基于CNN-LSTM的超宽带NLOS/LOS分类算法研究
刘卿卿1
徐帅2
王思语2
吴南2
刘明江2
1.南京信息工程大学自动化学院 南京 210044;南京信息工程大学江苏省大气环境与装备技术协同创新中心 南京 2100442.南京信息工程大学自动化学院 南京 210044
摘要：超宽带(ultra-wideband,UWB)室内定位系统中,非视距(non-line-of-sight,NLOS)信号的识别与分类是影响定位精度的关键技术.为解决用于NLOS识别的信道冲激响应(Channel Impulse Response,CIR)中存在的噪声干扰问题以及传统NLOS识别方法多场景下阈值选取困难等问题,论文采用一种用于CIR数据去噪的可逆变换方法,并使用卷积神经网络(Convolutional Neural Network,CNN)结合长短期记忆网络(long short-term memory network,LSTM)的结构识别NLOS信号.采用开源数据集进行训练与验证,结果显示,CIR去噪后的CNN-LSTM分类精度最高可达90.62%.表明该方法可以有效提高NLOS信号分类精度.
关键词：超宽带非视距识别去噪声神经网络
分类号：TN98(电子技术、通信技术)
资助基金：国家自然科学基金(61701244)
论文发表日期：2024-08-20
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：7( 2252-2258 )
英文信息