基于机器学习的非视距信号识别

1. 研究背景及意义

1.1 研究背景

1.1.1 新媒体的兴起与发展

• 新媒体的兴起与互联网技术的飞速发展密切相关。
• 随着智能手机的普及和网络速度的提升，新媒体逐渐成为人们获取信息的主要途径。
• 在数字技术不断进步的背景下，新媒体刻改变了信息传播的模式和效率。

1.1.2 新媒体运营的重要性

• 新媒体运营在企业营销和品牌推广中发挥着越来越重要的作用。
• 通过新媒体平台，企业可以更精准地触达目标受众，提高品牌知名度和影响力。
• 新媒体运营在传递信息方面具有即时性与广泛性，为企业拓展了新的市场空间。

1.2 国内外研究现状

1.2.1 非视距识别算法研究现状

• 针对NLOS信号产生的误差问题，目前主流的非视距误差消除方案有两种。
• 一种是通过信号处理算法，如最小二乘法、卡尔曼滤波等，对信号进行处理以消除NLOS误差。
• 另一种是通过机器学习算法，如支持向量机、神经网络等，对信号进行分类和识别，从而消除NLOS误差。

1.2.2 机器学习算法研究现状

• 机器学习算法在非视距信号识别中的应用越来越广泛。
• 支持向量机、神经网络、决策树等算法在非视距信号识别中取得了较好的效果。
• 机器学习算法通过学习信号的特征，可以更准确地识别和消除NLOS误差。

2. 预备知识

2.1 超宽带传播信道综合标准化模型

• 超宽带传播信道综合标准化模型是一种基于电磁波传播理论的模型，用于描述超宽带信号在复杂环境中的传播特性。
• 该模型可以模拟不同环境下超宽带信号的传播损耗、多径效应和多普勒频移等现象。
• 通过该模型，可以预测和分析超宽带信号在不同环境下的传播性能，为非视距信号识别提供理论支持。

2.2 非视距识别算法

2.2.1 支持向量机（SVM）

• 支持向量机是一种常用的机器学习算法，用于解决分类和回归问题。
• 在非视距信号识别中，SVM可以用于训练一个分类器，将LOS和NLOS信号进行区分。
• SVM通过学习信号的特征，可以实现对LOS和NLOS信号的有效识别。

2.2.2 卷积神经网络

• 卷积神经网络是一种深度学习算法，通过学习信号的特征，可以实现对LOS和NLOS信号的识别。
• 卷积神经网络具有自动提取特征的能力，可以有效地处理高维数据，提高识别的准确性。
• 在非视距信号识别中，卷积神经网络可以用于训练一个分类器，将LOS和NLOS信号进行区分。

3. 模型搭建

3.1 软、硬件设备

• 在进行非视距信号识别的研究中，需要使用到一些软、硬件设备。
• 硬件设备主要包括UWB模块、天线、接收器和信号处理设备等。
• 软件设备主要包括信号处理软件、机器学习算法软件等。

3.2 CNN框架构建

• 卷积神经网络是一种深度学习算法，用于特征提取和分类。
• 在非视距信号识别中，可以采用卷积神经网络框架进行信号的识别。
• 卷积神经网络由输入层、卷积层、池化层、全连接层和输出层组成。
• 通过卷积神经网络，可以有效地提取信号的特征，实现对LOS和NLOS信号的识别。

4. 实验结果分析

4.1 实验环境

• 在进行非视距信号识别的实验中，需要考虑实验环境的影响。
• 实验环境主要包括办公室、医院、隧道等。
• 在不同的实验环境中，超宽带信号的传播特性可能会有所不同，需要针对不同环境进行相应的实验设计。

4.2 CIR数据分析与数据集分析

4.2.1 CIR数据分析

• CIR（Channel Impulse Response）是描述无线通信信道特性的一个重要参数。
• 通过分析CIR，可以了解超宽带信号在传播过程中的时域特性，为非视距信号识别提供依据。
• 在不同的实验环境中，CIR的特性可能会有所不同，需要对不同环境的CIR进行分析和比较。

4.2.2 数据集构成

• 在进行非视距信号识别的实验中，需要构建一个数据集。
• 数据集应包括不同环境下的LOS和NLOS信号样本。
• 通过数据集的构建，可以对卷积神经网络进行训练和测试，以实现对LOS和NLOS信号的识别。

4.3 实验结果分析

4.3.1 单基站条件下的信号识别

• 在单基站条件下，通过对CIR数据进行分析，可以实现对LOS和NLOS信号的识别。
• 卷积神经网络在单基站条件下的识别准确率较高，能够有效地区分LOS和NLOS信号。

4.3.2 双基站条件下的信号识别

• 在双基站条件下，通过对CIR数据进行分析，可以实现对LOS和NLOS信号的识别。
• 卷积神经网络在双基站条件下的识别准确率更高，能够更准确地区分LOS和NLOS信号。

5. 结论与展望

• 通过卷积神经网络进行非视距信号识别，可以有效地提高信号的识别准确率。
• 卷积神经网络具有自动提取特征的能力，可以处理高维数据，提高识别的准确性。
• 在未来的研究中，可以进一步探索其他深度学习算法在非视距信号识别中的应用，以提高识别的准确性和效率。
• 此外，可以研究如何将非视距信号识别技术应用于实际通信系统中，提高通信系统的可靠性和抗干扰能力。

参考文献

• [1] 刘欣怡，谢静丽，王伟，徐志霖.基于无线传播信道特征的NLoS识别[J].南京大学学报（自然科学版）, 2022, 58（2）: 328-335.
• [2]肖竹,王勇超,田斌,等.超宽带定位研究与应用:回顾和展望[J],电子学报,2011,39(01):133-141.
• [3] S. K. Das and R. Mudi, "Kalman Filter based NLOS Identification and Mitigation for M2M Communications over Cellular Networks," 2021 IEEE 93rd Vehicular Technology Conference (VTC2021-Spring),Helsinki,Finland,2021,pp.1-6,doi:10.1109/VTC2021-Spring51267.2021.9449063.
• [4] 邓锴.基于NLOS识别和误差消除的无线定位算法研究[D].西南交通大学[2024-05-14].DOI:CNKI:CDMD:2.1018.977798.
• [5] Z. Cui, Y. Gao, J. Hu, S. Tian and J. Cheng, "LOS/NLOS Identification for Indoor UWB Positioning Based on Morlet Wavelet Transform and Convolutional Neural Networks," in IEEE Communications Letters,vol.25,no.3,pp.879-882,March2021,doi:10.1109/LCOMM.2020.3039251.
• [6] 赵方, 吴凡. GNSS/INS自适应智能组合导航算法[J]. 北京邮电大学学报, 2022, 45(2): 1-8.
• [7] F. 温， H. Wang， G. Gui， H. Sari and F. Adachi， “Polarized Intelligent Reflection Surface Aided 2D-DOA Estimation for NLoS Sources”，in IEEE Transactions on Wireless Communications， doi： 10.1109/TWC.2023.3348520.
• [8] Lau K W，Wu Q H． Online Training of Support Vector Classifier． Pattern Recognition，2003，36(8): 1913 -1920
• [9] Laskov P，Gehl C，Krüger S，et al． Incremental Support Vector Learning: Analysis，Implementation and Applications． Journal of Machine Learning Research，2006，7: 1909 -1936
• [10] Huang K，Yang H，King L，et al． Maxi-Min Margin Machine: Learning Large Margin Classifiers Locally and Globally． IEEE Trans on Neural Networks，2008，19(2): 260- 272
• [11] Kim B J．A Classifier for Big Data //Proc of the 6th International Conference on Convergence and Hybrid Information Technology． Daejeon，Republic of Korea，2012: 505- 512