适用于多种环境中的UWB NLOS识别的领域对抗性神经网络
姜素英(Suying Jiang)
李家春(Jiachun Li)
徐亚东(Yadong Xu)
荣宇阳(Yuyang Rong)
《Sensors》:Domain-Adversarial Neural Network for UWB NLOS Identification in Multiple Environments
Suying Jiang,
Jiachun Li,
Yadong Xu and
Yuyang Rong
【字体:
大
中
小
】
时间:2026年05月04日
来源:Sensors 3.5
编辑推荐:
摘要 准确识别视距(LOS)和非视距(NLOS)信号对于减少定位误差和提高超宽带(UWB)定位系统的定位性能至关重要。当前的NLOS识别方法受限于特定的测量环境,缺乏有效的跨域适应性,无法泛化到未见过的环境中。为了解决这些问题,我们提出了一种基于领域对抗神
摘要 准确识别视距(LOS)和非视距(NLOS)信号对于减少定位误差和提高超宽带(UWB)定位系统的定位性能至关重要。当前的NLOS识别方法受限于特定的测量环境,缺乏有效的跨域适应性,无法泛化到未见过的环境中。为了解决这些问题,我们提出了一种基于领域对抗神经网络(DANN)的新型NLOS识别策略。首先,针对传统特征提取方法无法捕捉信道脉冲响应(CIR)数据的深度非线性特征这一问题,我们开发了一种CNN-DAE-MLP-Attention(CDM)混合模型,用于高质量的信道特征提取,该模型同时考虑了原始CIR数据和手工制作的信道特征。其次,我们将CDM模型集成到DANN框架中,替换了其原有的浅层特征提取模块,进一步提出了CDMD算法;通过结合CDM的强健特征表示能力和DANN的优异领域适应能力,所提出的CDMD算法在跨域LOS/NLOS识别中实现了性能的提升。最后,我们使用来自不同场景的测量数据验证了所提算法的有效性。结果表明,所提算法具有很强的泛化能力。对于从地下停车场到走廊以及从地下停车场到大堂的跨域NLOS识别,该方法分别实现了77.00%和72.84%的准确率。此外,结果表明,只需要少量的目标域样本就足以使模型实现准确的跨域迁移。
1. 引言
随着物联网(IoT)和智能定位技术的快速发展,由于其高时间分辨率、对多路径干扰的强抵抗能力以及出色的实时性能,超宽带(UWB)定位技术已广泛应用于室内定位[1,2,3]、工业导航、机器人和人员跟踪等领域[4,5,6]。然而,在复杂的现实世界场景中,信号传播路径容易受到人体、墙壁、工业设备等障碍物的阻挡,从而导致非视距(NLOS)传播[7,8]。NLOS传播可能会引起显著的测距误差[9],严重影响UWB系统的定位精度。因此,为了在UWB室内定位系统中实现高精度,必须减轻NLOS传播的影响[7,10]。有许多方法可以减轻NLOS传播对UWB定位的影响。常见的方法包括直接优化滤波框架(例如贝叶斯滤波、卡尔曼滤波等)[1,11],以及通过NLOS检测对测距数据进行预处理以去除或减弱NLOS成分,然后再将这些数据输入滤波器[12]。后者由于与经典滤波算法的高度兼容性,已成为工程中最常用的方法。准确识别NLOS传播是克服测距误差的非高斯特性、从而提高复杂环境中UWB定位精度的关键前提。因此,NLOS识别对于UWB定位系统至关重要[13]。
在早期的研究中,NLOS识别是基于从信号中手动提取的统计特征进行的,而不是使用机器学习(ML)算法[14,15]。然而,这种类型的NLOS识别算法高度依赖于手动特征设计能力。如果特征设计不合理,将导致识别精度较低。此外,阈值方法和特征融合决策的核心参数(如阈值和特征权重)需要根据特定场景的实验数据手动优化,从而导致较差的环境适应性。基于ML的NLOS识别方法利用模型的自动特征学习能力,直接从原始信号或低维特征中捕捉LOS和NLOS之间的本质差异,为复杂场景中的准确识别提供了新途径。目前,常见的NLOS识别方法主要基于ML技术,可分为两类:一类基于收集的原始物理数据(例如原始信道脉冲响应(CIR);另一类是基于特征的方法[7]。使用原始CIR的基于ML的NLOS识别的核心原理是利用ML模型自动从原始CIR信号中提取LOS和NLOS传播之间的差异特征,从而实现这两种传播场景的分类。蒋等人[16]开发了一种基于长短期记忆(LSTM)和卷积神经网络(CNN)的UWB NLOS/LOS信号分类方法。作者采用CNN自动提取特征,然后将CNN的输出输入LSTM进行识别。刘等人[17]提出了一种结合CNN和门控循环单元(GRU)的NLOS/LOS分类策略。作者利用CNN捕捉空间特征,GRU捕捉时间特征。通过在这些架构中嵌入挤压-激励块,研究人员能够自适应地加权信道特征。基于特征的ML进行NLOS识别的核心原理是首先手动设计或计算提取能够区分LOS和NLOS的关键特征。然后,使用ML模型捕捉这些特征与传播场景之间的关系,最后实现分类。司等人[13]开发了一种利用CNN派生的特征和手工制作的特征来区分NLOS和LOS条件的NLOS识别策略。在所开发的方法中,使用多层感知器(MLP)将CNN提取的特征与六个手动特征融合。结果表明,所提出的方法比传统的基于图像的CNN方法具有更好的性能,性能提高了44.16%。杨等人[18]提出了一种两步识别方法来分类UWB信道,该方法依赖于基于模糊可信度的支持向量机(SVM)和动态阈值比较。尽管这些现有的NLOS识别方法在验证的场景中可以实现一定水平的识别性能,但它们表现出强烈的场景依赖性。当测试环境发生变化时(例如,从室内办公室场景切换到复杂的室外场景,或从单障碍物场景切换到多障碍物场景),由于环境特征分布的不同,它们的识别精度会显著下降。
为了解决这一关键问题,近年来一些学者提出将迁移学习(TL)算法集成到NLOS识别框架中。通过探索不同场景中NLOS信号的传统特征,并减轻由场景变化引起的分布变化的影响,这种方法为跨场景NLOS应用中识别精度不稳定的问题提供了一种新的解决方案。孙等人[19]观察到,将TL集成到基于Stockwell变换和卷积神经网络(ST-CNN)的NLOS识别方法中,与独立的ST-CNN方法相比,可以有效地减少训练时间和数据需求,同时保持高性能水平。Fontaine等人[7]提出了一种基于特征的NN和基于CIR的NN的UWB NLOS识别TL策略。对于基于特征的方法,使用深度神经网络(DNN)进行NLOS识别;对于基于原始CIR的方法,使用CNN进行NLOS识别。此外,作者提出了基于TL的DNN的自动优化策略,使这些模型能够适应新环境和不同的UWB配置。Nkrow等人[20]提供了一种基于TL的鲁棒UWB NLOS识别方法,利用从两个不同环境收集的CIR数据。Park等人[21]引入了一个用于UWB NLOS/LOS识别的TL框架,使用MLP和CNN作为分类器在未测量场景中应用。该方法提高了约10%的精度,并将训练过程加速了近五倍。随后,王等人[22]通过研究发现,与迁移学习技术相比,引入领域对抗神经网络(DANN)可以获得更高的NLOS识别精度。王等人[22]开发了一种用于识别动态环境中UWB信号遮挡的新型增强型DANN。所开发的NLOS识别策略利用CIR和手动制作的CIR特征。实验结果表明,在二元/多类分类和环境迁移场景中,基于DANN的NLOS识别精度显著优于传统的机器学习(即二元假设检验、SVM)、深度学习(即CNN)和基本的迁移学习方法。结果表明,该策略在不同场景中的传统LOS/NLOS二元分类准确率超过了97.36%,多类分类准确率达到了97.07%。然而,在[22]中,手工制作的特征不需要通过深度学习算法(如卷积层或全连接层)进行额外处理;相反,它们仅通过连接与CIR特征融合。此外,特征提取器在[22]中使用了四个卷积层和四个池化层。虽然这种方法有效地提取了CIR信号的深度特征,但其捕捉动态环境中信号时间信息的能力有限。
为了解决这一不足,我们为UWB定位系统开发了一种基于领域对抗神经网络的新型NLOS识别策略。在所提出的NLOS识别策略中,使用DANN框架显著提升了其跨域适应能力,采用CNN-DAE-MLP-Attention(CDM)方法进行特征提取。具体来说,我们使用1D CNN从原始CIR中捕捉局部和时间特征。采用去噪自编码器(DAE)去噪并重构原始的手工制作特征。经DAE处理的手工特征被输入MLP进行进一步特征提取。然后,使用注意力机制融合CNN和MLP提取的特征。最后,融合的特征分别输入标签预测器和领域分类器;前者用于带有监督训练的NLOS识别,后者用于对抗训练以学习域不变特征。在NLOS识别过程中需要调整众多参数。然而,手动参数调整耗时过长,试错过程容易受到经验限制,使得参数组合难以覆盖最优解。这影响了NLOS识别任务的性能稳定性和泛化能力。因此,我们引入了一种使用贝叶斯优化的自动化超参数调整策略来解决这些问题。我们还将所提出的方法与其他方法在多种环境中进行了比较。本文的主要贡献总结如下:
1. 我们开发了一种结合CDM和DANN(CDMD)用于UWB LOS/NLOS信号识别的新策略。所提出的CDMD方法不仅具有跨场景适应性,而且在识别UWB NLOS信号方面也非常稳健。
2. 我们提出了一种新的特征提取方法:一方面,它使用CNN网络自动提取CIR特征;另一方面,它通过DAE和MLP对手工设计的特征进行深度处理。所提出的方法利用DAE的去噪和重构机制有效地过滤掉手动提取特征中的噪声和干扰,通过学习从噪声特征中恢复真实特征之间的映射关系,从而提高了特征的质量和稳健性。
本文的其余部分安排如下。在第2节中,我们描述了所提出方法的相关背景理论知识。然后,在第3节中介绍了开发的CDMD NLOS识别方法。第4节详细讨论了实验设置和实验结果的分析。最后,在第5节中提出了结论。特征计算
在这项工作中,我们旨在根据测量的原始CIR(信道脉冲响应)和手动提取的信道特征来识别NLOS(非视距)和LOS(视距)条件。具体特征包括总能量(TE)、最强功率能量(SPE)、均方根延迟扩散(RMS-DS)、平均额外延迟(MED)、偏度、峰度、K因子、信噪比(SNR)、上升时间(RT)、第一分量功率与总能量的比值,以及第一路径检测器的第二个幅度样本与总能量的比值。
2.2.1. 信道脉冲响应
CIR是信道的关键表示,包含了关于通信链路条件的全面信息。它通常被直接用作信道测量系统或信道估计模块的输出,无需额外的特征提取[9]。方程(2)展示了连续延迟域中的CIR模型。
2.2.2. 总能量
总能量(TE)可以通过以下公式计算[24]:
(TE) = Σ_{l=1}^{L} |a_l|^2
其中,a_l表示第l条路径的衰落系数,L表示路径的数量。
2.2.3. 最强功率能量
最强功率能量可以通过以下公式计算[25]:
(SPE) = max(a_l)
2.2.4. 均方根延迟扩散
均方根延迟扩散(RMS-DS)描述了无线信道的时间分散特性。它可以通过以下公式计算[6]:
(RMS-DS) = √[(1 + Σ_{l=1}^{L} δ_l^2)^2]
其中,l是路径的索引,L表示路径的数量,δ_l表示第l条路径的延迟,a_l表示第l条路径的衰落系数。平均额外延迟(MED)可以通过以下公式计算[7]:
(MED) = E[Δ_l] / TE
2.2.5. 偏度
在信道中,偏度衡量了CIR功率延迟谱(PDP)或接收信号分布的不对称性。在LOS信道中,直接路径通常是最强的,并且首先到达。大部分接收到的功率集中在延迟谱的开始部分,而后续的多路径分量(反射、散射)较弱。在NLOS信道中,没有主导的直接路径。接收到的能量分布在多个延迟分量上,有时会有显著的延迟。LOS信道的偏度值通常比NLOS信道的小。偏度的计算公式为[8]:
-skewness = E[δ_l] / σ
其中,E[δ_l]表示δ_l的期望值,σ表示δ_l的标准差。
2.2.6. 峰度
在LOS传播条件下,多路径能量分布更为集中,主要能量集中在主导路径上,导致CIR PDP的峰度较大。相比之下,在NLOS条件下,多路径能量分布更为分散,导致CIR功率延迟谱的峰度相对较小。峰度可以通过以下公式表示[22,24]:
(kurtosis) = E[δ_l^4] / (E[δ_l]^2
2.2.7. K因子
Ricean K因子常用于表征小尺度衰落的严重程度,通过描述主导LOS分量与散射多路径分量之间的功率比来表示。它可以通过以下公式表示[10]:
(K-factor) = log10(|a_l| / (1 + Σ_{l=1}^{L} a_l^2))
在我们的工作中,K因子定义为CIR中最强路径的功率,表示为[11]:
(K-factor) = log10(a_l)
其中,a_l表示最强路径的功率。散射分量(a_l)的功率可以通过以下公式计算[12]:
(a_l) = E[|a_l|^2] / TE
2.2.8. 信噪比
信噪比(SNR)反映了信号强度与噪声强度之间的比值。在LOS场景中,接收信号功率相对较高,路径损耗最小,因此SNR相对较大。在NLOS场景中,信号会受到遮挡、反射和衍射的影响,增加多路径损耗并降低接收功率。NLOS条件下的SNR会降低。SNR可以表示为[13]:
(SNR) = 10 × log10(Signal_power / Noise_power)
其中,Signal_power表示接收信号的功率,Noise_power表示噪声功率。
2.2.9. 上升时间
上升时间定义为累积CIR能量达到总能量10%的时刻与达到90%的时刻之间的时间间隔[24]:
(RT) = ln(TE^(90%) / TE^(10})
2.2.10. 第一分量功率与总能量的比值
第一分量功率与总能量的比值定义为[16]:
(first_component_power_ratio) = a_1 / TE
其中,a_1表示从CIR信号中提取的第一分量的功率,E表示CIR中所有多路径分量的功率之和,即CIR的总能量。此外,本文还采用了第一路径检测器的第二个幅度样本与总能量的比值,其中第二个幅度样本可以直接从UWB设备中获得。
3. 提出的NLOS/LOS识别方法
DANN引入了领域对抗学习(Domain-Adversarial Learning)的概念。DANN通过对抗训练明确最小化源领域和目标领域之间的分布差异,从而提高模型对未见场景的泛化能力[22]。基于DANN框架[26],我们开发了一种新的CDMD(Channel Discrimination and Mapping)方法来分类LOS和NLOS条件。图1展示了本文提出的NLOS识别方法的总体框架。所提出方法的基本结构包括三个模块:标签预测器(Label Predictor)、领域分类器(Domain Classifier)和特征提取器(Feature Extractor)。在开发的识别策略中,特征提取器模块主要从输入的CIR数据中捕获高级特征和手工制作的特征。标签预测器利用提取的特征进行LOS/NLOS区分。提取的特征首先输入到梯度反转层(Gradient Reversal Layer,GRL),在正向传播过程中作为恒等变换以保持特征表示,以便后续的领域分类器使用。在反向传播过程中,领域分类损失的梯度通过GRL乘以一个负系数,从而在返回共享特征提取器之前反转梯度信号。GRL支持的对抗训练迫使特征提取器学习领域不变的特征,而仅基于源领域样本训练的标签预测器学习NLOS/LOS分类相关特征。领域分类器的角色是区分特征是来自目标领域还是源领域。
3.1. 特征提取器
使用单一类型的特征进行NLOS识别难以实现高精度。为了提高LOS/NLOS识别的性能,我们同时使用测量的CIR特征和手动提取的特征来进行NLOS识别。在本文中,我们提出了一个利用CNN和DAE-MLP的新特征提取框架。特征提取架构主要包括CIR特征提取器、手工制作的特征提取器和特征融合模块。CIR特征提取器旨在从CIR中学习区分性模式。它使用1D CNN进行时间特征提取。手工制作的特征提取器包括DAE和MLP。大多数现有的特征提取方法直接使用深度学习模块处理手工制作的特征,或将手工制作的特征与其他类型的特征融合用于NLOS识别。然而,手工制作的特征通常包含环境噪声和测量误差,特别是在NLOS条件下,这会显著降低特征质量和识别可靠性。为了有效抑制手工制作特征中的噪声干扰并学习更稳健的表示,本文采用DAE来去噪并重构原始的手工特征。经DAE处理的手工特征被输入到深度学习模块中进行进一步特征提取,从而提高NLOS识别的准确性和稳定性。具体来说,手动提取的特征用作DAE的输入。DAE生成的高阶非线性特征被输入到MLP中,MLP通过多个非线性激活函数(例如ReLU)将这些特征映射到优化的特征空间。最后,我们利用注意力机制对CNN和DAE-MLP模块提取的特征进行加权融合,生成一个稳健的共享特征表示。随后,这个共享表示被输入到标签预测器中进行NLOS识别,以及领域分类器中进行领域分类。
3.1.1. CIR特征提取器
由于CNN在捕获局部相关性和空间模式方面非常有效,它们可以提取CIR的局部特征,因此被广泛用于NLOS分类任务。1D CNN经常用于时间序列数据,因为它们可以直接沿时间维度进行卷积以捕获局部时间模式。因此,本文利用1D CNN从CIR样本中提取时间特征。典型的CNN由三个主要层组成:卷积层、池化层和全连接(FC)层[13,27,28]。在本文中,CNN的输入数据是CIR数据。卷积层使用卷积核(滤波器)提取局部特征并捕捉数据中的局部相关性。通常在卷积层之后添加池化层以减少计算负载同时保留关键特征。FC层整合卷积层和池化层提取的特征,将卷积特征映射到一个长度等于类别数量的低维向量。卷积层和FC层(除了最后一层)之后有时会跟随ReLU激活函数。通过在卷积层之后应用ReLU激活函数,引入了非线性,有助于缓解梯度消失问题并加速收敛。通过在中间全连接层之后应用ReLU,增强了特征在分类之前的非线性表达能力。
3.1.2. 手工特征提取器
我们从CIR中提取一系列手工制作的特征,但是手工特征中存在测量噪声。DAE可以通过编码-解码重构约束来消除噪声和冗余信息[29]。我们使用DAE通过编码-解码重构来过滤手工特征中的噪声。此外,使用DAE还可以捕获手工提取特征内的非线性特性,并将它们转换为具有更强区分能力的更高阶特征。DAE通过最小化重构损失来训练,确保编码特征保留了原始静态特征的关键信息。经过DAE处理后,当输入到MLP时,NLOS/LOS的特征边界变得更加清晰,从而提高了NLOS识别的准确性。MLP学习不同特征的重要性,自动为更具区分性的特征分配更高的权重,同时捕获特征之间的非线性交互作用。MLP包括输入层、隐藏层和最终输出层[21]。输入层的神经元数量等于特征维度。通常使用一到三个隐藏层,因为过多的层可能导致过拟合。输出层的维度与高维特征向量的维度一致。在我们的工作中,手动提取的特征首先输入到DAE中以消除噪声和冗余信息,然后将得到的低维表示输入到MLP中,MLP输出这些预处理后的手工特征的最终特征向量。
3.1.3. 特征融合
在本文中,我们考虑两个独立的特征流。一个特征流由CNN提取的时间动态特征组成,CIR原始数据作为CNN的输入。这些特征描述了无线信道的固有时间域特性。另一个特征流由MLP优化的去噪手工特征组成。这两种特征类型具有不同的特性和信息内容。如果简单地将特征连接起来,我们可能无法充分利用它们各自的重要性。为了提高NLOS识别的准确性,设计了注意力融合机制来自适应地整合两个独立的特征流进行NLOS/LOS分类。注意力融合机制为两个异构特征流中的每个特征流学习任务特定的注意力权重,而不是手动分配固定权重。首先,它分别为CNN派生的时间动态特征流和MLP优化的去噪手工特征流分配专用的自适应权重。这些权重用于量化每个特征流对NLOS/LOS分类任务的贡献。然后,根据学习到的自适应权重以加权求和的方式将两个特征流连接起来。这种自适应加权策略突出了对NLOS/LOS区分更有信息量的特征流,同时抑制了不相关的特征流,从而提高了融合特征的区分能力。这种方法充分利用了手工特征的统计信息和时间特征的动态信息。域分类器
域分类器的主要功能是区分从特征提取器中得到的特征是属于目标域还是源域。在训练过程中,域分类器通过最小化域分类损失(例如交叉熵损失)来更新其参数,以实现源域和目标域的区分。同时,在共享特征提取器和域分类器之间插入了一个梯度反转层。该层在反向传播过程中,通过乘以一个负系数来反转域分类损失的梯度,然后再将梯度传回特征提取器。这种对抗机制在特征提取器和域分类器之间形成了一个极小化博弈,促使特征提取器捕捉到域不变且与任务相关的特征,这些特征是域分类器无法识别的。这有效地对齐了源域和目标域的特征分布,并提高了模型在未标记目标域上进行NLOS识别的泛化能力。目标域样本没有LOS/NLOS标签,只携带域标签,因此在训练过程中只计算域分类损失。域分类器的损失函数表示为[22] (17),其中表示第i个样本属于第1类的预测概率,该概率来自softmax标准化后的二维网络输出的第二维。在域分类器中,1表示目标域,0表示源域。公式(17)中,表示域预测器将源域特征预测为目标域的概率;表示域预测器将目标域特征预测为目标域的概率;和分别表示目标域和源域中的训练样本数量。
3.3. 标签预测器
基于特征提取器生成的特征,标签预测器被设计用于区分LOS和NLOS UWB传播状态。标签预测器仅通过来自源域的特征进行学习,并通过最小化标签预测损失(例如交叉熵损失)来进行更新。在这项工作中,损失函数利用了实际标签和预测标签之间的交叉熵。在训练过程中,标签预测器(如全连接层的权重和偏置参数)和特征提取器的参数不断更新,以更好地区分NLOS和LOS,这依赖于特征提取器输出的特征。
训练数据已给出,其中表示源域训练样本的数量。在标签预测器中,真实标签定义为表示LOS场景,表示NLOS场景。在两类分类(LOS/NLOS)的情况下,损失函数表示为[22,30] (18),其中表示源域中的训练样本数量,表示第i个样本属于第1类的预测概率。公式(18)中特别表示标签预测器预测第i个样本属于NLOS类的概率,该概率来自softmax标准化后的二维网络输出的第二维。在预测过程中,对于给定的测试样本x,使用进行识别输出。如果,则将其归类为LOS;否则,将其归类为NLOS。注意,标签预测器的损失仅在源域上计算,因为只有源域具有LOS/NLOS的真实标签值。目标域样本没有标签,因此不参与标签预测器损失的计算。
为了实现域对抗训练,并平衡任务性能(NLOS分类)和域泛化能力,CDMD模型的总损失函数由标签预测器的分类损失、域分类器的域分类损失和DAE的重建损失组成。参数和用于分别调整域对抗损失和DAE重建损失的权重。总体损失函数通过(19)计算,其中表示标签分类损失,表示域分类损失,表示用于防止训练网络过拟合的正则化参数。表示DAE重建损失的权重,表示DAE重建损失,并通过(20)计算,其中表示源域中的训练样本数量,表示目标域中的训练样本数量。表示来自源域的第i个静态特征向量,表示来自目标域的第j个静态特征向量,表示将输入特征映射到重建输出的DAE函数。表示L2范数的平方。
在模型训练过程中,通过最小化(在特征提取器和标签预测器参数固定的情况下)来独立优化域分类器,使其能够准确区分域的起源。标签预测器和共享特征提取器通过在总损失(在域分类器参数固定的情况下)最小化来进行联合优化。这迫使特征提取器同时满足两个相互冲突的目标:最小化以保持分类区分性,以及最大化以混淆域分类器;而DAE模块通过重建损失增强静态特征的去噪效果。
3.4. DANN优化策略
手动超参数调整不仅耗时且劳动密集,还容易受到人类经验的限制,使得参数组合难以覆盖全局最优解。此外,重复测试不同的超参数值会消耗大量计算资源,降低模型迭代效率,甚至可能由于主观判断偏差导致不合理的参数配置,从而影响NLOS识别的性能稳定性和泛化能力。因此,我们采用贝叶斯优化来确定超参数的最优组合,包括丢弃率、学习率、CNN中每层的滤波器数量、CNN中的卷积层数量、MLP每层的神经元数量以及MLP中的隐藏层数量等。在这项研究中,我们采用验证集上的预测准确性作为贝叶斯优化过程的目标函数。
首先,我们定义了要优化的超参数的搜索空间。搜索空间配置如下:域预测器、标签预测器和特征提取器的学习率设置为[0.0001, 0.01]的范围;丢弃率设置为[0.3, 0.5]的范围。贝叶斯优化过程按照以下设置进行:我们设置批量大小为32,采用Adam作为所有模型的优化器,并将初始训练周期固定为250。基于上述固定的实验设置,我们具体配置了贝叶斯优化器以最大化目标函数来进行超参数搜索。我们首先进行了10个初始点的随机搜索,以广泛探索超参数空间,随后进行了90次贝叶斯优化迭代进行针对性搜索。总共采样并评估了100种超参数组合。每种通过贝叶斯优化采样的超参数组合都使用固定种子(42)独立训练,该组合的验证准确性作为目标函数值。当预设的100次贝叶斯优化迭代完成后,贝叶斯优化过程终止。
从贝叶斯优化中获得最优学习率和丢弃率后,我们独立配置了模型的网络结构。具体来说,我们通过在不同结构配置下评估模型性能来选择最优网络结构。网络结构的搜索空间被定义为离散值:特征提取器的CNN组件设置为2或3个卷积层,每个卷积层中的滤波器数量从[32, 64, 128]中选择;特征提取器的MLP组件配置为1到3个隐藏层,隐藏层的维度也从[8, 16, 32]中选择。最终网络结构是根据这些配置评估中获得的最高验证准确性确定的。
最后,我们对优化后的超参数进行了微调。我们在训练期间采用了固定步长的学习率衰减策略,每120个周期学习率减少30%(从第一次贝叶斯优化阶段获得的最优初始学习率开始)。最终的最优超参数配置,包括初始学习率、丢弃率、网络结构和学习率衰减细节,在表1和表2中呈现。表1. 提出方法的参数信息。表2. 提出方法的网络结构。
4. 结果与讨论
4.1. 实验设置和数据收集
实验用的UWB平台基于Decawave DW1000芯片(现为Qorvo)[31]开发。使用基于Decawave DW1000的UWB平台,我们收集了CIR数据以实现高精度测距。所采用的UWB系统能够实时将参数数据传输到计算机采集软件。在测量活动中,锚节点和标签安装在三脚架上,标签负责发送信号,锚节点负责接收信号。锚节点通过数据线连接到笔记本电脑,以实时记录收集的数据。标签以3.5 GHz的中心载频发送信号,测量带宽为500 MHz。所采用的UWB系统的传输信号功率谱密度为-18 dBm/MHz。在开放LOS环境中,其有效通信距离为600米。发送和接收天线都是全向的。在所有场景中,实验设置保持一致,以确保结果的可重复性和可比性。
测量活动在三种场景下进行(即地下停车场、走廊和大厅)。实验环境的平面图如图2所示。图中标记了锚节点(用三角形表示)和标签(用正方形表示)的部署位置,LOS条件下的测量范围用红色表示,NLOS条件下的测量范围用绿色表示。首先,我们在真实的地下停车场进行了测量活动。我们将地下停车场场景称为场景A。测量在包括无障碍LOS和墙壁遮挡的典型场景中进行。在LOS场景中,标签和锚节点部署在地下停车场的开阔区域,如图3a所示。在NLOS场景中,标签和锚节点被混凝土墙阻挡,如图3b所示。图3b展示了混凝土墙造成的NLOS锚节点和标签的遮挡。在测量过程中,我们将锚节点放置在一个随机固定的位置,并在环境中移动标签。我们收集了LOS和墙壁遮挡场景的测量数据。
随后,我们在走廊进行了类似的测量活动。走廊被称为场景B。LOS场景的实验设置相对简单,标签和LOS锚节点放置在走廊的开放区域。对于走廊中的NLOS场景,使用一个人作为障碍物。图4a,b展示了走廊中的LOS场景和人体遮挡场景。此外,我们还在大厅进行了测量活动。大厅被称为场景C。对于LOS场景,锚节点和标签放置在大厅内,它们之间的距离超过1米。对于大厅中的NLOS场景,使用玻璃门作为障碍物。在NLOS场景中,信号通过玻璃门传播,锚节点和标签分别放置在门的内部和外部。图5展示了大厅中的玻璃门遮挡场景。对于每次测量,数据集包含估计的距离、接收信号强度(RSS)、噪声标准差、最大噪声水平和CIR等信息。在每种场景中,我们收集了7200个样本,其中LOS场景有3500个样本,NLOS场景有3700个样本。
4.2. NLOS识别性能
在本文中,我们使用准确性、精确度、召回率和F1分数等指标来评估NLOS识别的性能[10,32]。
4.2.1. 不同算法的NLOS识别性能
我们基于三种不同的场景(地下停车场、走廊和大厅)进行了NLOS识别的比较实验。我们将提出的CNN-DAE-MLP-Attention(CDM)方法与CNN-Attention、MLP-Attention和CNN-MLP-Attention算法进行了比较。CDM方法(不包括DANN的CDMD)是不包含DANN的改进版本。对于每个环境,我们选择70%的样本作为训练集,10%的样本作为验证集,20%的样本作为测试集。具体来说,训练集包含5040个样本,其中2450个是LOS样本,2590个是NLOS样本;验证集包含720个样本,包括350个LOS样本和370个NLOS样本;测试集包含1440个样本,包括700个LOS样本和740个NLOS样本。表3、表4和表5分别展示了各种方法在地下停车场(即场景A)、走廊(即场景B)和大厅(即场景C)中的性能。我们的方法在所有场景中都实现了更高的NLOS识别准确性。在地下停车场环境中,与CNN-MLP-Attention相比,CDM的准确性、精确度和F1分数分别提高了0.14%、1.52%和0.1%。在走廊环境中,与CNN-MLP-Attention相比,CDM的准确性、精确度和F1分数分别提高了0.5%、0.99%和0.49%。在大厅环境中,与CNN-MLP-Attention相比,CDM的准确性、精确度和F1分数分别提高了0.32%、2.03%和0.2%。所提出的CDM方法之所以能够实现更高的准确性,是因为它结合了DAE技术,从而优化了特征提取,进而提高了整体的分类准确性。
4.2.2 跨场景NLOS识别性能
我们选择场景A作为源域名,场景B和场景C作为目标域名。所有目标样本构成了测试集。我们直接将针对场景A训练的模型应用于未见过的环境(即场景B和场景C),无需重新训练,得到了表6所示的结果。表6比较了各种模型在跨场景测试中的NLOS识别准确性。结果表明,CDM方法具有最高的识别准确性。在场景A中训练的模型直接应用于场景B和场景C,NLOS识别准确性分别达到了75.89%和72.75%。这些结果证明了本文开发模型的有效性。
为了提高模型的跨域识别能力,我们将CDM集成到DANN框架中,形成了CDMD算法。为了验证所提出方法的有效性,我们将其与EDANN-SOR [22]和CNN-BiLSTM+TL [10]进行了比较。CDMD的网络参数设置见表2,其他参数见表1。对于CNN-BiLSTM+TL [10],我们使用了目标域样本的0.5%来进行神经网络的重新训练。所有这些方法都是使用目标域样本的20%作为测试集进行评估的。表7和表8总结了各种方法在跨域转移场景中的识别性能。在从A到B的跨域NLOS识别中,所提出的CDMD方法的表现优于CNN-BiLSTM+TL和EDANN-SOR方法,准确率分别提高了XX%。在从A到C的跨域NLOS识别中,所提出的CDMD方法的表现也优于CNN-BiLSTM+TL和EDANN-SOR方法,准确率分别提高了XX%。在跨域转移场景中,所提出的算法展现了优越的NLOS识别性能。
4.2.3 目标域样本数量变化对所提出的NLOS识别方法的影响
为了研究目标域样本比例变化对NLOS识别性能的影响,我们在跨环境转移场景中进行了相应的实验。我们使用实际收集的样本进行测试,并展示了所提出方法的NLOS识别准确性。我们将源域数据分为三个子集:20%作为测试集,10%作为验证集,70%作为训练集。目标域数据集被分为两个独立子集:80%作为补充训练池,从中选择一部分样本与源域训练集共同训练所提出的模型;剩余的20%作为专用的目标域测试集(未进行训练,仅用于最终性能评估)。对于从环境A到环境B和环境A到环境C的跨环境转移场景,所提出的模型是在70%的源域样本加上从上述80%补充训练池中选择的部分目标域样本上进行训练的。在模型训练期间,CDMD的识别性能是在源域验证子集上评估的。表9显示了转换场景下的NLOS识别准确性。实验结果表明,当从场景A转移到场景B时,所提出的算法在目标域上的NLOS识别准确性达到了92.50%,而仅使用了5%的目标域训练集样本进行模型训练。同样,从场景A转移到场景C时,所提出的算法在目标域上的识别准确性达到了81.76%,同样仅使用了5%的目标域训练集样本进行模型训练。所提出的模型在仅使用5%的目标域训练样本的情况下,就能在跨环境转移中实现超过80%的识别准确性。这些结果表明,即使只使用少量的目标域样本,也能使模型实现高精度的跨域转移。
5. 结论
LOS和NLOS信号的识别对于UWB通信系统和定位系统至关重要。为了解决在未测量环境中UWB LOS/NLOS信号识别准确性不足和计算过程耗时的问题,我们提出了一种新颖的CDMD方法。此外,我们在三个不同环境(即地下停车场、走廊和大厅)收集的已测量数据集上进行了实验验证。实验表明,CNN-Attention、MLP-Attention和CNN-MLP-Attention在跨域转移NLOS识别任务中的性能显著下降。在相同的训练和测试环境中,我们提出的CDM方法比其他方法具有更高的识别准确性。对于从A到B和从A到C的跨域NLOS识别任务,所提出的方法分别达到了77.00%和72.84%的准确率。实验结果表明,在跨域转移NLOS识别任务中,CDMD的NLOS识别准确性高于EDANN-SOR和CNN-BiLSTM+TL。此外,即使仅使用5%的目标域样本进行训练,识别准确性也能达到80%以上。我们的工作在计算复杂性略有增加的情况下,实现了跨域识别性能的提升,这主要归功于模型架构中引入的领域对抗特征提取器。因此,所提出的方法非常适合那些对识别准确性和跨域鲁棒性要求高于实时推理速度的应用场景。在未来的研究中,我们将专注于开发和优化先进的NLOS误差补偿方法,以解决由于NLOS传播导致的测距和定位准确性下降这一关键问题。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号