一种基于PCA-RLSTELM识别NLOS方法

技术领域

本发明涉及移动无线通信以及位置的服务技术领域，具体涉及一种基于PCA-RLSTELM识别NLOS方法。

背景技术

当今，随着科学技术的进步，互联网产业的发展让生活变得自动化、智能化和数字化。在这样的背景下，基于位置的服务(location based services，LBS)变得越来越普遍。在无线定位方面，全球导航卫星系统(Global Navigation Satellite System，GNSS)更加普遍和成熟。卫星系统的建立具有极高的战略价值。GNSS定位在人们的生活中扮演着重要的角色，基本满足了人们在室外宽阔场景下对位置服务的要求。但在室内、峡谷、森林等有多路径干扰、信号反射、衍射等环境下定位精度不高。这种情况下，超宽带(Ultra WideBand，UWB)作为一种短距离、大带宽的无线通信技术，因其具有穿透性强、分辨率强、系统结构简单等优点，逐渐被用于高精度测距与定位。但在超宽带无线定位系统中，定位精度受多方面的因素，例如多径传播和非视距(Non-Line-of-Sight，NLOS)传播。其中，NLOS传播所造成的误差影响是最主要的因素。与非视距传播相比，视距(Line-of-Sight,LOS)环境下信号传播没有经历障碍物遮挡的额外延时，信号的到达时间与电磁波在空气中传播的时间近似，NLOS误差一般与信号传播的环境相关。在LOS环境下，现有的无线定位算法都具有很高的定位精度。当待测标签和基站之间存在着NLOS传播时，如果不对信号进行任何预先处理，直接采用实际测量数据使用常用定位算法来进行定位，那么定位精度将会急剧下降。

随着人工智能领域研究的不断深入，识别NLOS与LOS信号的算法不断发展。支持向量机(Support Vector Machine，SVM)、BP(back propagation)神经网络等机器学习方法也在不断取得新的突破。极限学习机(Extreme Learning Machine，ELM)作为一种常见的机器学习方法，创造性的提出。随机生成输入层到隐层的权重和偏置。使用最小二乘法计算得到隐藏层到输出层间的权重。大量的研究表明，ELM不仅具有结构简单的优点，训练模型所用时间也相对较小。对于大量处理识别NLOS信号，提供了方法。但ELM算法仍有不足，隐层神经元个数即隐层节点数的确定直接影响模型的性能；随机初始化输入层到隐层的参数，虽然可以避免模型更新迭代，泛化性，识别准确率的问题，也对模型的稳定性带来了挑战。

人们在消除NLOS影响方面也做了许多研究，并且从不同角度提出了各种识别非视距误差的算法，但是目前仍没有找到在各种情况下都适用的算法。到目前为止，如何克服非视距传播误差导致定位精度下降的问题仍然没有得到比较彻底的解决。因此，识别NLOS传播带来的影响是十分重要的。

发明内容

本发明的目的是提供一种基于PCA-RLSTELM识别NLOS方法，

为了实现上述目的，本发明提供如下技术方案：一种基于PCA-RLSTELM识别NLOS方法，包括以下步骤：

S01、针对UWB信号数据，对CIR提取特征，所述特征包括能量、幅度、上升时间、平均附加时延、均方根时延扩展及信号峭度；

S02、根据ELM分类算法对提取特征进行分类整理形成训练集{X

S03、基于最小二乘孪生极限学习机同时训练两个非平行分类超平面，再通过标函数中添加正则项，缓解模型的过拟合问题，创建类精度的模型。

作为优选的，所述步骤1中提取CIR提取特征的步骤包括：

S11、接收到的信号的能量：

S12、接收信号的最大幅度：

S13、上升时间：

t

其中，t

S14、均附加时延：

其中，ψ(t)＝|r(t)|

S15、均方根时延扩展：

S16、信号峭度：

式中

作为优选的，所述训练样本集X，X为N×6的矩阵，其中N是训练集个数，6是特征个数，中间有个隐藏层，隐藏层的输出为H(x)，H(x)为N×L的矩阵，L是隐藏层节点个数，隐藏层输出H(x)的计算公式如下：

H(x)＝[h

隐藏层的输出是输入乘上对应权重加上偏差，权重w是6×L的矩阵，偏差b是N×1的矩阵，再经过一个非线性函数其所有节点结果求和得到，其中H(x)是：

h

其中，g(w

作为优选的，经过所述隐藏层后进入输出层，其输出为：

其中：β＝[β

所述评价训练误差的目标函数为：

min||Hβ-T||

通过线代和矩阵论的知识可推导得目标函数的最优解为：

β

其中：H

当H

作为优选的，所述步骤3中同时训练两个非平行分类超平面基于LSTELM仅需要求解两个线性方程组，设有N个维数为d的样本点，设

所述隐含层输出矩阵U和V可以表示为：

在特征空间中的两个非平行的分离超平面可以表示为：

对于每个超平面，LSTELM要求到一个类的距离尽可能小，同时要求到另一个类的距离尽可能大，为了实现这个目标，LSTELM的目标函数及其约束条件可以表示为：

将上式对β

(U

(V

可得最优解：

β

β

对于待测试得样本，根据其与两个超平面的距离进行分类，可以表示为：

其中，

作为优选的，所述步骤3中缓解模型过拟合，线性RLSTELM的数学模型可以表示为：

s.t.-Vβ

s.t.-Uβ

将上述两式中的约束条件分别代入对应的目标函数中，

将第一个公式对β

c

c

可得最优解：

β

β

其中，I是单位矩阵；

导出新数据，并通过PRLSTELM算法进行识别。

在上述技术方案中，本发明提供的一种基于PCA-RLSTELM识别NLOS方法，具备以下有益效果：提出正则化最小二乘孪生极限学习机用于识别UWB的NLOS信号方法，通过在最小二乘孪生极限学习机的目标函数中添加正则项，缓解模型的过拟合问题，从而提高模型的识别NLOS的精度。识别NLOS的精度提高，从而提高测距的精度，在定位过程中，去除NLOS测距信息，进而提高定位精度。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。

图1为本发明中总能量示意图；

图2为本发明中接收信号最大幅度示意图；

图3为本发明中平均附加时延示意图；

图4为本发明中上升时间示意图；

图5为本发明中均方根时延扩展示意图；

图6为本发明中峭度示意图；

图7为本发明中算法对比图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1-7所示，一种基于PCA-RLSTELM识别NLOS方法，包括以下步骤：

S01、针对UWB信号数据，对CIR提取特征，特征包括能量、幅度、上升时间、平均附加时延、均方根时延扩展及信号峭度(图1-图6)；

提取CIR提取特征的步骤包括：

S11、接收到的信号的能量：

S12、接收信号的最大幅度：

S13、上升时间：

t

其中，t

S14、均附加时延：

其中，ψ(t)＝|r(t)|

S15、均方根时延扩展：

S16、信号峭度：

式中

S11、接收到的信号的能量：

S12、接收信号的最大幅度：

S13、上升时间：

t

其中，t

S14、均附加时延：

其中，ψ(t)＝|r(t)|

S15、均方根时延扩展：

S16、信号峭度：

式中

S02、根据ELM分类算法对提取特征进行分类整理形成训练集{X

其中：X

H(x)＝[h

隐藏层的输出是输入乘上对应权重加上偏差，权重w是6×L的矩阵，偏差b是N×1的矩阵，再经过一个非线性函数其所有节点结果求和得到，其中H(x)是：

h

其中，g(w

再者，经过隐藏层后进入输出层，其输出为：

其中：β＝[β

评价训练误差的目标函数为：

min||Hβ-T||

通过线代和矩阵论的知识可推导得目标函数的最优解为：

β

其中：H

当H

S03、基于最小二乘孪生极限学习机同时训练两个非平行分类超平面，再通过标函数中添加正则项，缓解模型的过拟合问题，创建类精度的模型。同时训练两个非平行分类超平面基于LSTELM仅需要求解两个线性方程组，设有N个维数为d的样本点，设

隐含层输出矩阵U和V可以表示为：

在特征空间中的两个非平行的分离超平面可以表示为：

对于每个超平面，LSTELM要求到一个类的距离尽可能小，同时要求到另一个类的距离尽可能大，为了实现这个目标，LSTELM的目标函数及其约束条件可以表示为：

将上式对β

(U

(V

可得最优解：

β

β

对于待测试得样本，根据其与两个超平面的距离进行分类，可以表示为：

其中，

而上述实施例中的步骤3中缓解模型过拟合，线性RLSTELM的数学模型可以表示为：

s.t.-Vβ

s.t.-Uβ

将上述两式中的约束条件分别代入对应的目标函数中，

将第一个公式对β

c

c

可得最优解：

β

β

其中，I是单位矩阵；

导出新数据，并通过PRLSTELM算法进行识别。

输入训练集

输出输出权值矩阵β

随机生成具有l个隐含层节点的输入权重a

构建输入矩阵A和B。

分别计算隐含层的输出矩阵U和V。

采用网格搜索和十折交叉验证法寻找最优的c

采用公式β

综上，提出正则化最小二乘孪生极限学习机用于识别UWB的NLOS信号方法，通过在最小二乘孪生极限学习机的目标函数中添加正则项，缓解模型的过拟合问题，从而提高模型的识别NLOS的精度。识别NLOS的精度提高，从而提高测距的精度，在定位过程中，去除NLOS测距信息，进而提高定位精度。

提出正则化最小二乘孪生极限学习机用于识别UWB的NLOS信号方法，通过在最小二乘孪生极限学习机的目标函数中添加正则项，缓解模型的过拟合问题，从而提高模型的识别NLOS的精度。识别NLOS的精度提高，从而提高测距的精度，在定位过程中，去除NLOS测距信息，进而提高定位精度。

提出正则化最小二乘孪生极限学习机用于识别UWB的NLOS信号方法，通过在最小二乘孪生极限学习机的目标函数中添加正则项，缓解模型的过拟合问题，从而提高模型的识别NLOS的精度。识别NLOS的精度提高，从而提高测距的精度，在定位过程中，去除NLOS测距信息，进而提高定位精度。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

本申请的实施例还提供能够实现上述实施例中的方法中全部步骤的一种电子设备的具体实施方式，所述电子设备具体包括如下内容：

处理器(processor)、存储器(memory)、通信接口(Communications Interface)和总线；

其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；

所述处理器用于调用所述存储器中的计算机程序，所述处理器执行所述计算机程序时实现上述实施例中的方法中的全部步骤。

本申请的实施例还提供能够实现上述实施例中的方法中全部步骤的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的方法的全部步骤。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于硬件+程序类实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。虽然本说明书实施例提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或终端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境，甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下，并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。

在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。以上所述仅为本说明书实施例的实施例而已，并不用于限制本说明书实施例。对于本领域技术人员来说，本说明书实施例可以有各种更改和变化。凡在本说明书实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书实施例的权利要求范围之内。