多径干扰是超宽带(ultra-wideband,UWB)定位误差的主要来源之一,超宽带信号的非视距传播会导致通信和定位精度的可靠性降低。因此,准确识别定位过程中的非视距(non line of sight,NLOS)传播信号是提高定位精度的重要措施。针对超宽带信...多径干扰是超宽带(ultra-wideband,UWB)定位误差的主要来源之一,超宽带信号的非视距传播会导致通信和定位精度的可靠性降低。因此,准确识别定位过程中的非视距(non line of sight,NLOS)传播信号是提高定位精度的重要措施。针对超宽带信号的非视距传播识别问题,该文提出一种新的基于信道冲激响应(channel impulse response,CIR)特征参量—上升时间与峰值时间和(sum of rise time and peak time,Sum_T)与未检测到峰值(undetected peak,UD-P)联合的NLOS识别方法。实验结果表明,典型室内办公环境下NLOS信号的识别率可以达到95.75%,该方法在定位系统中的使用将有助于提升定位精度。展开更多
超宽带(Ultra Wide Band,UWB)信号具有极高的时间分辨率,测距精度高、穿透能力强、抗多径效应好,适用于高精度室内定位系统的设计。基于UWB的室内定位系统中,非视距传播对定位精度有重要影响。针对UWB信号室内传播存在视距(Line of Sigh...超宽带(Ultra Wide Band,UWB)信号具有极高的时间分辨率,测距精度高、穿透能力强、抗多径效应好,适用于高精度室内定位系统的设计。基于UWB的室内定位系统中,非视距传播对定位精度有重要影响。针对UWB信号室内传播存在视距(Line of Sight,LOS)和非视距(Non Line of Sight,NLOS)情形,采用卷积神经网络(Convolutional Neural Network,CNN)识别NLOS信号。为避免有限数据集导致过拟合,采用dropout降低神经元之间的依赖,提高NLOS信号识别率。完成NLOS识别后使用LS/WLS算法做定位,结果表明该方法能将定位误差降低一半,显著提高了定位精度。展开更多
近年来,室内定位技术得到了广泛的应用,超宽带(Ultra-wideband,UWB)凭借其独特的优势,在室内定位领域脱颖而出。但是在复杂的室内环境中,信号传播易受到非视距(Non Line of Sight,NLOS)障碍物遮挡,产生NLOS误差。针对传统NLOS障碍物识...近年来,室内定位技术得到了广泛的应用,超宽带(Ultra-wideband,UWB)凭借其独特的优势,在室内定位领域脱颖而出。但是在复杂的室内环境中,信号传播易受到非视距(Non Line of Sight,NLOS)障碍物遮挡,产生NLOS误差。针对传统NLOS障碍物识别方法,识别率低以及需要具体考虑应用场景等问题,提出了一种基于PCA-FCM的模糊聚类的识别方法,达到92%的识别率。首先,根据视距(Line of Sight,LOS)信号与非视距信号之间的差异,选取了信号强度、平均过量时延等6个信道特征参数;其次,鉴于主成分分析(Principal Components Analysis,PCA)模型在特征提取方面的优势,用PCA模型对特征参数进行降维处理;最后,用模糊C均值(Fuzzy C-Means,FCM)算法对降维之后的目标函数进行优化,得到聚类中心的隶属度,从而提高NLOS信号识别率。展开更多
文摘多径干扰是超宽带(ultra-wideband,UWB)定位误差的主要来源之一,超宽带信号的非视距传播会导致通信和定位精度的可靠性降低。因此,准确识别定位过程中的非视距(non line of sight,NLOS)传播信号是提高定位精度的重要措施。针对超宽带信号的非视距传播识别问题,该文提出一种新的基于信道冲激响应(channel impulse response,CIR)特征参量—上升时间与峰值时间和(sum of rise time and peak time,Sum_T)与未检测到峰值(undetected peak,UD-P)联合的NLOS识别方法。实验结果表明,典型室内办公环境下NLOS信号的识别率可以达到95.75%,该方法在定位系统中的使用将有助于提升定位精度。
文摘超宽带(Ultra Wide Band,UWB)信号具有极高的时间分辨率,测距精度高、穿透能力强、抗多径效应好,适用于高精度室内定位系统的设计。基于UWB的室内定位系统中,非视距传播对定位精度有重要影响。针对UWB信号室内传播存在视距(Line of Sight,LOS)和非视距(Non Line of Sight,NLOS)情形,采用卷积神经网络(Convolutional Neural Network,CNN)识别NLOS信号。为避免有限数据集导致过拟合,采用dropout降低神经元之间的依赖,提高NLOS信号识别率。完成NLOS识别后使用LS/WLS算法做定位,结果表明该方法能将定位误差降低一半,显著提高了定位精度。
文摘近年来,室内定位技术得到了广泛的应用,超宽带(Ultra-wideband,UWB)凭借其独特的优势,在室内定位领域脱颖而出。但是在复杂的室内环境中,信号传播易受到非视距(Non Line of Sight,NLOS)障碍物遮挡,产生NLOS误差。针对传统NLOS障碍物识别方法,识别率低以及需要具体考虑应用场景等问题,提出了一种基于PCA-FCM的模糊聚类的识别方法,达到92%的识别率。首先,根据视距(Line of Sight,LOS)信号与非视距信号之间的差异,选取了信号强度、平均过量时延等6个信道特征参数;其次,鉴于主成分分析(Principal Components Analysis,PCA)模型在特征提取方面的优势,用PCA模型对特征参数进行降维处理;最后,用模糊C均值(Fuzzy C-Means,FCM)算法对降维之后的目标函数进行优化,得到聚类中心的隶属度,从而提高NLOS信号识别率。
