[发明专利]非视距条件下基于自适应BP神经网络的UWB定位方法

说明书

本发明涉及一种非视距条件下基于自适应BP神经网络的UWB定位方法，属于通信定位领域。该方法包括：选用估计距离差以及基于统计的前k组估计距离差的均值和标准差作为特征，采用基于无监督学习的K‑means++聚类算法将观测数据划分为LOS、NLOSsubgt;L/subgt;和NLOSsubgt;H/subgt;三类；然后通过GA算法对BP神经网络的权值和阈值动态优化，进一步提高算法的效率；最后使用Chan算法解算标签的初始坐标，将计算出的坐标和重构后数据使用Taylor迭代算法更新标签坐标，当满足误差阈值要求或迭代次数时结束迭代过程，并将最终结果输出。本发明能够实时准确的定位标签坐标。

技术领域

本发明属于通信定位领域，涉及一种非视距条件下基于自适应BP神经网络的UWB定位方法。

背景技术

在现有的网络技术中，超宽带(Ultra Wide Band，UWB)无线通信技术由于功耗低、抗多径效果好、安全性高、系统复杂度低和定位精度极高等优点，在众多无线定位技术中脱颖而出。目前基于UWB的定位原理，需要依靠最少3个已知位置的室内基站进行定位，需要定位的人员或设备携带定位标签，定位标签按照一定的频率发射脉冲，不断地和已知位置的基站进行测距，基站接受标签发射的脉冲信号并通过网线传输到交换机与服务器，在服务器软件中运用一定的精确算法进行位置解算，实时显示全局标签的位置。目前应用最普遍、效果相对较好的精确定位算法是信号到达时间差(Time Difference of Arrival,TDOA)定位算法，通过测量信号到达监测基站的时间，可以确定信号源的距离。利用信号源到各个监测基站的距离(以监测基站为中心，距离为半径作圆)，就能确定信号的位置。例如：专利申请“一种自适应室内动态目标的UWB定位方法及系统”(公开号CN106793077A)，利用小波分解自适应去噪法对测得TDOA值进行处理，输出重构的TDOA值。此方法的缺点在于在多径、多金属环境、有遮挡等不同的条件下，并没有做出对测量数据的识别，不同环境下该方法适应性不高。

基于UWB较高的传输速率和较好的实时性，结合TODA定位算法，大致上可以满足无线定位的要求。但这种定位方法会产生一个严重的问题——多径效应，即宽带信号沿着不同路径传输时，由于不同路径有不同时延，定位标签在同一时刻发出的信号分别沿着不同路径而在接收基站处前后重叠，加上传播过程中还有各种障碍物所引起的散射波，从而引起多径效应，最终造成定位精度差，定位实时性差，从而阻碍了UWB定位技术的推广和应用。例如：专利申请“基于KF算法、Chan算法及Taylor算法的UWB定位方法”(公开号：CN109186609A)，利用经卡尔曼滤波后的距离值使用Chan算法得到待测标签估计位置，此方法的缺点在于每次计算时都需要测量待测目标距离各锚节点所在的真实距离值，并且当处在多径、多金属环境、有遮挡条件下，并未对非视距数据进行分析处理，定位精度较低。

在混合LOS(Line-of-sight)与NLOS(Non-line-of-sight)的环境中正确的识别出NLOS，并对其进行缓解是当前的研究热点。当前的研究的算法大都分为两类，一种是识别算法，通过识别算法将LOS与NLOS条件下的测量值区分出来，然后只利用LOS条件下的测量值进行定位，这种方法在NLOS条件严重时，经常会导致无法定位，这极大的影响了定位的性能；另一种是缓解算法，将所有的数据都输入缓解算法中进行处理，这种算法通常因为环境的影响误差缓解的效果不够好，且随着NLOS测量数据的增加定位性能变差。例如：专利申请“一种NLOS条件下SVM与重心坐标相结合的UWB定位方法”(公开号：CN110488222A)，采用SVC分类器对NLOS数据进行识别，采用SVR回归器缓解NLOS数据，在不同的NLOS环境下该方法的适应性不高。同时未能解决当存在系统误差的问题，并未对不同NLOS条件下的数据进行分析处理。

发明内容