一种基于深度学习的恶劣地下采矿环境视距/非视距检测方法

《IEEE Open Journal of Antennas and Propagation》：A Deep Learning-Based Method for LOS/NLOS Detection in Harsh Underground Mining

　　摘要：准确识别视距（LOS）和非视距（NLOS）条件是提升地下矿井环境中无线定位系统性能的关键因素，在这些环境中，由障碍物和多径效应引起的信号衰减十分严重。本文提出了一种新颖的方法，将精心挑选的一组信道冲激响应（CIR）参数与轻量级卷积神经网络（CNN）相结合，以实现可靠的Wi-Fi信号LOS/NLOS分类。所提出的方法将CIR特征转换为紧凑的图像表示形式，在保留关键判别信息的同时实现高效处理。所选特征包括统计参数、频谱参数和基于幅度的参数，旨在捕捉视距和非视距条件下信号结构的差异。该模型使用在运营中的地下矿井中采集的实测数据进行训练和验证。实验结果采用三种MIMO天线配置获得：平面阵列天线、共形天线和巴特勒天线。所提出的方法取得了优异的分类性能，平面阵列天线和巴特勒天线的准确率均达到100%，共形天线的真负例准确率为97.2%。这些结果证明了所提出的CIR特征组合的有效性，并强调了合适特征选择对于提升复杂地下环境中基于CNN的LOS/NLOS分类性能的重要性。