应用于UWB室内定位中遮挡物类别识别的特征选择方法与流程

本发明涉及uwb室内定位领域，涉及一种应用于uwb室内定位中遮挡物类别识别的特征选择方法。

背景技术：

随着科技的迅速发展，尤其5g时代的到来，智能机器人以及无人车的普及，促使了更多依赖定位的应用服务的产生，然而相比于室外定位技术日趋成熟，如gps等技术在室外定位可达到很好的效果，室内定位由于难以穿透建筑而达不到理想效果。

在现有的室内定位系统中，超宽带(uwb)技术以其精度高、延时分辨率好、功耗低、复杂室内环境下的鲁棒性高成为目前最具有发展前景的室内定位技术之一，尤其是其在精度方面相比其他室内定位技术有着显著的优势。但是阻碍uwb室内定位发展最大原因就是室内复杂环境下由于遮挡物种类繁多导致的非视距nlos状态，uwb在非视距nlos下传播会导致bs与ms测量距离大于实际距离，最终的定位精度急剧下降。

nlos状态的识别是uwb室内定位精度提升的关键之一，然而现有的方法存在以下的问题：首先，传统的方法仅仅区分非视距nlos状态与视距los状态，忽略了遮挡物类别对室内空间信息感知的贡献，遮挡物的类别可以很好的提供室内先验信息，辅助提高uwb室内定位精度。其次采用信道冲激响应(cir)的特征识别uwb的nlos状态与los状态时，传统的特征选择方法选取的第一个特征往往是与类别的相关性最大的特征，而忽略了特征的组合效应导致选取的第一个特征不一定是对整体贡献度最大的特征。除此之外，传统的方法往往忽略了特征本身的计算代价，往往有些特征需要很高的计算代价，导致在实际应用中造成识别延时，无法做到实时识别。在实际的uwb室内定位应用中，往往需要选择出与类别相关性大，特征之间冗余度小，计算代价小的最优的特征集合来作为识别特征，保证系统检测的高准确性与高实时性。

技术实现要素：

为解决上述问题，本发明提出了一种应用于uwb室内定位中遮挡物类别识别的特征选择方法。

本发明包括以下步骤：

步骤一：建立基于cir信号特征的特征选择模型

给定一个含有k个样本的数据集d，d＝{d1,d2,...,dk}，数据集d中每类样本di＝{xi,li}均有特征集合xi＝{xi1,xi2,...,xin}，其中n＝1,2,...,8分别表示第一条路径能量、最大幅值、上升时间、标准差、平均超额延迟、均方根延迟扩展、峰度和偏度8个cir信号特征。

针对多分类问题，每个样本存在标签集合li＝{li¹,li²,...,li^m}，其中m为遮挡物种类数量。li^m＝{1，-1}，如果li^m＝1，表示被标记为m类样本，否则为-1。

特征选择就是在一定的约束条件下从特征集合x中选出一个特征子集b在某一评价指标下最优，其中b＝{b1,b2,...,bn}，bw＝{1,0}(w＝1,2,...,n)，如果bw＝1表示选中特征xw，反之bw＝0表示未选中。

步骤二：基于互信息度量建立特征综合评价指标：

设定特征与标签之间的相关性d(xi,l)，特征与特征之间的冗余性r(xi,xj)，引入已选特征子集的计算时间代价c(b)，则

其中i(；)表示互信息计算，|l|表示标签集合l中标签类别数量，|x|表示特征集合x中特征的数量，i(xi；lj)表示特征xi与类别标签lj的互信息，i(xi；xj)表示特征xi与特征xj之间的互信息，b为已选特征子集，c(xi)表示特征xi的计算代价，βi表示特征xi计算代价与相关性的相对权重参数。

最终建立的最大相关性，最小冗余性，最小计算代价的综合评价指标mrmrmc：

其中xi∈bs表示待选特征集合bs内的特征，在此综合评价指标下，已选特征子集b应满足

步骤三：设定最小相关性约束ηd、计算代价约束ηc、最大评价指标约束ηj。

约束条件1：最小相关性约束。

设定特征与标签相关性阈值ηd，一旦特征与标签相关性d(xi,l)<ηd，则直接舍弃该特征xi，其中ηd的选取参照全局特征向量与标签相关性：

ηd＝λdmax{d(xi；l)，xi∈x}(7)

其中0<λd≤1表示最小相关性阈值参数。

约束条件2：计算代价约束。

设定计算代价约束阈值ηc，如果c(b)+c(xj)>ηc则直接确定最优特征子集为bbest＝b，计算代价约束阈值ηc根据系统特征的计算复杂程度与实际应用中系统计算能力确定。

其中0<λc≤1表示计算代价阈值参数。

约束条件3：最大评价指标约束。

设定最大评价指标约束阈值ηj，0<ηj≤1，xj∈bs表示待选特征集合内评价标准最大的特征，如果则表示加入xj后系统的识别准确度可以达到实际需求，此时最优特征子集bbest＝b∪xj。

步骤四：删除相关性小于最小相关性约束阈值的特征

如果d(xi,l)<ηd，则此特征与类别的相关性过小，直接删除，减少后续计算量。

步骤五：反向删除确定首个特征。

首先，计算整体所有特征与标签的相关性dall(x,l)，然后反向依次删除特征xi得到缺失xi后的特征集合与标签的相关性dmiss(xi)(xi,l)，选取出导致相关性变化最大的特征作为已选特征子集的第一个特征向量，

接着采用正向依次选择待选特征集合bs内的特征，将综合评价指标jmrmrmc(xi)最大的特征添加至已选特征子集b，并最终确定最优特征子集。

若则特征xi为整体提供最多的信息，所以将xi作为选定集合的第一个特征b(1)＝xi。

步骤六：从待选特征集合确定下一最优特征，根据公式(5)建立的mrmrmc综合评价指标确定待选特征集合中最优的特征加入已选特征子集b中。

步骤七：根据计算代价约束阈值和最大评价指标约束阈值确定最优特征子集。

根据实际的系统计算能力和需求确定计算代价约束阈值和最大评价指标约束阈值，如果已选特征子集的评价指标大于最大评价指标约束阈值或者已选特征子集的计算代价大于计算代价约束阈值，则将此时已选特征子集作为最优特征子集。

本发明的有益效果：

首先，在复杂室内环境下的uwb定位系统中，不仅仅针对nlos与los两种状态识别进行特征选则，而是考虑多种遮挡物类别的识别进行特征选则，选择出对所有遮挡物类别与los类别具有最好的识别效果的特征集合。

其次，不仅仅考虑特征与类别的相关性，还考虑特征与特征之间的冗余性，同时引入实际的特征计算代价构建了mrmrmc特征综合评价指标，基于此指标可以综合选出在实际应用中具有更高时效性和识别效果的特征。

最后采用双向搜索策略基于设定最小相关性约束、计算代价约束、最大评价指标约束三个约束确定最优特征子集，其中反向删除确保第一个特征一定是为整体提供最多信息的特征。针对uwb在复杂室内环境定位中在nlos状态下的不同遮挡物的识别，此特征选择方法具有更高的时效性及应用普适性。

附图说明

图1为特征与类别及特征之间关系度量图；

图2为同一标签下8个特征与特征之间的互信息相关性计算结果；

图3为基于mrmrmc综合评价指标的双向搜索特征选取算法流程图。

具体实施方式

以下结合附图对本发明作进一步说明。

本发明方法的具体步骤是：

步骤一：建立基于cir信号特征的特征选择

给定一个含有k个样本的数据集d，d＝{d1,d2,...,dk}，数据集d中每类样本di＝{xi,li}均有特征集合xi＝{xi1,xi2,...,xin}，其中n＝1,2,...,8分别表示第一条路径能量、最大幅值、上升时间、标准差、平均超额延迟、均方根延迟扩展、峰度和偏度8个cir信号特征。

针对多分类问题，每个样本存在标签集合li＝{li¹,li²,...,li^m}，其中m为遮挡物种类数量。li^m＝{1，-1}，如果li^m＝1，表示被标记为m类样本，否则为-1。

特征选择就是在一定的约束条件下从特征集合x中选出一个特征子集b在某一评价指标下最优，其中b＝{b1,b2,...,bn}，bw＝{1,0}(w＝1,2,...,n)，如果bw＝1表示选中特征xw，反之bw＝0表示未选中。

步骤二：基于互信息度量建立特征综合评价指标：

互信息(mutualinformation，mi)可以被用来描述特征集合x和标签集合l间的相关性程度。

i(x；l)的值可以反应出x和l的关联程度，i(x；l)较大时表示两者的关联较强，反之表示两者的关联较小，特别当i(x；l)＝0时表示两者相互独立。

特征与类别标签及特征与特征之间的关系可以根据互信息分为相关、冗余和独立。如图1所示，x1，x2，x3和与l是相关的，x2和x3关于l是冗余的(黑色区域表示冗余部)，x1和x2是相互独立的。

则在同一标签下不同特征之间相关性可以用条件互信息表示，如公式(12)

其中xi和xj表示不同的特征，lk表示标签，p(xi|l)，p(xj|l)，p(xi,xj|lk)表示条件概率密度函数。

设定特征与标签之间的相关性d(xi,l)，特征与特征之间的冗余性r(xi,xj)，引入已选特征子集的计算时间代价c(b)。基于特征与类别之间的相关性，可够到得到一个可度量的多元变量模型f，则f的具体形式公式(13)所示：

为了不失一般性，对数据进行标准化与中心化得到n×n维对称矩阵，矩阵中的每一个元素则代表在同一标签下的的互信息相关性，根据实际采集数据计算在同一标签下8个不同特征与特征之间的互信息相关性结果如图2所示，其中feaure12,...,8分别代表：第一条路径能量、最大幅值、上升时间、标准差、平均超额延时，延时传播均方根、峰度、偏度。

根据互信息计算公式(11)以及公式(1-4)计算可以确定d(xi,l)、r(xi,xj)和c(b)。最终建立公式(5)所示的最大相关性，最小冗余性，最小计算代价的综合评价指标jmrmrmc，在此综合评价指标下，根据公式(6)确定已选特征子集b内的所有特征，见图3。

步骤三：设定最小相关性约束ηd、计算代价约束ηc、最大评价指标约束ηj。

约束条件1：最小相关性约束。

根据公式(7)设定特征与标签相关性阈值ηd，一旦特征与标签相关性d(xi,l)<ηd，则直接舍弃该特征xi。

约束条件2：计算代价约束。

根据系统特征的计算复杂程度与实际应用中系统计算能力确定公式(8)所示的计算代价约束阈值ηc，如果c(b)+c(xj)>ηc则直接确定最优特征子集为bbest＝b。

约束条件3：最大评价指标约束。

根据系统的实际需求设定最大评价指标约束阈值ηj，0<ηj≤1，xj∈bs表示待选特征集合内评价标准最大的特征，如果则表示加入xj后系统的识别准确度可以达到实际需求，此时最优特征子集bbest＝b∪xj。

步骤四：删除相关性小于最小相关性约束阈值的特征

如果d(xi,l)<ηd，则此特征与类别的相关性过小，直接删除，减少后续计算量。

步骤五：反向删除确定首个特征。

首先，根据公式(9)计算整体所有特征与标签的相关性dall(x,l)，然后反向依次删除特征xi，根据公式(10)计算得到缺失xi后的特征集合与标签的相关性选取出导致相关性变化最大的特征作为已选特征子集的第一个特征向量。接着采用正向依次选择待选特征集合bs内的特征，将评价指标jmrmrmc(xi)最大的特征添加至已选特征子集b，并最终确定最优特征子集。

若则特征xi为整体提供最多的信息，所以将xi作为选定集合的第一个特征b(1)＝xi。

步骤六：从待选特征集合确定下一最优特征，根据公式(5)建立的mrmrmc综合评价指标确定待选特征集合中最优的特征加入已选特征子集b中。

步骤七：根据计算代价约束阈值和最大评价指标约束阈值确定最优特征子集。

根据实际的系统计算能力和需求确定计算代价约束阈值和最大评价指标约束阈值，如果已选特征子集的评价指标大于最大评价指标约束阈值或者已选特征子集的计算代价大于计算代价约束阈值，则将此时已选特征子集作为最优特征子集。