一种NLOS信号识别方法及系统技术方案

本发明专利技术公开了一种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

【技术实现步骤摘要】
一种NLOS信号识别方法及系统


[0001]本专利技术涉及信号处理
，具体涉及一种NLOS信号识别方法及系统。

技术介绍

[0002]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。
[0003]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本文档来自技高网...

【技术保护点】

【技术特征摘要】
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C...

【专利技术属性】
技术研发人员：高泽夫，焦义文，杨文革，马宏，吴涛，李冬，毛飞龙，李超，孙宽飞，周扬，滕飞，陈雨迪，卢志伟，王育欣，司一童，
申请(专利权)人：中国人民解放军战略支援部队航天工程大学，
类型：发明
国别省市：