[发明专利]一种NLOS信号识别方法及系统

权利要求书

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、通过对自组织映射算法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；

利用所述SOM对数据集进行初步分类，得到两类数据；

步骤三、选取需要进行训练的输入数据集对卷积神经网络CNN模型进行训练；

利用完成学习和训练的卷积神经网络CNN模型，对于已初步分类的两类数据进行模式识别；

其中，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；

CNN模型的输入为经过SOM分类算法处理过后的已分类数据集,经过第一卷积池化层后, 输出初步的类型鉴别结果;将本次的鉴别结果输入到第二卷积池化层中，得到更为精确的信号类型鉴别结果；再将本结果输入到第三卷积池化层中，得到更为精确的信号类型鉴别结果；将本识别结果输入到后续的全连接层和全连分类层中, 最终实现对于已分类的信号的类型精确识别；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；

所述SOM的神经网络中的竞争层采用100×100的神经元结构。

2.一种实现如权利要求1所述的NLOS信号识别方法的系统，其特征在于，包括：数据模块、SOM分类模块和CNN识别模块；

所述数据模块用于构建数据集；所述数据集包括：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；

所述SOM分类模块用于利用自组织映射算法SOM对所述数据模块中的数据集进行分类；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；

所述CNN识别模块用于通过卷积神经网络CNN模型对分类好的所述数据集进行识别，完成所述CNN模型的训练；对待识别的数据集进行信号类别识别。

3.如权利要求2所述的系统，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。

4.如权利要求2所述的系统，其特征在于，在所述SOM分类模块中，所述SOM的神经网络中的竞争层采用100×100的神经元结构。

5.如权利要求2所述的系统，其特征在于，在所述CNN识别模块中，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。