孔乾坤

（重慶市長壽區(qū)大數(shù)據(jù)應(yīng)用發(fā)展管理局，重慶 401220）

0 引言

隨著無線通信技術(shù)的發(fā)展和物聯(lián)網(wǎng)在各行業(yè)的推廣應(yīng)用，智能終端及智能設(shè)備逐漸普及，對室內(nèi)環(huán)境下獲取終端或設(shè)備位置的需求日益增多?；谖恢玫姆?wù)（Location-Based Services，LBS）已成為定位導(dǎo)航、應(yīng)急搜救、搶險救災(zāi)的必備功能[1]。室內(nèi)定位技術(shù)是LBS 的核心，LBS 依賴于人員、貨物或資產(chǎn)的精確位置，但NLOS 環(huán)境影響定位精度的進(jìn)一步提高[2]。自從2016 年谷歌“阿爾法狗”圍棋系統(tǒng)以5:0 全勝韓國圍棋大師李世石以來，CNN受到人們的廣泛關(guān)注并取得了迅速發(fā)展。本文研究利用CNN 識別NLOS 信號的具體過程，將CNN 技術(shù)用于NLOS 識別，不需要人工提取信號特征，只需要將原始CIR 信號作為輸入，將是否為NLOS 信號作為輸出，模型訓(xùn)練完成后就能用于識別NLOS信號[3]，識別NLOS 信號后只利用LOS 信號做定位，結(jié)果表明該方法能顯著提高定位精度。

1 CNN 分類原理

1.1 基本原理

CNN 是一類包含卷積計算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)，可用于圖像識別、信號識別、自然語言處理等領(lǐng)域。使用CNN 識別信號的步驟：（1）卷積層提取初步特征；（2）池化層提取主要特征；（3）全連接層匯總特征并進(jìn)行分類預(yù)測。

1.1.1 卷積層

對輸入數(shù)據(jù)矩陣中每個元素點，計算卷積核矩陣每個元素與卷積核矩陣覆蓋范圍內(nèi)對應(yīng)元素點的乘積，并累加所有乘積，累加和即為卷積層輸出。

1.1.2 池化層

池化層利用局部相關(guān)性原理對信號進(jìn)行下采樣，作用是保證生成的特征圖在特征不變的情況下降低數(shù)據(jù)維度，保留有用信息的同時，減少模型的參數(shù)數(shù)量和計算復(fù)雜度。

1.1.3 全連接層

全連接層中神經(jīng)元不經(jīng)過卷積運算直接連接到相鄰層的神經(jīng)元上。對全連接層輸入加權(quán)求和并經(jīng)過激活函數(shù)，就可得到對應(yīng)的輸出。為了防止過擬合，全連接層中一般采用dropout 方法。

1.2 Dropout 方法

隨機失活[4]（dropout）是指在訓(xùn)練模型過程中按照一定的概率使隱藏層部分神經(jīng)元失活，失活的神經(jīng)元不參與下一步的網(wǎng)絡(luò)訓(xùn)練，從而避免過擬合的發(fā)生。對某層神經(jīng)元，訓(xùn)練階段以概率p隨機將該神經(jīng)元失活，測試階段所有神經(jīng)元全部為激活狀態(tài)，但其權(quán)重需要乘1-p以保證訓(xùn)練和測試階段各自的權(quán)重有相同的期望。假設(shè)dropout 輸入為x，對應(yīng)的輸出為y，該層權(quán)值用w表示，依據(jù)特定概率隨機選取的w矩陣的子集用w′表示，于是dropout運算過程可表示如下。

訓(xùn)練過程：

測試過程：

dropout 方法緩解過擬合現(xiàn)象的原因是：訓(xùn)練CNN 時，每次得到的子網(wǎng)絡(luò)是按照概率對權(quán)值矩陣隨機采樣后得到，多次訓(xùn)練后，每次參與訓(xùn)練的神經(jīng)元有所不同，避免了某個網(wǎng)絡(luò)參數(shù)過多導(dǎo)致的模型過于復(fù)雜，從而抑制過擬合。

1.3 訓(xùn)練步驟

卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程分為兩個階段。第一階段是數(shù)據(jù)由低層次向高層次傳播的階段，即前向傳播階段。第二階段是當(dāng)前向傳播得出的結(jié)果與預(yù)期不相符時，將誤差從高層次向底層次傳播訓(xùn)練的階段，即反向傳播階段。

訓(xùn)練過程如下。

步驟1：初始化卷積神經(jīng)網(wǎng)絡(luò)的權(quán)值；

步驟2：輸入數(shù)據(jù)經(jīng)過卷積層、池化層、全連接層，前向傳播得到輸出值；

步驟3：求出卷積神經(jīng)網(wǎng)絡(luò)輸出值與理想輸出值之間的誤差；

步驟4：將誤差傳回網(wǎng)絡(luò)中，依次求得全連接層、池化層和卷積層的誤差；

步驟5：按照誤差最小化準(zhǔn)則，通過反向傳播調(diào)整卷積神經(jīng)網(wǎng)絡(luò)的權(quán)值，然后進(jìn)入第二輪重復(fù)訓(xùn)練，直到誤差小于設(shè)定值或者達(dá)到最大訓(xùn)練次數(shù)時，結(jié)束訓(xùn)練過程。

2 基于CNN 的NLOS 識別方法

2.1 網(wǎng)絡(luò)結(jié)構(gòu)

本文使用的CNN 包括4 層卷積層、2 層池化層、1 層全連接層和1 層輸出層，網(wǎng)絡(luò)結(jié)構(gòu)如圖1 所示。

網(wǎng)絡(luò)中的數(shù)據(jù)維度和參數(shù)設(shè)置[5]：Conv1 層輸入數(shù)據(jù)為1 024，從時域和頻域上看是2 個維度，輸入數(shù)據(jù)為2×1 024×1，Conv1 層卷積核大小為1×3，通道數(shù)目為32，輸出數(shù)據(jù)為2×1 024×32，激活函數(shù)為Relu；Conv2 層卷積核大小為1×3，通道數(shù)目為16，輸出數(shù)據(jù)為2×1 024×16，卷積層后繼續(xù)連接卷積層可以提取更加抽象的特征；Pool1層池化核大小1×2，池化層輸入為2×1 024×16，經(jīng)過池化層后數(shù)據(jù)維度變成原來的一半；同樣的方法得到Conv3 層輸入和輸出分別為2×512×16 和2×512×16，Conv4 層輸入和輸出分別為2×512×16 和2×512×16，Pool2 層輸入和輸出為2×512×16 和2×256×16，特征圖的大小為2×256；全連接層中使用了dropout 方法，輸出數(shù)據(jù)的維度是256；最后是輸出層，它建立特征到分類的映射，判斷輸入信號是否為NLOS 信號。根據(jù)信號的類型，最終輸出為1 或0。

圖1 本文神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

2.2 數(shù)據(jù)來源和仿真平臺簡介

2.2.1 數(shù)據(jù)來源

本文使用的數(shù)據(jù)來源于歐盟“地平線2020”研究計劃的子課題eWINE（elastic Wireless Networking Experimentation，eWINE）。該計劃是利用人工智能知識解決當(dāng)前密集和動態(tài)無線網(wǎng)絡(luò)中存在的問題[6]。數(shù)據(jù)使用DW1000 超寬帶收發(fā)芯片測量，芯片配置為通道4（帶寬為500 MHz，中心頻率為3 993.6 MHz）數(shù)據(jù)長度為1 024，數(shù)據(jù)速率110 kb/s。數(shù)據(jù)集總樣本數(shù)量為42 000 個，共分為7 個不同的測量場景——辦公環(huán)境1、辦公環(huán)境2、公寓、車間、客廳、臥室和鍋爐房。本文根據(jù)研究需要重點分析辦公環(huán)境數(shù)據(jù)，樣本數(shù)量為12 000 個。數(shù)據(jù)集中每行數(shù)據(jù)的長度為1 024，其中包含CIR0-CIR1015 共1 016 個信道沖激響應(yīng)數(shù)據(jù)和是否為NLOS 等信號參數(shù)。本文將原始CIR 作為輸入，將是否為NLOS作為輸出訓(xùn)練CNN。

2.2.2 硬件仿真平臺簡介

計 算 機CPU 為Intel（R） Core（TM）i5-4670 3.4 GHz，沒有使用GPU，安裝內(nèi)存8 GB，硬盤512 GB。

2.2.3 軟件仿真平臺簡介

軟件仿真平臺采用Windows7 64 位操作系統(tǒng)、Python3.6.5、Anaconda Navigator5.0.1、pip10.0.1、scikit-learn0.19.1、tensorflow1.9.0 和Keras2.1.6。程序運行過程中使用了大量第三方開發(fā)包，主要有用于科學(xué)計算和數(shù)據(jù)分析的軟件庫numpy1.14.0和scipy0.19.0，用于繪圖的python開發(fā)包matplotlib2.2.2。Anaconda是一款Python集成開發(fā)環(huán)境，是在Windows 上執(zhí)行Python 數(shù)據(jù)科學(xué)和機器學(xué)習(xí)的最便捷工具。Anaconda 包含了Conda、Python 等180 個科學(xué)包及其依賴項，可以方便地用于數(shù)據(jù)分析與處理。scikit-learn 算法庫中集成了主流機器學(xué)習(xí)算法，適用于中小型實用機器學(xué)習(xí)項目。tensorflow1.9.0 是一個支持Python 語言的開源軟件庫，適合于進(jìn)行神經(jīng)網(wǎng)絡(luò)方面的研究。Keras2.1.6 是基于Theano 和tensorboard 的深度學(xué)習(xí)庫，具有高度模塊化、極簡和可拓展性等特點，支持CNN 和RNN。此外，還用到了可視化工具tensorboard1.9.0，將tensorflow 程序運行過程中權(quán)值更新、損失函數(shù)值變化、模型性能評估函數(shù)值等重要數(shù)據(jù)以圖像的方式顯示出來，方便調(diào)試與優(yōu)化。

3 仿真結(jié)果與分析

為驗證所提方法的效果，設(shè)置了3 組仿真實驗。實驗1 是觀察不同dropout 值對CNN 識別效果的影響，實驗2 是觀察不同訓(xùn)練次數(shù)對CNN 識別效果的影響，實驗3 是觀察不同激活函數(shù)對CNN 識別效果的影響，最后對比NLOS 識別前后定位效果。經(jīng)過實驗分析可知，采用NLOS 識別的定位能夠顯著提高定位精度。

3.1 實驗1

實驗1 觀察不同dropout 值對系統(tǒng)識別性能的影響。將網(wǎng)絡(luò)中的訓(xùn)練次數(shù)保持為20 000，改變不同的dropout 值，觀察不同dropout 值對NLOS 信號識別率的影響。從表1 中可以看出，不同dropout值會影響識別效果，過大或過小都會導(dǎo)致NLOS 識別率降低，本文選擇的dropout 值為0.5。

表1 不同dropout 值對識別率的影響

3.2 實驗2

實驗2 觀察不同訓(xùn)練次數(shù)對識別性能的影響。將網(wǎng)絡(luò)中的dropout 值保持為0.5，網(wǎng)絡(luò)每訓(xùn)練1 000 次輸出一次結(jié)果，觀察不同訓(xùn)練次數(shù)對NLOS 信號識別率的影響。從表2 可以看出，隨著訓(xùn)練次數(shù)的增加，NLOS 識別率也在增加，最終識別率穩(wěn)定在89.20%。

表2 不同訓(xùn)練次數(shù)對識別率的影響

3.3 實驗3

實驗3 觀察不同激活函數(shù)對識別性能的影響。本文設(shè)計的CNN 網(wǎng)絡(luò)結(jié)構(gòu)使用5 個激活函數(shù)，分別在4 個卷積層和1 個輸出層中。表3 的激活函數(shù)是指卷積層和輸出層中的全部的激活函數(shù)，網(wǎng)絡(luò)中的dropout 值保持為0.5，觀察不同激活函數(shù)對NLOS 信號的識別率的影響。從表3 可以看出，當(dāng)激活函數(shù)為relu6 時，識別效果最好為89.20%。

表3 不同激活函數(shù)對識別率的影響

激活函數(shù)為relu6 時識別效果最好，此時識別率隨著訓(xùn)練次數(shù)的變化曲線如圖2 所示。

分析完NLOS 識別后，研究識別后的定位。NLOS 信號識別后的定位有兩種方法：一種是將NLOS 信號直接丟棄，只采用LOS 信號做定位；另一種是根據(jù)CIR 建立信號與測距誤差之間的模型，根據(jù)模型預(yù)測信號對應(yīng)的測距誤差，測距值減去模型預(yù)測出的測距誤差得到校正后的測距值，然后利用校正后的測距值做定位。本文只分析第一種定位方法。

圖2 識別率隨著訓(xùn)練次數(shù)的變化

本文使用的定位算法為LS 算法和WLS 算法，算法的推導(dǎo)過程在此不具體闡述，算法定位效果如圖3 所示。

圖3 NLOS 識別前后定位效果對比

由圖3 可知，采用NLOS 信號識別的定位能夠顯著提高定位精度。當(dāng)存在10 個信標(biāo)節(jié)點時，NLOS 信號識別前后的定位誤差分別為40 cm 和20 cm?？梢姡摲椒ㄓ行Ы档土硕ㄎ徽`差，提高了定位精度。

4 結(jié)語

本文以CNN 技術(shù)為基礎(chǔ)，針對室內(nèi)環(huán)境下影響UWB 定位精度的主要原因是NLOS 傳播，研究了使用CNN 技術(shù)對NLOS 信號的識別，并給出識別之后的定位。文章首先介紹CNN 的理論知識，其次建立所需要的CNN 分類模型，最后基于CNN，用從真實環(huán)境中測量的原始CIR 訓(xùn)練NLOS 信號分類模型。仿真結(jié)果表明，使用原始CIR 的NLOS 識別效果良好。此外，本文還研究了NLOS 識別后的定位。結(jié)果表明該方法能顯著提高定位精度。