CN117056818B - 一种基于cir第一路径的超宽带nlos信号识别方法 - Google Patents

一种基于cir第一路径的超宽带nlos信号识别方法 Download PDF

Info

Publication number
CN117056818B
CN117056818B CN202311291191.7A CN202311291191A CN117056818B CN 117056818 B CN117056818 B CN 117056818B CN 202311291191 A CN202311291191 A CN 202311291191A CN 117056818 B CN117056818 B CN 117056818B
Authority
CN
China
Prior art keywords
cir
data
path
tag
nlos
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.)
Active
Application number
CN202311291191.7A
Other languages
English (en)
Other versions
CN117056818A (zh
Inventor
蔡倩倩
欧浩强
利俊纬
陈小沛
钟文涛
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.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202311291191.7A priority Critical patent/CN117056818B/zh
Publication of CN117056818A publication Critical patent/CN117056818A/zh
Application granted granted Critical
Publication of CN117056818B publication Critical patent/CN117056818B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06N20/00—Machine learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
    • 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
    • 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)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于CIR第一路径的超宽带NLOS信号识别方法，包括：构建UWB测距系统，所述系统中包括标签以及基站；控制基站和标签进行通信，对标签每次通信获取到的CIR原始数据进行处理，构建数据样本，并为数据样本打上数据标签，利用所述数据样本构建CIR原始数据集；对CIR原始数据集中数据样本的CIR波形进行波峰滤波处理，识别数据样本的第一路径波峰点；基于第一路径波峰点，确定有效数据作为新的数据样本，对数据标签进行独热编码；利用CIR原始数据集中所有新的数据样本及其对应的数据标签构建训练数据集，搭建机器学习模型并利用所述训练数据集进行机器学习模型的训练，保存训练好的机器学习模型用于未知CIR信号的识别。

Description

一种基于CIR第一路径的超宽带NLOS信号识别方法
技术领域
本发明涉及超宽带技术领域，特别涉及一种基于CIR第一路径的超宽带NLOS信号识别方法。
背景技术
信息化时代，各个领域多场景下的室内外短距离定位需求日益增长，超宽带(Ultra-wideband, UWB)技术作为一种新型的无线通信定位技术，有着低功耗、数据传输速率高、抗干扰强、方便携带等的特点。超宽带技术最早被应用在短距离高速数据传输上，近年来被发掘出近距离室内外精确定位的潜力并展开了大量研究。超宽带技术通过超窄脉冲信号传输信息，带宽达到GHz量级。超宽带技术适用范围广，可以在众多行业领域应用。在智能驾驶中，超宽带为车辆和驾驶人员提供可靠的感知信息，保障驾驶安全；在仓库管理中，将超宽带标签附加到资产设备上，能实时跟踪监控资产的移动，有助于更有效的管理和分配；除此之外，超宽带技术也广泛应用于工业生产制造、机器人、运动设备、智能手机等的领域。
超宽带测距的原理基于电磁波传播速度来计算距离，它使用发送和接收之间的信号传播时间来测量距离，这需要准确计算信号到达时间(Time of Arrival, ToA)。UWB传感器假设接收信号的信道脉冲响应(Channel Impulse Response, CIR)中的第一个到达脉冲为直线传播的信号，又称为第一路径，并以第一路径的到达时间作为ToA计算收发双方的直线距离。其中，CIR的分辨率精确到纳秒，由于电磁波的传感速度很高(光在真空中的传播速度为3×10^8米每秒)，即使ToA中有1纳秒的误差，也会导致30厘米的误差。因此，ToA的测量精度会直接影响测距的效果。
但是超宽带技术的测距精度中会受到多方面的干扰影响，其中之一是非视距(NonLine of Sight, NLOS)导致的测距误差。在正常情况下，发送方和接收方，比如一对基站和标签，之间的直达路径不存在障碍物，测距信号能够无衰减地传播，一般称为视距(Line ofsight, LOS)场景；此时，第一路径信号就是直线信号，UWB传感器中的ToA测量中只有量测白噪声，不存在显著的误差。非视距NLOS是指基站(Anchor)与标签(Tag)间的直达路径被障碍物遮挡，由于障碍物的介电常数总是比空气的介电常数大，电磁波的传播速度比假设的传播速度慢，UWB信号将延迟到达，包括第一路径信号，因此UWB传感器的ToA测量中会存在一个显著的正偏差，进而导致测距偏大，影响定位效果。图1为LOS和NLOS的示意图；典型LOS和NLOS的信道脉冲响应(Channel Impulse Response, CIR)如图2所示。
由于NLOS会导致测距不准确，NLOS场景下测量的数据被认为是有害的，如何分辨LOS和NLOS场景是提高UWB的可靠性的关键。
现有的技术方案主要是提取CIR数据的信号特征或者直接使用CIR数据，采用传统的分类模型算法如支持向量机、决策树等，或者采用机器学习的方式，进行分类识别；这些方法虽然一定程度上能够识别出NLOS信号，但是模型复杂，参数过多，不易于移植。
发明内容
本发明的目的是提供一种基于CIR第一路径的超宽带NLOS信号识别方法，用以克服现有方法存在的模型复杂、识别准确率不理想等问题。
为了实现上述任务，本发明采用以下技术方案：
一种基于CIR第一路径的超宽带NLOS信号识别方法，包括：
构建UWB测距系统；所述系统中包括标签以及基站，在LOS情况下，基站与标签之间没有障碍物，在NLOS情况下，基站与标签之间存在障碍物；
控制基站和标签进行通信，对标签每次通信获取到的CIR原始数据进行处理，构建数据样本，并为数据样本打上数据标签，利用所述数据样本分别构建LOS、NLOS两种情况下的CIR原始数据集；
对每个CIR原始数据集中数据样本的CIR波形进行波峰滤波处理，识别数据样本的第一路径波峰点；基于第一路径波峰点，截取每个数据样本中的有效数据作为新的数据样本，对所述数据样本对应的数据标签进行独热编码处理作为新的数据样本的数据标签；
利用两种情况下的CIR原始数据集中所有新的数据样本及其对应的数据标签构建训练数据集，搭建机器学习模型并利用所述训练数据集进行机器学习模型的训练，保存训练好的机器学习模型用于未知CIR信号的识别。
进一步地，所述对标签每次通信获取到的CIR原始数据进行处理，构建数据样本，包括：
所述基站和标签的硬件模块相同，包括超宽带收发器以及控制该收发器的MCU；
通过上位机利用标签的MCU读取标签每次通信得到的CIR原始数据，基于超带宽收 发器的脉冲重复频率，截取第一条CIR原始数据中的N个采样点得到CIR波形，该CIR波形由 信道脉冲响应构成，对进行归一化，归一化后的CIR波形作为一条数据样本。
进一步地，所述数据样本的数据标签为LOS标签或NLOS标签，标记数据样本对应LOS情况或NLOS情况；
LOS、NLOS两种情况下的CIR原始数据集分别由LOS、NLOS两种情况下的数据样本构成。
进一步地，所述对每个CIR原始数据集中数据样本的CIR波形进行波峰滤波处理，包括：
针对LOS和NLOS情况分别构建的CIR原始数据集中每个数据样本中的信道脉冲响 应，其表示为：
（1）
其中是多径分量的总数，为时间参数，为第个到达路径分量的时延， 为第个到达路径分量的幅值，为脉冲响应；
利用下式对其进行波峰滤波处理：
第个和个路径分量幅值之间的梯度为▽ k ，表达式为：
▽ k （2）
其中=2,3...,，N为采样点总数；
若▽ k 和▽ k-1满足下式，则称为局部峰值：
▽ k ×▽ k-1﹤0 （3）
将除了局部峰值之外的CIR波形滤除，并将所有保留下来的局部峰值依次连 接，完成对CIR波形的波峰滤波处理，滤波后的CIR波形的信道脉冲响应记为。
进一步地，所述识别CIR原始数据集中数据样本的第一路径波峰点，包括：
针对波峰滤波后的信道脉冲响应，遍历各采样点/>，其中/>=1,2...,/>，为/>的采样点数，利用公式(4)计算采样点/>幅值均值，并判断采样点是否符合表达式(5)的条件，若满足则将该采样点/>识别为第一路径波峰点：
（4）
公式(4)中，表示第个采样点，表示采样点的幅值均值；
对于采样点，若/>为/>的最大值，且/>大于4倍的幅值均值，则将/>视为/>的离群值，即该条数据样本中的第一路径波峰值点：
（5）
进一步地，所述基于第一路径波峰点，截取每个数据样本中的有效数据作为新的数据样本，包括：
针对于每个CIR原始数据集中数据样本所识别到的第一路径波峰点，在该数据样 本的N个采样点的信道脉冲响应，截取从第一路径波峰点开始的M个采样点作为新的数 据样本。
进一步地，所述N的取值为200，M的取值为30。
进一步地，所述机器学习模型包括SVM分类器或BP神经网络。
进一步地，对于未知CIR信号，提取该未知CIR信号的第一路径波峰点，并确定该未知CIR信号的有效数据作为输入数据，利用训练好的机器学习模型进行识别，得到该未知CIR信号的识别结果。
与现有技术相比，本发明具有以下技术特点：
1.本发明使用信号滤波方法保留了信道脉冲响应波形中的局部峰值，得到一个近似上包络线的波形，改善了波形曲线的平滑性。
2.本发明提出了一种不受多径效应干扰的第一路径识别方法，通过准确识别CIR波形中有效数据的起始点，可以提取出能在最大程度反映测距信号特征的CIR数据，提高了原始数据的利用率。
3.本发明使用基于第一路径识别截取的CIR数据训练机器学习模型，与直接使用原始CIR数据相比，大大提高了准确率的同时降低了模型复杂度，并且具有更强的移植性。
附图说明
图1为视距与非视距示意图；
图2为典型LOS与NLOS波形示意图；
图3为本发明方法的流程示意图；
图4为UWB测距场景示意图；
图5为实施例中数据样本波峰滤波结果对比图；
图6为实施例中数据样本第一路径识别结果图。
具体实施方式
下面结合该系统对本申请的技术方案进行说明。
如图3所示，本申请实施例提供的一种基于CIR第一路径的超宽带NLOS信号识别方法，包括以下步骤：
步骤1，构建UWB测距系统
本发明所述的UWB测距系统，其场景可以是办公室、商场、停车场等各类室内环境；在该环境中存在基站和标签；针对于LOS情况和NLOS情况，在LOS情况下基站与标签间无障碍物遮挡，NLOS情况下基站与标签间存在障碍物。
为了便于理解本申请的技术方案，申请人搭建了一个UWB测距系统，如图4所示，该系统包含两个基站和标签两个角色，基站和标签的硬件模块相同，包括超宽带收发器DW3000以及控制该收发器的STM32f103cb单片机(Microcontroller Unit, MCU)。
步骤2，获取CIR原始数据并进行预处理，构建CIR原始数据集
步骤2.1，编写MCU程序，在LOS、NLOS两种情况下，分别控制基站和标签进行通信；将标签与上位机连接，通过上位机利用标签的MCU读取超宽带收发器DW3000的0x15寄存器以实时获取每次通信得到的CIR原始数据，读取完毕之后通过串口协议UART上传到上位机。
步骤2.2，对CIR原始数据进行处理，构建数据样本
超宽带收发器DW3000的0x15寄存器最多存放3条CIR原始数据，第一条CIR原始数据为默认产生，第二、三条CIR原始数据均为特定条件下才产生。
本方案读取第一条CIR原始数据，其中若DW3000的脉冲重复频率(PulseRepetition Frequency, PRF)为16MHz，则该条CIR原始数据有992个采样点；若芯片的PRF为64MHz，则该条CIR原始数据有1016个采样点。
本方案中使用的DW3000的PRF为64MHz，获取到的CIR原始数据共1016个采样点；针 对获取到的CIR原始数据，截取索引值700至900的采样点得到CIR波形，该CIR波形由信道脉 冲响应构成，对进行归一化，归一化后的CIR波形作为一条数据样本。
步骤2.3，构建CIR原始数据集
在LOS和NLOS两种情况下，分别利用对应的数据样本构建对应的CIR原始数据集，并为两个CIR原始数据集的每个数据样本打上数据标签，该数据标签为LOS标签或NLOS标签，标记数据样本对应LOS情况或NLOS情况。
因此最终得到的CIR原始数据集中单个数据样本有200个采样点幅值和1个LOS或NLOS标识；图2为两个LOS和NLOS情况CIR截取索引值700至900的采样点波形示例。
步骤3，对每个CIR原始数据集中数据样本的CIR波形进行波峰滤波处理
针对LOS和NLOS情况分别构建的CIR原始数据集中每个数据样本中的信道脉冲响 应，为了减少多径效应对信号处理的影响，利用公式(2)、(3)对其进行波峰滤波处理， 只保留信号响应波形中的波峰成分，过滤掉波形中的极小值采样点和上升过程中的非极大 值采样点，最终得到仅有波峰采样点的波形。
信道脉冲响应表达式为：
（1）
其中是多径分量的总数，为时间参数，为第个到达路径分量的时延，为脉冲响应；上式表示CIR波形由个冲激脉冲响应组成。
为第个到达路径分量的幅值，则第个和-1个路径分量幅值之间的梯度为▽ k ，表达式为：
▽ k （2）
其中=2,3,...,,为采样点总数，本实施例中的取值为200。
若▽ k 和▽ k-1满足表达式(3)，则称为局部峰值：
▽ k ×▽ k-1﹤0 （3）
将除了局部峰值之外的CIR波形滤除，并将所有保留下来的局部峰值依次连 接，完成对CIR波形的波峰滤波处理，滤波后的CIR波形的信道脉冲响应记为。
上式(3)表明若第个路径前一时刻的幅值小于，且后一时刻的幅值大于将 过滤保留后的局部峰值相连，对于原CIR波形形成近似上包络线的曲线，非极大值均被过滤 掉，如图5所示为样本波峰滤波结果。
步骤4，识别CIR原始数据集中数据样本的第一路径波峰点
针对波峰滤波后的信道脉冲响应，遍历各采样点，其中=1,2,...,，为的采样点数，利用公式(4)计算采样点幅值均值，并判断采样点是否符合表达式(5)的条件，若满足则将该采样点识别为第一路径波峰点。
（4）
公式(4)中，表示第个采样点，表示采样点的幅值均值。
对于采样点，若为的最大值，且大于4倍的幅值均值，则 将视为的离群值，即该条数据样本中的第一路径波峰值点。
（5）
参见图6，为样本第一路径波峰点识别结果。
该步骤中离群值的判断准则是该点数值若大于数据集合均值的4倍，则视该数值 为离群值，这样做是考虑到统计学中的离群值识别法则；法则表示若一组数据满足 或近似正态分布，且数据量充分大，则可按一定概率划分数据区间，超出这个区间的数据视 为离群值或误差值；但经过波峰滤波后的CIR波形仅剩10个采样点不等，不满足法则使 用条件，因此不能直接采用统计学的法则。
步骤5，截取有效数据并对两类标签进行独热编码，构建训练数据集。
步骤5.1，针对于每个CIR原始数据集中数据样本所识别到的第一路径波峰点，在 该数据样本的200个采样点的信道脉冲响应中，截取从第一路径波峰点开始的30个采 样点作为新的数据样本；对每个数据样本对应的数据标签进行独热编码处理，分别用 0和1来表示，作为新的数据样本的数据标签。
步骤5.2，利用两个CIR原始数据集所有新的数据样本及其对应的数据标签构建训练数据集。
保留30个采样点可以舍弃大部分的无用数据，保留能反映CIR变化的数据，有利于降低后续模型计算复杂度，提高系统响应。独热编码又称One-Hot编码，适用于离散型特征的编码表示，将字符串数据格式转化为数字形式，有助于分类器处理属性类数据。
步骤6，搭建机器学习模型并进行模型训练
本方案中的机器学习模型可以采用支持向量机分类器SVM或BP神经网络：
一、SVM分类器
sklearn是常用的Python机器学习库。SVM是常用有效的二分类模型，采用有监督 学习方式进行学习。SVM的目的是找到一个超平面作为决策边界，超平面距离0/1两类均具 有最大的距离。对于训练数据集中新的数据样本，将其作为输入数据连同对应的数据标签共同输入机器学习模型中，对机器学 习模型进行训练，保存训练好的机器学习模型。
其中表示数标签，对应LOS情况和NLOS情况。超平面表达式为：
（6）
其中为超平面的法向量，为超平面的截距。
即上式又可表达为:
（7）
参数更新依据随机梯度算法，损失函数为二次交叉熵函数，设置迭代次数200次，学习率为0.001。
调用sklearn库中的svm类实现支持向量机(Support Vector Machine, SVM)进行NLOS识别，若SVM输出结果小于0即视为LOS，大于0即视为NLOS。
二、BP神经网络
调用Pytorch框架搭建BP神经网络模型架构如表1所示。Pytorch是常用的Python机器学习库。BP神经网络使用三个全连接层堆叠，第一个全连接层作为输入层，第二个全连接层作为隐藏层，第三个隐藏层作为输出层。前两个全连接层的激活函数为relu函数，其避免了梯度爆炸或消失的问题，没有复杂因子计算，减少计算复杂度。最后一个全连接层的激活函数为sigmoid函数，输出一个0~1的值，小于0.5即为LOS，大于0.5即为NLOS。
本发明的另一个示例中，采用BP神经网络作为机器学习模型，其相关参数设置如下：
表1 BP神经网络架构
步骤7，对于未知CIR信号，按照步骤3、4的方法提取该未知CIR信号的第一路径波峰点，利用步骤5的方法得到该未知CIR信号截取后的信道脉冲响应作为输入数据，利用训练好的机器学习模型进行识别，得到该未知CIR信号的识别结果。
对本发明的两种机器学习模型的识别结果进行对比如下：
表2 两种机器学习模型识别NLOS结果
以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (6)

1.一种基于CIR第一路径的超宽带NLOS信号识别方法，其特征在于，包括：
构建UWB测距系统；所述系统中包括标签以及基站，在LOS情况下，基站与标签之间没有障碍物，在NLOS情况下，基站与标签之间存在障碍物；
控制基站和标签进行通信，对标签每次通信获取到的CIR原始数据进行处理，构建数据样本，并为数据样本打上数据标签，利用所述数据样本分别构建LOS、NLOS两种情况下的CIR原始数据集；
对每个CIR原始数据集中数据样本的CIR波形进行波峰滤波处理，识别数据样本的第一路径波峰点；基于第一路径波峰点，截取每个数据样本中的有效数据作为新的数据样本，对所述数据样本对应的数据标签进行独热编码处理作为新的数据样本的数据标签；
利用两种情况下的CIR原始数据集中所有新的数据样本及其对应的数据标签构建训练数据集，搭建机器学习模型并利用所述训练数据集进行机器学习模型的训练，保存训练好的机器学习模型用于未知CIR信号的识别；
所述对每个CIR原始数据集中数据样本的CIR波形进行波峰滤波处理，包括：
针对LOS和NLOS情况分别构建的CIR原始数据集中每个数据样本中的信道脉冲响应c(t)，其表示为：
其中K是多径分量的总数，t为时间参数，τk为第k个到达路径分量的时延，ak为第k个到达路径分量的幅值，δ(·)为脉冲响应；
利用下式对其进行波峰滤波处理：
第k个和k-1个路径分量幅值之间的梯度为表达式为：
其中k＝2,3,...,N，N为采样点总数；
若和/>满足下式，则称ak为局部峰值：
将除了局部峰值ak之外的CIR波形滤除，并将所有保留下来的局部峰值ak依次连接，完成对CIR波形的波峰滤波处理，滤波后的CIR波形的信道脉冲响应记为c*(t)；
所述识别数据样本的第一路径波峰点，包括：
针对波峰滤波后的信道脉冲响应c*(t)，遍历各采样点其中i＝1,2,…,M，M为c*(t)的采样点数，利用公式(4)计算采样点/>幅值均值，并判断采样点/>是否符合表达式(5)的条件，若满足则将该采样点/>识别为第一路径波峰点：
公式(4)中，表示第j个采样点，/>表示采样点/>的幅值均值；
对于采样点若/>为/>的最大值，且/>大于4倍的幅值均值，则将/>视为的离群值，即该数据样本中的第一路径波峰值点：
所述基于第一路径波峰点，截取每个数据样本中的有效数据作为新的数据样本，包括：
针对于每个CIR原始数据集中数据样本所识别到的第一路径波峰点，在该数据样本的N个采样点的信道脉冲响应c(t)中，截取从第一路径波峰点开始的M个采样点作为新的数据样本c′(t)。
2.根据权利要求1所述的基于CIR第一路径的超宽带NLOS信号识别方法，其特征在于，所述对标签每次通信获取到的CIR原始数据进行处理，构建数据样本，包括：
所述基站和标签的硬件模块相同，包括超宽带收发器以及控制该收发器的MCU；
通过上位机利用标签的MCU读取标签每次通信得到的CIR原始数据，基于超带宽收发器的脉冲重复频率，截取第一条CIR原始数据中的N个采样点得到CIR波形，该CIR波形由信道脉冲响应c(t)构成，对c(t)进行归一化，归一化后的CIR波形作为一条数据样本。
3.根据权利要求1所述的基于CIR第一路径的超宽带NLOS信号识别方法，其特征在于，所述数据样本的数据标签为LOS标签或NLOS标签，标记数据样本对应LOS情况或NLOS情况；
LOS、NLOS两种情况下的CIR原始数据集分别由LOS、NLOS两种情况下的数据样本构成。
4.根据权利要求1所述的基于CIR第一路径的超宽带NLOS信号识别方法，其特征在于，所述N的取值为200，M的取值为30。
5.根据权利要求1所述的基于CIR第一路径的超宽带NLOS信号识别方法，其特征在于，所述机器学习模型包括SVM分类器或BP神经网络。
6.根据权利要求1所述的基于CIR第一路径的超宽带NLOS信号识别方法，其特征在于，对于未知CIR信号，提取该未知CIR信号的第一路径波峰点，并确定该未知CIR信号的有效数据作为输入数据，利用训练好的机器学习模型进行识别，得到该未知CIR信号的识别结果。
CN202311291191.7A 2023-10-08 2023-10-08 一种基于cir第一路径的超宽带nlos信号识别方法 Active CN117056818B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311291191.7A CN117056818B (zh) 2023-10-08 2023-10-08 一种基于cir第一路径的超宽带nlos信号识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311291191.7A CN117056818B (zh) 2023-10-08 2023-10-08 一种基于cir第一路径的超宽带nlos信号识别方法

Publications (2)

Publication Number Publication Date
CN117056818A CN117056818A (zh) 2023-11-14
CN117056818B true CN117056818B (zh) 2024-02-02

Family

ID=88666558

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311291191.7A Active CN117056818B (zh) 2023-10-08 2023-10-08 一种基于cir第一路径的超宽带nlos信号识别方法

Country Status (1)

Country Link
CN (1) CN117056818B (zh)

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10070447B1 (en) * 2017-03-02 2018-09-04 Samsung Electronics Co., Ltd Method and apparatus for enhanced reference (RSTD) measurement for long term evolution (LTE) positioning
CN109685138A (zh) * 2018-12-25 2019-04-26 东南大学 一种xlpe电力电缆局部放电类型识别方法
CN112425220A (zh) * 2018-07-12 2021-02-26 罗伯特·博世有限公司 检测方法和检测装置
CN112484625A (zh) * 2020-11-12 2021-03-12 西南交通大学 一种基于uwb信道脉冲响应的高精度位移测量方法
CN112567834A (zh) * 2018-08-14 2021-03-26 罗伯特·博世有限公司 用于检测信号传播类型的方法和装置
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
CN113505531A (zh) * 2021-07-06 2021-10-15 北京化工大学 基于结合传统诊断与机器学习方法且针对往复机械气门间隙异常故障的诊断模型构建方法
CN113507331A (zh) * 2021-07-01 2021-10-15 西北工业大学 基于信道状态信息的视距与非视距传输识别方法及装置
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
CN115017958A (zh) * 2022-06-29 2022-09-06 中国石油大学(华东) 一种基于信道特征加权模型的非视距信号识别方法
CN115201750A (zh) * 2022-06-13 2022-10-18 中国人民解放军国防科技大学 一种超宽带定位系统nlos识别方法
CN115293246A (zh) * 2022-07-20 2022-11-04 中国人民解放军国防科技大学 一种超宽带非视距信号识别方法、装置和计算机设备
CN115469267A (zh) * 2022-09-07 2022-12-13 辽宁工程技术大学 一种基于粒子群优化支持向量机和自主完好性监测的uwb定位方法
CN115496097A (zh) * 2022-09-07 2022-12-20 中国石油大学(华东) 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
CN116321423A (zh) * 2023-03-20 2023-06-23 中国人民解放军国防科技大学 基于深度学习的uwb nlos传播误差抑制方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9207305B2 (en) * 2012-09-05 2015-12-08 Khalifa University Of Science, Technology And Research Methods and devices for channel identification
US20230244987A1 (en) * 2022-02-01 2023-08-03 Capital One Services, Llc Accelerated data labeling with automated data profiling for training machine learning predictive models

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10070447B1 (en) * 2017-03-02 2018-09-04 Samsung Electronics Co., Ltd Method and apparatus for enhanced reference (RSTD) measurement for long term evolution (LTE) positioning
CN112425220A (zh) * 2018-07-12 2021-02-26 罗伯特·博世有限公司 检测方法和检测装置
CN112567834A (zh) * 2018-08-14 2021-03-26 罗伯特·博世有限公司 用于检测信号传播类型的方法和装置
CN109685138A (zh) * 2018-12-25 2019-04-26 东南大学 一种xlpe电力电缆局部放电类型识别方法
CN112484625A (zh) * 2020-11-12 2021-03-12 西南交通大学 一种基于uwb信道脉冲响应的高精度位移测量方法
CN113507331A (zh) * 2021-07-01 2021-10-15 西北工业大学 基于信道状态信息的视距与非视距传输识别方法及装置
CN113505531A (zh) * 2021-07-06 2021-10-15 北京化工大学 基于结合传统诊断与机器学习方法且针对往复机械气门间隙异常故障的诊断模型构建方法
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
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
CN115201750A (zh) * 2022-06-13 2022-10-18 中国人民解放军国防科技大学 一种超宽带定位系统nlos识别方法
CN115017958A (zh) * 2022-06-29 2022-09-06 中国石油大学(华东) 一种基于信道特征加权模型的非视距信号识别方法
CN115293246A (zh) * 2022-07-20 2022-11-04 中国人民解放军国防科技大学 一种超宽带非视距信号识别方法、装置和计算机设备
CN115469267A (zh) * 2022-09-07 2022-12-13 辽宁工程技术大学 一种基于粒子群优化支持向量机和自主完好性监测的uwb定位方法
CN115496097A (zh) * 2022-09-07 2022-12-20 中国石油大学(华东) 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
CN116321423A (zh) * 2023-03-20 2023-06-23 中国人民解放军国防科技大学 基于深度学习的uwb nlos传播误差抑制方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
NLOS Detection using UWB Channel Impulse Responses and Convolutional Neural Networks;Maximilian Stahlke 等;《2020 ICL-GNSS》;1-6 *
NLOS identification for UWB based on channel impulse response;Zhuoqi Zeng 等;《2018 ICSPCS》;1-6 *
NWI：基于CSI的非视距信号识别方法;田春元 等;《计算机科学》;第47卷(第11期);327-332 *
Predictive NLOS Detection for UWB Indoor Positioning Systems Based on the CIR;Guido Schroeer 等;《2018 WPNC》;1-5 *
基于CIR 特征参量的NLOS 识别方法研究;李海 等;《中国测试》;第47卷(第9期);20-25 *
基于高斯混合模型的超宽带NLOS信号识别方法;徐哲超;《电子测量技术》;第43卷(第16期);119-123 *

Also Published As

Publication number Publication date
CN117056818A (zh) 2023-11-14

Similar Documents

Publication Publication Date Title
CN113313040B (zh) 基于fmcw雷达信号的人体姿势识别方法
CN111708021B (zh) 一种基于毫米波雷达的人员跟踪与识别算法
CN111541511B (zh) 复杂电磁环境下基于目标检测的通信干扰信号识别方法
CN110262653A (zh) 一种基于卷积神经网络的毫米波传感器手势识别方法
CN115201750A (zh) 一种超宽带定位系统nlos识别方法
CN116824629A (zh) 基于毫米波雷达的高鲁棒手势识别方法
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
Bastwesy et al. Deep learning sign language recognition system based on wi-fi csi
CN114814776A (zh) 基于图注意力网络和迁移学习的pd雷达目标检测方法
Yuan et al. Research on indoor position fingerprint location based on machine learning combined particle filter
CN117056818B (zh) 一种基于cir第一路径的超宽带nlos信号识别方法
Deng et al. UWB NLOS recognition based on improved convolutional neural network assisted by wavelet analysis and Gramian angular field
Nkrow et al. Transfer learning-based nlos identification for uwb in dynamic obstructed settings
Bulugu Gesture recognition system based on cross-domain CSI extracted from Wi-Fi devices combined with the 3D CNN
CN116482680B (zh) 一种身体干扰识别方法、装置、系统和存储介质
CN105743756A (zh) WiFi系统中基于adaboost算法的帧检测方法
CN113608193A (zh) 一种基于UNet的雷达多目标距离和速度估计方法
Silva et al. Towards non-line-of-sight ranging error mitigation in industrial wireless sensor networks
CN115496170B (zh) 一种人体姿态识别方法、系统、电子设备及存储介质
CN114710831B (zh) 一种基于深度学习的rfid标签定位系统
CN114429672B (zh) 基于神经网络的毫米波雷达人体动作实时检测方法
Ma et al. Radar working mode recognition based on hierarchical feature representation and clustering
CN115755020A (zh) 一种机械扫描雷达天线扫描位置的跟踪方法
CN112946567B (zh) 基于域对抗神经网络的运动目标指纹室内定位方法
CN105204018B (zh) 一种利用多帧信息的二维doa跟踪方法

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