CN114363949B - 一种用于uwb定位系统的异常数据检测方法 - Google Patents

Abstract

本发明涉及异常检测技术领域，具体涉及一种用于UWB定位系统的异常数据检测方法，S1、在待定位的环境中部署N个UWB定位基站，基站的位置和参考点位置由全站仪标定，在环境中利用UWB定位标签与基站进行交互实现距离的测量，设定采样频率为5Hz，记录标签到各个基站的距离，利用深度学习RNN网络模型根据历史数据及下一时刻的数据进行检测模型的训练，同时根据实时数据进行数据预测，并与真实值作比较，从而实现动态实时的异常数据检测。

Description

一种用于UWB定位系统的异常数据检测方法

技术领域

本发明涉及异常检测技术领域，具体涉及一种用于UWB定位系统的异常数据检测方法。

背景技术

UWB(Ultra-Wideband)技术也被称之为“超宽带”，又称之为脉冲无线电技术。这是一种无需任何载波，通过发送纳秒级脉冲而完成数据传输的短距离范围内无线通信技术，并且信号传输过程中的功耗仅仅有几十μW。UWB因其独有的特点，使其在军事、物联网等各个领域都有着广阔的应用。其中，基于UWB的定位技术具备实时的室内外精确跟踪能力，定位精度高，可达到厘米级甚至毫米级定位。UWB在室内精确的定位将会对卫星导航起到一个极好的补充作用，可在军事及民用领域有广泛应用，比如：电力、医疗、化工行业、隧道施工、危险区域管控等。通常基于UWB的定位系统需要在环境中部署已知位置的基站，利用标签和参考节点之间传播信号进行测距，实现位置的估计。根据提取的估计量(例如信号场强、到达时间和到达角度)的不同，在常用的UWB定位技术中，主要有四种比较成熟的算法，分别是：基于信号达到时间差、基于信号到达时间、基于信号到达角度和基于标签节点接收到的信号强度(RSSI,Received Signal Strength Indication)的方法。在室内定位的应用中，UWB技术可以实现厘米级的定位精度(一般指2维平面定位)，并具有良好的抗多径干扰和衰弱的性能以及具有较强的穿透能力。但由于室内环境复杂多变UWB通信信号极易受到遮挡等环境因素的影响，虽然UWB技术具有穿透能力，但仍然会产生测距误差，在较强干扰时，数据会发生异常波动(通常是时间延时)，往往会导致测距精度降低，甚至在工程应用中造成严重的后果。因此，信号干扰下的超宽带(UWB)数据异常检测问题成为亟待解决的问题。

发明内容

针对现有技术所存在的上述缺点，本发明的第一目的在于提供一种用于UWB定位系统的异常数据检测方法，考虑到UWB定位系统内一组基站和标签间的数据在前后时刻存在较强的依赖性，基于这种特性设计了一种RNN循环神经网络用于学习一段时间的历史测距数据得到异常检测参数，并存储为预测模型。在实时定位前通过训练得到的参数进行预测，通过比较预测值与真实值的偏差判别异常数据并剔除，进而提高定位系统的可靠性和稳定性。

为实现上述目的，本发明提供了如下技术方案：

一种用于UWB定位系统的异常数据检测方法，包括以下步骤：

S1、在待定位的环境中部署N个UWB定位基站；

S2、构建训练数据集；

S3、模型训练阶段，构建RNN网络模型；

S4、将置换后的图像记为数据流的形式；

S5、将生成的数据流依次输入两轮迭代系统；

S6、将步骤S3中得到的预测模型作为异常检测的基础。

本发明进一步设置为：所述S1的具体操作步骤为：在待定位的环境中部署N个UWB定位基站，基站的位置和参考点位置由全站仪标定，在环境中利用UWB定位标签与基站进行交互实现距离的测量，设定采样频率为5Hz，记录标签到各个基站的距离。

本发明进一步设置为：所述S2的具体操作步骤为：构建训练数据集，实验人员携带UWB定位标签在环境中移动，获取各个基站的测距信息，按照一定长度进行数据的截取，为了保障数据的完备性，通常多名试验人员携带多个定位标签在环境中以不同步频和姿态行走，同时将数据进行标准化处理。

本发明进一步设置为：所述S3的具体操作步骤为：模型训练阶段，构建RNN网络模型，设置相关超参数如batch size(一次训练选取的数据)、look back(滑动窗口大小)、移动步长time step设定为窗口长度的1/2、网络层数、dropout以及网络迭代次数，选取数据集的95％的数据作为模型的训练，利用5％的数据作为模型的测试，利用T-n到T-1时刻的历史数据作为网络的输入，n为窗口步长，利用T时刻的数据作为标签，训练RNN神经网络，其中输入数据，输入数据x_i＝(x1，x2，...xn-1)，i＝1-N，对应一个隐含层序列h_i＝(h1，h2，...hn-1)，i＝1-N和输出序列y_i＝(y1，y2，…yn-1)，i＝1-N；

在t时刻，隐含层的值h_t有t时刻的输入值和t-1时刻的隐含层输出值共同决定，计算如公式(1)所示：

h_t＝g(Wx_t+Vh_t+b) (1)

其中W和V是权重矩阵，b为偏执向量，g为激活函数，在实际应用中，这里可以选择为Sigmoid函数，在利用反向传播法计算每一个预测值得偏差得到误差函数，通过最小化误差函数得到最终的预测模型。

本发明进一步设置为：所述S4的具体操作步骤为：将步骤S3中得到的预测模型作为异常检测的基础，在UWB系统实时定位时，标签在接收到异常信号干扰或者遮挡导致测距信息波动较大时，预测模型将通过历史数据进行判别，记录预测值大于真实值的次数，当超过设定次数阈值num(num根据系统对定位性能的要求及敏感度确认)时，我们判定当前基站的测距信息为异常数据并剔除，不参与位置的解算，从而提高定位系统的可靠。

有益效果

采用本发明提供的技术方案，与已知的公有技术相比，具有如下有益效果：

利用深度学习RNN网络模型根据历史数据及下一时刻的数据进行检测模型的训练，同时根据实时数据进行数据预测，并与真实值作比较，从而实现动态实时的异常数据检测。

附图说明：

图1为本发明的试验测试环境搭建图；

图2为本发明的RNN异常数据检测模型图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将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。

参考图1-2，结合实施例对本发明作进一步的描述。

一种用于UWB定位系统的异常数据检测方法，包括以下步骤：

1)在待定位的环境中部署N个UWB定位基站，基站的位置和参考点位置由全站仪标定，在环境中利用UWB定位标签与基站进行交互实现距离的测量，设定采样频率为5Hz，记录标签到各个基站的距离，如图1所示；

2)构建训练数据集，实验人员携带UWB定位标签在环境中移动，获取N个基站的测距信息，按照一定长度进行数据的截取，为了保障数据的完备性，通常多名试验人员携带多个定位标签在环境中以不同步频和姿态行走，同时将数据进行标准化处理；

3)模型训练阶段，构建RNN网络模型，设置相关超参数如batch size(一次训练选取的数据)、look back(滑动窗口大小)、移动步长time step设定为窗口长度的1/2、网络层数、dropout以及网络迭代次数等。选取数据集的95％的数据作为模型的训练，利用5％的数据作为模型的测试。利用T-n到T-1时刻的历史数据作为网络的输入x，n为窗口步长，利用T时刻的数据作为标签，训练RNN神经网络。输入数据x_i＝⁽x1，x2，...xn-1)，i＝1-N对应一个隐含层序列h_i＝(h1，h2，...hn-1)，i＝1-N和输出序列y_i＝(y1，y2，...yn-1)，i＝1-N对于每一个基站的隐含层h在t时刻的h_t是由上一时刻的h_t-1及当前时刻的x_t决定的，如图2所示；

在t时刻，隐含层的值h_t有t时刻的输入值和t-1时刻的隐含层共同决定，计算如公式(1)所示：

h_t＝g(Wx_t+Vh_t+b) (1)

其中W和V是权重矩阵，b为偏执向量，g为激活函数，在实际应用中，这里可以选择为Sigmoid函数，在利用反向传播法计算每一个预测值得偏差得到误差函数，通过最小化误差函数得到最终的预测模型。

4)将步骤3)中得到的预测模型作为异常检测的基础，在UWB系统实时定位时，标签在接收到异常信号干扰或者遮挡导致测距信息波动较大时，预测模型将通过历史数据进行判别，记录预测值大于真实值的次数，当超过设定次数阈值num(num根据系统对定位性能的要求及敏感度确认)时，我们判定当前基站的测距信息为异常数据并剔除，不参与位置的解算，从而提高定位系统的可靠性。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (1)

1.一种用于UWB定位系统的异常数据检测方法，其特征在于，包括以下步骤：

S1、在待定位的环境中部署N个UWB定位基站；

S2、构建训练数据集；

S3、模型训练阶段，构建RNN网络模型；

S4、将置换后的图像记为数据流的形式；

S5、将生成的数据流依次输入两轮迭代系统；

S6、将步骤S3中得到的预测模型作为异常检测的基础；

所述S1的具体操作步骤为：在待定位的环境中部署N个UWB定位基站，基站的位置和参考点位置由全站仪标定，在环境中利用UWB定位标签与基站进行交互实现距离的测量，设定采样频率为5Hz，记录标签到各个基站的距离；

所述S2的具体操作步骤为：构建训练数据集，实验人员携带UWB定位标签在环境中移动，获取各个基站的测距信息，按照一定长度进行数据的截取，通常多名试验人员携带多个定位标签在环境中以不同步频和姿态行走，同时将数据进行标准化处理；

所述S3的具体操作步骤为：模型训练阶段，构建RNN网络模型，设置相关超参数如batchsize、lookback、移动步长timestep设定为窗口长度的1/2、网络层数、dropout以及网络迭代次数，选取数据集的95％的数据作为模型的训练，利用5％的数据作为模型的测试，利用T-n到T-1时刻的历史数据作为网络的输入，n为窗口步长，利用T时刻的数据作为标签，训练RNN神经网络，输入数据x_i＝(x1，x2，...n-1)，i＝1-N，对应一个隐含层序列h_i＝(h1，h2，...h-1)，i＝1-N和输出序列y_i＝(y1，y2，...yn-1)，i＝1-N；

在t时刻，隐含层的值h_t有t时刻的输入值和t-1时刻的隐含层输出值共同决定，计算如公式(1)所示：

h_t＝g(Wx_t+Vh_t+b) (1)

其中W和V是权重矩阵，b为偏执向量，g为激活函数，在实际应用中，这里可以选择为Sigmoid函数，在利用反向传播法计算每一个预测值得偏差得到误差函数，通过最小化误差函数得到最终的预测模型；

所述S4的具体操作步骤为：将步骤S3中得到的预测模型作为异常检测的基础，在UWB系统实时定位时，标签在接收到异常信号干扰或者遮挡导致测距信息波动较大时，预测模型将通过历史数据进行判别，记录预测值大于真实值的次数，当超过设定次数阈值num时，我们判定当前基站的测距信息为异常数据并剔除，不参与位置的解算。

Images