韋子輝 解云龍 王世昭 葉興躍 張要發(fā) 方立德*

①(河北大學(xué)質(zhì)量技術(shù)監(jiān)督學(xué)院 保定 071002)

②(計(jì)量?jī)x器與系統(tǒng)國家地方聯(lián)合工程研究中心 保定 071002)

③(保定市產(chǎn)業(yè)計(jì)量工程技術(shù)研究中心 保定 071002)

1 引言

近年來，室內(nèi)定位在技術(shù)手段、定位精度、適用范圍方面取得了長足的進(jìn)步，也逐漸滲透到人們的日常生活中，例如養(yǎng)老院中對(duì)老人的看護(hù)、辦公區(qū)域?qū)ぷ魅藛T的管理、火災(zāi)救援等。在無線定位技術(shù)中，超寬帶定位技術(shù)具有時(shí)域分辨率高、抗多徑干擾能力強(qiáng)、穿透能力強(qiáng)的特點(diǎn)[1，2]，相比于超聲波定位、紅外線定位、射頻識(shí)別定位(Radio Frequency IDentification， RFID)等定位技術(shù)可實(shí)現(xiàn)更高精度定位，在精確定位應(yīng)用中具有極大潛力。

由于脈沖超寬帶(Impulsive Radio Ultra-Wide-Band， IR-UWB)具有一系列的優(yōu)良特性，越來越多的研究人員投身于超寬帶定位技術(shù)的研究，國外多家公司進(jìn)行超寬帶定位芯片的研究，其中脫穎而出的是愛爾蘭DecaWave公司生產(chǎn)的DW1000定位射頻芯片，具有較高的精確度。在定位系統(tǒng)中，視距情況下，直達(dá)信號(hào)被準(zhǔn)確識(shí)別，定位精度較高，但在實(shí)際應(yīng)用中，室內(nèi)環(huán)境復(fù)雜，會(huì)產(chǎn)生較大的定位誤差，而誤差的主要來源是遮擋造成時(shí)延引起的誤差和信號(hào)反射引起直達(dá)信號(hào)的錯(cuò)誤判斷[3]。如果采用錯(cuò)誤的直達(dá)信號(hào)，嚴(yán)重影響定位性能，故需要提前進(jìn)行非視距(Non-Line-Of-Sight， NLOS)的判斷，對(duì)NLOS信道進(jìn)行剔除，使用視距(Line-Of-Sight， LOS)環(huán)境信道計(jì)算，得到更高精度的位置估計(jì)。因此，NLOS環(huán)境的識(shí)別一直是超寬帶定位領(lǐng)域的一個(gè)重要研究方向。

NLOS識(shí)別算法對(duì)IR-UWB定位意義重大，是解決NLOS干擾的最直接手段，其中傳統(tǒng)的識(shí)別技術(shù)可以分為3類，即基于距離估計(jì)的方法、基于信道沖擊響應(yīng)的方法和基于位置估計(jì)的方法?；诰嚯x估計(jì)的方法主要使用概率密度函數(shù)或范圍估計(jì)的方法來區(qū)分LOS和NLOS。Yan等人[4]利用測(cè)量距離的貝葉斯先驗(yàn)概率，用貝葉斯序貫檢驗(yàn)來區(qū)分NLOS。王長強(qiáng)等人[5]將卡爾曼濾波與測(cè)距殘差相結(jié)合，通過計(jì)算觀測(cè)值與卡爾曼濾波預(yù)測(cè)值之間的差，與設(shè)定閾值比較后識(shí)別有無NLOS存在?；诰嚯x估計(jì)的方法在坐標(biāo)計(jì)算之前識(shí)別NLOS，而基于位置估計(jì)的方法則在位置估計(jì)過程中識(shí)別NLOS，甚至?xí)来问褂糜?jì)算得到的位置坐標(biāo)進(jìn)行NLOS識(shí)別。Casas等人[6]在存在可用冗余距離測(cè)量值的情況下，通過比較距離值的不同子集產(chǎn)生的位置來識(shí)別NLOS，當(dāng)沒有冗余距離測(cè)量值或多個(gè)距離測(cè)量值屬于NLOS時(shí)，該方法無效。Gustafson等人[7]通過利用間接路徑測(cè)量所包含的地理位置信息來判斷NLOS，不需要先驗(yàn)知識(shí)是此類方法的優(yōu)點(diǎn)，但由于附加約束條件并不總是存在，因此很難確保有效識(shí)別NLOS。過去幾年，基于信道沖激響應(yīng)(Channel Impulse Response， CIR)進(jìn)行NLOS識(shí)別發(fā)展迅速，沖激響應(yīng)波形受傳輸路徑影響明顯，不同的傳播路徑有不同沖激響應(yīng)，故可以從沖激響應(yīng)波形中提取特征參量進(jìn)行NLOS識(shí)別。孫希延等人[8]以此為根據(jù)建立均方根時(shí)延擴(kuò)展和平均超量延遲的概率分布模型作為標(biāo)準(zhǔn)，將信道瞬時(shí)分布與標(biāo)準(zhǔn)分布間的KL散度(Kullback-Leibler Distance)做似然比檢驗(yàn)進(jìn)行NLOS識(shí)別。隨著機(jī)器學(xué)習(xí)技術(shù)在無線通信中的應(yīng)用，支持向量機(jī)[9](Support Vector Machine，SVM)、支持向量數(shù)據(jù)描述算法[10](Support Vector Data Description， SVDD)、導(dǎo)入向量機(jī)[11](Import Vector Machine， IVM)、決策樹[12]等方法被應(yīng)用到NLOS識(shí)別中，并顯示出較好的識(shí)別效果，但實(shí)際應(yīng)用中，這些算法訓(xùn)練比較困難，設(shè)計(jì)高效、輕量級(jí)的識(shí)別方案非常困難。

本文以構(gòu)建一個(gè)識(shí)別準(zhǔn)確率較高、環(huán)境適用性較強(qiáng)、計(jì)算復(fù)雜度較低的實(shí)時(shí)NLOS識(shí)別方法為目的，從接收信號(hào)中截取有用信號(hào)段，對(duì)有用信號(hào)段進(jìn)行特征提取，選取合理特征參量集進(jìn)行信號(hào)分類。本文提出一種新型特征參量–飽和度，并與前人提出的特征參量結(jié)合，利用Relief算法和互信息特征選擇(Mutual Information Feature Selection，MIFS)算法選擇最優(yōu)特征子集，根據(jù)特征與分類標(biāo)簽的相關(guān)性確定特征權(quán)重，提出了一種基于加權(quán)K-近鄰(Weighted K-Nearest Neighbor， WKNN)分類的多特征參量NLOS識(shí)別方法，建立NLOS識(shí)別系統(tǒng)模型。實(shí)驗(yàn)分析了訓(xùn)練樣本數(shù)和K值的選取對(duì)WKNN分類性能的影響，綜合確定了優(yōu)選方案。實(shí)驗(yàn)表明：本算法在一些復(fù)雜環(huán)境中仍能獲得較高的識(shí)別準(zhǔn)確率。本系統(tǒng)流程如圖1所示。

圖1 NLOS識(shí)別方法流程

2 基于CIR波形的NLOS特征量構(gòu)建

IR-UWB信道沖激響應(yīng)波形易受傳播路徑影響，在NLOS傳播環(huán)境下，障礙物對(duì)信號(hào)的吸收和反射都會(huì)投射到波形中，故可以利用數(shù)據(jù)挖掘在波形中提取特征參量，從頻域和時(shí)域方面進(jìn)行分析。在NLOS信道傳播下，信號(hào)穿過障礙物，信號(hào)衰減會(huì)造成最大振幅和總能量的減小，信號(hào)阻塞會(huì)造成上升時(shí)間、平均附加時(shí)延和均方根時(shí)延的增大，信號(hào)發(fā)散會(huì)造成偏度和峭度的變化，故可以將這些特征參量作為NLOS狀態(tài)識(shí)別的依據(jù)。數(shù)據(jù)挖掘是一種有效的工具，它可以執(zhí)行復(fù)雜的計(jì)算過程，如大數(shù)據(jù)集中確定模式，從而可以成功地檢測(cè)脈沖信號(hào)分類所需的有意義的信息和模式。Mucchi等人[13]提出利用峭度(kurtosis，k)對(duì)NLOS和LOS信道進(jìn)行區(qū)分，并且對(duì)接收信號(hào)的質(zhì)量進(jìn)行排序，但成功率僅達(dá)到了74%。張浩等人[14]提出一種基于偏度的NLOS區(qū)分算法，該算法在室內(nèi)辦公環(huán)境中識(shí)別率較高，但在室內(nèi)其他環(huán)境或者室外環(huán)境中識(shí)別率比較低。利用單一特征參量進(jìn)行NLOS識(shí)別性能不是很好，故很多學(xué)者提出多種特征參量融合進(jìn)行識(shí)別。紀(jì)元法等人[15]提出一種基于峭度和均方根時(shí)延擴(kuò)展聯(lián)合似然比檢驗(yàn)區(qū)分NLOS狀態(tài)的算法，獲得較高的準(zhǔn)確率。Guvenc等人[16]提出了一種新的基于峭度、平均附加時(shí)延和均方根時(shí)延擴(kuò)展等多徑信道統(tǒng)計(jì)量融合的非視距識(shí)別技術(shù)，正確識(shí)別率可達(dá)90%以上。上述特征參量的數(shù)學(xué)模型如表1所示。其 中h(t) 為 信 道 沖 激 響 應(yīng) 函 數(shù)，μ|h|，σ|h|分 別 為|h(t)|的平均值和標(biāo)準(zhǔn)差。

表1 各特征參量的數(shù)學(xué)模型

以上特征參量是針對(duì)整個(gè)CIR波形的特征參量，沒有針對(duì)某一傳播路徑進(jìn)行分析，而傳播中的定位信號(hào)第1路徑的判斷對(duì)定位精度有較大影響，故在識(shí)別NLOS信號(hào)中可以將第1路徑的衰減程度作為一種識(shí)別特征。

在LOS傳播環(huán)境下，第1條識(shí)別路徑即為直射路徑，也是最強(qiáng)路徑，在NLOS傳播環(huán)境下，直射路徑在傳播過程中要穿過1個(gè)或多個(gè)障礙物，由于障礙物的相對(duì)介電常數(shù)大于1，所以會(huì)造成一定程度的衰減，為減少接收信號(hào)中噪聲部分對(duì)NLOS識(shí)別的干擾，設(shè)置噪聲閾值，如圖2所示，藍(lán)色線即噪聲閾值，該閾值的設(shè)定既考慮了噪聲影響，也考慮了第1路徑嚴(yán)重衰減低于閾值而不能識(shí)別的可能。本文考慮在NLOS環(huán)境傳播下障礙物對(duì)第1路徑的吸收，對(duì)第1路徑的衰減程度做一個(gè)量化，故提出飽和度S。表達(dá)式如式(1)所示

圖2 CIR波形閾值設(shè)置示意圖

3 特征選擇與分類算法

3.1 特征選擇

如圖3所示為室內(nèi)特征參量箱線圖，可以看出在室內(nèi)傳播信道下，上升時(shí)間和飽和度箱圖重合部分很少，區(qū)分傳播信道的效果較好；最大振幅、總能量、平均附加時(shí)延只能部分區(qū)分，效果不明顯；偏度、峭度、均方根時(shí)延箱圖重合部分很多，基本無法區(qū)分。但不同的信道會(huì)產(chǎn)生不同的特征分布，而且僅憑直觀的對(duì)各參數(shù)值的分布觀察，不能有力地判斷使用哪幾個(gè)特征參量作為分類的基礎(chǔ)。并且，在提出的特征參量中，不可避免地會(huì)存在無關(guān)、冗余的特征，需要進(jìn)行特征選擇[17]。特征選擇階段選用多信道特征參數(shù)數(shù)據(jù)，采用Relief特征選擇法[18]和MIFS[19]方法進(jìn)行篩選，首先利用Relief特征選擇法衡量特征與分類標(biāo)簽間的相關(guān)性，進(jìn)而選擇對(duì)分類效果影響顯著的特征量，然后利用MIFS方法過濾掉冗余性較大的特征，挑選出分類效果最佳的特征子集進(jìn)行分類。

圖3 室內(nèi)特征參量箱線圖

3.2 Relief特征選擇法

Relief算法是過濾型特征選擇算法中性能較好的一種，應(yīng)用于數(shù)據(jù)預(yù)處理階段，運(yùn)行效率高、適用性強(qiáng)[20]。該算法是根據(jù)每個(gè)特征與類別標(biāo)簽的相關(guān)性確定不同權(quán)值，選取權(quán)值較大的特征參量作為降維后的特征子集。主要思想為：在訓(xùn)練樣本集中隨機(jī)選取m個(gè)樣本，對(duì)每個(gè)樣本R找到同類近鄰樣本H和不同類近鄰樣本M，根據(jù)式(2)求出樣本各特征與類別標(biāo)簽的相關(guān)性，并求得各特征的平均權(quán)重。相關(guān)性越大表示該特征參量對(duì)樣本的區(qū)分能力越強(qiáng)

其中，R(A)為 第A個(gè)特征的權(quán)重，d iff(A，R，H)和diff(A，R，M)分 別為選取樣本R與同類近鄰樣本H和不同類近鄰樣本M在特征A上的差值。

利用Relief算法計(jì)算上述8個(gè)特征參量的相關(guān)性值，如表2所示。相關(guān)性越大表示該特征參量對(duì)樣本的區(qū)分能力越強(qiáng)，故提取最大振幅、上升時(shí)間、平均附加時(shí)延、飽和度作為新的特征子集，實(shí)現(xiàn)降維的目的。

表2 各參量與分類標(biāo)簽的相關(guān)性

3.3 MIFS算法

將得到的最大振幅、總能量、上升時(shí)間、平均附加時(shí)延、飽和度利用互信息進(jìn)行冗余度分析如表3所示。通過對(duì)上述特征量的分析，冗余度較小的特征量為上升時(shí)間、最大振幅、飽和度。

表3 兩特征參量之間的冗余度

通過Relief算法和MIFS算法對(duì)CIR特征參量的相關(guān)性和冗余性分析，選取相關(guān)性較大、冗余性較小的3個(gè)特征參量即上升時(shí)間、最大振幅、飽和度作為最佳選取特征集。

3.4 分類算法

定位中NLOS信道的鑒別實(shí)際也是對(duì)信道的二分類過程。從使用單一特征參量鑒別，到使用似然比進(jìn)行多參量融合鑒別，在提高信道鑒別精度方面有了很大的進(jìn)展。同時(shí)，機(jī)器學(xué)習(xí)在室內(nèi)定位和信號(hào)分類領(lǐng)域的進(jìn)展也引起了人們極大的關(guān)注，這些研究致力于開發(fā)一種更好、更魯棒的算法來對(duì)數(shù)據(jù)進(jìn)行分類和識(shí)別，在這些工作中，有一些經(jīng)典的分類器，如支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)、決策樹、貝葉斯方法[21，22]，也有一些它們的變體和組合。在NLOS識(shí)別中，盡管可以使用許多的分類技術(shù)，但一些分類器結(jié)構(gòu)復(fù)雜，計(jì)算量較高，并不適用在較高頻率的實(shí)時(shí)定位NLOS識(shí)別中，本文選取WKNN分類方法進(jìn)行實(shí)時(shí)識(shí)別，計(jì)算負(fù)擔(dān)較低，分類耗時(shí)較短，且在復(fù)雜的分類問題中仍具有較高的靈活性，故該分類器較為適用。

WKNN分類算法是一種較為成熟的機(jī)器學(xué)習(xí)分類算法，多用于信號(hào)處理領(lǐng)域[23，24]。該算法的思路是：在訓(xùn)練數(shù)據(jù)集中特征向量與類別已知的情況下，對(duì)測(cè)試樣本進(jìn)行分類，確定各特征參量的權(quán)重，計(jì)算測(cè)試數(shù)據(jù)與訓(xùn)練數(shù)據(jù)之間的距離，將距離按照從大到小的順序排序，得到距離最小的K個(gè)訓(xùn)練數(shù)據(jù)，將這K個(gè)數(shù)據(jù)中出現(xiàn)最多的類別作為測(cè)試數(shù)據(jù)的預(yù)測(cè)類。采用WKNN分類算法需要考慮訓(xùn)練數(shù)據(jù)集的數(shù)量、特征參量的權(quán)重、距離的計(jì)算、K值的選取。

在計(jì)算距離前，需對(duì)訓(xùn)練數(shù)據(jù)集及測(cè)試數(shù)據(jù)做歸一化處理，防止特征向量數(shù)值差別過大影響權(quán)重，并通過使用Relief算法確定的各特征參量與分類標(biāo)簽的相關(guān)性判斷各特征參量的權(quán)重。權(quán)重計(jì)算如式(4)所示

K值的選取對(duì)NLOS的識(shí)別率有較大的影響。若出現(xiàn)兩個(gè)類在測(cè)試數(shù)據(jù)的WKNN算法中具有相同的數(shù)量，則會(huì)出現(xiàn)該測(cè)試數(shù)據(jù)不能判斷類別的情況，為避免這種情況發(fā)生，一般K值選擇奇數(shù)。訓(xùn)練數(shù)據(jù)集數(shù)量不同，最優(yōu)K值也不同。若K值取得過小，則算法易受信號(hào)干擾的影響，容易發(fā)生過擬合，使分類結(jié)果不穩(wěn)定；若K值取得過大，則會(huì)造成泛化誤差大而近似誤差大的情況，容易發(fā)生欠擬合，同時(shí)，K值過大也會(huì)增大算法的時(shí)間開銷。為說明精度與K值的關(guān)系，并確定最優(yōu)K值，繪出了它的K-精度曲線如圖4所示。

從圖4可以看出，對(duì)于不同數(shù)據(jù)集數(shù)量，K-精度曲線也不同，但它們都有相同的趨勢(shì)：K值較小時(shí)，分類精度較低，隨K值增大，分類精度逐漸增大，當(dāng)K增大到一定程度時(shí)，分類精度逐漸減小。由圖可以得到最優(yōu)K值在10附近，K確定為9。為了保證識(shí)別的實(shí)時(shí)性和識(shí)別的正確率，將訓(xùn)練數(shù)據(jù)集定為300，包括150組LOS信道和150組NLOS信道，防止因分類數(shù)據(jù)的不平等導(dǎo)致識(shí)別率的降低。

圖4 K-精度曲線

4 實(shí)驗(yàn)及結(jié)果分析

4.1 實(shí)驗(yàn)平臺(tái)

如圖5所示，本系統(tǒng)由標(biāo)簽、基站、以太網(wǎng)供電(Power Over Ethernet， POE)交換機(jī)、上位機(jī)(電腦)構(gòu)成，采用到達(dá)時(shí)間差(Time Differences Of Arrival， TDOA)計(jì)算距離，每個(gè)基站都存在數(shù)據(jù)采集單元和處理單元，基站與POE交換機(jī)之間采用以太網(wǎng)線進(jìn)行連接，供電的同時(shí)進(jìn)行數(shù)據(jù)傳輸，標(biāo)簽采用電池直接供電。為了采集CIR數(shù)據(jù)，運(yùn)動(dòng)的定位標(biāo)簽不斷地向基站發(fā)送定位請(qǐng)求信號(hào)，基站和標(biāo)簽使用的天線均為全向天線?；纠肬DP協(xié)議將CIR數(shù)據(jù)上傳到上位機(jī)進(jìn)行分析。上位機(jī)接收到CIR數(shù)據(jù)包進(jìn)行處理，顯示波形，每個(gè)數(shù)據(jù)點(diǎn)按接收到的先后順序排列，間隔為15.65 ps。

圖5 NLOS識(shí)別系統(tǒng)圖

在信號(hào)傳播過程中，接收信號(hào)強(qiáng)度會(huì)隨著傳播距離的增加造成衰減，并且不同障礙物有不同的介電常數(shù)，衰減也不同，一些特征參量中隱含這種衰減特性，使用這種距離衰減嚴(yán)重的特征參量作為分類標(biāo)準(zhǔn)會(huì)使分類精度降低。為了驗(yàn)證本文NLOS識(shí)別算法的性能，利用已有的定位裝置(基站和標(biāo)簽)開展了不同信道下使用不同特征參量的識(shí)別精度對(duì)比研究。包括室內(nèi)辦公環(huán)境(CM1)、玻璃阻塞(CM2)、墻體阻塞(CM3)、工況阻塞(CM4)、室外10 m人體阻塞(CM5)、室外30 m人體阻塞(CM6)等不同信道，如圖6所示。

圖6 實(shí)驗(yàn)環(huán)境

4.2 識(shí)別算法性能評(píng)定指標(biāo)

為了評(píng)估本文NLOS識(shí)別系統(tǒng)的識(shí)別效果及不同環(huán)境的泛化能力，選用混淆矩陣(confusion matrix)[25]來度量該識(shí)別系統(tǒng)的性能，將預(yù)測(cè)分類與實(shí)際分類劃分為4種情況，真陽性(TP)、偽陽性(FP)、真陰性(TN)、偽陰性(FN)，如表4所示。

表4 混淆矩陣

混淆矩陣統(tǒng)計(jì)的是個(gè)數(shù)，很難衡量模型的優(yōu)劣，故在混淆矩陣的基礎(chǔ)上使用準(zhǔn)確率(Accuracy，A)作為性能度量指標(biāo)。計(jì)算方式如式(7)所示

4.3 單一參量性能分析

本文旨在使用CIR波形中提取的特征參量來進(jìn)行NLOS識(shí)別。盡管之前的工作已經(jīng)提供了可用于解決此問題的參數(shù)，但在實(shí)際不同環(huán)境信道下可能效果并不好，故在此分析了單一特征參量在不同信道下的識(shí)別精度，如表5所示。對(duì)比同種環(huán)境不同距離CM5和CM6信道識(shí)別精度，發(fā)現(xiàn)某些特征參量受傳播距離影響嚴(yán)重，造成識(shí)別率降低，如總能量ε在CM5環(huán)境下識(shí)別精度可達(dá)99.67%，但在CM6環(huán)境下僅達(dá)到88.67%，故這類特征參量需盡量減少使用。對(duì)比不同環(huán)境下的識(shí)別精度，發(fā)現(xiàn)單一特征參量在某一信道下的識(shí)別率可以達(dá)到90%以上，具有較好的識(shí)別效果，但該特征參量在另一信道下識(shí)別精度僅為60%。由此可得，使用單一特征參量進(jìn)行識(shí)別僅適用于個(gè)別環(huán)境信道，對(duì)其他環(huán)境沒有較好的適用性。

表5 單一參量在不同信道(CM)下的識(shí)別精度

4.4 多參量融合性能分析

本文所提算法利用Relief特征選擇法和互信息特征選擇法進(jìn)行特征篩選，選擇上升時(shí)間、最大振幅、飽和度作為最優(yōu)特征子集進(jìn)行WKNN分類。WKNN參數(shù)設(shè)置：每種傳播信道訓(xùn)練樣本數(shù)設(shè)置為200，共1200組訓(xùn)練數(shù)據(jù)、近鄰數(shù)K設(shè)置為9、距離計(jì)算采用歐氏距離。

在室內(nèi)辦公環(huán)境下進(jìn)行400次分類實(shí)驗(yàn)，該WKNN分類效果圖如圖7所示，其中，紅色○和藍(lán)色△分別為正確識(shí)別的LOS和NLOS信道，黑色☆和綠色*分別為錯(cuò)誤識(shí)別的LOS和NLOS信道。WKNN分類識(shí)別率達(dá)到97.25%，平均單次識(shí)別耗時(shí)0.024 s，有較好的分類性能。

圖7 WKNN分類效果圖

信號(hào)傳播環(huán)境的復(fù)雜程度不同會(huì)造成信道沖激響應(yīng)差異程度不同，不同特征對(duì)環(huán)境也有不同的識(shí)別能力，并且不同的特征之間存在不一樣的冗余度，故如隨意將之進(jìn)行融合對(duì)識(shí)別能力有一定影響。本文提出的識(shí)別方法考慮到了特征與分類標(biāo)簽之間的相關(guān)性和特征與特征之間的冗余性，有效地提高了識(shí)別精度。為驗(yàn)證本文提出的識(shí)別方法的性能優(yōu)越性，采用不同特征融合進(jìn)行了不同信道下的實(shí)驗(yàn)對(duì)比，如表6所示。

表6 多參量對(duì)不同信道(CM)的識(shí)別精度

可以看出本文提出的rmax+trise+S3種參量融合識(shí)別方法在不同信道下均達(dá)到了95%以上的識(shí)別精度，并且對(duì)比同一環(huán)境下CM5和CM6不同距離信道下，識(shí)別精度并不會(huì)受到影響。在計(jì)算復(fù)雜度相當(dāng)?shù)那闆r下，其余不同特征參量融合方法可能在某一環(huán)境下比本文提出的方法識(shí)別精度要高一點(diǎn)，但在別的環(huán)境信道下較低，不能達(dá)到有效識(shí)別的程度。故本文提出的識(shí)別方法識(shí)別精度較高，環(huán)境適用性較強(qiáng)。

5 結(jié)論

復(fù)雜的室內(nèi)情況下，人體遮擋、墻體遮擋、鐵制品遮擋等非視距效應(yīng)嚴(yán)重影響信號(hào)的傳播時(shí)間，這對(duì)室內(nèi)定位精度的提高提出了嚴(yán)峻挑戰(zhàn)。本文旨在構(gòu)建一個(gè)識(shí)別準(zhǔn)確率較高、環(huán)境適用性較強(qiáng)、計(jì)算復(fù)雜度較低的實(shí)時(shí)NLOS識(shí)別系統(tǒng)，提出一種基于CIR的WKNN快速分類算法。在前人使用的CIR特征參量基礎(chǔ)上提出了一種新型特征參量，利用Relief算法討論了特征參量與分類標(biāo)簽的相關(guān)性，利用MIFS算法分析了特征參量間的冗余性，得到新特征子集，最后分析特征參量之間的相關(guān)性獲得各特征參量的權(quán)重，得到WKNN快速分類算法。

本文討論了WKNN快速分類算法的訓(xùn)練數(shù)據(jù)集數(shù)量和最優(yōu)K值。并為了驗(yàn)證本算法的有效性與適用性，利用該算法在不同環(huán)境下開展了實(shí)驗(yàn)研究和結(jié)果分析。實(shí)驗(yàn)結(jié)果表明，本文的NLOS識(shí)別算法在不同環(huán)境下仍達(dá)到95%，平均單次識(shí)別耗時(shí)0.024 s，具有較高實(shí)時(shí)性和環(huán)境適用性，保證了復(fù)雜室內(nèi)環(huán)境下較高的識(shí)別精度。