一种基于GASF和胶囊网络的NLOS识别方法技术

本发明专利技术是一种基于GASF和胶囊网络的NLOS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。该方法对NLOS信号的识别率高达95.17%，可以有效应用于室内超带宽测距定位系统中。测距定位系统中。测距定位系统中。

【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，并对接收信号做去噪处理，提高了原始信号的信噪比，将处理过的信号作为卷积神经网络的输入，实现了较高的分类准确率。还比如基于卷积神经网络和长短期记忆循环神经网络(Long Short
‑
Term Memory,LSTM
‑
RNN)的方法，是将卷积神经网络用于UWB原始信号的特征提取，将卷积神经网络的输出作为LSTM
‑
RNN的输入，最终完成NLOS识别。
[0005]在室内超宽带测距定位系统中，信号的非视距传播(None
‑
Line
‑
of
‑
Sight,NLOS)现象是不可避免的。NLOS测距值会极大的影响测距和定位的结果，所以NLOS信号的识别方法研究极为重要。

技术实现思路

[0006]本专利技术针对在室内超宽带测距定位系统中，信号的非视距传播(None
‑
Line
‑
of
‑
Sight,NLOS)现象对测距和定位的影响，提出一种基于GASF和胶囊网络的NLOS识别方法，进一步提升UWB信号中NLOS测距信号的识别率，可以有效应用于室内超宽带测距定位中。
[0007]为了达到上述目的，本专利技术是通过以下技术方案实现的：
[0008]本专利技术是一种基于GASF和胶囊网络的NLOS识别方法，包括如下步骤：
[0009]S1：获取并分析UWB数据集；
[0010]S2：对UWB时域信号进行去噪处理；
[0011]S3：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；
[0012]S4：建立胶囊网络模型，并设置胶囊网络模型的各层参数，将上一步所得二维灰度图作为胶囊网络模型的输入，利用胶囊网络模型在图像分类方面的优势，分类识别出LOS测距信号和NLOS测距信号。
[0013]进一步地，所述步骤S1中采用SensorLab实验室的Klemen Bregar等人采集并公开的UWB数据集。该数据集采集所使用的设备为9个DecaWave公司生产的DW1000UWB信号收发器，其中8个UWB信号收发器作为信标节点放置在室内固定位置，1个UWB信号收发器作为移动的待定位目标节点，每个UWB节点都通过Wi
‑
Fi模块连接至计算机，可进行实时测距和定位。
[0014]进一步地，所述步骤S2中，在实际的UWB测距过程中，接收信号会受到多种噪声的影响，这些噪声会一定程度上影响神经网络分类的准确性，在UWB测距系统中对接收信号进行去噪处理可以提升NLOS识别的准确率，因而在分类前先对UWB信号进行去噪处理是有意义的，对UWB时域信号进行去噪处理的方法为：
[0015]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：
[0016][0017]式中T代表矩阵的转置。
[0018]设序列x经过k次向左平移后为：
[0019]x
ROL
(k)＝[x
k+1
，...，x
N
，x1，...，x
k
]ꢀꢀꢀ
(2)
[0020]将原始的时间序列x同若干平移后的序列相加，可得：
[0021][0022]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。
[0023]相似的，噪声序列n经过平移相加后，可得：
[0024][0025]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。
[0026]此时的信噪比为：
[0027][0028]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可以认为是独立的，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：
[0029][0030]即经过去噪变换后的信号信噪比大于原始信号。
[0031]经过去噪处理后，UWB信号变得更为平滑，也保持了原始数据的变化趋势，因而更利于神经网络从中提取特征。
[0032]进一步地，所述步骤S3中，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的方法为：
[0033]对于经过降噪处理的UWB时域信号X＝[x1，x2，...，x
N
]，首先将其进值进行0
‑...

【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：