非视距(Non-Line-of-Sight,NLOS)测距误差是造成超宽带(Ultra-Wide Bandwidth,UWB)定位精度严重下降的主要原因。针对UWB在实际定位中所获得的视距(Line of Sight,LOS)信号数量远大于NLOS信号数量而表现出样本类别不平衡的特点,提出一...非视距(Non-Line-of-Sight,NLOS)测距误差是造成超宽带(Ultra-Wide Bandwidth,UWB)定位精度严重下降的主要原因。针对UWB在实际定位中所获得的视距(Line of Sight,LOS)信号数量远大于NLOS信号数量而表现出样本类别不平衡的特点,提出一种新的识别NLOS信号的方法,即基于矩的不平衡二分类方法(MIBC)。该方法用视距信号样本的2个一阶矩即均值和协方差表示其概率分布,并和全部的少量非视距信号样本建立分类模型。此方法不依赖于视距信号的数量,适合处理视距和非视距信号数量不平衡的分类问题。实验仿真验证了所提方法比LS-SVM、SVDD有更好的性能。展开更多
文摘非视距(Non-Line-of-Sight,NLOS)测距误差是造成超宽带(Ultra-Wide Bandwidth,UWB)定位精度严重下降的主要原因。针对UWB在实际定位中所获得的视距(Line of Sight,LOS)信号数量远大于NLOS信号数量而表现出样本类别不平衡的特点,提出一种新的识别NLOS信号的方法,即基于矩的不平衡二分类方法(MIBC)。该方法用视距信号样本的2个一阶矩即均值和协方差表示其概率分布,并和全部的少量非视距信号样本建立分类模型。此方法不依赖于视距信号的数量,适合处理视距和非视距信号数量不平衡的分类问题。实验仿真验证了所提方法比LS-SVM、SVDD有更好的性能。