论文部分内容阅读
受卫星导航信号的物理特性限制,卫星导航系统在复杂环境下提供的服务性能会下降甚至不能提供服务。目前广泛研究的地面无线定位成为对卫星导航系统的增强,其中超宽带(UWB)信号由于其优良的穿透性能及多径分辨能力,有潜力成为协同定位中的一个重要部分。然而非视距(NLOS)误差是限制超宽带定位精度的一个重要因素。传统的通过机器学习识别NLOS信号的方法时效性较差,不能满足特定应用。本文提出了一种两步识别NLOS的方法。第一步是预识别,本文提出的预识别方法是利用广义极大似然(GML)算法,在LOS信道下建立直接路径(DP)信号强度(RSS)与到达时间(TOA)关系曲线。通过设定阈值,利用DP信号的功率曲线可直接滤除某些非视距信号。分析表明,采用预识别方法能够减少识别时间。第二步是采用支持向量数据描述(SVDD)算法对预识别后的信号继续二分类,进一步滤除NLOS信号。本文通过使用两个参数训练二分类模型提升了算法的时效性。我们在操场环境下采集512组DP信号的功率和TOA记录,采用最小二乘法拟合出功率曲线,再对麻省理工学院网络实验室收集的1020组信号数据进行交叉检测。分别设置阈值为拟合功率的0.25、0.40、0.55、0.70和0.85,NLOS信号识别时效性对应降低71.8%、56.3%、18.2%、9.0%和2.5%。仿真和实验表明,与传统算法相比,本文提出的方法在保证NLOS识别成功率的基础上降低了时间复杂度,且阈值设置越高,时效性提升越明显。