为提高非视距场景下超宽带(ultra‑wideband,UWB)定位精度,本文提出一种基于误差因子的改进加权最小二乘(weighted least square,WLS)算法.该算法利用测距值和实时信道冲激响应特征训练1维卷积神经网络,实现误差因子的准确预测;基于预测...为提高非视距场景下超宽带(ultra‑wideband,UWB)定位精度,本文提出一种基于误差因子的改进加权最小二乘(weighted least square,WLS)算法.该算法利用测距值和实时信道冲激响应特征训练1维卷积神经网络,实现误差因子的准确预测;基于预测得到的误差因子设计改进WLS算法的加权矩阵,赋予不同基站合理的权重,以改善非视距场景下UWB定位性能.通过实测采集静态和动态定位数据对改进WLS算法进行性能验证.实验结果表明:视距场景下,改进WLS算法与最小二乘(least square,LS)算法、WLS算法定位性能相近;非视距场景下,改进WLS算法明显优于LS算法、WLS算法,能够有效抑制非视距误差.展开更多
文摘为提高非视距场景下超宽带(ultra‑wideband,UWB)定位精度,本文提出一种基于误差因子的改进加权最小二乘(weighted least square,WLS)算法.该算法利用测距值和实时信道冲激响应特征训练1维卷积神经网络,实现误差因子的准确预测;基于预测得到的误差因子设计改进WLS算法的加权矩阵,赋予不同基站合理的权重,以改善非视距场景下UWB定位性能.通过实测采集静态和动态定位数据对改进WLS算法进行性能验证.实验结果表明:视距场景下,改进WLS算法与最小二乘(least square,LS)算法、WLS算法定位性能相近;非视距场景下,改进WLS算法明显优于LS算法、WLS算法,能够有效抑制非视距误差.