一种基于多特征模糊聚类的超宽带NLOS识别方法

本发明涉及超宽带，更具体的说是涉及一种基于多特征模糊聚类的超宽带nlos识别方法。

背景技术：

1、随着物联网的发展和人们对位置服务需求的不断增长，室内定位领域涌现出众多技术，如惯导、地磁、超宽带(ultra-wideband，uwb)、伪卫星、声音、摄像头、蓝牙、同步定位和地图绘制(simultaneous localization and mapping，slam)等。其中，uwb以其定位精度高、抗干扰能力强等主要优势脱颖而出。近年来，超宽带在室内定位方面受到了学术界和工业界的广泛关注。然而，超宽带是一种基于距离的定位方法，主要依赖于精确的信号飞行时间(time offlight，tof)。然而在非视距(non line ofsight，nlos)的信号传播环境中，由于折射、反射、绕射等的影响，使得tof失准，进而大幅增大了uwb的定位误差。uwb在nlos环境下的定位精度衰减严重甚至失效的突出问题制约了在商业上的发展和推广。

2、nlos是指发射机和接收机之间存在障碍物，改变了信号飞行时间、接收信号强度(received signal strength，rss)和信道冲击响应(channel impulse response,cir)参数。目前，在nlos的识别方面已经提出了许多方法，并取得了一定的成果。但仍有一些限制。对于nlos识别，大多数方法都采用机器学习(machine learning，ml)来实现，此类方法需要大量的先验信息来支持，且模型较复杂。此外，nlos识别主要区别为视距(line ofsight，los)和nlos两类，没有将uwb的信号传播情况往更多类别上如half-nlos类等进行划分，进而对不同类别的信号传播情况进行更具针对性地uwb定位校正。其中nlos特指由墙体遮挡的状态，而不同程度的half-nlos指由玻璃、纸箱等信号穿透性较弱的状态。

3、因此，提出一种基于多特征模糊聚类的超宽带nlos识别方法，来解决现有技术存在的困难，是本领域技术人员亟需解决的问题。

技术实现思路

1、有鉴于此，本发明提供了一种基于多特征模糊聚类的超宽带nlos识别方法，能够准确识别nlos信号并将信号传播分为los、nlos以及不同程度的half-nlos多个类别。

2、为了实现上述目的，本发明提供如下技术方案：

3、一种基于多特征模糊聚类的超宽带nlos识别方法，包括：

4、获取数据：获取uwb基站与各标签之间的cir原始数据、联合噪声数据以及前导码累计数；

5、特征提取：提取基于cir的特征、联合噪声数据统计量特征和前导码累计数特征；

6、状态识别：根据提取的基于cir的特征、联合噪声数据统计量特征和前导码累计数特征构建nlos识别的特征集进行状态识别，得到识别结果；

7、输出信号：根据识别结果输出信号状态。

8、上述的方法，可选的，cir的计算公式为：

9、

10、其中，k是多径数，t为当前时刻，τ为时间延迟，δ为信号的单位冲激响应，ak为信号中第k个到达路径的幅值。

11、上述的方法，可选的，进行状态识别的具体内容为：

12、构造包含输入的各特征值矩阵，进行数据标准化；

13、对原始数据矩阵建立模糊相似关系；

14、对原始数据矩阵建立等价关系；

15、设定阈值，并根据阈值确定分类情况。

16、上述的方法，可选的，分类情况包括：类别数目和信号分类状态。

17、上述的方法，可选的，构造包含输入的各特征值矩阵，进行数据标准化的具体内容为：

18、由特征集构成的矩阵为：

19、

20、其中，n为样本数，m为特征数；

21、进行平移、标准差变换：

22、

23、其中，

24、

25、

26、其中，i＝1,2,...,n；k＝1,2,...,m，x′ik为进行平移和标准差处理后第i行和第k列的特征集元素，xik为第i行和第k列的特征集元素，为第k列特征集元素的均值，sk为特征集元素的标准差，n为特征集行数，为特征集元素的均值；

27、然后进行平移、极差变换：

28、

29、其中，x″ik为进行平移和极差处理后第i行和第k列的特征集元素，xlk为第l行和第k列的特征集元素，x′ik为进行平移和标准差处理后第i行和第k列的特征集元素。

30、上述的方法，可选的，对原始数据矩阵建立模糊相似关系的具体内容为：

31、采用余弦幅度法进行求解，相似关系矩阵r的元素公式如下：

32、

33、其中，j＝1,2,...,n，rij为进行余弦幅度法求解处理后第i行和第k列的相似关系矩阵元素，xjk为第j行和第k列的特征集元素，xik为第i行和第k列的特征集元素，m为特征集矩阵列数。

34、上述的方法，可选的，对原始数据矩阵建立等价关系的具体内容为：

35、采用传递闭包法进行复合计算，使得r2k＝rk。

36、上述的方法，可选的，设定阈值，并根据阈值确定分类情况的具体内容为：

37、不同阈值使得分类数目不同，得到los、nlos和不同程度的half-nlos，即half-nlos1、half-nlos2...half-nlosn-2类。

38、上述的方法，可选的，输出的信号状态为：los、nlos或half-nlos。

39、经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于多特征模糊聚类的超宽带nlos识别方法，其有益效果为：

40、1)特征提取结合信号的cir特征，并引入联合信号噪声及前导码累计数；

41、2)能够将信号状态分为除los、nlos两种状态之外的其他状态类别，使得分类更加详细，细化为los、nlos、half-nlos等多状态；

42、3)与机器学习等算法相比，本发明不需要大量的先验信息和训练样本，该方法复杂度低。

技术特征：

1.一种基于多特征模糊聚类的超宽带nlos识别方法，其特征在于，包括：

2.根据权利要求1所述的一种基于多特征模糊聚类的超宽带nlos识别方法，其特征在于，cir的计算公式为：

3.根据权利要求1所述的一种基于多特征模糊聚类的超宽带nlos识别方法，其特征在于，进行状态识别的具体内容为：

4.根据权利要求3所述的一种基于多特征模糊聚类的超宽带nlos识别方法，其特征在于，分类情况包括：类别数目和信号分类状态。

5.根据权利要求3所述的一种基于多特征模糊聚类的超宽带nlos识别方法，其特征在于，构造包含输入的各特征值矩阵，进行数据标准化的具体内容为：

6.根据权利要求3所述的一种基于多特征模糊聚类的超宽带nlos识别方法，其特征在于，对原始数据矩阵建立模糊相似关系的具体内容为：

7.根据权利要求3所述的一种基于多特征模糊聚类的超宽带nlos识别方法，其特征在于，对原始数据矩阵建立等价关系的具体内容为：

8.根据权利要求3所述的一种基于多特征模糊聚类的超宽带nlos识别方法，其特征在于，设定阈值，并根据阈值确定分类情况的具体内容为：

9.根据权利要求1所述的一种基于多特征模糊聚类的超宽带nlos识别方法，其特征在于，输出的信号状态为：los、nlos或half-nlos。

技术总结本发明公开了一种基于多特征模糊聚类的超宽带NLOS识别方法，涉及超宽带技术领域。包括：获取数据：获取UWB基站与各标签之间的CIR原始数据、联合噪声数据以及前导码累计数；特征提取：提取基于CIR的特征、联合噪声数据统计量特征和前导码累计数特征；状态识别：根据提取的基于CIR的特征、联合噪声数据统计量特征和前导码累计数特征构建NLOS识别的特征集进行状态识别，得到识别结果；输出信号：根据识别结果输出信号状态。本发明能够将信号状态分为除LOS、NLOS两种状态之外的其他状态类别，使得分类更加详细，细化为LOS、NLOS、half‑NLOS等多状态。技术研发人员：杨东凯,李金昆,修春娣受保护的技术使用者：北京航空航天大学技术研发日：技术公布日：2024/10/10