[0005] 本发明目的在于针对现有技术的不足,提出一种NLOS条件下SVM与重心坐标相结合的UWB定位方法,用以解决UWB定位在复杂环境中受NLOS影响造成的定位不精确的问题。
[0006] 本发明的目的是通过以下技术方案来实现的:一种NLOS条件下SVM与重心坐标相结合的UWB定位方法,该方法包括如下步骤:
[0007] 步骤1:使用UWB无线电在室内LOS环境与NLOS环境中分别进行多次测量,并分别采集在LOS环境与NLOS环境下的信道脉冲响应CPR(Channel Impulse Response,CPR),并根据这些CPR提取出代表传播条件的特征样本。
[0008] 步骤2:构建SVM分类器SVC(Support Vector Classifier,SVC),并将NLOS和LOS条件下提取的特征样本及其分别对应的标签构成特征矩阵输入SVM中进行训练,得到训练后的SVC。
[0009] 步骤3:构建SVM回归器SVR(Support Vector Regressor,SVR),并将NLOS和LOS条件下提取的特征样本与对应输出值(UWB节点间距离)输入SVM中进行训练,得到训练后的SVR。
[0010] 步骤4:采集新的信道脉冲响应CPR,提取出代表传播条件的特征样本,并将其输入训练后的SVC,利用训练后的SVC分类出测量值属于LOS传播条件还是NLOS传播条件,并判断LOS传播条件下的测量值的个数是否满足定位需求(例如,定位空间为二维空间,则需要满足测量值不少于3个,定位空间为三维空间,则需要满足测量值不少于4个),若满足需求,则只利用LOS传播条件下的测量值构建距离平方矩阵,并将距离平方矩阵输入MDS(Multi‑Dimension Scaling,MDS)算法获取相对位置;若LOS传播条件下的测量值个数不能满足定位需求,则利用训练后的SVR对NLOS条件下的测量值进行缓解,即将NLOS条件下的特征样本输入到已训练的SVR中得到新的对应输出值,再选取缓解后的测量值与LOS条件下的测量值构建距离平方矩阵,并通过MDS算法获取相对位置。
[0011] 步骤5:利用MDS算法获取的相对位置计算出关于未知节点(坐标未知,待定位的节点)的重心坐标,并利用重心坐标和已知锚节点(坐标已知的节点)的坐标计算出未知节点的实际位置坐标。
[0012] 进一步地,所述步骤1中,根据CPR提取的特征包括:
[0013] 接收信号强度εr,其计算公式如下:
[0014]
[0015] 其中r(t)是t时刻的接收信号幅值;
[0016] 节点间距离d,其计算公式如下:
[0017] d=c(ti‑t0)
[0018] 其中c为光速,ti为接收时间,t0为响应请求时间;
[0019] 接收信号最大幅值rmax,其计算公式如下:
[0020]
[0021] 峰值κ,其计算公式如下:
[0022]
[0023] 其中μ|r|为接收信号幅值的均值, 为接收信号幅值的方差,T为采样时间;
[0024] 平均超额延迟时间TMED,其计算公式如下:
[0025]
[0026] 其中ψ(t)=|r(t)|2/εr
[0027] 均方根时延扩散时间TRMS,其计算公式如下:
[0028]
[0029] 进一步地,所述步骤2具体包括以下内容:
[0030] 使用径向基(RBF)核函数来构建非线性分类器,利用径向基(RBF)核函数进行特征变换,所述径向基(RBF)核函数K(x′,Y′)如下式:
[0031] K(x′,Y′)=exp(‑γ||x′‑Y′||2)
[0032] 其中,γ为核参数,x′为输入特征样本,Y′为对应标签值。
[0033] SVM分类器SVC的目标函数如下式:
[0034]
[0035] s.t.Yk(wTxk+b)‑1≥0,k=1,2,…,n
[0036] 其中,w,b为分类器参数,通过训练得到;xk为第k个特征样本,Yk为第k个特征样本的标签,n为特征样本总个数。
[0037] 采用拉格朗日对偶函数和径向基(RBF)核函数对上述目标函数进行优化,优化结果如下:
[0038]
[0039] 其中,αk为拉格朗日乘子。
[0040] 进一步地,所述步骤3具体包括以下内容:
[0041] 使用径向基(RBF)核函数来构建支持向量机的回归器SVR结构及参数,所述径向基(RBF)核函数K(x′,y′)如下式:
[0042]
[0043] 其中,γ为核参数,σ为核函数的宽度,x′为输入特征样本,y′为对应输出值,即UWB节点间距离。
[0044] SVM回归器SVR的目标函数如下式:
[0045]
[0046] s.t.|(wTxk+b)‑yk|≤ε,k=1,2,…,n
[0047] 其中,w,b为回归器参数,由训练得到;n为特征样本总个数,xk为第k个特征样本,yk为第k个对应输出值,ε为误差范围。
[0048] 采用拉格朗日对偶函数和径向基(RBF)核函数对上述目标函数进行优化,优化结果如下:
[0049]
[0050] 其中,αk为拉格朗日乘子。
[0051] 进一步地,所述步骤4中,将距离平方矩阵输入MDS算法获取相对位置,具体如下:
[0052] 获取距离平方矩阵:
[0053]
[0054] 其中dij为第i个UWB节点和第j个UWB节点之间的距离;
[0055] 计算中心矩阵J:
[0056]
[0057] N为UWB节点的总个数,I为单位矩阵,1N为N×1且值为1的矩阵;
[0058] 归一化距离平方矩阵:
[0059]
[0060] 将X进行奇异值分解得到奇异值Λ和奇异值向量V;
[0061] X=VAVT
[0062] 将奇异值Λ按从大到小的顺序排列,并提取与定位空间维度(例如,定位空间为二维空间,则个数为2;定位空间为三维空间,则个数为3)相同个数的最大奇异值与对应的奇异值向量V1,将提取的奇异值构建成对角阵Λ1,将构建的对角阵Λ1与奇异值向量V1相乘得到各个UWB节点的相对坐标矩阵Q:
[0063]
[0064] 其中Q表示形式为: (x′i,y′i)为未知节点的相对位置,(x′1,y′1),(x′2,y′2),…,(x′N‑1,y′N‑1)为第1,2,…,N‑1个锚节点的相对位置。
[0065] 进一步地,所述步骤5中,利用MDS算法获取的相对位置计算出关于未知节点的重心坐标具体为:将未知节点的相对位置看作其它节点的广义重心,并通过下式来求解广义重心坐标:
[0066] a1*x′1+a2*x′2+…+aN‑1*x′N‑1=x′i
[0067] a1*y′1+a2*y′2+…+aN‑1*y′N‑1=y′i
[0068] a1+a2+…+aN‑1=1
[0069] 其中,(a1,a2,...,aN‑1)为广义重心坐标。
[0070] 进一步地,所述步骤5中,实际位置坐标通过下式计算得到:
[0071] xi=a1*x1+a2*x2+…+aN‑1*xN‑1
[0072] yi=a1*y1+a2*y2+…+aN‑1*yN‑1
[0073] 其中,(xi,yi)为所求未知节点的实际位置坐标,(x1,y1),(x2,y2),…,(xN‑1,yN‑1)为第1,2,…,N‑1个锚节点的真实坐标。
[0074] 本发明的有益效果:本发明将SVM与重心坐标法相结合,利用SVM分类器有效的将NLOS传播条件下的测量值与LOS条件下的测量值区分,并利用SVM回归器对NLOS传播条件下的测量值进行缓解,这大大的减少了NLOS带来的测距误差。同时,利用基于MDS的广义重心坐标法对未知节点进行定位,解决了传统的几何定位算法因测量噪声的存在,常出现没有交点或多个交点,导致定位失败的问题。两种算法创造性的结合,不仅保证了定位的性能,同时也极大的提高了NLOS传播条件下UWB的定位精度。随着便携式设备的发展,UWB的应用范围越来越广泛,如人员的跟踪,无人机、无人车的定位等。本发明的应用范围广泛,对经济的发展有着巨大的作用。