CN114742102A - 一种nlos信号识别方法及系统 - Google Patents
一种nlos信号识别方法及系统 Download PDFInfo
- Publication number
- CN114742102A CN114742102A CN202210327943.XA CN202210327943A CN114742102A CN 114742102 A CN114742102 A CN 114742102A CN 202210327943 A CN202210327943 A CN 202210327943A CN 114742102 A CN114742102 A CN 114742102A
- Authority
- CN
- China
- Prior art keywords
- nlos
- som
- data set
- los
- 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
Images
Classifications
-
- 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
-
- 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
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种NLOS信号识别方法及系统,通过自组织映射算法SOM对大量的数据集进行分类,之后再通过卷积神经网络CNN进行识别训练和信号识别,从而准确地完成NLOS信号的识别。其中用于SOM的神经网络训练的数据集包括非视线传输信号NLOS数据集、视线传输信号LOS数据集和NLOS‑LOS数据集,且NLOS‑LOS数据集包括不同初始值和样本数量的NLOS‑LOS数据子集,能够使SOM的神经网络训练的分类精度更高。
Description
技术领域
本发明涉及信号处理技术领域,具体涉及一种NLOS信号识别方法及系统。
背景技术
常见的室内定位技术主要基于无线局域网、射频标签、ZigBee技术、蓝牙技术和红外技术等,然而这些技术容易受到各种噪声信号和室内环境的影响,而且他们的定位精度容易受到复杂的室内环境的影响。基于超宽带(UWB,Ultra-Wideband)的定位技术具有信号穿透能力强、抗多径能力强、时间分辨率高、定位精度高等优势,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,近年来得到了较好的发展,在军事及民用领域有着广泛应用,如:电力、医疗、化工行业、隧道施工、危险区域管控等。
尽管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性能以及较强的穿透能力,但由于室内环境复杂多变,在这样的环境中,通常会有意想不到的障碍导致非视线(NLOS,Non Line Of Sight)传播,这将在测距测量中引入偏差。并且UWB通信信号极易受到遮挡,在较强干扰下,数据会发生异常波动(通常是时间延时),基本无法完成室内定位,甚至会造成严重事故。而UWB在采集数据时并不知道信号有无干扰。因此,信号干扰下的超宽带(UWB)异常信号识别成为UWB精确定位问题中亟待解决的难题。
NLOS识别是解决NLOS引起的高分辨率定位系统偏差的第一步,也是最关键的一步。目前已经有一些关于NLOS识别的研究,比如基于AdaBoost的机器学习元算法的强非视线传播分类器;一种统计视距识别方案,利用信道状态信息,扩大视距和非视距条件的区别;提取信道脉冲响应的一些手工特征,对LOS/NLOS进行似然比测试;一种基于监督机器学习算法的LOS/NLOS分类方法等。
传统的NLOS误差模型主要有高斯分布模型,其由于计算简便成为最常用的一种NLOS误差模型。在通信环境良好的UWB中,测距值中一般只包含很少的NLOS误差,NLOS误差模型间的差别并不会对误差消除造成太大的影响;但在通信环境恶劣的UWB中,NLOS误差作为测量误差的主要部分,误差模型的不准确会造成误差消除达不到效果甚至无法实现。因此,判断测距数据中是否含有异常数据成为了UWB中的重要问题。
综上,传统技术中大多停留在理论分析阶段,并没有有效算法能够准确识别NLOS信号。
发明内容
有鉴于此,本发明提供了一种NLOS信号识别方法及系统,能够准确第识别NLOS信号。
本发明采用的具体技术方案如下:
一种NLOS信号识别方法,包括:
步骤一、构建数据集包括:非视线传输信号NLOS数据集、视线传输信号LOS数据集和NLOS-LOS数据集;
步骤二、利用自组织映射算法SOM对所述数据集进行分类;
其中,通过对所述SOM的神经网络输入不同配比和样本数量的数据集,完成SOM的神经网络训练过程;
步骤三、利用卷积神经网络CNN模型对分类好的所述数据集进行识别,完成CNN模型的训练;
将待识别的数据集输入至CNN模型中识别信号类别。
进一步地,所述NLOS-LOS数据集包括多种NLOS信号与LOS信号按不同比例成分构建的NLOS-LOS数据子集。
进一步地,所述SOM的神经网络中的竞争层采用100×100的神经元结构。
进一步地,所述CNN模型包括第一卷积池化层、第二卷积池化层、第三卷积池化层、全连接层和全连分类层;
所述CNN模型的训练过程采用的统计指标包括:平均绝对误差、均方根误差、平均绝对误差百分比和R相关系数进行评估;当所述统计指标均满足预设要求时,所述CNN模型训练结束。
一种NLOS信号识别系统,包括:数据模块、SOM分类模块和CNN识别模块;
所述数据模块用于构建数据集;所述数据集包括:非视线传输信号NLOS数据集、视线传输信号LOS数据集和NLOS-LOS数据集;
所述SOM分类模块用于利用自组织映射算法SOM对所述数据模块中的数据集进行分类;其中,通过对所述SOM的神经网络输入不同配比和样本数量的数据集,完成SOM的神经网络训练过程;
所述CNN识别模块用于通过卷积神经网络CNN模型对分类好的所述数据集进行识别,完成所述CNN模型的训练;对待识别的数据集进行信号类别识别。
进一步地,所述NLOS-LOS数据集包括多种NLOS信号与LOS信号按不同比例成分构建的NLOS-LOS数据子集。
进一步地,在所述SOM分类模块中,所述SOM的神经网络中的竞争层采用100×100的神经元结构。
进一步地,在所述CNN识别模块中,所述CNN模型包括第一卷积池化层、第二卷积池化层、第三卷积池化层、全连接层和全连分类层;
所述CNN模型的训练过程采用的统计指标包括:平均绝对误差、均方根误差、平均绝对误差百分比和R相关系数进行评估;当所述统计指标均满足预设要求时,所述CNN模型训练结束。
有益效果:
(1)一种NLOS信号识别方法,通过自组织映射算法SOM对大量的数据集进行分类,之后再通过卷积神经网络CNN进行识别训练和信号识别,从而准确地完成NLOS信号的识别。其中用于SOM的神经网络训练的数据集包括非视线传输信号NLOS数据集、视线传输信号LOS数据集和NLOS-LOS数据集,且NLOS-LOS数据集包括不同初始值和样本数量的NLOS-LOS数据子集,能够使SOM的神经网络训练的分类精度更高,通过这样的分类之后再利用CNN进行识别,可以批量识别数据并识别数据集中的数据配比情况,提高了后续CNN进行NLOS信号识别的准确性。
(2)在一优选方案中,SOM的神经网络中的竞争层采用100×100的神经元结构,可以快速、高效地完成数据集分类的过程。
(3)在一优选方案中,CNN模型的训练过程采用的统计指标包括:平均绝对误差、均方根误差、平均绝对误差百分比和R相关系数进行评估,可以保证最终NLOS信号识别的准确性。
附图说明
图1为NLOS信号误差示意图。
图2为一种NLOS信号识别方法流程图。
图3为自映射组织网络结构图。
图4为SOM数据分类流程图。
图5为本发明采用的CNN神经网络结构图。
图6为CNN中NLOS信号识别流程图。
图7为多输出迭代预测示意图。
图8为多分类器训练流程图。
图9为本发明实施例中的实测环境示意图。
图10为本发明实施例中SOM初步分类效果图。
具体实施方式
一种NLOS信号识别方法及系统,通过自组织映射算法SOM对大量的数据集进行分类,之后再通过卷积神经网络CNN进行识别训练和信号识别,从而准确地完成NLOS信号的识别。其中用于SOM的神经网络训练的数据集包括非视线传输信号NLOS数据集、视线传输信号LOS数据集和NLOS-LOS数据集,且NLOS-LOS数据集包括不同初始值和样本数量的NLOS-LOS数据子集,能够使SOM的神经网络训练的分类精度更高。
首先,对本发明中用到的一些技术做简单介绍:
自组织映射(Self-organizing map,SOM)通过学习输入空间中的数据生成一个低维的离散映射,在一定程度上也可以看作是一种降维算法。SOM是一种无监督的人工神经网络。与常规的基于损失函数反向传递的神经网络训练不同,它采用竞争学习策略,根据神经元之间的竞争情况,逐步优化网络。邻域函数用于维护输入空间的拓扑结构,这意味着二维映射包含数据点之间的相对距离。输入空间中相邻的样本被映射到相邻的输出神经元。
由于SOM是基于无监督学习的,这意味着在训练阶段不需要人工干预,我们可以在不知道类别的情况下对数据进行聚类。与此同时,可以识别与问题具有内在联系的特征。综上所述,SOM的特征可以总结如下:(1)神经网络,竞争学习策略;(2)无监督学习,不需要额外的标签;(3)适用于高维数据的可视化,并能保持输入空间的拓扑结构;(4)高泛化能力。
一个SOM由一个竞争层组成,该层可以将具有任意维数的向量数据集分类成与该层拥有神经元数量相同的类。神经元排列在一个二维拓扑结构中,这使得该层能够形成分布的表示和数据集拓扑结构的二维近似。自组织特征映射算法,能够自动找出输入数据之间的类似度,将相似的输入在网络上就近配置,因此是一种可以构成对输入数据有选择地给予响应的网络。
卷积神经网络(CNN)是一种具有深度结构和卷积运算的前馈神经网络。它是深度学习的代表性算法之一,具有表示学习能力,可以根据输入信息翻译不变量的层次结构对其进行分类。卷积神经网络模拟生物视觉感知机制的构建,可以进行有监督学习和无监督学习。隐层内卷积核的参数共享和层间连接的稀疏性使得卷积神经网络学习网格状拓扑特征,计算量小,结果稳定,对数据没有额外的特征工程要求。
飞行时间测距法(TOF)属于双向测距技术,利用数据信号在一对收发机之间往返的飞行时间来测量两点间的距离。TOF测距的主要缺点是测距容易受周围环境影响,在测量环境存在障碍物的情况下,TOF测距常常会包含误差。例如由于光波信号的传递特性,反射,折射,衍射等非直线传播的因素都会造成测量时间的偏差,从而造成所计算的距离有误差。时间偏差越大,测距误差就越大。因此在复杂环境下的情况下,TOF测距通常包含大量的误差。
TOF测距是通过电波信号的收发来实现,电波传播过程中可能会由于环境因素产生折射、反射、散射等非直线传播,这些非直线传播导致信号传播路径偏离节点间的实际的直线路径,从而造成计算距离偏离实际距离,这种误差称之为NLOS误差。
NLOS误差的形成和所处的测距环境相关,障碍物的存在使得电波非直线传播。当利用移动节点(MS)和锚点(BS)进行TOF测距,网络中同时存在NLOS路径和LOS路径,很明显,墙壁造成的NLOS路径与实际路径相差甚远,这导致测量距离远远偏离实际距离,这种偏离就是NLOS误差。图1中,直线传播路径为LOS路径,不包含NLOS误差。
下面结合附图并举实施例,对本发明进行详细描述。
如图2所示,为本发明的一种NLOS信号识别方法流程图,具体过程包括:
步骤一、构建数据集包括:非视线传输信号NLOS数据集、视线传输信号LOS数据集和NLOS-LOS数据集。
选取需要进行分类的数据集,以N×M维矩阵形式导入,代表N组具有M个特征(如:M1为NLOS信号,M2为LOS信号,M3为NLOS-LOS混合信号)的数据。
步骤二、利用自组织映射算法SOM对数据集进行分类。
需要先构建SOM的神经网络。设定自组织映射网络中的神经元数量,设定二维自组织映射的大小n,如:输入4个数据,二维SOM层设定为100×100,如图3所示。
之后进行SOM的神经网络训练,通过对SOM的神经网络输入不同配比和样本数量的数据集,完成SOM的神经网络训练过程。
训练神经网络以学习测试集的拓扑结构和数据分布,运用SOM批处理算法训练神经网络,由于不同的初始条件和样本值(如情况一:200个NLOS信号,100个LOS信号,200个NLOS-LOS混合信号;情况二:100个NLOS信号,100个LOS信号,300个NLOS-LOS混合信号;情况三:400个NLOS信号,20个LOS信号,80个NLOS-LOS混合信号),将导致不同的处理结果,因此需进行多次重复训练。
在SOM的神经网络训练过程需要选取关键信息辅助实现最终的分类。本发明选取如下4个关键信息:
(1)临近点位置(plotsomnd):用于显示每个神经元的权重向量与相邻神经元的距离。
(2)输入平面(plotsomplanes):表示第i个子图显示了从第i个输入到该层神经元的权重。
(3)样本点(plotsomhits):在SOM层,每个神经元显示其分类的输入向量的数量。
(4)权重位置(plotsompos):显示SOM如何对输入空间进行分类。
自组织映射算法SOM的具体流程如图4所示,包括:
step1网络初始化:用随机数设定输入层和映射层之间权值的初始值。
step2输入向量:把输入向量(输入向量为待分类的数据集)输入给输入层。
step3计算每个神经元对应的输入向量和权值向量的距离。
step4选择与权值向量的距离最小的神经元,称为胜出神经元并记为H,并将胜出神经元并记为H与其邻接的神经元一起组成胜出神经元集合Ni。
step5调整权值
胜出神经元集合Ni和位于其邻接神经元的权值,按下式更新,其中wij(t)为神经元i在j时刻的权值,η为初始学习率,h(j,j*)为第i个神经元与获胜神经元之间的拓扑距离的函数。
wij(t+1)=wij(t)+Δwij
Δwij=ηh(j,j*)(xj-wij)
step6当本SOM网络的学习率η≤ηmin时,结束,否则返回step 2继续学习。
步骤三、利用卷积神经网络CNN模型对分类好的数据集进行识别,将待识别的数据集输入至CNN模型中识别信号类别。
对于完成SOM批处理算法进行分类的数据集,将输入到本部分进行模式识别。本文将利用CNN神经网络,基于已知模式的数据集(已知正常、异常的数据集)进行学习,训练完毕后对输入进来的需判别数据集进行模式识别,最终完成整个异常信号的识别算法。
在模式识别问题中,需要一个神经网络将输入信息分类为一组目标类别。神经模式识别(Neural Network Pattern Recognition)将通过选择数据,创建和训练网络,并使用交叉熵和混淆矩阵评估模式识别性能。
神经模式识别(Neural Network Pattern Recognition)中,两层前馈网络(patternnet)具有sigmoid隐神经元和softmax输出神经元,只要在其隐层中给定足够的神经元,就可以很好地对输入向量进行模式判别。本神经网络将使用比例共轭梯度反向传播函数进行训练。
CNN神经网络应用于异常检测问题,其算法主要包括四个阶段:数据预处理、模型训练,多步预测分类和性能评价。具体策略如下:
Step 1选取数据集
选取需要进行训练的输入数据集(input data)(input data为对CNN网络进行训练的数据集)和进行模式识别(target data)的数据集(target data为已完成基于SOM批处理的分类算法的UWB定位信号数据集)。均以N×M维矩阵形式导入,代表N组具有M个特征的数据。
Step 2训练、验证和测试数据集设定
设定训练、验证和测试数据集各自所占比例。训练集用来训练神经网络,使其学习正常数据和异常数据的特征,并通过排除识别错误这一情况,来不断调正其识别效果;验证集用来监督神经网络泛化,当泛化停止提高时停止训练;测试集用来判别目标数据集的模式(NLOS、非NLOS)。
Step 3神经网络建构
设定各层网络的结构,如图5所示,其中图5的参数仅为一种较好的可行情况,各参数设为其他数目也能达到相当或者接近的NLOS信号识别效果。
图5中,CNN模型包括第一卷积池化层、第二卷积池化层、第三卷积池化层、全连接层和全连分类层。
CNN模型的输入为经过SOM分类算法处理过后的已分类数据集,经过第一卷积池化层后,输出了初步的UWB信号类型鉴别结果(NLOS,LOS),但其中含有部分错误的识别结果;将本次的鉴别结果输入到第二卷积池化层中,得到了更为精确的UWB信号类型鉴别结果,识别错误率将得到大幅下降(一般可达到50%);再将本结果输入到第三卷积池化层中,得到了更为精确的UWB信号类型鉴别结果,识别错误率下降到5%以内。将本精确识别结果输入到后续的全连接层和全连分类层(由全连接层和softmax激活函数组成)中,最终实现了对于已分类的UWB信号的类型精确识别。
CNN模型的训练过程采用的统计指标包括:平均绝对误差、均方根误差、平均绝对误差百分比和R相关系数进行评估;当统计指标均满足预设要求时,所述CNN模型训练结束。
CNN识别算法的具体流程如图6所示。包括:
Step1导入txt文件
对已完成基于SOM分类算法的UWB信号数据集进行归一化处理并进行数据切片。
Step2模式训练
将经过step 1处理后的样本数据集送入CNN模型中训练。
Step3多步预测分类
采用多输出迭代预测模型,如图7所示,实现对于已完成分类的UWB信号的具体类型识别,最终找出NLOS信号。
本发明面临的UWB异常信号中,数据流中两个类别的数据分布并不平均,因此在训练分类器之前需要对数据集中不同类别的数据进行选择,使得用于训练的数据集中正常和异常数据基本达到一个平衡状态;同时我们采用多分类器训练策略代替单分类器训练,以减小单分类器分类结果的误差。分类器训练的流程如图8所示,通过训练数据集和多分类器集成,减小训练样本失衡对分类器准确性带来的影响。
实施例一:实测效果展示
数据集采集环境:
在5000mm*5000mm*3000mm的测试环境中,分别在4个角落A0,A1,A2,A3放置UWB锚点(anchor),锚点向所有方向发送信号。Tag是UWB标签(靶点),即需要定位的目标(只在测试环境范围内)。Tag接收到4个UWB锚点(anchor)的信号(无论信号是否干扰,Tag一般都可以接收到信号),利用TOF技术,分别解算出对应的4个距离数据。
实验场景如图9所示:
靶点(Tag)范围:5000mm*5000mm*3000mm
锚点(anchor)位置(单位:mm):
A0(0,0,1300)、A1(5000,0,1700)、
A2(0,5000,1700)、A3(5000,5000,1300)
实验中采集了Tag在324个不同位置,在信号无干扰和信号干扰下的UWB数据作为本发明提出算法的学习数据集,数据集如表1所示。在靶点的每个位置各测试2次,一次信号无干扰,另一次信号有干扰(锚点与靶点间有遮挡)。
表1实施例一的数据集
SOM批处理算法对UWB信号数据集的初步分类
采用本发明提出的SOM批处理算法对数据集进行初步分类,得到结果如图10所示。测试中将二维自组织映射的大小n分别设定为:10,20,30,40。
由图10可以看出,n=30,40时数据点的分类情况较为显著。可以清晰的看出,数据点分为两组,即正常和异常两组,说明本发明的基于SOM批处理算法较为圆满地解决了UWB数据集的初步分类问题。
基于CNN的NLOS信号识别最终结果
利用完成学习和训练的CNN模式判别器,对于已初步分类的两类数据集进行模式识别,最终达到的识别结果如表2所示。
表2实施例一的CNN识别结果
综上,本发明运用神经网络框架进行UWB定位中NLOS信号的精确识别;并提供了一整套基于SOM-CNN的算法流程实现超宽带定位中的异常信号识别;本发明采用NeuralNetwork Clustering思想,提出了基于SOM批处理的UWB定位信号数据集分类算法;采用Neural Network Pattern Recognition思想,提出了基于CNN的NLOS信号识别算法。
与传统技术相比,本发明有如下优势:
1、近年来,随着对位置感知服务需求的不断增长,基于无线传感器网络的用户设备定位受到了广泛的关注。关于SPM校准性能分析和UD定位的统一框架,仅限于理论分析,没有有效的算法。而优化的FDT算法,将室内环境中的用户定位作为一个模糊分类问题过程,主要针对WiFi定位,而非UWB定位,仅提供模糊聚类,无法实现进一步的NLOS信号识别。本方法提出的SOM-CNN算法较好地解决了这类问题。
2、窄带物联网中使用的第五代移动网络,迫切需要高效的大规模设备以及对设备通信系统进行扩展。关于模型预测控制算法优化FBMC/OQAM传输信号PAPR的SLM-MPC方案,主要针对调制信号,缺乏对NLOS信号的处理能力,本发明可以较好地解决这一问题。
根据上述一种NLOS信号识别方法,本发明还提供了一种NLOS信号识别系统,包括:数据模块、SOM分类模块和CNN识别模块。
数据模块用于构建数据集;数据集包括:非视线传输信号NLOS数据集、视线传输信号LOS数据集和NLOS-LOS数据集。
SOM分类模块用于利用自组织映射算法SOM对数据模块中的数据集进行分类;其中,通过对SOM的神经网络输入不同配比和样本数量的数据集,完成SOM的神经网络训练过程。
CNN识别模块用于通过卷积神经网络CNN模型对分类好的数据集进行识别,并对待识别的数据集进行信号类别识别。
NLOS-LOS数据集包括多种NLOS信号与LOS信号按不同比例成分构建的NLOS-LOS数据子集。
在SOM分类模块中,SOM的神经网络中的竞争层采用100×100的神经元结构。
在CNN识别模块中,CNN模型包括第一卷积池化层、第二卷积池化层、第三卷积池化层、全连接层和全连分类层。
CNN模型的训练过程采用的统计指标包括:平均绝对误差、均方根误差、平均绝对误差百分比和R相关系数进行评估;当统计指标均满足预设要求时,CNN模型训练结束。
以上的具体实施例仅描述了本发明的设计原理,该描述中的部件形状,名称可以不同,不受限制。所以,本发明领域的技术人员可以对前述实施例记载的技术方案进行修改或等同替换;而这些修改和替换未脱离本发明创造宗旨和技术方案,均应属于本发明的保护范围。
Claims (8)
1.一种NLOS信号识别方法,其特征在于,包括:
步骤一、构建数据集包括:非视线传输信号NLOS数据集、视线传输信号LOS数据集和NLOS-LOS数据集;
步骤二、利用自组织映射算法SOM对所述数据集进行分类;
其中,通过对所述SOM的神经网络输入不同配比和样本数量的数据集,完成SOM的神经网络训练过程;
步骤三、利用卷积神经网络CNN模型对分类好的所述数据集进行识别,完成CNN模型的训练;
将待识别的数据集输入至CNN模型中识别信号类别。
2.如权利要求1所述的信号识别方法,其特征在于,所述NLOS-LOS数据集包括多种NLOS信号与LOS信号按不同比例成分构建的NLOS-LOS数据子集。
3.如权利要求1所述的信号识别方法,其特征在于,所述SOM的神经网络中的竞争层采用100×100的神经元结构。
4.如权利要求1所述的信号识别方法,其特征在于,所述CNN模型包括第一卷积池化层、第二卷积池化层、第三卷积池化层、全连接层和全连分类层;
所述CNN模型的训练过程采用的统计指标包括:平均绝对误差、均方根误差、平均绝对误差百分比和R相关系数进行评估;当所述统计指标均满足预设要求时,所述CNN模型训练结束。
5.一种NLOS信号识别系统,其特征在于,包括:数据模块、SOM分类模块和CNN识别模块;
所述数据模块用于构建数据集;所述数据集包括:非视线传输信号NLOS数据集、视线传输信号LOS数据集和NLOS-LOS数据集;
所述SOM分类模块用于利用自组织映射算法SOM对所述数据模块中的数据集进行分类;其中,通过对所述SOM的神经网络输入不同配比和样本数量的数据集,完成SOM的神经网络训练过程;
所述CNN识别模块用于通过卷积神经网络CNN模型对分类好的所述数据集进行识别,完成所述CNN模型的训练;对待识别的数据集进行信号类别识别。
6.如权利要求5所述的信号识别系统,其特征在于,所述NLOS-LOS数据集包括多种NLOS信号与LOS信号按不同比例成分构建的NLOS-LOS数据子集。
7.如权利要求5所述的信号识别系统,其特征在于,在所述SOM分类模块中,所述SOM的神经网络中的竞争层采用100×100的神经元结构。
8.如权利要求5所述的信号识别系统,其特征在于,在所述CNN识别模块中,所述CNN模型包括第一卷积池化层、第二卷积池化层、第三卷积池化层、全连接层和全连分类层;
所述CNN模型的训练过程采用的统计指标包括:平均绝对误差、均方根误差、平均绝对误差百分比和R相关系数进行评估;当所述统计指标均满足预设要求时,所述CNN模型训练结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210327943.XA CN114742102B (zh) | 2022-03-30 | 2022-03-30 | 一种nlos信号识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210327943.XA CN114742102B (zh) | 2022-03-30 | 2022-03-30 | 一种nlos信号识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114742102A true CN114742102A (zh) | 2022-07-12 |
CN114742102B CN114742102B (zh) | 2023-05-30 |
Family
ID=82279057
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210327943.XA Active CN114742102B (zh) | 2022-03-30 | 2022-03-30 | 一种nlos信号识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114742102B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106228274A (zh) * | 2016-08-03 | 2016-12-14 | 河海大学常州校区 | 基于som神经网络数据聚类识别的光伏电站发电量预测方法 |
CN112748397A (zh) * | 2020-12-22 | 2021-05-04 | 重庆邮电大学 | 一种非视距条件下基于自适应bp神经网络的uwb定位方法 |
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 |
CA3132346A1 (en) * | 2020-09-29 | 2022-03-29 | 10353744 Canada Ltd. | User abnormal behavior recognition method and device and computer readable storage medium |
-
2022
- 2022-03-30 CN CN202210327943.XA patent/CN114742102B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106228274A (zh) * | 2016-08-03 | 2016-12-14 | 河海大学常州校区 | 基于som神经网络数据聚类识别的光伏电站发电量预测方法 |
CA3132346A1 (en) * | 2020-09-29 | 2022-03-29 | 10353744 Canada Ltd. | User abnormal behavior recognition method and device and computer readable storage medium |
CN112748397A (zh) * | 2020-12-22 | 2021-05-04 | 重庆邮电大学 | 一种非视距条件下基于自适应bp神经网络的uwb定位方法 |
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 (7)
Title |
---|
JUAN ALBERTO RAMIREZ-QUINTANA ET AL: "Self-adaptive SOM-CNN neural system for dynamic object detection in normal and complex scenarios", 《 ELSEVIER》 * |
ROI YOZEVITCH ET AL: "A Robust GNSS LOS/NLOS Signal Classifier", 《NAVIGATION》 * |
YONG-HUAN MU ET AL: "Photometric redshift estimation of galaxies with Convolutional Neural Network", 《 2020 NATIONAL ASTRONOMICAL OBSERVATORIES》 * |
于重重 等: "非平衡样本分类的集成迁移学习算法", 《电子学报》 * |
张晋阳: "面向短期负荷预测的神经网络模型与算法研究", 《中国优秀博硕士学位论文全文数据库(硕士)》 * |
李玉丹 等: "Hadoop 下多模式并行分类算法及其应用研究", 《计算机工程》 * |
纪英俊 等: "基于随机森林的热轧带钢质量分析与预测方法", 《东北大学学报( 自然科学版)》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
---|---|
CN114742102B (zh) | 2023-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114742102A (zh) | 一种nlos信号识别方法及系统 | |
Bagheri et al. | Financial forecasting using ANFIS networks with quantum-behaved particle swarm optimization | |
Han et al. | A combined online-learning model with K-means clustering and GRU neural networks for trajectory prediction | |
Wang et al. | Fault recognition using an ensemble classifier based on Dempster–Shafer Theory | |
CN107563355A (zh) | 基于生成对抗网络的高光谱异常检测方法 | |
CN107451619A (zh) | 一种基于感知生成对抗网络的小目标检测方法 | |
Gao et al. | Rolling bearing fault diagnosis based on intelligent optimized self-adaptive deep belief network | |
CN110109095B (zh) | 目标特征辅助多源数据的关联方法 | |
CN109143408B (zh) | 基于mlp的动态区域联合短时降水预报方法 | |
CN103714148B (zh) | 基于稀疏编码分类的sar图像检索方法 | |
Yutong et al. | Evolving deep convolutional neural networks by extreme learning machine and fuzzy slime mould optimizer for real-time sonar image recognition | |
CN110536257B (zh) | 一种基于深度自适应网络的室内定位方法 | |
CN111768000A (zh) | 在线自适应微调深度学习的工业过程数据建模方法 | |
CN108877947A (zh) | 基于迭代均值聚类的深度样本学习方法 | |
CN111612241A (zh) | 智能船舶路径规划功能实现性的综合评价方法 | |
Ma et al. | Active pointillistic pattern search | |
CN115757103A (zh) | 基于树结构的神经网络测试用例生成方法 | |
Turgut et al. | Performance analysis of machine learning and deep learning classification methods for indoor localization in Internet of things environment | |
CN117407781B (zh) | 基于联邦学习的设备故障诊断方法及装置 | |
Khishe et al. | Underwater backscatter recognition using deep fuzzy extreme convolutional neural network optimized via hunger games search | |
Guan et al. | Application of a novel PNN evaluation algorithm to a greenhouse monitoring system | |
CN112333652B (zh) | Wlan室内定位方法、装置及电子设备 | |
CN112528554A (zh) | 一种适于多发多源火箭试验数据的数据融合方法及系统 | |
CN116234005A (zh) | 一种多建筑物室内定位方法 | |
El-Sebakhy | Data mining in forecasting PVT correlations of crude oil systems based on Type1 fuzzy logic inference systems |
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 |