视距和非视距信号的判别方法和装置、设备和存储介质

本发明涉及，尤其涉及视距和非视距信号的判别方法和装置、设备和存储介质。

背景技术：

1、随着通信技术的发展，第五代移动通信技术(5g)和超宽带(ultra wide band，uwb)等定位技术的高精度的测距能力，促进了更加广泛的定位应用与服务。然而，由于复杂的室内环境，接收机有时与发射机处于非视距(nlos)状态，从而导致定位技术的性能收到了很大的影响。nlos条件通常被认为是影响室内测距定位性能的最重要因素。当发射器发出的信号不能由一条直线直接传输到接收器时，就会出现这种nlos条件。在这种条件下，传输信号会透过障碍物或是在障碍物表面不断地反射传播并最终到达接收器。由于这个过程中发生的透射、折射、反射现象不仅会损耗传输信号的能量，导致其在到达接收机时接收功率收到影响，而且由于传输路径变长，接收机在接收到信号时估计的时间戳也往往是偏大的。由于这些误差的影响，nlos条件会严重影响室内定位测距及定位精度。因此，如何有效地缓解nlos误差是一个重要的问题。而在缓解nlos误差之前，如何识别los/nlos信号就显得尤为关键。

2、第三代合作伙伴计划(3gpp)在r17阶段就增强室内定位如何缓解多径、nlos误差已经进行了讨论，并且会议首先就设立los/nlos指标达成了抑制，将该指标用以指示接收信号是los信号还是nlos信号。在识别los和nlos信号方面，许多研究基于cir(信道脉冲响应)信号进行检测，目前针对辨别los/nlos信号地处理方法主要包括：(1)基于阈值地nlos识别方法，这种方法一般是基于单特征值阈值判断的方法通过提取cir信号中的某一特征值，然后基于经验设置一定的阈值，将该阈值作为分辨los/nlos信号的界限；此种方法在早期较为普遍，具有一定地准确率，但存在一定的局限性，当应用场景切换时，障碍物的位置、环境噪声等因素的变化会对阈值产生比较大的影响，使得该方法应用于新场景时性能会显著地下降，而且人工设定阈值地过程也比较繁琐，因此此种方法地泛化性并不理想。(2)基于统计模型地nlos识别方法，此种方法一般是先检验得到los/nlos信号某个特征值地概率密度分布，从大量数据地统计特性去进行nlos识别；这类方法通常给具有较高地分类准确度，然而由于它们基于概率模型，通常需要更长地时间，因此不能实时地进行nlos检测。(3)基于机器学习地nlos识别方法，通过提取cir信号地多个特征值，并选择最佳地特征组合作为输入来得到信号分类结果；这种方法需要人工从众多特征组合中选择出最优地分类组合，费时费力；而且实验表明，当应用场景发生变化时，信号地最优特征分类组合也会产生变化，因此此种方法无法保证检测系统地鲁棒性。

技术实现思路

1、鉴于此，本发明实施例提供了视距和非视距信号的判别方法和装置、设备和存储介质，以消除或改善现有技术中存在的一个或更多个缺陷。

2、本发明的一个方面提供了一种视距和非视距信号的判别方法，包括：

3、将接收到的原始通信信号按照复数形式划分的实部、虚部和模数据，按照rgb色彩模式进行堆叠，形成原始通信信号对应的信号图像；将所述信号图像输入预设的卷积神经网络，以使该卷积神经网络对应输出所述原始通信信号对应的信号类型，该信号类型包括：视距信号和非视距信号。

4、在本发明的一些实施例中，所述将接收到的原始通信信号按照复数形式划分的实部、虚部和模数据，按照rgb色彩模式进行堆叠，形成原始通信信号对应的信号图像，包括：

5、将自各个信道分别接收到的离散的通信信号分量按照复数形式划分的实部、虚部和模数据，组合形成各个所述通信信号分量对应的一原始通信信号的实部行向量、虚部行向量和模数据行向量；对所述实部行向量、虚部行向量和模数据行向量进行重塑，形成大小相同的实部矩阵、虚部矩阵和模数据矩阵；将所述实部矩阵、虚部矩阵和模数据矩阵按rgb色彩模式堆叠在一起，得到原始通信信号对应的信号图像。

6、在本发明的一些实施例中，所述将自各个信道分别接收到的离散的通信信号分量按照复数形式划分的实部、虚部和模数据，组合形成各个所述通信信号分量对应的一原始通信信号的实部行向量、虚部行向量和模数据行向量，还包括：分别对所述实部行向量、虚部行向量和模数据行向量进行预处理，将各行向量中的元素值放缩至特定区间内，并将各行向量中的元素数量增补至预定大小。

7、在本发明的一些实施例中，所述将各行向量中的元素值放缩至特定区间内，包括：

8、分别对实部行向量、虚部行向量和模数据行向量中的每个元素取绝对值，并利用每一个行向量中元素的绝对值减去各自行向量中的最小值，再除以各自向量中的最大值，以将各行向量中的元素值限制于[0，1]；再将限制于[0，1]的各行向量中的元素值分别乘以元素值的特定阈值，以将各行向量中的元素值限制于特定区间内。

9、在本发明的一些实施例中，所述将各行向量中的元素数据增补至预定大小，包括：根据行向量重塑后的目标矩阵的大小，将各行向量中的元素利用0元素进行补位，使得各行向量中的元素数量与目标矩阵中的元素数量相同。

10、在本发明的一些实施例中，所述将所述实部矩阵、虚部矩阵和模数据矩阵按rgb色彩模式堆叠在一起，得到原始通信信号对应的信号图像，包括：所述实部矩阵、所述虚部矩阵和所述模数据矩阵通过红、绿和蓝三个颜色通道堆叠在一起，形成原始通信信号对应的三通道彩色图像。

11、在本发明的一些实施例中，还包括：利用历史通信信号对应的信号图像以及信号分类标签作为卷积神经网络的训练集中的训练数据，对卷积神经网络进行训练，以得到用于根据通信信号的信号图像对应输出该通信信号的信号类型的卷积申请网络，其中，所述信号分类标签用于标识其唯一对应的历史通信信号的所述信号类型。

12、本发明的另一方面提供了一种视距和非视距信号的判别装置，包括：

13、信号图像生成模块，用于将接收到的原始通信信号按照复数形式划分的实部、虚部和莫数据，按rgb色彩模式进行堆叠，形成原始通信信号对应的信号图像；信号类型判定模块，用于将所述信号图像输入预设的卷积神经网络，以使该卷积神经网络对应输出所述原始通信信号对应的信号类型，该信号类型包括：视距信号和非视距信号。

14、本发明的另一方面提供了一种电子设备，包括处理器和存储器，所述存储器中存储有计算机指令，所述处理器用于执行所述存储器中存储的计算机指令，当所述计算机指令被处理器执行时系统实现如上述视距和非视距信号的判别方法的步骤。

15、本发明的另一方面提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述视距和非视距信号的判别方法的步骤。

16、本发明的视距和非视距信号的判别方法和装置、设备和存储介质，通过将原始通信信号按照复数形式划分的实部、虚部和模数据进行堆叠，形成保留了原始信号的幅值和相位信息的信号图像用以通过卷积神经网络进行信号分类，使得卷积神经网络能够同时提取通信信号地幅度特征和相位特征；从而即能够提高辨别信号类型的准确率，又能够提高信号识别的泛化性能；进而能够在通过通信信号进行测距时，有效地缓解非视距信号造成的定位误差问题。

17、本发明的附加优点、目的，以及特征将在下面的描述中将部分地加以阐述，且将对于本领域普通技术人员在研究下文后部分地变得明显，或者可以根据本发明的实践而获知。本发明的目的和其它优点可以通过在说明书以及附图中具体指出的结构实现到并获得。

18、本领域技术人员将会理解的是，能够用本发明实现的目的和优点不限于以上具体所述，并且根据以下详细说明将更清楚地理解本发明能够实现的上述和其他目的。