System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 一种识别超宽带非视距方法和装置、系统、存储介质制造方法及图纸_技高网
当前位置: 首页 > 专利查询>北京大学专利>正文

一种识别超宽带非视距方法和装置、系统、存储介质制造方法及图纸

技术编号:44358303 阅读:0 留言:0更新日期:2025-02-25 09:41
本发明专利技术公开一种识别超宽带非视距方法和装置、系统、存储介质,步骤S1、获取超宽带的CIR数据;步骤S2、根据CIR数据,构建自适应特征融合网络;其中,通过将统计特征与卷积神经网络提取的高维特征融合形成自适应特征融合网络;步骤S3、将实际应用场景中超宽带的CIR数据输入到自适应特征融合网络进行超宽带非视距识别。采用本发明专利技术的技术方案,将数值统计属性与高维特征融合,实现对NLOS有效识别。

【技术实现步骤摘要】

本专利技术属于信号处理,尤其涉及一种识别超宽带非视距方法和装置、系统、存储介质


技术介绍

1、超宽带(ultra-wide band,uwb)具有广泛的应用场景,包括室内通信、车载通信、室内外定位、工业环境和医疗应用。这得益于其低功耗、高安全性、抗多径干扰以及高数据传输速率等优势。然而,uwb应用场景的环境复杂性使得信号传输过程中存在显著的干扰,严重影响了接收信号的可靠性、准确性和性能。在理想的信道环境中,定位误差可达厘米级。然而,当环境更加复杂,或者设备之间存在诸如墙壁等障碍时,脉冲信号会出现折射、散射或衍射,从而导致信号到达时间延迟,最终大大降低测量精度。由于测量误差的差异较大:而在非视距(non-line-of-sight,nlos)条件下误差超过100厘米,因此在测量之前识别传播状态,并根据识别的状态部署适当的模型进行位置估计是非常必要的。nlos的识别是高精度室内定位的第一步,也是系统适应不同物理环境中不同los障碍的关键前提。因此,目前存在无法有效地识别nlos。


技术实现思路

1、本专利技术要解决的技术问题是,提供一种识别超宽带非视距方法和装置、系统、存储介质,将数值统计属性与高维特征融合,实现对nlos有效识别。

2、为实现上述目的,本专利技术采用如下的技术方案:

3、一种识别超宽带非视距方法,包括:

4、步骤s1、获取超宽带的cir数据;

5、步骤s2、根据cir数据,构建自适应特征融合网络;其中,通过将统计特征与卷积神经网络提取的高维特征融合形成自适应特征融合网络;

6、步骤s3、将实际应用场景中超宽带的cir数据输入到自适应特征融合网络进行超宽带非视距识别。

7、作为优选,步骤s2包括:

8、使用一维卷积神经网络从长时间的cir数据中提取短序列相关特征;

9、将短序列相关特征与相同数量的统计特征节点相结合,形成自适应特征融合网络。

10、作为优选,cir数据的统计特征包含:总能量、最强信号振幅、最强信号的接收时间戳、标准偏差、信噪比、前三次到达信号的振幅、前三次到达信号的和、噪声的最大值。

11、本专利技术还提供一种识别超宽带非视距装置,包括:

12、获取模块,用于获取超宽带的cir数据;

13、构建模块,用于根据cir数据,构建自适应特征融合网络;其中,通过将统计特征与卷积神经网络提取的高维特征融合形成自适应特征融合网络;

14、识别模块,用于将实际应用场景中超宽带的cir数据输入到自适应特征融合网络进行超宽带非视距识别。

15、作为优选,构建模块包括:

16、第一处理模块,用于使用一维卷积神经网络从长时间的cir数据中提取短序列相关特征;

17、第二处理模块,用于将短序列相关特征与相同数量的统计特征节点相结合,形成自适应特征融合网络。

18、作为优选,cir数据的统计特征包含:总能量、最强信号振幅、最强信号的接收时间戳、标准偏差、信噪比、前三次到达信号的振幅、前三次到达信号的和、噪声的最大值。

19、本专利技术实施例还提供一种识别超宽带非视距系统,包括:存储器和处理器,所述存储器上存储有由所述处理器运行的计算机程序,所述计算机程序在被所述处理器运行时执行识别超宽带非视距方法。

20、本专利技术实施例还提供一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序在运行时执行识别超宽带非视距方法。

21、本专利技术通过将统计特征与卷积神经网络(convolutional neural network,cnn)提取的高维特征融合,实现对nlos有效识别。

本文档来自技高网...

【技术保护点】

1.一种识别超宽带非视距方法,其特征在于,包括:

2.如权利要求1所述的识别超宽带非视距方法,其特征在于,步骤S2包括:

3.如权利要求2所述的识别超宽带非视距方法,其特征在于,CIR数据的统计特征包含:总能量、最强信号振幅、最强信号的接收时间戳、标准偏差、信噪比、前三次到达信号的振幅、前三次到达信号的和、噪声的最大值。

4.一种识别超宽带非视距装置,其特征在于,包括:

5.如权利要求4所述的识别超宽带非视距装置,其特征在于,构建模块包括:

6.如权利要求5所述的识别超宽带非视距装置,其特征在于,CIR数据的统计特征包含:总能量、最强信号振幅、最强信号的接收时间戳、标准偏差、信噪比、前三次到达信号的振幅、前三次到达信号的和、噪声的最大值。

7.一种识别超宽带非视距系统,其特征在于,包括:存储器和处理器,所述存储器上存储有由所述处理器运行的计算机程序,所述计算机程序在被所述处理器运行时执行如权利要求1至3任意一项所述的识别超宽带非视距方法。

8.一种存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序在运行时执行如权利要求1至3任意一项所述的识别超宽带非视距方法。

...

【技术特征摘要】

1.一种识别超宽带非视距方法,其特征在于,包括:

2.如权利要求1所述的识别超宽带非视距方法,其特征在于,步骤s2包括:

3.如权利要求2所述的识别超宽带非视距方法,其特征在于,cir数据的统计特征包含:总能量、最强信号振幅、最强信号的接收时间戳、标准偏差、信噪比、前三次到达信号的振幅、前三次到达信号的和、噪声的最大值。

4.一种识别超宽带非视距装置,其特征在于,包括:

5.如权利要求4所述的识别超宽带非视距装置,其特征在于,构建模块包括:

6.如权利要求5所述的识别超宽带...

【专利技术属性】
技术研发人员:张光远范永磊
申请(专利权)人:北京大学
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1