UWB系统中基于离散小波变换的NLOS信号识别方法

本发明属于超宽带定位，尤其涉及一种uwb系统中基于离散小波变换的nlos信号识别方法。

背景技术：

1、超宽带技术由于其鲁棒性和可靠性被广泛应用于在室内定位技术当中。但是室内环境中的墙壁和桌椅等物体会阻挡uwb信号的接收，导致los环境下基于距离测量的uwb定位产生额外的偏差。因此，在uwb定位系统中，nlos信号的识别与定位算法的研究已成为当前的研究热点之一。

2、目前nlos信号识别方法主要分为两类，一类是基于测距信息的统计参数差异。uwb信号得到的测距误差遵循高斯分布。与los信号相比，当测距信号为nlos时，产生的测距误差会出现偏斜分布。因此可以通过检测测量数据的偏度是否对称来识别nlos信号。但当nlos测距误差服从均匀分布时，该方法很难识别。

3、另一类是基于信道脉冲响应(cir)的统计特征或自身特征差异。首先对uwb信道的cir进行采样，得到其统计特征，如峰度、峰导延迟、平均超额延迟和均方根时延扩展，在los和nlos环境中上述统计特征呈现明显的差异，可通过设定一定的阈值进行简单的分类。但是在不同的应用环境，nlos信号识别的最优阈值需要重新设计。针对上述情况，可将cir作为输入向量与多层感知(mlp)、卷积神经网络(cnn)、长短期记忆神经网络(lstm)等机器学习模型结合进行分类，识别准确率达到80％左右；有研究人员提出了一种基于cir时频图的uwb信号传播信道分类方法。该方法首先利用连续小波变换(cwt)将已知类别的cir分解成彩色时频图，然后将时频图输入cnn，cir输入gru，并将其隐藏层的输出进行融合实现uwb信号的分类。该方法同时提取了cir的时域和频域特征用于识别，提高了识别准确率，但算法复杂度较高。

4、中国专利文献(cn114509736a)公开了一种基于超宽带电磁散射特征的雷达目标识别方法，利用子带hrrp数据信息，采用所提方法合成超宽带hrrp数据，提取uwb参数特征以提高识别性能。然后提出了一种基cnn反向传播算法的跨域特征选择方法，用于选择用于目标识别的参数特征。最后利用提取的uwb参数特征和uwb hrrp样本，提出了一种特征选择方法。但该技术方案中的方法在识别过程中通过固定卷积层，得到测试集中不同目标的最佳分类参数；然后设定测试集的初始权重，并通过卷积运算得到最优的权重矩阵；最后通过前向传播与后向传播训练得到最终的雷达目标识别模型且该方法中输入的是频域信息。

5、因此，有必要开发一种uwb系统中基于离散小波变换的nlos信号识别方法，能够提高识别准确率而且保持较低的复杂度。

技术实现思路

1、本发明要解决的技术问题是，提供一种uwb系统中基于离散小波变换的nlos信号识别方法，该方法能够提高识别准确率而且保持较低的复杂度。

2、为了解决上述技术问题，本发明采用的技术方案是：该uwb系统中基于离散小波变换的nlos信号识别方法，具体包括以下步骤：

3、s1：对uwb信道的信道脉冲响应cir信号进行采样；

4、s2：通过滤波器对信道脉冲响应cir信号进行小波分解和细粒度分析，提取信道脉冲响应cir信号的本质特征；

5、s3：分析小波分解后的低频信号进行统计特征分析，获得统计特征；再将离散小波变换的低频系数及其统计特征输入cnn识别模型，对nlos信号进行识别，完成nlos信号的识别与分类。

6、采用上述技术方案，引入离散小波变换(dwt)对信道脉冲响应cir进行细粒度分解，提取符合cir时域分布模型的最优低频系数，直接将上述低频系数及其统计特征输入cnn模型进行nlos信号识别与分类，能够提高识别准确率而且保持较低的复杂度。

7、优选地，所述步骤s1中分别在los环境和nlos环境下接收uwb信号的信道脉冲响应cir，其中uwb多径信道模型表示为：

8、

9、其中，x是对数正态分布的信道增益变化；l代表观察的总簇数；k代表每一簇中接收到的总多径数；αk,l是多径增益系数；tl是第l簇延迟时间，即第l簇中第一个多径分量到达的时间；τk,l表示以tl为时间基准，第l簇中第k个多径分量的到达时间；uwb定位系统发射信号表示为：

10、

11、其中，a是单个脉冲发射幅度，p(t)是由周期为tp的n个脉冲组成的单个高斯脉冲波形；

12、经过uwb信道传输后的接收信号为：

13、

14、其中w(t)是加性高斯白噪声(awgn)。

15、优选地，所述步骤s2中通过高通滤波器和低通滤波器对对los环境和nlos环境下接收到的信道脉冲响应cir信号中的高频信号和低频信号分别进行小波分解和细度分析，得到时频域分布；再通过多次小波分解得到时域信息和频域信息。

16、优选地，在所述步骤s2中小波分解选择daubechies小波函数作为小波基，具体为：假设uwb信道传输后的接收信号为r(t)，其离散小波变换dwt表示为：

17、

18、其中，是小波基函数。

19、优选地，所述步骤s2中采用统计检验法对数据进行对数正态性检验，即计算样本数据的偏度与峰度来进行正态性检验；对数正态分布表示为：

20、

21、其中μ为均值，σ为标准差；

22、当均值为0标准差为1时，f(t)为标准对数正态分布；偏度sk和峰度sp分别表示为：

23、

24、

25、其中，是cir数据的平均值，m是cir数据的个数；标准对数正态分布的偏度和峰度均为0。

26、优选地，在所述步骤s2中选择小波基函数为db4，最优小波分解层数为4。

27、优选地，所述步骤s3具体步骤为：

28、s31：对小波分解后的低频信号进行统计特征分析，获得低频信号的统计特征；

29、s32：选取基于cnn的nlos信号识别模型，再将获得离散小波变换的低频系数及其统计特征作为输入，输入至基于cnn的nlos信号识别模型进行识别。

30、优选地，所述步骤s31中进行统计特征分析时的变异系数表示为：

31、

32、其中σl是低频部分的标准差，是低频部分的均值。

33、优选地，所述步骤s32中根据卷积核尺寸和卷积层数确定cnn模型的初始权重，当输入和卷积核尺寸固定时，再通过改变卷积层数优化cnn的模型的初始权重；最后再通过前向传播与后向传播训练得到最优的基于cnn的nlos信号识别模型。采用上述技术方案，通过优化卷积层数的方法调整初始权重。

34、优选地，所述步骤s32中分别选取了不同的基于cnn的nlos信号识别模型进行对比分析从而验证基于cnn的nlos信号识别模型的有效性。

35、与现有技术相比，本发明具有的有益效果为：

36、(1)该方法将对原始uwb信号的识别转化为对时域信息特征分类，与其他机器学习方法相比，所提算法不需要人工提取特征，节省了大量的人力成本。

37、(2)通过对不同级别的cnn进行评估得到最优的信号分类模型。与传统的仅使用cir的信号分类方法不同，该方法能有效的提取时域和频域信息。

38、(3)与单一的cir+dnn模型，cir+lstm模型，cir+cnn模型，cir+cnn+lstm模型和相比，所提算法的识别准确率分别提高了7.20％，57.87％，5.51％，和5.12％，表明所提算法能够完成复杂环境下定位的nlos识别任务。