKNN分类的NLOS识别系统。
背景技术
IR-UWB通过测量信号传输时间实现距离测量和距离差测量，与传统方法通过信号强度测距原理有所不同。典型非视距传播(NLOS)条件下进行IR-UWB信号传输时间测量时，直射信号和反射信号在CIR波形中可以得到直观反映，因而CIR数据提取特征值分析被作为NLOS识别的主要技术手段。
目前，采用单特征参量进行NLOS判断识别率较低，虽然采用多特征参量进行融合的识别率有所提高，但又增加了计算量，并且不能适应多种环境、耗时较长，因而不能对NLOS信道进行实时识别。
发明内容
本发明的目的是提供一种WKNN分类的NLOS识别系统，减少了计算量，提高了实时性和识别准确率，增强了不同环境的适应性，有效提高了室内定位精度。
为实现上述目的，本发明提供了如下方案：
一种基于WKNN分类的NLOS识别系统，包括：定位标签、多个定位基站和上位机，所述定位标签与多个所述定位基站无线通信连接，所述定位基站与所述上位机通过以太网连接；所述定位基站接收所述定位标签产生的CIR数据，并上传到所述上位机进行处理；
所述上位机搭载有CIR处理系统，所述CIR处理系统包括控制后台和前端显示界面，所述控制后台用于实现对CIR数据的接收处理、特征参数提取、基于加权-K近邻的NLOS识别处理，所述前端显示界面用于实现CIR波形、特征参量和信号类型可视化及人机交互；所述控制后台包括：
特征参量选取模块：选取上升时间tr、平均附加时延τmed、未检测到的峰值数UD-P和饱和度S作为特征参量；
特征参量判断模块：对未检测到的峰值数UD-P的值进行判断，若值大于零则识别当前信道为NLOS状态，若值为零则采用上升时间tr、平均附加时延τmed和饱和度S三个特征参量继续进行信道识别；
样本信息采集模块：采集多组信道波形的tr、τmed、S三个特征参量以及信道状态信息作为训练样本；
特征参量归一化模块：对tr、τmed、S三个特征参量进行归一化处理；
欧氏距离计算模块：tr、τmed、S三种特征参量在向量空间中的点为
计算测试样本
与每个训练样本的欧式距离，计算公式为
欧式距离排序模块：将欧式距离由小到大进行排序，选出欧式距离最小的K个信道；
信道状态识别模块：判断K个信道状态最多的分类，作为测试样本的信道识别状态。
可选的，所述定位标签包括振荡器以及通过第一电源供电的第一处理器和第一射频模块，所述振荡器与所述第一处理器连接，所述第一处理器与所述第一射频模块连接，所述振荡器振动，所述第一处理器进入中断，完成对所述第一射频模块的控制及数据收发处理，所述第一射频模块通过发射天线向定位基站发送CIR数据；
所述定位基站包括通过第二电源供电的第二射频模块、第二处理器和网络模块，所述第二射频模块与所述第二处理器连接，所述第二处理器与所述网络模块连接，所述第二射频模块通过接收天线接收CIR数据，所述第二处理器进入中断，所述网络模块使用UDP数据传输协议将CIR数据传输到上位机的CIR处理系统。
可选的，所述发射天线和所述接收天线均采用陶瓷全向天线。
可选的，所述第一处理器的型号为STM32L431CCT6，所述第二处理器的型号为STM32F107VCT6，所述第一射频模块和第二射频模块均采用DW1000射频芯片，所述网络模块采用W5500芯片。
可选的，所述CIR处理系统是基于.NET Framework 4.6.1环境开发的。
可选的，所述样本信息采集模块中的信道波形为5000组。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的WKNN分类的NLOS识别系统，基于UWB技术利用不同传播路径有不同的信道冲激响应进行系统设计，可以实现对NLOS信道的识别，系统搭载的WKNN分类算法相比于其他机器学习算法更简单，分类过程耗时少，可以完成实时识别，识别准确率高，并且可以适应不同环境仍保持较高识别率，为室内定位进行NLOS识别、提高定位精度，提供了一种新思路；同时，本发明还对定位基站、定位标签进行了结构与程序设计，优化了设计方案。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例的硬件结构示意图；
图2为CIR波形图；
图3为图2的截取图；
图4为第一条路径识别错误图；
图5为本发明实施例的结构示意图；
图6为本发明实施例的数据处理框架图；
图7为本发明实施例训练样本与测试样本分类图。
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、完整地描述，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。
本发明的目的是提供一种WKNN分类的NLOS识别系统，减少了计算量，提高了实时性和识别准确率，增强了不同环境的适应性，有效提高了室内定位精度。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明实施例提供的基于WKNN分类的NLOS识别系统，包括：定位标签、多个定位基站和上位机，所述定位标签与多个所述定位基站无线通信连接，所述定位基站与所述上位机通过以太网连接且之间设有UDP数据传输协议；所述定位基站接收所述定位标签产生的CIR数据，并上传到所述上位机进行处理；
所述定位标签包括振荡器以及通过第一电源供电的第一处理器和第一射频模块，所述振荡器与所述第一处理器连接，所述第一处理器与所述第一射频模块连接，所述振荡器振动，所述第一处理器进入中断，完成对所述第一射频模块的控制及数据收发处理，所述第一射频模块通过发射天线向定位基站发送CIR数据；所述定位基站包括通过第二电源供电的第二射频模块、第二处理器和网络模块，所述第二射频模块与所述第二处理器连接，所述第二处理器与所述网络模块连接，所述第二射频模块通过接收天线接收CIR数据，所述第二处理器进入中断，所述网络模块使用UDP数据传输协议将CIR数据传输到上位机的CIR处理系统。
本发明基于时域分辨率高、传输速率高、抗多径干扰能力强、功耗低的UWB技术，系统通讯节点采用Decawace公司的DW1000射频芯片，该芯片提供通道脉冲响应的典型累加器，内置了63.8976GHz的采样时钟，计时分辨率为15.65ps，控制器采用意法半导体(ST)公司的32位ARM微控制器；所述发射天线和所述接收天线均采用陶瓷全向天线；所述第一处理器的型号为STM32L431CCT6，所述第二处理器的型号为STM32F107VCT6，所述第一射频模块和第二射频模块均采用DW1000射频芯片，所述网络模块采用W5500芯片。
定位标签采用ST公司生产的STM32L431CCT6微处理器作为主控芯片，该芯片同样是32位的处理器，该处理器自带完整的串行外设接口(Serial Peripheral Interface，SPI)，振荡器连接处理器，当发生振动，进入中断，完成对DW1000射频芯片的控制及数据收发处理，通过天线向基站发送数据，SPI接口需要连接单片机SPI控制器的4个I/O引脚，分别是SPI时钟线、SPI双向数据线、SPI片选线。此外，STM32L431CCT6具有Sleep、Stop等低功耗模式，可以满足定位标签对于低功耗的要求。
定位基站采用ST公司生产的STM32F107VCT6微处理器作为定位基站的主控芯片，它是一个32位的微处理器。该微处理器自带完整的串行外设接口(Serial PeripheralInterface，SPI)，可以完成对DW1000射频芯片、W5500芯片的控制及数据收发处理。W5500芯片具有标准的四线SPI通信接口，具有很高的通信速率，支持掉电唤醒和网络唤醒两种方式的功能。定位基站收到CIR数据后进入中断处理，通过W5500使用UDP数据传输协议传输到上位机CIR处理系统。
上位机搭载有CIR处理系统，所述CIR处理系统是基于.NET Framework4.6.1环境开发的，所述上位机CIR处理系统包括控制后台和前端显示界面，所述控制后台用于实现对CIR数据的接收处理、特征参数提取、基于加权-K近邻的NLOS识别处理，所述前端显示界面用于实现CIR波形、特征参量和信号类型可视化及人机交互；所述控制后台包括：
特征参量选取模块：选取上升时间tr、平均附加时延τmed、未检测到的峰值数UD-P和饱和度S作为特征参量；
特征参量判断模块：对未检测到的峰值数UD-P的值进行判断，若值大于零则识别当前信道为NLOS状态，若值为零则采用上升时间tr、平均附加时延τmed和饱和度S三个特征参量继续进行信道识别；
样本信息采集模块：采集多组信道波形的tr、τmed、S三个特征参量以及信道状态信息作为训练样本；所述样本信息采集模块中的信道波形可为5000组；
特征参量归一化模块：对tr、τmed、S三个特征参量进行归一化处理；
欧氏距离计算模块：tr、τmed、S三种特征参量在向量空间中的点为
计算测试样本
与每个训练样本的欧式距离，计算公式为
欧式距离排序模块：将欧式距离由小到大进行排序，选出欧式距离最小的K个信道；
信道状态识别模块：判断K个信道状态最多的分类，作为测试样本的信道识别状态。
通过对LOS和NLOS环境下采集到的CIR波形分析，提出两种新型特征参量，并与前人提出的特征参量结合，合理进行选择，并利用KNN分类算法将多种特征参量融合进行NLOS分类。
根据定位原理，由基站接收标签的信道冲激响应，并上传到上位机CIR处理系统显示CIR波形，如图2所示。图2为900个冲激响应连接而成，每个数据点之间的间隔为15.65ps，可以发现在数据点730～850之间有相对较高峰值，为接收有用信息段，其余峰值较低部分为噪声信号，将有用信号段截取，选取700～900段，如图3所示，上方线条为多次CIR分析后设置的噪声阈值线。通过多次CIR波形分析，提出两种新型特征参量饱和度S与未检测到的峰值数UD-P，结合前人提出的特征参量，选取其中的上升时间tr、平均附加时延τmed结合进行NLOS识别。首先判断未检测到的峰值数UD-P，只要该值大于零，则可以识别该信道为NLOS环境，若该值为零，则利用其余三种特征参量继续判断。在定位环境下进行CIR波形的饱和度S、上升时间tr、平均附加时τmed延训练样本数据收集。将该三种特征参量数据进行归一化处理，代入KNN算法中进行训练，以此为基础进行不确定信道的识别。
(1)未检测到的峰值UD-P
在传播过程中，如果第一条路径衰减严重，DW1000可能会将反射标识作为第一条路径，如图4显示的是第一条路径被错误识别的情况，在图4中上方线条阈值下与下方线条阈值间可以看到实际的第一条路径，下方线条阈值为0.6倍的上方线条阈值。对大量CIR波形的分析，有99.99％的概率确定，若UD-P为大于0，则该信道为NLOS状态。故可以将此UD-P作为NLOS识别的第一步。
(2)饱和度S
在LOS传播环境下，第一条识别路径即为直射路径，也是最强路径。在NLOS传播环境下，直射路径在传播过程中要穿过一个或多个障碍物，由于障碍物的介电常数大于1，所以会造成一定程度的衰减，需要对第一路径的衰减程度做一个量化，故提出饱和度S：
其中，
为第一路径附近三个幅值中的最大值。
本发明采取WKNN分类算法，对选取的特征参量进行训练和测试。
KNN分类算法是最简单的机器学习方法，适用于信号处理领域。该算法的原理是在训练样本的特征参量与信道状态已知的情况下，对测试数据进行分类，计算测试数据与各个训练数据之间的距离，得到距离最小的K个训练数据，选取这K个数据中出现最多的类别作为测试数据的预测类。
本发明采取Relief算法计算特征参量的权值，该算法是根据每个特征与类别标签的相关性确定不同权值，选取权值较大的特征参量作为降维后的特征子集。主要思想为：在训练样本集中随机选取m个样本，对每个样本找到同类近邻样本H和不同类近邻样本M，求出样本各特征与类别标签的相关性，计算公式如下：
并求得各特征的平均权重，计算公式如下：
其中：W(A1′)、W(A2′)...W(An′)分别为特征A1、A2...An与分类标签的相关性。
具体过程在所述控制后台的各个模块中实现，这里不再赘述。
本发明的结构特征是：将四个定位基站作为一个标准的定位单元，将四个定位基站分别放在空间的四个角上，使用以太网线通过POE交换机完成定位基站与上位机之间的数据传输过程。基站将DW1000提供CIR累加器数据上传到上位机，在上位机CIR处理系统中收集已知特征参量值及信道状态信息，作为训练样本，使用WKNN分类算法进行未知信道状态的CIR波形进行判断。
如图5所示，本发明提供的识别系统包括上位机、POE交换机、四个基站，一个标签Tag，由基站DW1000芯片的CIR累加器产生波形数据，经由POE交换机上传给上位机，数据处理框架图如图6。
在识别系统中，每个定位基站都存在数据采集单元和数据处理单元，定位基站与POE交换机通过以太网线连接，供电的同时进行数据传输，定位标签采用电池直接供电，每个定位基站都可以将接收到的定位标签信号上传到上位机CIR处理系统，进行数据预处理，得到CIR波形，之后进行特征参量的提取。首先，采集2000组特征参量与分类标签绑定的训练数据，将得到的上升时间tr、平均附加时延τmed、饱和度S进行归一化处理，防止权重分配不均；确定距离公式与最优近邻数K，达到需要的识别准确率，进行未知信道的预测，计算未知信道测试数据与已知训练数据集中每一个信道特征参量的距离，将得到的距离进行由小到大排序，选择距离最小的K个训练数据，这K个数据中出现最多的类别即为测试数据的预测类。图7为在室内办公环境下，使用上升时间tr、平均附加时延τmed、饱和度S建立的特征空间。其中圆圈为训练样本集中标签为LOS的信道，三角为训练样本中标签为NLOS的信道。定位基站实时上传测试数据，确定近邻数K的值为11，距离计算采用欧氏距离，得到该测试数据的预测类。在图7中显示，圆点代表预测类为NLOS，五角星代表预测类为LOS，上传100组实时数据，经对比计算，识别正确率达到98％，表明本发明减小了计算量，提高了实时性和识别准确率，减小了环境干扰非视距传播对定位精度造成的影响，提高定位精度。
本发明提供的WKNN分类的NLOS识别系统，基于UWB技术利用不同传播路径有不同的信道冲激响应进行系统设计，可以实现对NLOS信道的识别，系统搭载的WKNN分类算法相比于其他机器学习算法更简单，分类过程耗时少，可以完成实时识别，识别准确率高，并且可以适应不同环境仍保持较高识别率，为室内定位进行NLOS识别、提高定位精度，提供了一种新思路；同时，本发明还对定位基站、定位标签进行了结构与程序设计，优化了设计方案。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种基于WKNN分类的NLOS识别系统，其特征在于，包括：定位标签、多个定位基站和上位机，所述定位标签与多个所述定位基站无线通信连接，所述定位基站与所述上位机通过以太网连接；所述定位基站接收所述定位标签产生的CIR数据，并上传到所述上位机进行处理；
所述上位机搭载有CIR处理系统，所述CIR处理系统包括控制后台和前端显示界面，所述控制后台用于实现对CIR数据的接收处理、特征参数提取、基于加权-K近邻的NLOS识别处理，所述前端显示界面用于实现CIR波形、特征参量和信号类型可视化及人机交互；所述控制后台包括：
特征参量选取模块：选取上升时间tr、平均附加时延τmed、未检测到的峰值数UD-P和饱和度S作为特征参量；
特征参量判断模块：对未检测到的峰值数UD-P的值进行判断，若值大于零则识别当前信道为NLOS状态，若值为零则采用上升时间tr、平均附加时延τmed和饱和度S三个特征参量继续进行信道识别；
样本信息采集模块：采集多组信道波形的tr、τmed、S三个特征参量以及信道状态信息作为训练样本；
特征参量归一化模块：对tr、τmed、S三个特征参量进行归一化处理；
欧氏距离计算模块：tr、τmed、S三种特征参量在向量空间中的点为
计算测试样本
与每个训练样本的欧式距离，计算公式为
欧式距离排序模块：将欧式距离由小到大进行排序，选出欧式距离最小的K个信道；
信道状态识别模块：判断K个信道状态最多的分类，作为测试样本的信道识别状态。
2.根据权利要求1所述的基于WKNN分类的NLOS识别系统，其特征在于，所述定位标签包括振荡器以及通过第一电源供电的第一处理器和第一射频模块，所述振荡器与所述第一处理器连接，所述第一处理器与所述第一射频模块连接，所述振荡器振动，所述第一处理器进入中断，完成对所述第一射频模块的控制及数据收发处理，所述第一射频模块通过发射天线向定位基站发送CIR数据；
所述定位基站包括通过第二电源供电的第二射频模块、第二处理器和网络模块，所述第二射频模块与所述第二处理器连接，所述第二处理器与所述网络模块连接，所述第二射频模块通过接收天线接收CIR数据，所述第二处理器进入中断，所述网络模块使用UDP数据传输协议将CIR数据传输到上位机的CIR处理系统。
3.根据权利要求2所述的基于WKNN分类的NLOS识别系统，其特征在于，所述发射天线和所述接收天线均采用陶瓷全向天线。
4.根据权利要求2所述的基于WKNN分类的NLOS识别系统，其特征在于，所述第一处理器的型号为STM32L431CCT6，所述第二处理器的型号为STM32F107VCT6，所述第一射频模块和第二射频模块均采用DW1000射频芯片，所述网络模块采用W5500芯片。
5.根据权利要求1所述的基于WKNN分类的NLOS识别系统，其特征在于，所述CIR处理系统是基于.NET Framework 4.6.1环境开发的。
6.根据权利要求1所述的基于WKNN分类的NLOS识别系统，其特征在于，所述样本信息采集模块中的信道波形为5000组。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210021897.0A CN114339649B (zh) | 2022-01-10 | 2022-01-10 | 一种wknn分类的nlos识别系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210021897.0A CN114339649B (zh) | 2022-01-10 | 2022-01-10 | 一种wknn分类的nlos识别系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114339649A true CN114339649A (zh) | 2022-04-12 |
| CN114339649B CN114339649B (zh) | 2024-03-01 |
Family
ID=81026115
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210021897.0A Active CN114339649B (zh) | 2022-01-10 | 2022-01-10 | 一种wknn分类的nlos识别系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114339649B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111209960A (zh) * | 2020-01-06 | 2020-05-29 | 天津工业大学 | 一种基于改进随机森林算法的csi系统多径分类方法 |
| CN112929826A (zh) * | 2021-03-23 | 2021-06-08 | 浙江工业大学 | 一种基于uwb三角定位与指纹信息的室内混合定位方法 |
| CN113194427A (zh) * | 2021-04-30 | 2021-07-30 | 长安大学 | 一种基于软判决可视与非可视信道的识别方法、系统及装置 |
| CN113469110A (zh) * | 2021-07-15 | 2021-10-01 | 北京邮电大学 | 一种基于深度学习的uwb非视距信号识别方法 |
-
2022
- 2022-01-10 CN CN202210021897.0A patent/CN114339649B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111209960A (zh) * | 2020-01-06 | 2020-05-29 | 天津工业大学 | 一种基于改进随机森林算法的csi系统多径分类方法 |
| CN112929826A (zh) * | 2021-03-23 | 2021-06-08 | 浙江工业大学 | 一种基于uwb三角定位与指纹信息的室内混合定位方法 |
| CN113194427A (zh) * | 2021-04-30 | 2021-07-30 | 长安大学 | 一种基于软判决可视与非可视信道的识别方法、系统及装置 |
| CN113469110A (zh) * | 2021-07-15 | 2021-10-01 | 北京邮电大学 | 一种基于深度学习的uwb非视距信号识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| 李海 等: "基于CIR 特征参量的NLOS 识别方法研究", 《中国测试》 * |
| 韦子辉 等: "基于加权K-近邻分类的非视距识别方法研究", 《电子与信息学报》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114339649B (zh) | 2024-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Blink: A high throughput link layer for backscatter communication | |
| Xiao et al. | AmpN: Real-time LOS/NLOS identification with WiFi | |
| King et al. | Compass: A probabilistic indoor positioning system based on 802.11 and digital compasses | |
| US10374902B2 (en) | Method for clustering wireless channel MPCs based on a KPD doctrine | |
| CN106802404B (zh) | 一种人体室内定位自动检测方法及系统 | |
| EP1478202B1 (en) | A method of locating and measuring a mobile station | |
| JP3461167B2 (ja) | 位置計算方法及び位置算出装置 | |
| CN105554879B (zh) | 一种室内区域定位优化方法及系统 | |
| CN110099019A (zh) | 基于深度学习的LoRa调制信号检测方法 | |
| Shi et al. | Human activity recognition using deep learning networks with enhanced channel state information | |
| Liu et al. | A research on CSI-based human motion detection in complex scenarios | |
| CN109640262B (zh) | 一种基于混合指纹的定位方法及系统、设备、存储介质 | |
| CN108038419A (zh) | 基于Wi-Fi的室内人员被动检测方法 | |
| CN109039503A (zh) | 一种频谱感知方法、装置、设备及计算机可读存储介质 | |
| CN111601270A (zh) | 一种无线传感器网络拓扑结构的物联网电力监测系统及方法 | |
| CN109819394A (zh) | 基于WiFi与超声波混合的室内定位方法及其系统 | |
| CN2669492Y (zh) | 使用低功率干扰信号码功率量测的使用者设备 | |
| CN114285500A (zh) | 一种uwb室内定位信道质量评估方法 | |
| CN112924833A (zh) | 基于超声传感器阵列的开关柜局部放电检测装置及方法 | |
| Liu et al. | A real-time algorithm for fingerprint localization based on clustering and spatial diversity | |
| Bastwesy et al. | Deep learning sign language recognition system based on wi-fi csi | |
| Papapostolou et al. | WIFE: Wireless indoor positioning based on fingerprint evaluation | |
| CN105743756A (zh) | WiFi系统中基于adaboost算法的帧检测方法 | |
| CN114339649A (zh) | 一种wknn分类的nlos识别系统 | |
| CN112867021A (zh) | 基于改进型TrAdaBoost的迁移学习室内定位方法 |
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 |