近年来随着经济的发展,室内定位系统的需求越来越迫切.传统的室内定位系统如WIFI定位和蓝牙定位面临着定位精度低、易受非视距(non-line-of-sight,NLOS)和噪声干扰等挑战.针对这些问题,提出了一种基于融合集成学习的近超声室内定位方法...近年来随着经济的发展,室内定位系统的需求越来越迫切.传统的室内定位系统如WIFI定位和蓝牙定位面临着定位精度低、易受非视距(non-line-of-sight,NLOS)和噪声干扰等挑战.针对这些问题,提出了一种基于融合集成学习的近超声室内定位方法.首先,使用优化的增强互相关方法有效地抵消多径干扰.与传统基于峰值提取或固定阈值的方法相比,此法在混响环境中明显提升了测距的精度.然后,利用到达时间差(time difference of arrival,TDOA)作为特征进行提取.最终,采用了融合集成学习模型,对设定好的训练集进行交叉融合训练,并输入特征,从而得到修正的定位结果.仿真和实验测试结果表明,所提出的方法可以在室内NLOS和噪声干扰的情况下克服较大误差实现精确定位,并且精度优于对比方法50%~90%.本文核心数据公布在https://github.com/ChirsJia/JSJYF上.展开更多
基金Supported by the Science and Technology Innovation 2030 New Generation Artificial Intelligence Major Project(2018AAA0100902)the National Key Research and Development Program of China(2019YFB1705800)the National Natural Science Foundation of China(61973270)。
文摘近年来随着经济的发展,室内定位系统的需求越来越迫切.传统的室内定位系统如WIFI定位和蓝牙定位面临着定位精度低、易受非视距(non-line-of-sight,NLOS)和噪声干扰等挑战.针对这些问题,提出了一种基于融合集成学习的近超声室内定位方法.首先,使用优化的增强互相关方法有效地抵消多径干扰.与传统基于峰值提取或固定阈值的方法相比,此法在混响环境中明显提升了测距的精度.然后,利用到达时间差(time difference of arrival,TDOA)作为特征进行提取.最终,采用了融合集成学习模型,对设定好的训练集进行交叉融合训练,并输入特征,从而得到修正的定位结果.仿真和实验测试结果表明,所提出的方法可以在室内NLOS和噪声干扰的情况下克服较大误差实现精确定位,并且精度优于对比方法50%~90%.本文核心数据公布在https://github.com/ChirsJia/JSJYF上.
