[发明专利]一种基于深度学习的UWB非视距信号识别方法

权利要求书

1.一种基于深度学习的UWB非视距信号识别方法，其特征在于，所述方法包括：

UWB信号数据集的收集、标定及预处理；

公共UWB信号数据集的预处理；

搭建双流深度神经网络，我们将其命名为CIRNN；

提出一个针对信道脉冲响应(CIR)的能量归一化方法，我们将其命名为CIRPN；

提出一个针对于UWB NLOS/LOS信号识别的深度神经网络损失函数，我们将其命名为CIRL；

使用预处理后的UWB信号数据集训练CIRNN网络；

使用预处理后的公共UWB信号数据集测试CIRNN网络的性能。

2.根据权利要求1所述的一种基于深度学习的UWB非视距信号识别方法，其特征在于，UWB信号数据集的收集、标定及预处理，具体包括：

所述UWB信号数据集是为训练CIRNN网络而制作的数据集。该数据集中的信号，由UWB基站发出，信号采集点接收，并根据信号有无遮挡将信号标定为NLOS信号与LOS信号两类。同时，截取每个信号中1016个时刻的值作为该信号特征序列，并将该特征序列映射为CIR响应。后续过程使用CIRPN对CIR响应曲线进行预处理，并按照比例生成训练和测试数据。

3.根据权利要求1所述的一种基于深度学习的UWB非视距信号识别方法，其特征在于，公共UWB信号数据集的预处理，具体包括：

对公共UWB信号数据集进行预处理，生成特征序列，映射为CIR响应。用本发明中的CIRPN方法对CIR响应曲线进行归一化处理，并按照比例生成训练和测试数据。

4.根据权利要求1所述的一种基于深度学习的UWB非视距信号识别方法，其特征在于，搭建双流深度神经网络，具体包括：

该双流神经网络的一路借鉴了ResNet18中的残差结构，以CIR响应曲线作为输入，提取信号的时域特征；另一路使用一个卷积神经网络(CNN)学习10个额外参数中的信息。这10个额外参数包含CIRPN方法所计算的中间参数以及数据集采集过程中收集的信息如：距离估算值，信号带宽等。该神经网络将CIR特征与额外参数特征进行融合，使用融合特征对NLOS与LOS信号进行分类。

5.根据权利要求1所述的一种基于深度学习的UWB非视距信号识别方法，其特征在于，提出一个针对于信道脉冲响应(CIR)的能量归一化方法，具体包括：

设定一个阈值，幅值低于该阈值10％的CIR响应视为噪声，求解信号的平均噪声及总能量。利用噪声和总能量，按照CIRPN规定的法则完成对输入信号的归一化处理。

6.根据权利要求1所述的一种基于深度学习的UWB非视距信号识别方法，其特征在于，使用UWB信号数据集训练CIRNN网络；具体包括：

使用数量规模大的UWB信号数据集训练CIRNN网络，使该网络能够识别区分NLOS与LOS信号。

7.根据权利要求1所述的一种基于深度学习的UWB非视距信号识别方法，其特征在于，提出一个针对UWB NLOS/LOS信号识别的深度神经网络损失函数，具体包括：

在训练CIRNN神经网络的过程中，使用CIRL作为损失函数。该损失函数可以从不同的预测结果中获得不同的信息。从而，更加有效的指导模型的训练过程。该损失函数提高模型的精度与收敛性能。

8.根据权利要求1所述的一种基于深度学习的UWB非视距信号识别方法，其特征在于，使用公共UWB信号数据集测试CIRNN网络的性能，具体包括：

为了测试该方法在真实场景下的应用效果，使用所述公共UWB信号数据集测试CIRNN网络的性能。

所述UWB信号数据集为根据UWB室内定位技术需求而采集、制作、标注的数据集；所述公共UWB信号数据集为已经开源的UWB信号数据集；所述双流神经网络，由CIR特征提取网络与额外参数特征提取网络两部分组成。所述使用UWB信号数据集对CIRNN网络进行训练，包括网络模型的训练及网络参数调整；所述使用公共UWB信号数据集测试CIRNN网络的性能，目的是为了测试该方法在真实场景下的应用效果。