[发明专利]一种NLOS信号识别方法及系统

说明书

本发明公开了一种NLOS信号识别方法及系统，通过自组织映射算法SOM对大量的数据集进行分类，之后再通过卷积神经网络CNN进行识别训练和信号识别，从而准确地完成NLOS信号的识别。其中用于SOM的神经网络训练的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，且NLOS‑LOS数据集包括不同初始值和样本数量的NLOS‑LOS数据子集，能够使SOM的神经网络训练的分类精度更高。

技术领域

本发明涉及信号处理技术领域，具体涉及一种NLOS信号识别方法及系统。

背景技术

常见的室内定位技术主要基于无线局域网、射频标签、ZigBee技术、蓝牙技术和红外技术等，然而这些技术容易受到各种噪声信号和室内环境的影响，而且他们的定位精度容易受到复杂的室内环境的影响。基于超宽带(UWB，Ultra-Wideband)的定位技术具有信号穿透能力强、抗多径能力强、时间分辨率高、定位精度高等优势，可达到厘米级甚至毫米级定位。UWB在室内精确的定位将会对卫星导航起到一个极好的补充作用，近年来得到了较好的发展，在军事及民用领域有着广泛应用，如：电力、医疗、化工行业、隧道施工、危险区域管控等。

尽管UWB技术可以实现厘米级的定位精度(一般指2维平面定位)，并具有良好的抗多径干扰性能以及较强的穿透能力，但由于室内环境复杂多变，在这样的环境中，通常会有意想不到的障碍导致非视线(NLOS，Non Line Of Sight)传播，这将在测距测量中引入偏差。并且UWB通信信号极易受到遮挡，在较强干扰下，数据会发生异常波动(通常是时间延时)，基本无法完成室内定位，甚至会造成严重事故。而UWB在采集数据时并不知道信号有无干扰。因此，信号干扰下的超宽带(UWB)异常信号识别成为UWB精确定位问题中亟待解决的难题。

NLOS识别是解决NLOS引起的高分辨率定位系统偏差的第一步，也是最关键的一步。目前已经有一些关于NLOS识别的研究，比如基于AdaBoost的机器学习元算法的强非视线传播分类器；一种统计视距识别方案，利用信道状态信息，扩大视距和非视距条件的区别；提取信道脉冲响应的一些手工特征，对LOS/NLOS进行似然比测试；一种基于监督机器学习算法的LOS/NLOS分类方法等。

传统的NLOS误差模型主要有高斯分布模型，其由于计算简便成为最常用的一种NLOS误差模型。在通信环境良好的UWB中，测距值中一般只包含很少的NLOS误差，NLOS误差模型间的差别并不会对误差消除造成太大的影响；但在通信环境恶劣的UWB中，NLOS误差作为测量误差的主要部分，误差模型的不准确会造成误差消除达不到效果甚至无法实现。因此，判断测距数据中是否含有异常数据成为了UWB中的重要问题。

综上，传统技术中大多停留在理论分析阶段，并没有有效算法能够准确识别NLOS信号。

发明内容

有鉴于此，本发明提供了一种NLOS信号识别方法及系统，能够准确第识别NLOS信号。

本发明采用的具体技术方案如下：

一种NLOS信号识别方法，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、利用自组织映射算法SOM对所述数据集进行分类；

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；

步骤三、利用卷积神经网络CNN模型对分类好的所述数据集进行识别，完成CNN模型的训练；

将待识别的数据集输入至CNN模型中识别信号类别。

进一步地，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。