一种NLOS条件下SVM与重心坐标相结合的UWB定位方法   0    0

本发明公开了一种NLOS条件下SVM与重心坐标相结合的UWB定位方法，属于无线传感网络技术领域。该方法可分为以下步骤，步骤一：利用SVM算法识别收集的是NLOS还是LOS传播条件下的测量值，并缓解NLOS引起的测量误差；步骤二：利用LOS条件下的测量值和NLOS缓解后的测量值构建距离平方矩阵，并使用MDS算法得到各个UWB节点的相对位置；步骤三：根据MDS算法得到的相对位置计算关于未知节点的广义重心坐标；步骤四：结合广义重心坐标与各个锚节点的已知坐标计算出未知节点的实际坐标。本发明提供的方法可以有效地识别复杂环境下的NLOS，并有效地提高了UWB的定位精度。

1.一种NLOS条件下SVM与重心坐标相结合的UWB定位方法，其特征在于，所述方法包括如下步骤：
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，并根据这些CPR提取出代表传播条件的特征样本；
步骤2：构建SVM分类器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；具体包括以下内容：
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：
2
K(x′，Y′)＝exp(‑γ||x′‑Y′||)
其中，γ为核参数，x′为输入特征样本，Y′为对应标签值；
SVM分类器SVC的目标函数如下式：
T
s.t.Yk(wxk+b)‑1≥0，k＝1，2，...，n
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；
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：
其中，αk为拉格朗日乘子；
步骤3：构建SVM回归器SVR，并将NLOS和LOS条件下提取的特征样本与对应输出值输入SVM中进行训练，得到训练后的SVR，所述输出值为UWB节点间距离；
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，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；
步骤5：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，并利用重心坐标和已知锚节点的坐标计算出未知节点的实际位置坐标。

2.根据权利要求1所述的NLOS条件下SVM与重心坐标相结合的UWB定位方法，其特征在于，所述步骤1中，根据CPR提取的特征包括：
接收信号强度εr，其计算公式如下：
其中r(t)是t时刻的接收信号幅值；
节点间距离d，其计算公式如下：
d＝c(ti‑t0)
其中c为光速，ti为接收时间，t0为响应请求时间；
接收信号最大幅值rmax，其计算公式如下：
峰值κ，其计算公式如下：
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；
平均超额延迟时间TMED，其计算公式如下：
2
其中ψ(t)＝|r(t)|/εr；
均方根时延扩散时间TRMS，其计算公式如下：

3.根据权利要求1所述的NLOS条件下SVM与重心坐标相结合的UWB定位方法，其特征在于，所述步骤3具体包括以下内容：
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：
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；
SVM回归器SVR的目标函数如下式：
T
s.t.|(wxk+b)‑yk|≤ε，k＝1，2，...，n
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；
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：
其中，αk为拉格朗日乘子。

4.根据权利要求1所述的NLOS条件下SVM与重心坐标相结合的UWB定位方法，其特征在于，所述步骤4中，所述定位需求具体为：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。

5.根据权利要求1所述的NLOS条件下SVM与重心坐标相结合的UWB定位方法，其特征在于，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：
获取距离平方矩阵：
其中dij为第i个UWB节点和第j个UWB节点之间的距离；
计算中心矩阵J：
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；
归一化距离平方矩阵：
将X进行奇异值分解得到奇异值Λ和奇异值向量V；
T
X＝VAV
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
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。

6.根据权利要求5所述的NLOS条件下SVM与重心坐标相结合的UWB定位方法，其特征在于，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：
a1*x′1+a2*x′2+…+aN‑1*x′N‑1＝x′i
a1*y′1+a2*y′2+…+aN‑1*y′N‑1＝y′i
a1+a2+…+aN‑1＝1
其中，(a1，a2，...，aN‑1)为广义重心坐标。

7.根据权利要求6所述的NLOS条件下SVM与重心坐标相结合的UWB定位方法，其特征在于，所述步骤5中，实际位置坐标通过下式计算得到：
xi＝a1*x1+a2*x2+…+aN‑1*xN‑1
yi＝a1*y1+a2*y2+…+aN‑1*yN‑1
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。