CN112800983B - 一种基于随机森林的非视距信号识别方法 - Google Patents

一种基于随机森林的非视距信号识别方法 Download PDF

Info

Publication number
CN112800983B
CN112800983B CN202110138933.7A CN202110138933A CN112800983B CN 112800983 B CN112800983 B CN 112800983B CN 202110138933 A CN202110138933 A CN 202110138933A CN 112800983 B CN112800983 B CN 112800983B
Authority
CN
China
Prior art keywords
sight
training
line
distance
random forest
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110138933.7A
Other languages
English (en)
Other versions
CN112800983A (zh
Inventor
杨小凤
韦艳芳
王强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yulin Normal University
Original Assignee
Yulin Normal University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Yulin Normal University filed Critical Yulin Normal University
Priority to CN202110138933.7A priority Critical patent/CN112800983B/zh
Publication of CN112800983A publication Critical patent/CN112800983A/zh
Application granted granted Critical
Publication of CN112800983B publication Critical patent/CN112800983B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于随机森林的非视距信号识别方法，涉及无线定位技术领域，解决现有定位方法实时性差、精度低的技术问题，所述方法为：构建由若干决策树构成的随机森林模型，依次测量目标节点到各个基站的接收信号r*(t)，将r*(t)的特征参数输入随机森林模型，得到目标节点与各个基站接收信号的视距/非视距识别结果，利用接收信号定位时可将识别为非视距的信号去掉。

Description

一种基于随机森林的非视距信号识别方法
技术领域
本发明涉及无线定位技术领域，更具体地说，它涉及一种基于随机森林的非视距信号识别方法。
背景技术
无线定位(Wireless Localization)广泛应用于军事、物流、安全、医疗、搜索和营救等领域。提高定位***在复杂多径，非视距(None-line-of-sight,NLOS)环境下的定位精度，这是当前基于波达时间(Time-of-Arrival,TOA)的无线定位的研究热点，其关键问题之一为非视距信号识别。
非视距信号识别是指当距离测量值较多时，将非视距测量值识别出来并去掉，仅利用视距测量值进行定位。目前主要有三类方法：
1)基于距离测量的方法，根据非视距环境下的距离测量值的方差大于视距环境下的距离测量值的方差，将若干个距离测量值的方差和预先设定的阈值作比较，大于阈值可判定为非视距信号，小于阈值可判定为视距信号，该方法适用于静态目标定位，当目标处于动态时，距离测量值的方差增大，容易将视距信号误判为非视距信号；
2)基于信道统计特性的方法，通过分析信道冲激响应的幅值的累积分布函数来识别非视距信号，或通过比较信道的峰度(kurtosis)、平均时延(mean excess delay)和均方根时延(root mean square delay)的联合似然函数值和门限值来识别非视距信号，但是判决门限的定义比较模糊；
3)通过环境的地理几何信息识别信道，利用光线追踪算法来识别非视距信号，需要事先知道环境的布局。
以上算法都属于统计方法，其共同缺点是：(一)一般需要事先知道样本的先验分布，并需要收集足够多的样本数据，而这些要求在实际应用中往往难以达到，并且算法实时性不高；(二)算法需要的特征联合概率分布有时候难以确定，稳定性差。
发明内容
本发明要解决的技术问题是针对现有技术的上述不足，本发明的目的是提供一种实时性高、稳定性好的基于随机森林的非视距信号识别方法。
本发明的技术方案是：一种基于随机森林的非视距信号识别方法，包括步骤如下：
S1.在包含1个目标节点和A个基站的测试区域内随机选取N个训练位置，将训练通信节点依次放置在各所述训练位置，测量该训练通信节点在每一个训练位置n∈N到第K个基站的接收信号rn(t)，K＝1，2，…，A；
分别计算得到rn(t)的6个特征参数，包括：
能量参数e＝∫|rn(t)|2dt、
最大幅值参数rmax＝maxr|rn(t)|、
上升时间参数trise＝mint{t：|rn(t)|≥0.6rmax}-mint{t：|rn(t)|≥6σn}、
平均延时参数
均方根延时参数
峰度参数
将所述6个特征参数组成特征集F＝{e，rmax，trise，τm，τr，κs}，将N个位置得到的rn(t)组成训练输入矩阵建立训练输出矩阵/>其中yn为rn(t)的视距或非视距识别标记，若识别为视距，则yn＝1，若识别为非视距，则yn＝0，得到完整的训练集/>
S2.测量所述目标节点到该基站的接收信号r*(t)，并计算r*(t)的6个特征参数；
S3.构建由若干决策树构成的随机森林模型，对于各个决策树：从完整的训练集D中以有放回抽样的方式抽样N次，形成该决策树的训练集D′，从特征集F中随机选取M个特征参数作为该决策树的待选特征，M＜6，计算所述待选特征的Gini指数，并按照Gini指数从小到大的顺序将这些待选特征依次作为该决策树的根节点、中间节点和叶节点的***特征，
其中Gini(D′，f)为根据待选特征f将训练集D′识别分为D1(视距)和D2(非视距)两类的Gini指数，Gini(Di)为类别Di(i＝1，2)的Gini指数，|D1|、|D2|、|D′|分别为集合D1、D2、D′中样本的个数，pi为类别Di中识别分类正确和错误的概率；
S4.将目标结点接收信号r*(t)的特征参数输入所述随机森林模型，每棵决策树将其与各个节点的***特征值区间范围比较并输出其视距/非视距识别类别，全部决策树的判断结果中的大多数作为该基站最终的视距/非视距识别结果；
S5.对所述测试区域内的其余基站重复步骤S1～S4，得到所述目标节点与各个基站接收信号的视距/非视距识别结果，利用接收信号定位时可将识别为非视距的信号去掉。
作为进一步地改进，所述A≥3。
有益效果
本发明与现有技术相比，具有的优点为：
本发明的方法将非视距信号识别作为一个视距/非视距两类别分类问题处理，采用机器学习方法——随机森林进行识别分类，随机森林是一个包含多个决策树的高精度分类器，其输出的类别是由各决策树输出的类别的大多数决定，与现有的统计方法相比，本发明的方法属于机器学习方法，不必依赖于样本所从属的总体的分布形式，仅依赖少量数据观测值的与总体分布无关的性质进行检验和估计，能够有效减小推断偏差、提高非视距定位精度，实时性高、稳定性好，非常适用于基于波达时间的无线定位***。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合附图中的具体实施例对本发明做进一步的说明。
参阅图1，一种基于随机森林的非视距信号识别方法，包括步骤如下：
S1.在包含1个目标节点和A个基站的测试区域内随机选取N个训练位置，将训练通信节点依次放置在各训练位置，测量该训练通信节点在每一个训练位置n∈N到第K个基站的接收信号rn(t)，A≥3，K＝1，2，…，A；
分别计算得到rn(t)的6个特征参数，包括：
能量参数e＝∫|rn(t)|2dt、
最大幅值参数rmax＝maxr|rn(t)|、
上升时间参数trise＝mint{t：|rn(t)|≥0.6rmax}-mint{t：|rn(t)|≥6σn}、
平均延时参数
均方根延时参数
峰度参数
将6个特征参数组成特征集F＝{e，rmax，trise，τm，τr，κs}，将N个位置得到的rn(t)组成训练输入矩阵建立训练输出矩阵/>其中yn为rn(t)的视距或非视距识别标记，若识别为视距，则yn＝1，若识别为非视距，则yn＝0，得到完整的训练集/>
S2.测量目标节点到该基站的接收信号r*(t)，并计算r*(t)的6个特征参数；
S3.构建由若干决策树构成的随机森林模型，对于各个决策树：从完整的训练集D中以有放回抽样的方式抽样N次，形成该决策树的训练集D′，从特征集F中随机选取M个特征参数作为该决策树的待选特征，M＜6，计算待选特征的Gini指数，并按照Gini指数从小到大的顺序将这些待选特征依次作为该决策树的根节点、中间节点和叶节点的***特征，
其中Gini(D′，f)为根据待选特征f将训练集D′识别分为D1(视距)和D2(非视距)两类的Gini指数，Gini(Di)为类别Di(i＝1，2)的Gini指数，|D1|、|D2|、|D′|分别为集合D1、D2、D′中样本的个数，pi为类别Di中识别分类正确和错误的概率；
S4.将目标结点接收信号r*(t)的特征参数输入随机森林模型，每棵决策树将其与各个节点的***特征值区间范围比较并输出其视距/非视距识别类别，全部决策树的判断结果中的大多数作为该基站最终的视距/非视距识别结果；
S5.对测试区域内的其余基站重复步骤S1～S4，得到目标节点与各个基站接收信号的视距/非视距识别结果，利用接收信号定位时可将识别为非视距的信号去掉。
本发明的方法将非视距信号识别作为一个视距/非视距两类别分类问题处理，采用机器学习方法——随机森林进行识别分类，随机森林是一个包含多个决策树的高精度分类器，其输出的类别是由各决策树输出的类别的大多数决定，与现有的统计方法相比，本发明的方法属于机器学习方法，不必依赖于样本所从属的总体的分布形式，仅依赖少量数据观测值的与总体分布无关的性质进行检验和估计，能够有效减小推断偏差、提高非视距定位精度，实时性高、稳定性好，非常适用于基于波达时间的无线定位***。
以上仅是本发明的优选实施方式，应当指出对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些都不会影响本发明实施的效果和专利的实用性。

Claims (2)

1.一种基于随机森林的非视距信号识别方法，其特征在于，包括步骤如下：
S1.在包含1个目标节点和A个基站的测试区域内随机选取N个训练位置，将训练通信节点依次放置在各所述训练位置，测量该训练通信节点在每一个训练位置n∊N到第K个基站的接收信号，K=1,2,…,A；
分别计算得到的6个特征参数，包括：
能量参数、
最大幅值参数、
上升时间参数、
平均延时参数、
均方根延时参数、
峰度参数；
将所述6个特征参数组成特征集，将N个位置得到的/>组成训练输入矩阵/>，建立训练输出矩阵/>，其中/>为/>的视距或非视距识别标记，若识别为视距，则/>，若识别为非视距，则/>，得到完整的训练集/>；
S2.测量所述目标节点到该基站的接收信号，并计算/>的6个特征参数；
S3.构建由若干决策树构成的随机森林模型，对于各个决策树：从完整的训练集中以有放回抽样的方式抽样N次，形成该决策树的训练集/>，从特征集/>中随机选取M个特征参数作为该决策树的待选特征，M<6，计算所述待选特征的Gini指数，并按照Gini指数从小到大的顺序将这些待选特征依次作为该决策树的根节点、中间节点和叶节点的***特征，
，
，
其中为根据待选特征/>将训练集/>识别分为视距/>和非视距/>两类的Gini指数，/>为类别/>的Gini指数，/>，/>、/>、/>分别为集合/>、、/>中样本的个数，/>为类别/>中识别分类正确和错误的概率；
S4.将目标结点接收信号的特征参数输入所述随机森林模型，每棵决策树将其与各个节点的***特征值区间范围比较并输出其视距/非视距识别类别，全部决策树的判断结果中的大多数作为该基站最终的视距/非视距识别结果；
S5.对所述测试区域内的其余基站重复步骤S1～S4，得到所述目标节点与各个基站接收信号的视距/非视距识别结果，利用接收信号定位时可将识别为非视距的信号去掉。
2.根据权利要求1所述的一种基于随机森林的非视距信号识别方法，其特征在于，所述A≥3。
CN202110138933.7A 2021-02-01 2021-02-01 一种基于随机森林的非视距信号识别方法 Active CN112800983B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110138933.7A CN112800983B (zh) 2021-02-01 2021-02-01 一种基于随机森林的非视距信号识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110138933.7A CN112800983B (zh) 2021-02-01 2021-02-01 一种基于随机森林的非视距信号识别方法

Publications (2)

Publication Number Publication Date
CN112800983A CN112800983A (zh) 2021-05-14
CN112800983B true CN112800983B (zh) 2024-03-08

Family

ID=75813467

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110138933.7A Active CN112800983B (zh) 2021-02-01 2021-02-01 一种基于随机森林的非视距信号识别方法

Country Status (1)

Country Link
CN (1) CN112800983B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113382354B (zh) * 2021-06-08 2022-04-22 东南大学 一种基于因子图的无线定位非视距信号判别方法
CN113625319B (zh) * 2021-06-22 2023-12-05 北京邮电大学 基于集成学习的非视距信号检测方法和装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107124762A (zh) * 2017-04-26 2017-09-01 玉林师范学院 一种高效消减非视距误差的无线定位方法
CN107273920A (zh) * 2017-05-27 2017-10-20 西安交通大学 一种基于随机森林的非侵入式家用电器识别方法
CN107563437A (zh) * 2017-08-31 2018-01-09 广州中海达定位技术有限公司 基于随机森林的超宽带非视距鉴别方法
CN107820206A (zh) * 2017-11-15 2018-03-20 玉林师范学院 基于信号强度的非视距定位方法
KR20190110276A (ko) * 2018-03-20 2019-09-30 한양대학교 산학협력단 심화신경망과 랜덤 포레스트의 앙상블을 이용한 멀티센서 기반의 비접촉식 수면 단계 검출 방법 및 장치
CN111257827A (zh) * 2020-01-16 2020-06-09 玉林师范学院 一种高精度的非视距追踪定位方法
CN111832417A (zh) * 2020-06-16 2020-10-27 杭州电子科技大学 基于cnn-lstm模型和迁移学习的信号调制样式识别方法
CN111916066A (zh) * 2020-08-13 2020-11-10 山东大学 基于随机森林的语音声调识别方法及***
CN112245728A (zh) * 2020-06-03 2021-01-22 北京化工大学 一种基于集成树的呼吸机假阳性报警信号识别方法及***

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8306942B2 (en) * 2008-05-06 2012-11-06 Lawrence Livermore National Security, Llc Discriminant forest classification method and system
US20180260531A1 (en) * 2017-03-10 2018-09-13 Microsoft Technology Licensing, Llc Training random decision trees for sensor data processing

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107124762A (zh) * 2017-04-26 2017-09-01 玉林师范学院 一种高效消减非视距误差的无线定位方法
CN107273920A (zh) * 2017-05-27 2017-10-20 西安交通大学 一种基于随机森林的非侵入式家用电器识别方法
CN107563437A (zh) * 2017-08-31 2018-01-09 广州中海达定位技术有限公司 基于随机森林的超宽带非视距鉴别方法
CN107820206A (zh) * 2017-11-15 2018-03-20 玉林师范学院 基于信号强度的非视距定位方法
KR20190110276A (ko) * 2018-03-20 2019-09-30 한양대학교 산학협력단 심화신경망과 랜덤 포레스트의 앙상블을 이용한 멀티센서 기반의 비접촉식 수면 단계 검출 방법 및 장치
CN111257827A (zh) * 2020-01-16 2020-06-09 玉林师范学院 一种高精度的非视距追踪定位方法
CN112245728A (zh) * 2020-06-03 2021-01-22 北京化工大学 一种基于集成树的呼吸机假阳性报警信号识别方法及***
CN111832417A (zh) * 2020-06-16 2020-10-27 杭州电子科技大学 基于cnn-lstm模型和迁移学习的信号调制样式识别方法
CN111916066A (zh) * 2020-08-13 2020-11-10 山东大学 基于随机森林的语音声调识别方法及***

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
基于TOA估计的超宽带快速定位方法;杨小凤;陈铁军;陈宇宁;;现代雷达;20160315(第03期);全文 *
基于超宽带的TOA-DOA联合定位方法;杨小凤;陈铁军;黄志文;李琼;重庆邮电大学学报(自然科学版);20161231(第002期);全文 *
基于随机森林的建筑结构损伤识别方法;周绮凤;杨小青;周青青;雷家艳;振动、测试与诊断;20121231;第32卷(第2期);全文 *
基于随机森林的认知网络主用户信号调制类型识别算法;王鑫;汪晋宽;刘志刚;胡曦;东北大学学报. 自然科学版;20141231;第35卷(第12期);全文 *
基于随机森林的通信信号调制识别算法研究;谭正骄;CNKI;20181231;全文 *
高精度低复杂度的无线定位新方法;杨小凤;陈铁军;刘峰;计算机应用;20141231;第34卷(第002期);全文 *

Also Published As

Publication number Publication date
CN112800983A (zh) 2021-05-14

Similar Documents

Publication Publication Date Title
CN112800983B (zh) 一种基于随机森林的非视距信号识别方法
CN111832417B (zh) 基于cnn-lstm模型和迁移学习的信号调制样式识别方法
CN108536851B (zh) 一种基于移动轨迹相似度比较的用户身份识别方法
KR102116824B1 (ko) 딥러닝 기반 측위 시스템 및 이의 구축 방법
CN103618997B (zh) 一种基于信号强度概率的室内定位方法和装置
CN111079859B (zh) 一种无源多站多目标测向交叉定位与虚假点去除方法
CN106851571A (zh) 一种基于决策树的快速KNN室内WiFi定位方法
CN107124762B (zh) 一种高效消减非视距误差的无线定位方法
CN109348416B (zh) 基于二分k均值的指纹室内定位方法
CN110222776A (zh) 一种基于csi指纹信息的室内被动定位方法
CN110376290A (zh) 基于多维核密度估计的声发射源定位方法
CN107396309A (zh) 一种无线传感器网络森林定位方法
CN106793078A (zh) 基于rssi修正值双重定位的蓝牙室内定位方法
CN113269825A (zh) 基于地基激光雷达技术林木胸径值提取的方法
CN111405461B (zh) 一种优化等间隔指纹采样个数的无线室内定位方法
CN114584230A (zh) 一种基于对抗网络与长短期记忆网络的预测信道建模方法
CN108650629A (zh) 一种基于无线通信基站的室内三维定位算法
CN112990125B (zh) 一种辐射源雷达属于目标平台的判别方法
CN111239715B (zh) 一种联合灰色关联和神经网络的指纹定位方法
Cheng et al. A fingerprint localization method based on weighted KNN algorithm
CN116466314A (zh) 一种雷达个体分选方法、装置、存储介质及设备
CN106483521A (zh) 基于射线跟踪和遗传算法的未知源定位方法
CN110933625A (zh) 一种基于深度学习的超宽带指纹定位方法
CN115017958A (zh) 一种基于信道特征加权模型的非视距信号识别方法
Shih et al. The improvement of indoor localization precision through partial least square (PLS) and swarm (PSO) methods

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant