[发明专利]基于随机森林的超宽带非视距鉴别方法

权利要求书

1.一种基于随机森林的超宽带非视距鉴别方法，其特征在于，包括如下步骤：

步骤(1)：采集不同环境下超宽带数据，获得原始数据，根据真实的距离信息标注类别标签；并分别随机抽取若干个数据作为训练集和测试集；

步骤(2)：基于所测超宽带信号特征，进行特征重构；

步骤(3)：随机抽取基于所重构的特征，建立二分递归决策树；

步骤(4)：有放回的选择所述步骤(1)中的训练集中的样本，建立CART决策树模型；

步骤(5)：从训练集中有放回的抽取M组数据作为训练样本，利用所述步骤(4)建立的CART决策树模型进行分类判断，重复此过程N次，N≥30，从而形成随机森林模型；

在所述步骤(1)中，采集不同环境下超宽带数据，选取一个基站作为主基站，那么就有r_i,1＝r_i-r₁，

其中，r_i是标签到第i个基站的距离，r₁是标签到主基站的距离；

r_i,1即是标签到从基站和到主基站的距离差，即距差；

根据采集得到数据获得距差，与真实距差对比如果偏差小于100cm，即为正常数据，否则即为非视距影响下产生偏差的数据；

在所述步骤(2)中，对所测超宽带信号特征进行特征重构的方法如下：

IDiff＝|first path position–peak path position|

其中first path position代表首径索引位置；peak path position代表信号峰值索引位置；IDiff代表首径索引位置与信号峰值索引位置的差值的绝对值；

MC＝fpAmpl/pkAmp；

其中fpAmpl＝max{fpAmpl1，fpAmpl2，fpAmpl3}；

fpAmpl1，fpAmpl2，fpAmpl3分别是首径索引位置处抽头1，抽头2，抽头3所检测到的信号幅度；pkAmp代表信号峰值；fpAmpl代表首径索引位置处三个抽头的最大值；

MC代表首径索引位置处三个抽头的最大值与信号峰值的比值；

FNR＝median{fpAmpl1,fpAmpl2,fpAmpl3}/stdnoise；

其中，stdnoise代表检测到的信号噪声水平；FNR代表首径索引位置处三个抽头的中值与信号噪声水平的比值；

FF1＝fpAmpl2/fpAmpl1；

FF2＝fpAmpl2/fpAmpl3；

Noise＝std_noise；

FF1代表首径索引位置处抽头2所检测到的信号幅度与抽头1所检测到的信号幅度的比值，FF2代表首径索引位置处抽头2所检测到的信号幅度与抽头3所检测到的信号幅度的比值，Noise代表信号噪声水平。

2.根据权利要求1所述的基于随机森林的超宽带非视距鉴别方法，其特征在于，所述步骤(3)中，建立二分递归决策树的方法为：从所述训练集中随机抽取M个数据样本，从每个样本中随机抽取4维特征，s_k代表第k维特征，建立二分递归分类决策树；选择4维特征在所有值区间最小基尼增益的节点划分决策树，假设特征s_k在点K处是分裂节点，那么特征s_k小于此节点的即被分到左边，大于此节点的即为被分到右边，递归的对左右节点进行划分，就产生了二分递归决策树。

3.根据权利要求1所述的基于随机森林的超宽带非视距鉴别方法，其特征在于，在所述步骤(5)中，重复此过程100次，从而形成随机森林模型。

4.根据权利要求1所述的基于随机森林的超宽带非视距鉴别方法，其特征在于，在所述步骤(5)形成的随机森林模型中输入所述步骤(1)中测试集中的数据，判别该超宽带数据是否为非视距，具体的方法为，步骤(5-1)，输入测试数据，对输入数据的特征进行重构；步骤(5-2)，从随机森林模型当前树的根节点开始进行判断，遍历整个CART树，从而做出预测；步骤(5-3)，选择下一棵决策树，重复执行所述步骤(5-2)，直到所有CART决策树都输出了预测类别值，输出类别数最多的一类作为结果。