【技术实现步骤摘要】
一种基于GASF和胶囊网络的NLOS识别方法
[0001]本专利技术属于室内超带宽测距定位领域,具体的说是涉及一种基于GASF和胶囊网络的NLOS识别方法。
技术介绍
[0002]近年来,随着无线传感网络的兴起,室内定位技术等到了迅速发展。在众多室内定位方案中,超宽带(UWB)定位系统拥有测距精度高、抗多径干扰能力强、穿透能力强等优点,因而成为了室内定位研究的热点。测距是定位的基础,在理想的环境下,UWB设备的测距精度可达厘米级。然而室内环境是复杂多变的,信号的非视距(NLOS)传播会极大的影响UWB测距精度,导致一个正向的测距误差,如若不对该测距值进行处理,则会进一步影响定位精度。
[0003]现有的NLOS识别算法主要可以分为两类,一类是基于测距信息的NLOS识别方法,该方法的思路为先定位后识别,利用所有测距值生成目标的估计位置,根据此估计位置来判定定位系统中是否存在NLOS测距值。这种方法仅使用了信号的测距信息,而没有利用信号本身的统计特性。另一种方法的依据是,在一个定位系统中,NLOS传播链路的测距标准差远大于LOS链路,因此可以根据多次测量的标准差来识别NLOS传播,该方法的缺点是需要多次测量,实时性一般,仅能用于静态定位系统,且需要测量标准差的先验信息。
[0004]近年来随着深度学习的迅速发展,也有相当多的学者采用神经网络进行NLOS识别研究。比如基于卷积神经网络(Convolutional Neural Network,CNN)的NLOS识别方法,首先分析了接收信号模型,并对接收信号做
【技术保护点】
【技术特征摘要】
1.一种基于GASF和胶囊网络的NLOS识别方法,其特征在于:该识别方法包括如下步骤:步骤1:获取并分析UWB数据集;步骤2:对UWB时域信号进行去噪处理;步骤3:将经过降噪处理的UWB时域信号转换成极坐标系下的时间序列,再利用GASF进行时间序列重构,将其转化为二维灰度图;步骤4:建立胶囊网络模型,并设置胶囊网络模型的各层参数,将步骤3所得二维灰度图作为胶囊网络模型的输入,利用胶囊网络模型对图像进行分类,识别出LOS测距信号和NLOS测距信号。2.根据权利要求1所述一种基于GASF和胶囊网络的NLOS识别方法,其特征在于:所述步骤2中对UWB时域信号进行去噪的方法为:假设UWB时域信号经过N次采样后得到的离散时间序列为x=[x1,x2,...,x
N
],N=1016,其中x
i
是第i次采样时信号的幅值,相应的噪声为n=[n1,n2,...,n
N
],N=1016,则接收端的信噪比为:式中,T代表矩阵的转置;设时间序列x经过k次向左平移后为:x
ROL
(k)=[x
k+1
,...,x
N
,x1,...,x
k
]
ꢀꢀꢀꢀ
(2)将原始的时间序列x同若干平移后的序列相加,可得:式中x
ROL
(i)代表UWB离散时间序列经过向左平移后的离散时间序列;同理,噪声序列n经过平移相加后,可得:式中n
ROL
(i)代表噪声的时间序列经过向左平移后的时间序列;此时的信噪比为:式中XX
T
为平移后的信号量,n
′
(n
′
)
T
为平移后的噪声,k代表向左平移的次数,x
ROL
(i)x
ROL
(j)
T
是信号时间序列相邻元素之间的协方差,xx
T
代表原始信号量,nn
T
代表原始噪声,n
ROL
(i)n
ROL
(j)
T
是噪声序列相邻元素之间的协方差,由于各个时刻噪声的大小是独立的,因此n
ROL
(i)n
ROL
(j)
T
趋向于0,而接收信号的值都大于0,因此必定大于0,从而有:
即经过去噪变换后的信号信噪比大于原始信号。3.根据权利要求1所述一种基于GASF和胶囊网络的NLOS识别方法,其特征在于:所述步骤3中将UWB时域信号转换成二维灰度图的方法为:步骤3
‑
1:对于经过步骤2降噪处理的UWB时域信号X=[x1,x2,...,x
N
],首先将其进值进行0
‑
1标准化:式中,x
′
i
为经过0
‑
1标准化之后的UWB时域信号;步骤3
‑
2:将标准化过后的时间序列X
′
=[x
′1,x
′2,...,x
′
N
]映射到极坐标系下,具体方法为将X
′
的幅值映射为角度余弦,该幅值对应的时间戳映射为半径:式中,为极坐标系下时间序列的极角,r为极坐标系下时间序列的极径;步骤3
‑
3:将转换到极坐标系下的时间序列,计算每个点之间的三角和,从角度的方面来考虑两个不同时间点之间的相关性,由此引入格拉米角场:其中表示时间序列X
′
中x
i
在极坐标系下对应的角度,由于:式(9)可进一步表示为:其中I=[1,1,...,1]是长度为N的向量。4.根据权利要求1所述一种基于GASF和胶囊网络的NLOS识别方法,其特征在于:所述步骤4中胶囊网络模型模型分为编码器和解码器两个部分,编码器包含卷积层、主胶囊层和分类胶囊层,解码器为三个全连接层,胶囊网络模型的输入为步骤3中获得的二维灰度图,胶囊网络模型的输出为2个向量v1和v2,在所述胶囊网络内部,胶囊网络模型的两个向量v1和v2,代表底层的特征,输出为向量v,代表高层特征,在胶囊内部,向量v1和v2分别乘上矩阵W1和W2,得到另外两个向量u1和u2,向量u1和u2再分别乘上权重c1和c2并相加,得到结果s,s经过挤压函数完成长度的归一化,得到最终结果v并输出,其中,挤压函数为:式中,v为输出向量,s为输入向量经过加权处理后的向量。
5.根据权利要求4所述一种基于GASF和胶囊网络的NLOS识别方法,其特征在于:在胶囊网络中,权重c
i
是通过动态路由计算得到,计算方法为:假设胶囊网络的第l层共有m个低级特征v
i
(i=1,2,...,m),第l+1层共有n个高级特征v
j
(j=1,2,...,n),则这些向量之间的权重c
ij
满足如下性质:(1)非负性,c
ij
≥0(2)对于该层的所有低级别向量v
i
,有(3)每个低级别向量v
...
【专利技术属性】
技术研发人员:鹿浩,李明吉,徐哲超,朱浩,张正基,曹宁,
申请(专利权)人:河海大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。