非直达超宽带信号识别与误差消除方法及装置、存储介质与流程

本发明涉及计算机技术领域，尤其涉及一种非直达超宽带信号识别与误差消除方法及装置、存储介质。

背景技术：

位置信息在当今社会扮演着越来越重要的基石作用。对于无人系统，精准的位置信息扮演着“眼睛”的角色，确保无人系统的可靠性和安全性；对于万物互联的今天，越来越多的数据信息可以借助传感器，物联网等手段获得，如果失去了位置信息这个重要的标签，某些数据将失去意义。在过去的几十年间，卫星导航取得了广泛的应用，在许多领域起着至关重要的作用。但是，不可避免的是，当处于诸如山谷，森林，或是商场等非开阔环境时，卫星导航等可靠性和可用性大大下降，难以有效定位。超宽带(Ultra-wide Bandwidth,UWB)信号以其优越的抗干扰性能、极高的多径分辨率以及高测量精度，越来越受到人们的关注，是一种对卫星导航系统的有力补充。

利用卫星进行定位时，由卫星发出的导航信号基本不受阻挡而直达用户接收机，通过对导航信号的传播时延进行测量和计算，得到的距离就是用户接收机与发出导航信号的卫星之间的实际直线距离。但是在超宽带定位中，受到应用环境的影响(如室内)，信标发射点与目标接收点可能会存在阻挡(如室内墙壁阻挡)。因此，当信标发射点发出的超宽带信号因受阻挡不能直达目标接收点时，超宽带信号的传播特性发生了改变。例如，该信号经过墙壁的传播时延特性与在空气中传播的时延特性明显不同。这里，将这种信号称之为非直达超宽带信号，而由信标发射点到目标接收点传播不受阻挡的超宽带信号称之为直达超宽带信号。显然，在超宽带定位中，在直达超宽带信号与非直达超宽带信号共存的情况下，如果不加辨别而直接利用非直达超宽带信号进行距离计算和定位，显然会造成明显的定位误差，直接影响定位精度。

在非直达超宽带信号识别方面，传统方法需要对信道特征进行建模，这种方法难度较大且普适性不强。随着机器学习技术的发展，使用机器学习技术进行识别和误差消除成为了一种新的思路和发展趋势，并且已经展现出了良好的优越性。由于现实环境复杂多变，因此需要提出一种通用性强，易于实现的可靠方法，无论是针对平衡数据集还是不平衡数据集，都能具有良好的表现。

技术实现要素：

本发明实施例提供一种非直达超宽带信号识别与误差消除方法及装置、存储介质，通过识别直达和非直达信息，并对非直达信息的误差进行修正，可以提高超宽带信号定位的精度。

本发明实施例第一方面提供了一种非直达超宽带信号识别与误差消除方法，可包括：

基于预设多个信标点和测试目标点采集超宽带样本信号，超宽带样本信号包括直达超宽带样本信号和非直达超宽带样本信号；

采用超宽带样本信号的信号特征参数构建训练数据集；

基于训练数据集训练信号分类模型和误差消除模型；

根据信号分类模型识别所输入的待检测信号的信号类型，并基于误差消除模型对识别出的非直达超宽带信号进行误差消除。

进一步的，上述方法还包括：

对超宽带样本信号的进行标签标定，标签标定包括基于信号类型的类型标定和基于测试点与目标点之间的实际距离的距离标定。

进一步的，上述基于训练数据集训练信号分类模型和误差消除模型，包括：

采用类型标定的类型标签和信号特征参数作为分类训练数据，训练信号分类模型；

采用距离标定的实际距离和信号特征参数作为回归训练数据，训练误差消除模型。

进一步的，上述方法还包括：

基于XGBoost算法对训练数据集进行模型训练，得到信号分类模型和误差消除模型。

进一步的，上述方法还包括：

基于模型训练的训练情况设置概率阈值；

当概率预测值大于或等于概率阈值时，确定待检测信号为直达超宽带信号，否则为非直达超宽带信号。

本发明实施例第二方面提供了一种非直达超宽带信号识别与误差消除装置，可包括：

样本采集模块，用于基于预设多个信标点和测试目标点采集超宽带样本信号，超宽带样本信号包括直达超宽带样本信号和非直达超宽带样本信号；

训练数据构建模块，用于采用超宽带样本信号的信号特征参数构建训练数据集；

模型训练模块，用于基于训练数据集训练信号分类模型和误差消除模型；

信号检测模块，用于根据信号分类模型识别所输入的待检测信号的信号类型，并基于误差消除模型对识别出的非直达超宽带信号进行误差消除。

进一步的，上述装置还包括：

标签标定模块，用于对超宽带样本信号的进行标签标定，标签标定包括基于信号类型的类型标定和基于测试点与目标点之间的实际距离的距离标定。

进一步的，上述模型训练模块包括：

分类模型训练单元，用于采用类型标定的类型标签和信号特征参数作为分类训练数据，训练信号分类模型；

误差消除模型训练单元，用于采用距离标定的实际距离和信号特征参数作为回归训练数据，训练误差消除模型。

进一步的，上述模型训练模块，还用于基于XGBoost算法对训练数据集进行模型训练，得到信号分类模型和误差消除模型。

进一步的，上述装置还包括：

概率阈值设置模块，用于基于模型训练的训练情况设置概率阈值；

信号分类模块，用于当概率预测值大于或等于概率阈值时，确定待检测信号为直达超宽带信号，否则为非直达超宽带信号。

本发明实施例第三方面提供了一种计算机存储介质，计算机存储介质存储有多条指令，指令适于由处理器加载并执行以下步骤：

基于预设多个信标点和测试目标点采集超宽带样本信号，超宽带样本信号包括直达超宽带样本信号和非直达超宽带样本信号；

采用超宽带样本信号的信号特征参数构建训练数据集；

基于训练数据集训练信号分类模型和误差消除模型；

根据信号分类模型识别所输入的待检测信号的信号类型，并基于误差消除模型对识别出的非直达超宽带信号进行误差消除。

在本发明实施例中，通过采集样本数据，并根据样本数据的特征参数构建训练数据，再训练信号识别模型和误差消除模型，对超宽带信号中直达和非直达信号进行区分，并消除非直达超宽带信号中的误差，提高了超宽带信号定位的效率和定位精度，表现出了较高的拟合能力。在模型训练过程中，通过参数调整，使模型适应了两类训练数据不平衡的情况，同时算法具有良好的扩展性和适应能力，解决了大规模数据集的训练预测问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的超宽带信号采集流程示意图；

图2是本发明实施例提供的一种非直达超宽带信号识别与误差消除方法的流程示意图；

图3是本发明实施例提供的一种非直达超宽带信号识别与误差消除装置的结构示意图；

图4是本发明实施例提供的模型训练模块的结构示意图；

图5是本发明实施例提供的另一种非直达超宽带信号识别与误差消除装置的结构示意图。

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。

本发明的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。本发明实施例提供的数据分发入库处理方法可以应用于处理海量数据并发请求的应用场景。

首先，结合图1介绍本申请实施例提供的超宽带信号采集流程。

其中A1-A5表示信标点，X1表示待测目标点。图上的实线箭头表示直达信号采集，虚线箭头表示非直达信号采集(存在墙壁遮挡)。以当前图中X1为例(实线方形)，该目标点可以接收到4个直达信号(粗实线箭头)，1个非直达信号(粗虚线箭头)。为获得更多信号样本，可移动目标点X1(如图中虚线方形所示)，继续接收来自信标点的超宽带信号。此时可获得3个直达信号采样(细实线箭头)和2个非直达信号采样(细虚线箭头)。重复多次，直到达到足够数量的两类信号样本，将相应的样本进行存储。为进一步提高样本的多样性，也可多次修改信标点位置进行信号采集。

如图2所示，非直达超宽带信号识别与误差消除方法至少可以包括以下几个步骤：

S101，基于预设多个信标点和测试目标点采集超宽带样本信号。

具体的，上述装置可以根据图1所示的信号采集过程采集超宽带样本信号，所采集的样本信号可以包括直达信号和非直达信号。

在可选实施例中，上述装置可以对所采集的信号进行标签标定，主要包括基于信号类型的标定和基于测试距离的标定，例如，可以采用二进制标签“1”标定直达信号，采用“0”标定非直达信号，可以借助激光测距仪等设备辅助标定测试点与目标点之间的真实距离。

S102，采用超宽带样本信号的信号特征参数构建训练数据集。

具体的，上述装置可以提取所采集的直达和非直达超宽带样本信号的信号特征参数，进一步的，可以采用上述特征参数构建训练数据集，该数据集用于后续的模型训练，优选的，上述装置可以将提取的信号特征参数与之前添加的类型标签和距离标签进行组合得到训练数据集。

在本发明实施例中，需要提取的训练用的信号特征参数主要包括：接收信号能量，接收信号最大幅度，接收信号上升时间，接收信号平均附加时延，均方根扩展时延以及信号陡峭度。

其中，接收信号能量r(t)表示接收信号波形。接收信号峰值幅度rmax＝max|r(t)|。信号上升时间trise＝tH-tL，其中tH＝min{t:|r(t)|≥βrmax，tL＝min{t:|r(t)|≥ασn，参数α,β的取值为：α＝0.6,β＝0.6，σn为接收机热噪声标准差。平均附加时延其中ψ(t)＝|r(t)|²/εr。均方根扩展时延信号峭度其中T是选取的时间观察窗。此外，还有测量距离参数定义如表1所示。

表1

本发明中提供了一个优选示例数据集及相应特征参数组合，可以采用全部6个特征参数。实际应用中数据集及波形参数可以是一个或多个自由组合。

表2给出了部分直达超宽带信号和非直达超宽带信号的特征参数示例，第1-3行为直达超宽带信号特征参数，第4-6行为非直达超宽带信号特征参数。表中还加入了测距误差进行对比，可以看到，非直达误差是一种正项偏差，相比于直达测距误差要大得多。

表2

S103，基于训练数据集训练信号分类模型和误差消除模型。

具体的，为了实现识别与误差消除，需要分别训练一个信号分类模型和一个误差消除模型。在分类器XGBoost训练中，应使用二进制标签与信号特征参数组合构成训练数据集；在误差消除模型训练中，应使用测距误差作为回归函数输出，信号特征参数与实际测量距离作为输入。

优选的，对于分类器XGBoost的训练可以采用如表3所示的6个特征参数组合数据集dataA，标签值分别为1:直达信号，0:非直达信号，对于误差消除模型的训练，引入测量距离使用全部7个特征参数组合数据集dataB。

表3

在可选实施例中，上述装置可以基于XGBoost算法对训练数据集进行模型训练，得到信号分类模型和误差消除模型。在算法训练的过程中，可以根据模型训练的情况设置概率阈值，再根据训练出的XGBoost分类器得到概率预测值时，可以判断该预测值是否大于或等于上述阈值，若是可以认为对应的信号为直达信号，否则为非直达信号。

具体实现中，上述装置可以采用分类回归树集成各个树的预测结果，作为最终预测结果。其训练目标函数如下：

其中上标t表示迭代次数。在每一轮迭代中，将重新生成一棵新的回归树，并将其预测结果ft(xi)＝wt(xi)与前t-1次迭代的预测结果进行综合，作为新的预测值。其中表示正则项，与叶子节点数T和叶子节点权重有关。利用泰勒线性化对上述目标函数进行展开，得到

其中gi与hi分别对应函数的一阶导数和二阶导数。定义Gi＝∑igi和Hi＝∑ihi，通过进一步的化简和整理，得到目标函数的最终形式：

通过权重调整，最小化目标函数，完成模型训练。在上述过程中，所述参数包括L1正则化系数γ，L2正则化系数λ。另外，与模型训练相关的参数还包括树的最大深度max_depth，学习率eta，单棵树对样本的采样率subsample，特征采样率colsample_bytree以及训练迭代次数num_boost_round。

S104，根据信号分类模型识别所输入的待检测信号的信号类型，并基于误差消除模型对识别出的非直达超宽带信号进行误差消除。

可以理解的是，上述装置可以对输入的待检测信号进行特征参数的提取，然后可以采用上述信号分类模型和误差消除模型对待测信号进行预测，若分类器预测输出为1，则代表该信号是直达超宽带信号；若分类器预测输出为0，则该信号是非直达超宽带信号。对于非直达信号，需要进一步输入误差消除模型，得到测距误差预测值，再利用该预测值对非直达信号的实际测量值进行修正，即可完成误差消除。若待测信号中不存在非直达信号，则不需要进行下一步的误差预测及消除。

在可选实施例中，若分类器XGBoost是基于分类回归树进行训练的，在对待检测信号进行预测时，对于非直达信号的识别得到是[0,1]之间的概率预测值。该值越接近1，表明该信号越有可能是直达信号，优选的，可根据训练情况，设定判决概率阈值Prob_th，当输出概率大于或等于该阈值时判决为直达信号，反之为非直达信号。

在本发明实施例中，通过采集样本数据，并根据样本数据的特征参数构建训练数据，再训练信号识别模型和误差消除模型，对超宽带信号中直达和非直达信号进行区分，并消除非直达超宽带信号中的误差，提高了超宽带信号定位的效率和定位精度，表现出了较高的拟合能力。在模型训练过程中，通过参数调整，使模型适应了两类训练数据不平衡的情况，同时算法具有良好的扩展性和适应能力，解决了大规模数据集的训练预测问题。

下面将结合图3和图4对本发明实施例提供的非直达超宽带信号识别与误差消除装置进行介绍，如图3所示，信号识别与误差消除装置10可以包括：样本采集模块101、训练数据构建模块102、标签标定模块103、模型训练模块104、信号检测模块105、信号分类模块106、误差消除模块107。其中，模型训练模块104如图4所示包括：分类模型训练单元1041和误差消除模型训练单元1042。

样本采集模块101，用于基于预设多个信标点和测试目标点采集超宽带样本信号。

可以理解的是，标签标定模块103，可以用于对超宽带样本信号的进行标签标定，其中，标签标定包括基于信号类型的类型标定和基于测试点与目标点之间的实际距离的距离标定。

训练数据构建模块102，用于采用超宽带样本信号的信号特征参数构建训练数据集。

可以理解的是，训练数据构建模块102可以将上述标定的标签添加至训练数据集。

模型训练模块104，用于基于训练数据集训练信号分类模型和误差消除模型。

可选的，分类模型训练单元1041，可以采用类型标定的类型标签和信号特征参数作为分类训练数据，训练信号分类模型。

误差消除模型训练单元1042，可以采用距离标定的实际距离和信号特征参数作为回归训练数据，训练误差消除模型。

可选的，模型训练模块104还可以基于XGBoost算法对训练数据集进行模型训练，得到信号分类模型和误差消除模型。

信号检测模块105，用于根据信号分类模型识别所输入的待检测信号的信号类型，并基于误差消除模型对识别出的非直达超宽带信号进行误差消除。

可选的，信号分类模块106，可以在概率预测值大于或等于所述概率阈值时，确定待检测信号为直达超宽带信号，否则为非直达超宽带信号。误差消除模块107，将识别出的非直达信号输入误差消除模型，实现非直达误差消除。

需要说明的是，上述装置在实现非直达超宽带信号识别与误差消除的过程与上述方法实施例中的描述一致，详细的介绍可以参见上述方法实施例，此处不再赘述。

本发明实施例还提供了一种计算机存储介质，所述计算机存储介质可以存储有多条指令，所述指令适于由处理器加载并执行如上述图1和图2所示实施例的方法步骤，具体执行过程可以参见图1和图2所示实施例的具体说明，在此不进行赘述。

本申请实施例还提供了另外一种非直达超宽带信号识别与误差消除装置。如图5所示，非直达超宽带信号识别与误差消除装置20可以包括：至少一个处理器201，例如CPU，至少一个网络接口204，用户接口203，存储器205，至少一个通信总线202，可选地，还可以包括显示屏206。其中，通信总线202用于实现这些组件之间的连接通信。其中，用户接口203可以包括触摸屏、键盘或鼠标等等。网络接口204可选的可以包括标准的有线接口、无线接口(如WI-FI接口)，通过网络接口604可以与服务器建立通信连接。存储器205可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器，存储器205包括本发明实施例中的flash。存储器205可选的还可以是至少一个位于远离前述处理器201的存储系统。如图5所示，作为一种计算机存储介质的存储器205中可以包括操作系统、网络通信模块、用户接口模块以及程序指令。

需要说明的是，网络接口204可以连接接收器、发射器或其他通信模块，其他通信模块可以包括但不限于WiFi模块、蓝牙模块等，可以理解，本发明实施例中图像处理装置也可以包括接收器、发射器和其他通信模块等。

处理器201可以用于调用存储器205中存储的程序指令，并使非直达超宽带信号识别与误差消除装置20执行以下操作：

基于预设多个信标点和测试目标点采集超宽带样本信号，超宽带样本信号包括直达超宽带样本信号和非直达超宽带样本信号；

采用超宽带样本信号的信号特征参数构建训练数据集；

基于训练数据集训练信号分类模型和误差消除模型；

根据信号分类模型识别所输入的待检测信号的信号类型，并基于误差消除模型对识别出的非直达超宽带信号进行误差消除。

在一些实施例中，装置20对超宽带样本信号的进行标签标定，标签标定包括基于信号类型的类型标定和基于测试点与目标点之间的实际距离的距离标定。

在一些实施例中，装置20采用类型标定的类型标签和信号特征参数作为分类训练数据，训练信号分类模型；

还采用距离标定的实际距离和信号特征参数作为回归训练数据，训练误差消除模型。

在一些实施例中，装置20基于XGBoost算法对训练数据集进行模型训练，得到信号分类模型和误差消除模型。

在一些实施例中，装置20基于模型训练的训练情况设置概率阈值；

当概率预测值大于或等于概率阈值时，确定待检测信号为直达超宽带信号，否则为非直达超宽带信号。

在本发明实施例中，通过采集样本数据，并根据样本数据的特征参数构建训练数据，再训练信号识别模型和误差消除模型，对超宽带信号中直达和非直达信号进行区分，并消除非直达超宽带信号中的误差，提高了超宽带信号定位的效率和定位精度，表现出了较高的拟合能力。在模型训练过程中，通过参数调整，使模型适应了两类训练数据不平衡的情况，同时算法具有良好的扩展性和适应能力，解决了大规模数据集的训练预测问题。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random Access Memory，RAM)等。

以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。