[发明专利]基于深度学习的UWB NLOS传播误差抑制方法

说明书

本发明提出一种基于深度学习的UWB NLOS传播误差抑制方法，该方法基于深度学习技术，使用训练好的DRSN模型进行误差抑制；与传统方法不同的是，该方法以从UWB设备中直接获得的原始CIR数据作为输入，避免了人工统计UWB信号波形特征而耗费大量时间的缺点，且该方法不再对UWB信号进行分类，而是直接以测距误差为输出，可降低UWB系统定位成本，减小UWB设备因NLOS传播而产生的测距误差，同时，DRSN模型中的RSBU模块含有软阈值函数，该函数可对UWB信号进行降噪处理，减轻噪声分量对网络性能的影响。

技术领域

本发明涉及深度学习及无线通信领域，具体涉及一种基于深度学习的超宽带(Ultra Wide-Band,UWB)非视距(Non Line Of Sight,NLOS)传播误差抑制方法。

背景技术

随着物联网的不断发展，精确的位置感知技术变得越来越重要。全球卫星导航系统(Global Navigation Satellite System,GNSS)定位技术是目前使用最为广泛的室外定位技术，可以提供精确的位置、速度和时间信息。然而，由于墙壁等障碍物的遮挡，GNSS信号在室内环境中相当微弱，定位精度也因此极大降低，无法满足室内高精度定位的需求。

在现有的室内定位技术中，UWB技术近年来受到了广泛的关注。UWB技术不需要使用传统通信体制，而是通过发送和接收具有纳秒或纳秒级以下的极窄脉冲来传输数据。与诸如WiFi、蓝牙、ZigBee等室内定位技术相比，UWB技术具有时空分辨力强、定位精度高、抗干扰能力强、传输速率快、成本低等优点，这些优点使得UWB技术特别适合用于室内高精度定位。

影响UWB技术定位精度的主要因素包括：时钟误差，多径误差，NLOS传播误差，噪声等等。在以上影响因素中，NLOS传播误差对UWB信号的定位精度影响最大，一方面是因为UWB技术定位精度高，NLOS传播带来的误差更加明显；另一方面是UWB技术有效测距范围远，NLOS传播更加普遍，影响也更加严重。因此，进行UWB NLOS传播影响抑制方法的研究很有必要。

在对UWB NLOS传播影响抑制方法的研究中，具体可分为UWB NLOS传播识别和UWBNLOS传播误差抑制两个研究方向。UWB NLOS传播识别主要是对UWB信号的传播条件进行识别，并将其区分为视距(Line Of Sight，LOS)和NLOS两类，若UWB信号被识别为NLOS传播，则在UWB系统中将该测距信息删除，这种方法在系统中存在大量UWB节点时可用，但当UWB节点有限时，则可能出现定位系统失效的情况，同时，这种方法也增加了UWB系统的成本，不利于UWB系统的广泛应用。

UWB NLOS传播误差抑制主要是通过UWB信号直接估计测距误差，无需对传播条件进行识别，避免了节点数量不足时可能出现定位系统失效的情况。传统的基于机器学习的方法，使用UWB信号的接收信号强度(Received Signal Strength Indication，RSSI)、峰度、偏度、信噪比(Signal-Noise Ratio,SNR)等波形统计数据作为输入，这种方法仍然需要人工耗费大量计算时间，且这些信号波形统计数据会丢失信号的部分特征，误差抑制效果有限。

此外，室内环境中存在大量障碍物，电磁环境复杂，人员流动密集，以上这些因素都会导致UWB信号中含有大量的噪声分量，在对UWB信号进行特征提取时，这些噪声分量会一定程度上影响模型的性能，因此，如何对UWB信号进行降噪处理也是一个亟需解决的问题。

发明内容