[发明专利]基于随机森林的超宽带非视距鉴别方法

说明书

本发明涉及一种基于随机森林的超宽带非视距鉴别方法，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。可在线实时有效的鉴别超宽带数据是否为非视距，实用效果非常好。

技术领域

本发明涉及机器学习以及室内定位领域，尤其涉及一种基于随机森林的超宽带非视距鉴别方法。

背景技术

超宽带(Ultra Wide Band，UWB)技术是目前备受关注的一种新型短距离高速率无线通信技术。2002年2月，美国联邦通信委员会(FCC)规定准许UWB技术在民用领域使用，但发送功率低于-41.3dBm/MHz，可将3.1GHz-10.6GHz的频带用于对地下和隔墙之物进行扫描的成像系统、汽车防撞雷达及在家电终端和便携式终端间进行测距和无线数据通信，还可用于室内定位技术。

在脉冲无线电超宽带定位方法中，TDOA方法因其硬件要求较低，定位精度较高的特性得到大规模应用。一般做法是通过对UWB多径信号中直射路径(Direct path)进行时延轨迹来获得时间戳信息，并进而得到TDOA信息。对于视距环境(Line-of-sight，LOS)，直射路径最先到达并且能量最强，只要保证足够的接收信噪比，就能获得较准确的时间戳估计。但是对于非视距环境(NLOS)，由于存在各种障碍物，传播环境变得复杂。首径信号在穿透障碍物时经历衰减，并且会引入附加时延。反射信号在此环境中变得更加复杂。因此NLOS环境下的UWB定位是应用中的难点问题。

目前对NLOS鉴别的研究主要有以下几种方法：

1，根据接收信号强度的变化来判断LOS/NLOS状态，该方法鲁棒性不强，易受噪声影响。

2，通过分析UWB多径信道幅度和时延的统计特性来进行状态判断，该方法能获得较好的鉴别效果，但是鉴别特征选取的有效性需要获得准确的信道特征，而这在实际中是很难获取到的。

3，在定位过程中，通过残差加权的方法，减轻非视距造成的影响。该方法所需冗余基站较多，并且不能完全消除非视距的影响，只能部分减弱。

综上所述，目前仍然没有一种特别有效并且实用的方法来鉴别超宽带数据是否受非视距影响。

发明内容

本发明要解决的技术问题是，提供一种有效并且实用的方法来鉴别超宽带数据是否为非视距的基于随机森林的超宽带非视距鉴别方法。

为解决上述技术问题，本发明采用的技术方案是，该基于随机森林的超宽带非视距鉴别方法，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。