基于无监督在线学习的声信号非视距识别方法及装置制造方法及图纸

本发明专利技术公开了一种基于无监督在线学习的声信号非视距识别方法及装置，方法包括获取带标签类别的声信号数据，对原始声信号进行滤波与增强，再进行探测及分割，得到互相关结果片段，并对其提取特征值，用所提取的特征值初始化聚类种子，线更新聚类模型，基于成对距离的权值计算方法对视距数据集进行权值和分配非视距数据集权值分配；基于无监督分类器完成模型训练，用所述模型对新的数据进行标记和计算，动态数据进行在线分类，得到贴有正例与负例标记的数据结果，本发明专利技术能根据少量已知类别的声信号数据，自动在线区分大量未知的动态声信号数据，解决了实际场景下由于数据动态时变，而静态训练集训练所得模型不能够满足精度及稳定性需求的问题。

【技术实现步骤摘要】
基于无监督在线学习的声信号非视距识别方法及装置
本专利技术属于室内定位与导航
，具体涉及一种基于无监督在线学习的声信号非视距识别方法及装置。
技术介绍
近年来，基于位置的服务已逐渐渗透到人类生活的方方面面。在室外，基于全球卫星导航系统催生了一系列以智能终端为平台的应用，如提供地图浏览的高的地图、百度地图，基于微信社交平台的位置实时共享，提供出行服务的滴滴出行等。而在室内空间，墙体对卫星信号的衰减较大，使得基于卫星的各类技术受到极大限制，机场、高铁站、商场等大型建筑内人员及物体的定位问题日益凸显。同时，5G技术的发展使得智能终端更加普及，基于室内位置的服务需求越来越大。针对以上需求，现已提出基于声音、GSM、蓝牙、Wi-Fi、磁场等技术的多种定位方法，而基于声音的定位技术具有与智能手机完全兼容、定位精度高及成本低等优点，成为最有可能解决手机室内定位的系统之一。然而，尽管市场需求较大，但目前高精度室内定位技术尚未成熟，各类技术应用到实际场景均不能够满足需求。从2017及2018年微软室内定位大赛的评测结果来看，基于声音的室内定位技术在实际评测中最高精度为0.7米，与理想环境下的0.1米精度相差较大。这是由于声音定位技术应用到复杂多样的室内环境时，声源广播设备与接收设备之间的视距(LineofSight，LOS)路径被遮挡，非视距(Non-LineofSight，NLOS)现象产生，如图1所示，为距离量测引入较大偏差，这将会给基于声音的定位系统精度及稳定性带来影响。加之人员活动的随意性使得室内环境时变性增强，NLOS现象更加普遍，为基于声音室内定位的智能移动终端应用的推广带来巨大挑战。如图2(a)所示，在某室内环景存在遮挡的情况下进行定位实验，以直观地展示NLOS现象对定位精度的影响。在该室内环境下分布5个定位基站(Beacon1～5)对标签进行实时定位，其中Barrier1～2分别代表建筑物内支撑柱，为场景中主要遮挡物。图中Target所在位置由于Barrier2的存在，其与Beacon3间的LOS传播路径消失，NLOS现象出现。图2(b)展示该系统定位后轨迹(圆圈点的连线)与真实轨迹(规则的直线段)。从实验结果来看，由于Target在某些位置与部分Beacon间LOS路径消失，其定位发生严重漂移，NLOS现象严重降低了室内定位精度，而在Target未被遮挡的位置与Beacon间LOS路径均存在，其定位效果较理想。为提高定位精度及稳定性，可通过识别和丢弃NLOS量测，仅基于LOS量测完成目标定位。现基于监督和半监督学习分类器的非视距识别方法无法在分类前获取大量数据用于模型训练，导致分类器稳定性较差，对于动态数据适用性不强。
技术实现思路
为了解决现有技术中存在的问题，本专利技术提供一种基于无监督在线学习的非视距识别方法及装置，实现对动态数据更快更好的识别分类，解决实际场景下由于数据动态时变，而静态训练集训练所得模型不能够满足精度及稳定性需求的问题。为了实现上述目的，本专利技术采用的技术方案是，一种基于无监督在线学习的声信号非视距识别方法，包括以下步骤：S1，获取带标签类别的声信号数据，其中包含P个视距数据及N个非视距数据；S2，对原始声信号x[n]进行滤波与增强，再进行探测及分割，具体过程为：对S1所得声信号数据的原始声信号x[n]中来自各信标节点的声信号进行探测及分割，获得增强后的声信号片段xi'[n]及互相关结果片段Ri[τ]，i＝1,2,…Nb，Nb为定位系统中目标设备所接收到信标节点所广播信号的总数量；S3，对S2中分割后的互相关结果片段Ri[τ]，通过估计声信道相对增益-时延分布，并对其提取特征值；S4，用S3中所提取的特征值初始化聚类种子，具体过程为：S41，初步选取视距数据集SP及非视距数据集SN分别如下：SP＝{SP1,SP2,…,SPn}SN＝{SN1,SN2,…,SNn}其中，在保证满足初始模型准确度的前提下，n小于监督及半监督学习所需标签数据；S42，获取正例聚类种子P和反例聚类种子N；S43，初始化正例聚类种子P和反例聚类种子N权值均为1，即：S5，基于成对距离的权值计算方法对视距数据集SP进行权值和分配非视距数据集SN权值分配，分别得到视距数据集SP进行权值和分配非视距数据集SN权值；同理，分配非视距数据集SN权值如下：S6，将S4中所选取视距数据集SP和非视距SN合并为初始训练集ST并基于无监督分类器完成模型训练，即初始模型，训练集ST如下：ST＝{SP1,SP2,…,SPn,SN1,SN2,…,SNn}S7，基于S5对新样本数据D分别进行正例和反例标记及权值计算；S8，比较S6所述训练集ST及新样本数据D的权值，确定是否将新样本数据D加入训练集ST以在线更新聚类模型：如果训练集ST中样本权值均大于新样本数据D的权值，新样本数据D不能够加入训练集；如果训练集ST中某一样本STi的权值最小，STi的权值小于样本数据的权值，则新样本数据D能够加入训练集用于模型训练，且新样本数据D替换训练集中的STi，生成新的训练集ST’用于模型更新；S9，基于S8所得训练集进行模型更新，重复S7到S9，动态数据进行在线分类，得到贴有正例与负例标记的数据结果。S2中，对S1所得声信号数据的原始声信号进行探测及分割具体如下：S21，对原始声信号x[n]进行滤波与增强，获得信号x'[n]，从信号x'[n]中截取增强后的声信号片段xi'[n]；S22，构造参考信号r[n]并对信号x'[n]进行互相关计算，获得互相关结果Rx'r[τ]；S23，在互相关结果Rx'r[τ]中，对来自各信标节点的声信号进行探测，并将其进行分割提取，获得互相关结果片段，记第i个信标声信号的互相关结果片段为Ri[τ]。S2中，对原始声信号x[n]通过x'[n]＝IFFTFFTx[n]w[n]进行滤波和增强，其中w[n]为窗函数，使用矩形窗与布莱克曼窗组成复合窗函数，矩形窗的长度来对信号进行带通滤波。S2中，构造参考信号r[n]，并用参考信号对信号x'[n]进行互相关计算，获得结果其中N为x'[n]的长度。S2中，S3中，对S2中分割后的声信号数据进行特征提取具体如下：S31，通过对互相关结果片段进行相对增益-时延分布进行估计，获得{Γa,Γτ}；S32，从{Γa,Γτ}中提取至少包括时延特征、波形特征以及莱斯K系数的特征值，记作特征集FM，其中M为特征集的维度。S2中，S4中，正例聚类种子P和反例聚类种子N分别为：其中，m为样本特征空间维度，正例聚类种子P和反例聚类种子N对应于特征空间P＝[P1,P2,…Pm，N＝[N1,N2,…Nm。S5中，基于成对距离的权值计算方法对正例数据集SP进行权值分配如下：其中，d10＝SP1-P，即正例数据集中S本文档来自技高网...

【技术保护点】
1.一种基于无监督在线学习的声信号非视距识别方法，其特征在于，包括以下步骤：/nS1，获取带标签类别的声信号数据，其中包含P个视距数据及N个非视距数据；/nS2，对原始声信号x[n]进行滤波与增强，再进行探测及分割，具体如下：/n对S1所得声信号数据的原始声信号x[n]中来自各信标节点的声信号进行探测及分割，获得增强后的声信号片段x′

【技术特征摘要】
1.一种基于无监督在线学习的声信号非视距识别方法，其特征在于，包括以下步骤：
S1，获取带标签类别的声信号数据，其中包含P个视距数据及N个非视距数据；
S2，对原始声信号x[n]进行滤波与增强，再进行探测及分割，具体如下：
对S1所得声信号数据的原始声信号x[n]中来自各信标节点的声信号进行探测及分割，获得增强后的声信号片段x′i[n]及互相关结果片段Ri[τ]，i＝1,2,…Nb，Nb为定位系统中目标设备所接收到信标节点所广播信号的总数量；
S3，对S2中分割后的互相关结果片段Ri[τ]，通过估计声信道相对增益-时延分布，并对其提取特征值；
S4，用S3中所提取的特征值初始化聚类种子，具体过程为：
S41，初步选取视距数据集SP及非视距数据集SN分别如下：
SP＝{SP1,SP2,…,SPn}
SN＝{SN1,SN2,…,SNn}
其中，在保证满足初始模型准确度的前提下，n小于监督及半监督学习所需标签数据；
S42，获取正例聚类种子P和反例聚类种子N；
S43，初始化正例聚类种子P和反例聚类种子N权值均为1，即：



S5，基于成对距离的权值计算方法对视距数据集SP进行权值和分配非视距数据集SN权值分配，分别得到视距数据集SP进行权值和分配非视距数据集SN权值；
同理，分配非视距数据集SN权值如下：



S6，将S4中所选取视距数据集SP和非视距SN合并为初始训练集ST并基于无监督分类器完成模型训练，即初始模型，训练集ST如下：
ST＝{SP1,SP2,…,SPn,SN1,SN2,…,SNn}
S7，基于S5对新样本数据D分别进行正例和反例标记及权值计算；
S8，比较S6所述训练集ST及新样本数据D的权值，确定是否将新样本数据D加入训练集ST以在线更新聚类模型：
如果训练集ST中样本权值均大于新样本数据D的权值，新样本数据D不能够加入训练集；
如果训练集ST中某一样本STi的权值最小，STi的权值小于样本数据的权值，则新样本数据D能够加入训练集用于模型训练，且新样本数据D替换训练集中的STi，生成新的训练集ST’用于模型更新；
S9，基于S8所得训练集进行模型更新，重复S7到S9，动态数据进行在线分类，得到贴有正例与负例标记的数据结果。


2.根据权利要求1所述的基于无监督在线学习的声信号非视距识别方法，其特征在于，S2中，对S1所得声信号数据的原始声信号进行探测及分割具体如下：
S21，对原始声信号x[n]进行滤波与增强，获得信号x'[n]，从信号x'[n]中截取增强后的声信号片段x′i[n]；
S22，构造参考信号r[n]并对信号x'[n]进行互相关计算，获得互相关结果Rx'r[τ]；
S23，在互相关结果...

【专利技术属性】
技术研发人员：白旭晶，张磊，胡志新，王楠，杨斯怡，赵志成，钟宇，薛文涛，
申请(专利权)人：长安大学，
类型：发明
国别省市：陕西;61