[发明专利]一种基于核主成分分析增强无监督学习的非视距识别方法

说明书

本发明公开一种基于核主成分分析增强无监督学习的非视距识别方法，涉及无线通信与定位导航技术领域，包括：S1，设计并开展室内信道测量活动，收集视距和非视距传播条件下的信道状态信息；S2，通过快速傅里叶逆变换将频域的信道状态信息转换为时域的信道脉冲响应；S3，基于信道脉冲响应提取出8种无线信道特征参数；S4，利用皮尔逊相关系数计算出不同特征之间的相关性；S5，基于核主成分分析方法获取主成分，找到所有特征的最优子集；S6，将S5得到的最优子集作为k‑means、GMM和FCM聚类算法的输入进行LOS和NLOS识别。本发明利用核主成分分析提取出最优的特征子集，寻找最优特征子集，减少了工作量，降低了输入特征的维度，识别的精度显著提高。

技术领域

本发明涉及无线通信与定位导航技术领域，具体涉及一种基于核主成分分析增强无监督学习的非视距识别方法。

背景技术

随着第五代移动通信技术的推广和使用，许多电子产品(如手机，平板电脑、智能手环等)都要求提供基于位置的服务，因此，人们对于基于位置的服务变得日益迫切。在室外场景中，全球导航卫星系统(Global Navigation Satellite System，GNSS)可以提供精确的全球定位坐标。然而，在复杂多变的室内环境中，卫星定位系统的功率会产生严重的衰减，同时还受到多径效应的影响，导致GNSS定位系统产生较大的定位误差。另外，室内定位属于短距离小范围定位，定位精度要求较高，全球导航卫星系统定位无法满足定位精度要求。

目前，常见的室内定位技术主要包括无线传感器网络、声音、WiFi、红外线、RFID、蓝牙和超宽带(Ultra-Wideband，UWB)。UWB具有能耗低、时间分辨率高、抗多径等优点，被认为是实现高精度室内定位的重要技术之一。然而，在实际应用中，UWB定位会受到信道衰落、低信噪比、多用户干扰、多径效应和非视距(Non-Line-of-Sight，NLOS)传播。其中，NLOS传播对室内定位系统的影响最为重要。室内环境下视距(Line-of-Sight，LOS)传播经常被障碍物遮挡，导致信号形成NLOS传播。NLOS传播条件下，信号只能通过散射、反射或衍射等路径到达接收端，直接使用基于到达时间和接收信号强度的测距算法会出现较大偏差，从而严重影响了定位的性能。一旦执行了NLOS识别，就可以丢弃NLOS条件下的测量值，利用LOS条件下的测量值进行定位。因此，NLOS识别对提高室内定位精度具有重要的实际意义。

无线信道的传播条件可分为LOS和NLOS。因此，NLOS识别本质上可以看作是一个二分类问题。机器学习算法可以用于解决分类问题，而且在解决小样本学习和非线性问题方面表现出良好的能力。因此，各种机器学习方法被开发用于NLOS识别，如支持向量机、相关向量机、高斯过程分类器、遗传算法、随机森林和主成分分析k-means、高斯混合模型(Gaussian Mixture Model，GMM)和模糊C均值(Fuzzy C-means，FCM)。基于有监督机器学习算法进行NLOS识别虽然取得了较好的区分LOS和NLOS传播条件，但是需要花费大量的时间来标记信道条件。无监督机器学习方法避免了对信道条件进行任何严格和明确的标记过程，从而减少了大量的工作和时间。然而，传统的无监督学习算法不仅没有考虑不同输入特征之间的相关性和信息重叠，而且输入特征过多会降低算法的执行速度。因此，基于无监督机器学习进行NLOS识别仍然具有一定的局限性。

发明内容

为了解决上述现有技术存在的不足，本发明提供一种基于核主成分分析增强无监督学习的非视距识别方法，以提高对非视距识别的精度和稳定性。

本发明提出的技术方案为：

一种基于核主成分分析增强无监督学习的非视距识别方法，包括：

S1，设计并开展室内信道测量活动，收集视距和非视距传播条件下的信道状态信息；

S2，通过快速傅里叶逆变换将频域的信道状态信息转换为时域的信道脉冲响应；

S3，基于信道脉冲响应提取出8种无线信道特征参数；