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技术

本发明专利技术涉及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，其步骤为：获取信道脉冲响应数据(CIR)后，利用离散小波变换将原CIR信号中特征更为明显的低频部分作为有效部分，从而提高之后非视距信号识别训练的速度和效率；再将提取出的低频部分归一化处理，使其位于(

【技术实现步骤摘要】
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


[0001]本专利技术属于无线定位
，涉及一种基于小波卷积神经网络的非视距信号识别方法。

技术介绍

[0002]随着国民经济的快速发展，定位技术的发展已趋于成熟。室外环境中，基于卫星导航的服务基本上被广泛应用。近年来，关于位置服务的相关技术也在朝着室内定位系统不断发展，随着社会现代化建设的不断发展，大型建筑的日益增多，人们有70％的时间是在室内度过的，因此室内位置服务的需求正在不断增加。例如特殊人群定位、办公场所管理、物流仓储等都需要准确的室内位置信息，特别在应急场景下，如消防救援、公共安全、抗震救灾等，高精度的室内定位都有着巨大的应用前景。在目前的无线定位技术中，超宽带定位技术与传统通信技术相比，不需要使用传统通信体制中的载波，而是通过发送和接收具有纳秒或纳秒级以下的极窄脉冲来传输数据，在室内定位技术中脱颖而出。
[0003]在超宽带室内定位系统中，由于室内存在各种不同的障碍物，会对超宽带信号进行遮挡，造成非视距(Non
‑
Line
>‑
of<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于小波格拉姆卷积神经网络的非视距信号识别方法，其特征在于，含有以下步骤：(一)获取训练样本：采集N个已标注好信号类别标签的信道脉冲响应(CIR)信号样本作为训练集S0＝{(x1(t),y1),(x2(t),y2),
…
,(x
N
(t),y
N
)}；其中，x
n
(t)(n＝1,2,
…
,N)表示训练集第n个样本,是一个1
×
T的向量，T表示样本的时间维度；y
n
表示样本x
n
(t)的标签，y
n
∈{0,1}；(二)提取原CIR信号有效特征：将提取出的训练集S0中的每一个样本进行离散小波变换，将其中特征更为明显的低频部分作为有效部分，构建出新的训练集其中，表示经过离散小波变换后CIR信号的有效部分，为训练集S1第n个样本,是一个的向量，T表示原CIR信号的时间维度；y
n
为标签，与步骤(一)中的标签相同；(三)特征预处理：归一化处理训练集S1中的每一个样本，使其位于(
‑
1,1)区间内从而满足格拉姆角场变换条件；(四)一维信号转为二维图像：利用格拉姆角场变换将训练集S1中的每一个一维信号样本转换为两个包含时间关系特征的二维角场图像，包括格拉姆角和场(GASF)和格拉姆角差场(GADF)，构建出新的训练集其中，表示经过格拉姆角场变换后的二维图像，为训练集S第n个样本,是一个的矩阵，T表示原CIR信号的时间维度；y
n
为标签，与步骤(一)中的标签相同；(五)卷积神经网络分类：将训练集S放入卷积神经网络中进行分类训练，并用测试集对网络训练效果进行测试。2.如权利要求1所述的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，其特征在于，所述步骤(一)中，采集N个已标注好信号类别标签的信道脉冲响应样本作为训练集S0＝{(x1(t),y1),(x2(t),y2),
…
,(x
N
(t),y
N
)}；其中，x
n
(t)(n＝1,2,
…
,N)表示训练集第n个样本,是一个1
×
T的向量，T表示样本的时间维度；y
n
表示样本x
n
(t)的标签，y
n
∈{0,1}。3.如权利要求2所述的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，其特征在于，所述步骤(二)中，将提取出的训练集S0中的每一个样本进行离散小波变换，利用bior3.1小波进行离散小波变换，将原来的CIR信号分为高频部分和低频部分，变换后的低频部分所包含的特征多于原CIR信号和分解后的高频部分，故将经过...

【专利技术属性】
技术研发人员：邓晓刚，平植源，孙瑞，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：