基于高斯混合模型的超宽带NLOS信号识别方法

发布时间：2021-10-04 23:34

　　超宽带（UWB）测距在短距离精确定位中有着重要应用,然而在测距系统中,非视距（NLOS）信号传播是普遍存在的。NLOS信号会极大地影响测距精度,进而影响定位精度,因此研究如何识别NLOS信号是有意义的。过去的一些研究大部分采用基于有监督学习的方法,如支持向量机等,虽然有不错的性能,但需要事先人工标定LOS与NLOS。然而室内环境是复杂多变的,不同环境中的UWB信号会有不同的特征,因此基于有监督学习的NLOS识别方法不具有普适性。采用高斯混合模型来对LOS和NLOS信号进行分类,该方法的优点在于无需获取LOS信号与NLOS信号的先验信息,且在实验环境下NLOS识别率高达93%以上。 

【文章来源】：电子测量技术. 2020,43(16)

【文章页数】：5 页

【部分图文】：

LOS与NLOS信号样本的特征分布情况

本部分的实验数据为1 024个UWB测距真实数据,其中LOS信号与NLOS信号各512个,图2是使用Time Domain公司生产的PulsOn 440测得的典型接收信号。P440的工作频率在3.1～4.8 GHz,使用双向飞行时间(two-way time-of-flight)来测量两个模块之间的距离,在无遮挡环境下,测距误差在2 cm以内。将所得信号按照公式(1)-(6)的公式进行特征计算,得到UWB信号的各特征,并将所需的特征组合起来成为特征向量x,例如选择峭度,平均附加时延和均方根时延扩展,则x=(k,τMED,τRMSD)。

表1比较了SVM,K-means和GMM算法之间的分类性能。由表1可知,SVM算法的分类准确率更高,但SVM需要数据集进行训练,耗费的时间较长,GMM算法不需要提前用数据集训练,且耗费时间较少,却获得了和SVM算法差不多的分类准确度。且随着信号特征的增加,SVM的耗时会越长。同时,GMM算法得到的FP为最小,即GMM算将NLOS信号判断为NLOS信号的概率最小,因此能更好地提升定位的精确度。图3 各算法分类效果

【参考文献】：
期刊论文
[1]全球4大卫星导航系统浅析[J]. 陈倩,易炯.  导航定位学报. 2020(03)
[2]Geometry-based non-line-of-sight error mitigation and localization in wireless communications[J]. Jingyu HUA,Yejia YIN,Anding WANG,Yu ZHANG,Weidang LU.  Science China（Information Sciences）. 2019(10)
[3]基于机器学习的超宽带NLOS鉴别方法[J]. 李伟杰,张霆廷,张钦宇.  计算机工程与设计. 2014(03)
[4]北斗卫星导航系统的现况与发展[J]. 刘基余.  遥测遥控. 2013(03)
[5]全球导航卫星系统发展综述[J]. 宁津生,姚宜斌,张小红.  导航定位学报. 2013(01)
[6]室内定位现状与发展趋势研究(英文)[J]. 邓中亮,余彦培,袁协,万能,杨磊.  中国通信. 2013(03)

硕士论文
[1]典型超宽带信号的发射与接收技术[D]. 赵陈亮.南京理工大学 2013



本文编号：3418551