[发明专利]信号干扰下的超宽带精确定位方法

权利要求书

1.一种信号干扰下的超宽带精确定位方法，其特征在于，包括如下步骤：

1）数据预处理：将室内测量的实验结果作为数据集，数据集中的每一条数据记录，对应不同位置的靶点在有、无信号干扰条件下与锚点间的距离，靶点是校准该室内环境下的一个定位参数；去除数据集中测距值和校验值不一致的数据，删除相同数据，对剩余数据采取Pearson相关性分析，去除相关性高的数据，最后得到精简数据集；

2）在有干扰的环境下，构建三维空间下基于三锚点的靶点定位模型，该干扰指的是影响UWB定位的遮挡干扰，遮挡物为UWB定位基站和UWB定位标签之间存在的障碍物，利用精简数据集中每一条数据记录的其中三个锚点的数据信息来辅助定位，计算出潜在靶点坐标的估计值；

3）引入残差分析模型，压缩潜在靶点到锚点距离与观测距离值的残差平方和（RSS），计算得到唯一的靶点坐标估计值；

4）从室内测量实验结果的数据记录中，只经过初步提取步骤，获得带分类标签的四维数据，作为模型训练和测试的数据集，使用 K-Fold Cross Validation划分训练集和测试集，在确定场景下使用训练集训练一个SVM模型，使用测试集验证模型识别率，每组数据轮流作为测试集，不断提高模型验证精度，从而实现数据受干扰情况的判定；

5）通过靶点自身的运动来实现动态轨迹定位，对动态轨迹定位的靶点序列进行卡尔曼滤波，得到精准的运动曲线。

2.根据权利要求1所述的一种信号干扰下的超宽带精确定位方法，其特征在于，在所述的步骤1）中，数据预处理步骤如下：

1-1）将公开的室内测量实验结果作为数据集，数据集中的每条数据记录，对应不同位置的靶点在有、无信号干扰条件下与锚点间的距离；

1-2）删除数据集中测距值与校验值不一致的数据；

1-3）对于两个时刻测得的数据，当且仅当该靶点至四个锚点距离测量值两两相等时判定为相同，删除数据集中的相同数据；

1-4）对剩余数据采取Pearson相关性分析，把Pearson 相关系数绝对值大于0.8的数据判定为高相关性并去除，最终得到精简数据集。

3.根据权利要求1所述的一种信号干扰下的超宽带精确定位方法，其特征在于，在所述的步骤2）中，在有干扰的环境下，构建三维空间下基于三锚点的靶点定位模型步骤如下：

2-1）建立一个三维空间下基于三锚点的定位模型，该模型从精简数据集中选取某时刻的三个不重复的距离观测值，根据距离观测值和锚点坐标，得到三维空间内三个球的方程；

2-2）将三个球的方程求差、化简后，把方程未知数x和y带回球面方程，得到形如的一元二次方程，p为方程二次项系数，q为方程一次项系数，w为方程常数项，在满足的条件下，计算得到两个靶点的潜在坐标。

4.根据权利要求1所述的一种信号干扰下的超宽带精确定位方法，其特征在于，在所述的步骤3）中，唯一的靶点坐标估计值的计算步骤如下：

3-1）计算潜在靶点到锚点距离与观测距离值的残差平方和 (RSS)；

3-2）压缩残差平方和，对残差平方和进行 次幂运算；

3-3）n为潜在坐标的个数， 为经过求幂运算后的值，在满足条件的同时，计算得到唯一的靶点坐标估计值。

5.根据权利要求1所述的一种信号干扰下的超宽带精确定位方法，其特征在于，在所述的步骤4）中，实现数据受干扰情况判定的步骤如下：

4-1）选取室内测量实验结果的数据记录中，只经过初始提取步骤后保留下来的数据，作为模型训练、测试的数据集；

4-2）定义自变量为一个时刻 4 个锚点至靶点距离的测量值，是形为 的行向量，因变量为二分类标签，其中 0 代表该数据测量时未受遮挡，1 代表有遮挡；

4-3）明确数据集中的训练集与测试集，将训练的数据集均分为 组，每次取组作为训练集，剩下的一组作为测试集，每组数据轮流作为测试集；

4-4）训练时使用高斯核函数（又称RBF），综合考虑了模型的训练、测试准确率后，确定参数 和惩罚参数 ；

4-5）进行 SVM 模型的训练，将训练所得的模型用于测试数据集受干扰情况的判定。

6.根据权利要求1所述的一种信号干扰下的超宽带精确定位方法，其特征在于，在所述的步骤5）中，得到精确的运动曲线步骤如下：

5-1）由系统的状态空间方程推导出卡尔曼滤波公式；

5-2）得到卡尔曼滤波预测阶段和更新阶段的公式；

5-3）将预测轨迹代入各时刻的测量值，得到精确的运动曲线。