UWB定位中基于XGBoost的NLOS識別方法

袁馳，黃波

（南京郵電大學(xué)通信與信息工程學(xué)院，江蘇 南京 210003）

0 引言

超寬帶（UWB,Ultra Wide Band）信號具有低功耗、高時(shí)間分辨率和高精度等優(yōu)勢，在室內(nèi)定位中具有十分廣闊的應(yīng)用前景。

在基于UWB 的室內(nèi)定位系統(tǒng)中，非視距傳播（NLOS,Non Line of Sight）環(huán)境對定位有著十分重要的影響。NLOS情形將直接導(dǎo)致信號產(chǎn)生衍射、散射、反射以及一些信號不規(guī)則損耗，使得定位信號發(fā)生不可知的變化，極大程度上影響最終定位精度[1]。因此，NLOS環(huán)境的識別一直是超寬帶定位領(lǐng)域的一個重要方向。

NLOS環(huán)境識別的目的是判斷信號收發(fā)之間是否存在障礙，從而緩解信號傳播誤差。NLOS識別方法主要有統(tǒng)計(jì)學(xué)方法、幾何關(guān)系判決法和機(jī)器學(xué)習(xí)方法等[2]。

文獻(xiàn)[3]中使用了一種殘差檢驗(yàn)法，可以確定和識別NLOS環(huán)境，算法使用TOA（Time Of Arrival）測距，殘差是估計(jì)值和真實(shí)位置之間的平方差，用方差進(jìn)行歸一化，得到的隨機(jī)變量的方差是統(tǒng)一的，使用測距結(jié)果和測距中使用的前兩個節(jié)點(diǎn)可以判斷節(jié)點(diǎn)之間是否處于LOS環(huán)境的。文獻(xiàn)[4]中使用誤差統(tǒng)計(jì)法識別NLOS環(huán)境，提出了一種分布式多輸入多輸出雷達(dá)定位運(yùn)動目標(biāo)的代數(shù)封閉式解，利用兩階段加權(quán)最小二乘算法估計(jì)目標(biāo)的位置和速度，使用誤差項(xiàng)征識別可以判別目標(biāo)節(jié)點(diǎn)是否處于NLOS環(huán)境中。文獻(xiàn)[5]在非視距識別的基礎(chǔ)上，提出了一種基于能量檢測器的歸一化閾值算法。利用接收能量塊值的最大旋度和標(biāo)準(zhǔn)差來確定NLOS環(huán)境和不同信噪比下的歸一化閾值，構(gòu)造了接收能量塊值的混合參數(shù)判別目標(biāo)節(jié)點(diǎn)是否處于NLOS環(huán)境中。文獻(xiàn)[6]提出一種非封閉檢查算法解決稀疏場景下的NLOS識別問題。

隨著機(jī)器學(xué)習(xí)在無線通信領(lǐng)域的廣泛應(yīng)用，越來越多的學(xué)者利用機(jī)器學(xué)習(xí)的方法來識別非視距信號。SVM（Support Vector Machine，支持向量機(jī)）[7～8]、SVDD（Support Vector Data Description，支持向量數(shù)據(jù)描述算法）[9]、KNN（K-NearestNeighbor，K近鄰算法）[10]、IVM（Import Vector Machine，導(dǎo)入向量機(jī)）[11]、CNN（Convolutional Neural Network，卷積神經(jīng)網(wǎng)絡(luò)）[12～13]、決策樹（Decision Tree）[14]等方法被運(yùn)用到室內(nèi)定位領(lǐng)域中判別NLOS環(huán)境，均有較好的識別效果。文獻(xiàn)[15]提出一種基于SVM的方法來識別NLOS信號。文獻(xiàn)[16]提出一種基于加權(quán)K近鄰（WKNN,Weighted K-Nearest Neighbor）非視距識別方法。文獻(xiàn)[17]提出一種基于CNN的NLOS識別方法，該算法可直接運(yùn)用于未經(jīng)處理的信號通道脈沖響應(yīng)（CIR,Channel Impulse Response）信號，從而減少提取特征的過程。文獻(xiàn)[18]提出了一種基于CNN的大規(guī)模MIMO（Multiple-in Multiple-out，多輸入多輸出）系統(tǒng)識別算法。

XGBoost（Extreme Gradient Boosting）算法是陳天齊博士在GBDT（Gradient Boosting Decision Tree）算法基礎(chǔ)上提出的一種并行梯度提升模型[19]，模型采用集成思想，持續(xù)不斷產(chǎn)生新樹，去擬合前面的樹模型的殘差，減少損失。對比原始的GBDT模型，XGBoost算法在實(shí)際應(yīng)用上的模型速度和準(zhǔn)確率均比傳統(tǒng)的GBDT算法提高很多[20]。相比于常用于室內(nèi)定位的其他機(jī)器學(xué)習(xí)算法，XGBoost算法具有更高的準(zhǔn)確率、更好的泛化能力。另外XGBoost算法有很好的數(shù)據(jù)適應(yīng)性和輸入數(shù)據(jù)不變性，相比于風(fēng)靡于工業(yè)界的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)算法，XGBoost算法更適宜處理表格數(shù)據(jù)，同時(shí)它還具有更強(qiáng)的可解釋性[21]。

基于此，本文采用XGBoost來識別UWB定位中的NLOS信號，并基于兩組不同的數(shù)據(jù)源，一組是基于通道脈沖響應(yīng)CIR數(shù)據(jù)，另一組是基于統(tǒng)計(jì)特征參量。數(shù)據(jù)采集使用DecaWave公司的DW1000芯片，采樣環(huán)境為辦公環(huán)境，采樣12 000個，長度為1 024，包括1 016個信號脈沖響應(yīng)和是否標(biāo)注為NLOS等。

1 實(shí)驗(yàn)環(huán)境

為了建立一個基于XGBoost的LOS和NLOS信道分離的分類模型，需要一個代表這兩個類的廣泛數(shù)據(jù)集。因此設(shè)計(jì)實(shí)驗(yàn)采集數(shù)據(jù)，實(shí)驗(yàn)使用DecaWave公司的DW1000芯片，它符合IEEE802.15.4-2011 UWB標(biāo)準(zhǔn)，標(biāo)簽使用可充電移動標(biāo)簽。DW1000的消息報(bào)頭和有效載荷部分使用脈沖重復(fù)頻率（PRF,pulse repetition frequency）的頻率，以超窄的脈沖來發(fā)送，脈沖重復(fù)頻率可以從16 MHz和64 MHz中選擇；支持6個頻率波段，頻率波段從3.5 GHz到6.5 GHz。實(shí)驗(yàn)時(shí)選擇的脈沖重復(fù)頻率為64 MHz，頻率波段為3.5 GHz。

圖1為測量數(shù)據(jù)的真實(shí)場景，圖中圈出部分為定位節(jié)點(diǎn)；圖2為可無線充電的標(biāo)簽，在標(biāo)簽移動時(shí)，定位標(biāo)簽可每秒發(fā)送3～4個脈沖數(shù)據(jù)包，標(biāo)簽靜止時(shí)，標(biāo)簽每隔5秒左右發(fā)送一個脈沖數(shù)據(jù)包。

圖1 真實(shí)測量環(huán)境

圖2 定位標(biāo)簽設(shè)備

實(shí)驗(yàn)環(huán)境為辦公環(huán)境，辦公室的長寬分別為6.73 m和5.21 m，四個錨點(diǎn)坐標(biāo)分別為（0.170,0.255），（6.568,0.296），（0.273,4.507），（6.575,4.073）。實(shí)驗(yàn)共采樣12 000個，數(shù)據(jù)長度為1 024，包括1 016個信號脈沖響應(yīng)和是否標(biāo)注為NLOS等。

首先，在沒有障礙遮擋的情況下進(jìn)行6 000次測量，然后在相同的環(huán)境下收集NLOS條件下的6 000個測量值。為確保收集到的測量值始終符合在信號信道狀態(tài)下，一個人手持定位標(biāo)簽在定位范圍中移動，另一個人LOS信道條件下跟蹤兩個UWB節(jié)點(diǎn)的天線之間的視覺鏈接，確保定位標(biāo)簽處于LOS定位；在NLOS環(huán)境下，一個人手持障礙物遮擋定位節(jié)點(diǎn)，并確保NLOS測量情況下節(jié)點(diǎn)之間沒有視覺連接，另一個人手持定位標(biāo)簽在定位范圍中移動。

2 基于通道脈沖響應(yīng)的XGBoost NLOS識別算法

NLOS識別的目的是判斷定位時(shí)測量數(shù)據(jù)時(shí)信號發(fā)送端和信號接收端之間是否存在NLOS環(huán)境的影響，從而對測量數(shù)據(jù)進(jìn)行傳播誤差的緩解[8]。在判斷NLOS情形時(shí)，需要考慮到整體信號的衰減、直接到達(dá)路徑信號的減少、障礙物折射率不同導(dǎo)致的飛行時(shí)間誤差。

2.1 通道脈沖響應(yīng)

UWB技術(shù)是通過作用在天線上的基帶脈沖傳輸數(shù)據(jù)，窄帶脈沖產(chǎn)生較大的信號帶寬。CIR信道脈沖響應(yīng)是由DW1000對最近接收到的幀檢測到的發(fā)射機(jī)和接收機(jī)之間的通信信道的脈沖響應(yīng)。當(dāng)信號發(fā)射機(jī)和接收機(jī)之間存在障礙時(shí)，信號從發(fā)射端到達(dá)接收端，中間經(jīng)過障礙物，產(chǎn)生高噪聲和時(shí)間延遲，接收到的CIR信號比非NLOS環(huán)境下接收到的更雜亂[9]。

圖3圖4為LOS脈沖信號和NLOS脈沖信號的一個實(shí)例，分別描述了一個152個CIR的NLOS和LOS信號示例的可視化。在一個CIR累加器中，大約152個CIR信號中包含了關(guān)于環(huán)境中傳播特性的大部分可用信息，因此選擇152個CIR作為輸入即可判定出是否為NLOS信號。

圖3 LOS環(huán)境下CIR信號

圖4 NLOS環(huán)境下CIR信號

DW1000 CIR累加器中的信道脈沖響應(yīng)數(shù)據(jù)CIR時(shí)間是可變的。DW1000通過一個內(nèi)置的專有算法來檢測并確定信號的起始索引，在處理期間很容易地訪問它。在學(xué)習(xí)和分類過程中，使用前152個CIR信號，起始位置從內(nèi)部算法檢測到的第一個路徑索引開始。

2.2 XGBoost算法和實(shí)現(xiàn)過程

XGBoost算法是陳天齊博士在GBDT算法基礎(chǔ)上提出的一種并行梯度提升模型，模型采用集成思想，持續(xù)不斷產(chǎn)生新樹，去擬合前面的樹模型的殘差，減少損失。算法的目標(biāo)函數(shù)中定義了正則項(xiàng)控制模型復(fù)雜度，其中包括控制正則化權(quán)重和控制樹是否分叉的參數(shù)，控制訓(xùn)練過程中生成的每棵樹的模型復(fù)雜度，防止過擬合；同時(shí)算法支持并行化，極大提高了模型的訓(xùn)練速度；選擇參數(shù)時(shí)，XGBoost算法支持交叉驗(yàn)證，方便參數(shù)的選擇。對比原始的GBDT模型，XGBoost算法在實(shí)際應(yīng)用上的模型速度和準(zhǔn)確率均比傳統(tǒng)的GBDT 算法提高很多。與一度風(fēng)靡工業(yè)界得的深度學(xué)習(xí)算法相比，XGBoost不適宜處理高維數(shù)據(jù)如文本、語音、圖像等，但對于本文中用到的這種表格數(shù)據(jù)，它具有獨(dú)特的優(yōu)勢，同時(shí)還擁有一些深度神經(jīng)網(wǎng)絡(luò)所沒有的特性，例如可解釋性、輸入數(shù)據(jù)的不變性。

基于XGBoost和通道脈沖響應(yīng)數(shù)據(jù)的NLOS識別過程如圖5所示。數(shù)據(jù)集中提取出需要的CIR信號，輸入XGBoost模型，模型不停地增加分類樹進(jìn)行特征分裂，實(shí)際上是在模型中增加新函數(shù)fk，使模型的損失函數(shù)越來越?。环至堰^程中給每棵樹打分，每棵樹上不同的葉子結(jié)點(diǎn)對應(yīng)不同的分?jǐn)?shù)，不同結(jié)點(diǎn)特征對應(yīng)不同分?jǐn)?shù)權(quán)重，根據(jù)相應(yīng)的決策條件劃分。

圖5 NLOS識別過程

每產(chǎn)生一個分類樹，就是學(xué)習(xí)一個新的目標(biāo)函數(shù)，擬合上一棵樹預(yù)測產(chǎn)生的殘差，目的是讓分類的結(jié)果更加接近真實(shí)值。模型訓(xùn)練完后，得到不同的分類樹，最終的預(yù)測結(jié)果就是前面的樹的模型相加結(jié)果，輸出是否NLOS信號。

XGBoost目標(biāo)函數(shù)由損失函數(shù)和正則項(xiàng)式組成，定義如下：

其中，n是生成第k棵樹的數(shù)據(jù)總量，K代表建立的樹的個數(shù)；yi是數(shù)據(jù)的真實(shí)值，是模型的預(yù)測值，損失函數(shù)l代表模型預(yù)測值和真實(shí)值之間的差異；正則項(xiàng)控制模型復(fù)雜度，是對迭代t次生成的t棵樹的復(fù)雜程度的加和，控制訓(xùn)練過程中生成的每棵樹的模型復(fù)雜度，防止過擬合。

迭代t次的樹模型表示為：其中i表示數(shù)據(jù)集中第i個樣本，fk表示第k棵樹，為第xi次的預(yù)測值。

模型根據(jù)決策樹定義目標(biāo)函數(shù)，其中，決策樹由樹的分支和每個葉子節(jié)點(diǎn)的權(quán)重組成；每棵樹上不同的葉子結(jié)點(diǎn)對應(yīng)不同的分?jǐn)?shù)，不同結(jié)點(diǎn)特征對應(yīng)不同分?jǐn)?shù)權(quán)重，根據(jù)相應(yīng)的決策條件劃分。

決策樹的復(fù)雜度判斷是根據(jù)每棵樹的葉子節(jié)點(diǎn)，目標(biāo)函數(shù)的正則項(xiàng)由葉子節(jié)點(diǎn)數(shù)目和其權(quán)重而決定的。決策樹的復(fù)雜度定義如式(4)所示：

γ和λ為模型訓(xùn)練前設(shè)置的參數(shù)，γ參數(shù)控制訓(xùn)練中模型的樹是否分叉，λ參數(shù)決定正則化的權(quán)重，在建立模型時(shí)根據(jù)情況設(shè)定；T是葉子總數(shù)，wj是葉子節(jié)點(diǎn)權(quán)重，即葉子節(jié)點(diǎn)分?jǐn)?shù)。

例如，分類時(shí)模型根據(jù)脈沖通道響應(yīng)范圍進(jìn)行第一次特征分裂，根據(jù)接收信號功率進(jìn)行第二次分裂...不斷進(jìn)行特征分裂，形成一棵樹；根據(jù)不同索引號的CIR值和特征，分裂形成第二棵樹、第三棵樹……最終生成了K棵樹，每棵樹生成時(shí)都是在增加新函數(shù)擬合殘差，使損失越來越?。环至褬溆蓸涞姆种Ш腿~子結(jié)點(diǎn)權(quán)重組成，決策樹的復(fù)雜度判斷是根據(jù)每棵樹的葉子節(jié)點(diǎn)，目標(biāo)函數(shù)的正則項(xiàng)由葉子節(jié)點(diǎn)數(shù)目和其權(quán)重而決定的。最終這K棵樹的權(quán)重就是每個樣本的預(yù)測分?jǐn)?shù)，K棵樹結(jié)果的加和就是每個樣本的最終預(yù)測結(jié)果。

算法實(shí)現(xiàn)過程中使用python 中的numpy 和pandas庫處理數(shù)據(jù)。首先根據(jù)源數(shù)據(jù)中第一路徑索引開始截取連續(xù)的152 條CIR 信號，索引號是DW1000 內(nèi)置專有算法檢測出來的；所有數(shù)據(jù)處理完后得到12 000 條長度為152 的數(shù)據(jù)集，作為一個輸入數(shù)組，是訓(xùn)練模型的多列特征，將事先標(biāo)記的是否為NLOS 信號作為輸出，按照80%和20%的比例分成訓(xùn)練集和測試集。

XGBoost算法的實(shí)現(xiàn)使用原生接口，訓(xùn)練過程中使用字典的方式存儲參數(shù)，算法的參數(shù)分為三類，通用參數(shù)、boost參數(shù)和學(xué)習(xí)目標(biāo)參數(shù)。模型訓(xùn)練時(shí)引入網(wǎng)格搜索法設(shè)定參數(shù)，結(jié)合交叉驗(yàn)證法，將不同參數(shù)的可能組成網(wǎng)格，對網(wǎng)格中可能的參數(shù)進(jìn)行網(wǎng)格搜索，避免不確定性選擇參數(shù)浪費(fèi)大量運(yùn)算時(shí)間。

3 基于統(tǒng)計(jì)特征參數(shù)的XGBoost NLOS識別算法

在NLOS識別問題中，接收到來自節(jié)點(diǎn)信號，信號中包含NLOS和LOS信號，將節(jié)點(diǎn)信號經(jīng)過計(jì)算后得到數(shù)據(jù)作為輸入，使用XGBoost模型識別信號。采用的參數(shù)包括：第一路徑錯誤識別可能性、脈沖通道響應(yīng)動態(tài)范圍、第一路徑信號功率和接收信號功率。

3.1 特征參量抽取

在復(fù)雜情況下進(jìn)行UWB定位時(shí)，需要考慮信號被遮擋的情況，故可以采用CIR通道信息來區(qū)分是否NLOS信號。常用的特征值有上升時(shí)間、峰值時(shí)間、信號梯度、最大振幅、信號總能量、接收信號功率、均方根誤差等。本文中采用未識別到的早期路徑的可能性、脈沖通道響應(yīng)動態(tài)范圍、第一路徑信號功率和接收信號功率等特征。

（1）未識別到第一路徑的可能性

如果第一個路徑被嚴(yán)重衰減，反射路徑將會被識別成第一路徑，導(dǎo)致接收到的CIR信號上升時(shí)間與峰值時(shí)間無法正確判斷[10]。如圖6所示，可以看到第一路徑不被正確識別的場景，在噪聲門限以下存在實(shí)際上的第一路徑。如果檢測到峰值出現(xiàn)在確定的第一個路徑之前，那么就能判斷存在一個未檢測到的第一個路徑的可能性，就能來判斷是否存在NLOS信號。

圖6 第一路徑識別錯誤的場景

（2）脈沖通道響應(yīng)動態(tài)范圍

累加器的增長速率受到脈沖數(shù)量的限制，導(dǎo)致高信號水平的失真，令分辨不同高功率信號變得十分困難。因此，脈沖通道響應(yīng)動態(tài)范圍可以識別是否NLOS信號。

（3）第一路徑信號功率和接收信號功率

通道脈沖響應(yīng)估計(jì)噪聲值的標(biāo)準(zhǔn)偏差與第一路徑振幅值進(jìn)行比較。噪聲值的標(biāo)準(zhǔn)偏差越高，意味著接收信號質(zhì)量越差，也就是信號收發(fā)端之間存在阻礙。高噪聲會引起真正的第一條路徑淹沒在噪聲中，將噪聲與第一路徑振幅相比較，可以知道第一路徑測量是否準(zhǔn)確[25]。因此，第一路徑信號功率和接收信號功率可以確定是否NLOS信號。

3.2 特征參量計(jì)算過程

（1）未識別到的第一路徑

確定第一個路徑前累加器產(chǎn)生峰值的數(shù)目[24]如步驟①～⑤：

①計(jì)算獲取噪聲門限[24]如公式(5)：

其中，NT為新噪聲門限，T為原來的噪聲門限值。設(shè)定新噪聲門限，有可能檢測到原噪聲門限下未識別的第一路徑，即路徑開始第一個索引位置有峰值存在，如圖4所示。

②形成分析窗口：從第一個路徑位置的整數(shù)部分路徑位置，形成一個從該索引向前的16個樣本的分析窗口。

③檢測所有可能的峰值，即PN_NT。

④找到振幅高于在步驟①中計(jì)算出的新的低噪聲閾值的峰值：一旦確定了出現(xiàn)在已確定的第一條路徑之前的峰值的數(shù)量，就可以評估有未被檢測到的第一條路徑的可能性。

⑤計(jì)算未檢測到的早期路徑的可能性值Luep如公式(6)、(7)：其中PN_NT為新閾值下的峰值數(shù)目，PN_AW為分析窗口下的最大峰值數(shù)目，L為分析窗口的長度。

一旦確定了出現(xiàn)在已確定的第一條路徑之前的峰值的數(shù)量，就可以評估有未被檢測到的第一條路徑的可能性，從而判斷是否處于NLOS環(huán)境。

（2）脈沖通道響應(yīng)和動態(tài)范圍

累加器的增長速率受到脈沖數(shù)量的限制，這將導(dǎo)致高信號水平的失真，使得分辨不同高功率信號變得十分困難。這表現(xiàn)為高功率射線對累加器的飽和。定義這種飽和程度為Mc[24]，則計(jì)算如下公式：

其中fpAmpl1、fpAmpl2、fpAmpl3是第一路徑周圍的第一、第二和第三振幅，max決定了最大值；pkAmpl是峰值振幅。

（3）第一路徑信號功率

可以使用公式(10)估算第一路徑功率[25]：

其中fpAmpl1、fpAmpl2、fpAmpl3是第一路徑周圍的第一、第二和第三振幅；A是常數(shù)；對于脈沖重復(fù)頻率為16 MHz時(shí)A為113.77，對于脈沖重復(fù)頻率為64 MHz時(shí)A為121.74；N為無線電頻率幀信息寄存器中的累積計(jì)數(shù)值。

（4）接收信號功率

使用公式(11)計(jì)算接收功率[25]：

其中，C為脈沖通道響應(yīng)功率；A是常數(shù)，對于脈沖重復(fù)頻率為16 MHz時(shí)A為113.77，對于脈沖重復(fù)頻率為64 MHz時(shí)A為121.74；N為無線電頻率幀信息寄存器中的累積計(jì)數(shù)值。

4 實(shí)驗(yàn)結(jié)果分析

為了評估模型的性能，計(jì)算了一些基于混淆矩陣的標(biāo)準(zhǔn)度量標(biāo)準(zhǔn)，準(zhǔn)確率（Accuracy）、召回率（Recall）和F1分?jǐn)?shù)。在混淆矩陣中，行表示實(shí)際類示例，列表示在分類過程中被分配的類。所得到的分配可分為四類，稱為真陽性（TP）、真陰性（TN）、假陽性（FP）和假陰性結(jié)果（FN）。下式分別為準(zhǔn)確率、精確率、召回率和F1分?jǐn)?shù)計(jì)算式：

精確度衡量的是陽性結(jié)果中真陽性的比率，召回率是真陽性在與該類實(shí)際樣本數(shù)之比，F(xiàn)1分?jǐn)?shù)是前兩者的調(diào)和平均。

4.1 基于通道脈沖響應(yīng)的XGBoost NLOS識別實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)一使用基于CIR采集數(shù)據(jù)的XGBoost模型，分別與K近鄰（KNN,K-NearestNeighbor）、支持向量機(jī)（SVM,Support Vector Machine）、邏輯回歸（LR,Logistic Regression）、決策樹（DT,Decision Tree）模型在相同的輸入下進(jìn)行對比，輸入數(shù)據(jù)為CIR采集數(shù)據(jù)。將數(shù)據(jù)集按照80%和20%的比例隨機(jī)分成訓(xùn)練集和測試集，分類指標(biāo)如表1所示：

表1 實(shí)驗(yàn)一分類指標(biāo)

由表1可知，實(shí)驗(yàn)一中基于CIR采集數(shù)據(jù)的XGBoost模型識別結(jié)果準(zhǔn)確率和召回率均為0.91，F(xiàn)1分?jǐn)?shù)為0.90，效果最好；邏輯回歸和支持向量機(jī)模型識別結(jié)果準(zhǔn)確率、召回率和F1分?jǐn)?shù)均在0.84到0.85，效果次之；基于CIR采集數(shù)據(jù)k近鄰、決策樹模型識別結(jié)果相差不大，準(zhǔn)確率、召回率和F1分?jǐn)?shù)在0.82到0.84之間。結(jié)果表明，基于CIR采集數(shù)據(jù)的XGBoost模型能顯著提高識別NLOS信號的準(zhǔn)確率，具有較高的實(shí)時(shí)性，且省去了特征提取的過程。

4.2 基于關(guān)鍵信號特征的XGBoost NLOS識別實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)二使用基于關(guān)鍵信號特征的XGBoost模型，分別與KNN、SVM、LR、DT模型在相同的輸入下進(jìn)行對比，輸入數(shù)據(jù)為關(guān)鍵統(tǒng)計(jì)參數(shù)。數(shù)據(jù)集按照80%和20%的比例隨機(jī)分成訓(xùn)練集和測試集，分類指標(biāo)如表2所示：

表2 實(shí)驗(yàn)二分類指標(biāo)

表2中基于關(guān)鍵信號特征的XGBoost模型識別結(jié)果準(zhǔn)確率、召回率和F1分?jǐn)?shù)均為0.92；k近鄰和決策樹模型識別結(jié)果準(zhǔn)確率、召回率和F1分?jǐn)?shù)均在0.88到0.89，效果次之；支持向量機(jī)和邏輯回歸型識別結(jié)果準(zhǔn)確率、召回率和F1分?jǐn)?shù)均在0.70到0.89之間，不同指標(biāo)分?jǐn)?shù)差別較大。結(jié)果表明，基于關(guān)鍵信號特征的XGBoost模型效果最好，對比其他模型，XGBoost模型顯著提高了NLOS信號識別的準(zhǔn)確率。

4.3 實(shí)驗(yàn)結(jié)果分析

從實(shí)驗(yàn)結(jié)果來看，相對于其他模型，XGBoost模型擁有更高的準(zhǔn)確率。這是由于XGBoost算法在計(jì)算損失函數(shù)時(shí)，使用二階泰勒展開，完成了大量損失函數(shù)的近似，實(shí)現(xiàn)了損失函數(shù)的自定義，提高了模型精度。

實(shí)驗(yàn)一和實(shí)驗(yàn)二對五種不同的機(jī)器學(xué)習(xí)算法在兩組不同的數(shù)據(jù)集中對NLOS信號判別。實(shí)驗(yàn)一采用的未經(jīng)處理的CIR信號，模型能直接在CIR波形中識別到信號特征，省去了特征處理的過程，具有更高的實(shí)時(shí)性。實(shí)驗(yàn)二是基于關(guān)鍵特征的NLOS判別模型，提取了一些定位過程中的關(guān)鍵信息，模型運(yùn)行速度更快結(jié)果更精準(zhǔn)。

XGBoost模型能將成百上千個低識別率的模型進(jìn)行組合，形成一個準(zhǔn)確率高的高識別率模型，能夠準(zhǔn)確識別NLOS環(huán)境。XGBoost算法在兩組實(shí)驗(yàn)中表現(xiàn)很好，準(zhǔn)確率、召回率和F1分?jǐn)?shù)都有相對程度的提高。這表明相對于其他模型，不論是在原始的CIR信號還是經(jīng)過處理的關(guān)鍵信號特征的輸入下，XGBoost模型都擁有更高的準(zhǔn)確率，能有效提高NLOS識別率。

5 結(jié)束語

文中基于XGBoost算法對UWB NLOS場景進(jìn)行識別，構(gòu)建了基于CIR采集數(shù)據(jù)的XGBoost模型和基于關(guān)鍵信號特征的XGBoost模型，并采用實(shí)測數(shù)據(jù)和其他幾種常用的機(jī)器學(xué)習(xí)NLOS識別算法進(jìn)行對比實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，在兩種不同的數(shù)據(jù)集情況下，文中提出的算法都能顯著提高識別NLOS準(zhǔn)確率。