基于CNN-CAM的NLoS/LoS識(shí)別方法研究

關(guān)鍵詞：超寬帶；非視距／視距識(shí)別；卷積神經(jīng)網(wǎng)絡(luò)；通道注意力模塊；信道脈沖響應(yīng)

0引言

隨著物聯(lián)網(wǎng)技術(shù)、智能移動(dòng)終端技術(shù)和移動(dòng)計(jì)算技術(shù)的飛速發(fā)展，諸多行業(yè)對(duì)于室內(nèi)位置服務(wù)的需求越來(lái)越高，對(duì)于實(shí)現(xiàn)人員實(shí)時(shí)定位的需求也愈加迫切。超寬帶（Ultra-Wideband，UWB）技術(shù)因發(fā)射功率低、傳輸速率高、穿透能力強(qiáng)和抗干擾性強(qiáng)等優(yōu)勢(shì)在無(wú)線定位技術(shù)中脫穎而出，但同時(shí)又受限于實(shí)際場(chǎng)景中的多用戶干擾、時(shí)鐘漂移、頻率漂移和非視距（None Line of Sight，NLoS）傳播等。而信號(hào)在NLoS狀態(tài)下傳播受障礙物的影響會(huì)增加到達(dá)時(shí)間從而引起距離測(cè)量的正偏置，這種情況被認(rèn)為是高精度定位系統(tǒng)面臨的主要挑戰(zhàn)之一。因此，在定位前進(jìn)行NLoS的識(shí)別尤為重要。

NLoS和視距（Line of Sight，LoS）識(shí)別方法可以分為3類。第一類是基于距離估計(jì)法，主要利用概率密度函數(shù)或距離估計(jì)的方差來(lái)識(shí)別NLoS和LoS。該方法相對(duì)簡(jiǎn)單，然而受限于分布函數(shù)或時(shí)間延遲。第二類是基于位置估計(jì)法，在有冗余測(cè)距信息時(shí)通過(guò)比較距離估計(jì)的不同子集產(chǎn)生的位置估計(jì)來(lái)識(shí)別NLoS，在無(wú)冗余測(cè)距信息時(shí)此方法無(wú)效。第三類是基于信號(hào)的信道脈沖響應(yīng)（ChannelImpulse Response，CIR）估計(jì)法，因CIR體現(xiàn)了信道環(huán)境中信號(hào)的波動(dòng)和衰減，可將CIR的特征參量與閾值比較、聯(lián)合似然函數(shù)、支持向量機(jī)（SupportVector Machine，SVM）等方法相結(jié)合來(lái)識(shí)別NLoS和LoS，此方法具有更好的性能。現(xiàn)有文獻(xiàn)中提出的信道特征參量主要包括峰度、偏度、最大振幅、峰值時(shí)間、上升時(shí)間、總能量、平均附加時(shí)延、均方根時(shí)延擴(kuò)展、飽和度、峰均比、接收信號(hào)功率、能量陡升幅度、環(huán)境噪聲誤判數(shù)、首徑判斷誤差和首徑信號(hào)距離誤差等。文獻(xiàn)提出把峰度、均方根時(shí)延擴(kuò)展和平均附加時(shí)延3種特征參量作為統(tǒng)計(jì)信息并通過(guò)建立似然函數(shù)來(lái)識(shí)別NLoS和LoS的方法。文獻(xiàn)提出了先從CIR波形中提取接收信號(hào)功率、最大振幅、上升時(shí)間、平均附加時(shí)延、均方根時(shí)延擴(kuò)展和峰度6種特征參量，再利用最小二乘SVM進(jìn)行NLoS與LoS識(shí)別的方法，但該方法并未考慮特征參量間的相關(guān)性。文獻(xiàn)提出了將峰值時(shí)間與上升時(shí)間之和作為一個(gè)新的特征參量并與未檢測(cè)到峰值數(shù)進(jìn)行聯(lián)合識(shí)別的新方法。該方法在閾值選取合適時(shí)識(shí)別率高，但當(dāng)峰值時(shí)間和上升時(shí)間與預(yù)期相差較大或者閾值選取有誤時(shí)，容易造成識(shí)別出錯(cuò)。NLoS/LoS識(shí)別本質(zhì)上屬于二分類問(wèn)題，而以上方法需要人工提取CIR的特征參量進(jìn)行NLoS/LoS識(shí)別，系統(tǒng)的可靠性和魯棒性得不到保證。近年來(lái)，隨著深度神經(jīng)網(wǎng)絡(luò)的發(fā)展，基于深度學(xué)習(xí)的NLoS/LoS識(shí)別方法受到學(xué)者們的廣泛關(guān)注。該類方法以CIR數(shù)據(jù)作為系統(tǒng)輸入，通過(guò)模型自學(xué)習(xí)的方式完成特征提取。文獻(xiàn)提出了對(duì)公開(kāi)數(shù)據(jù)集（歐洲地平線2020計(jì)劃項(xiàng)目eWINE）使用可逆變換進(jìn)行去噪處理并利用卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Net-work，CNN）來(lái)識(shí)別NLoS的方法。該方法識(shí)別精度最高可達(dá)81.68%。文獻(xiàn)將公開(kāi)數(shù)據(jù)集（歐洲地平線2020計(jì)劃項(xiàng)目eWINE）作為輸入對(duì)CNN結(jié)合長(zhǎng)短期記憶網(wǎng)絡(luò)（Long Short Term Memory，LSTM）模型進(jìn)行訓(xùn)練和測(cè)試，該方法識(shí)別效果最佳可達(dá)82.14%。文獻(xiàn)提出了把原始CIR及其傅里葉變換后的實(shí)部與虛部作為輸入并利用三通道的CNN結(jié)合雙向長(zhǎng)短期記憶網(wǎng)絡(luò)（Bidirectional LongShort Term Memory，BiLSTM）進(jìn)行識(shí)別的方法。采用公開(kāi)數(shù)據(jù)集（歐洲地平線2020計(jì)劃項(xiàng)目eWINE）進(jìn)行了驗(yàn)證，發(fā)現(xiàn)所提方法性能優(yōu)于LSTM、CNN-LSTM。文獻(xiàn)提出了一種全卷積網(wǎng)絡(luò)（FullyConvolutional Network，F(xiàn)CN）聯(lián)合自注意力機(jī)制的NLoS/LoS識(shí)別方法。使用公開(kāi)數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，發(fā)現(xiàn)所提方法識(shí)別性能優(yōu)于CNN、LSTM、CNN-LSTM、FCN、LSTM-FCN，然而此方法受訓(xùn)練數(shù)據(jù)集質(zhì)量和數(shù)量的影響。文獻(xiàn)提出了將一維CIR數(shù)據(jù)轉(zhuǎn)換為二維圖像利用深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行識(shí)別的方法，精度受圖像大小的影響且運(yùn)行效率不高。

針對(duì)現(xiàn)有方法下人工提取特征易忽略本質(zhì)特征、多場(chǎng)景下難以選取合適閾值以及其他神經(jīng)網(wǎng)絡(luò)方法識(shí)別精度不高的問(wèn)題，本文提出了一種基于多層CNN結(jié)合通道注意力模塊（Channel AttentionModule，CAM）的NLoS/LoS識(shí)別方法。在多層CNN模塊中嵌入CAM減少了特征自提取中產(chǎn)生的冗余信息，提高了CNN的表征能力；輸入層用一維特征圖代替二維特征圖降低了計(jì)算復(fù)雜度；對(duì)傳統(tǒng)CNN做出改進(jìn)，在卷積層和池化層之間引入批量歸一化層（Batch Normalization，BN）加快了收斂速度，同時(shí)選用全局平均池化層代替全連接層以減少可訓(xùn)練參數(shù)，提高模型泛化能力。與其他方法相比，使用CNN-CAM具有更好的識(shí)別效果。

1NLoS/LoS問(wèn)題描述

CIR是接收脈沖的總和，通過(guò)評(píng)估累積傳人樣本與預(yù)期前序序列的相關(guān)性獲取，可用下式描述．

接收端在LoS和NLoS環(huán)境下接收的CIR波形如圖1所示。從圖中可以看出，在LoS環(huán)境下由于信號(hào)可以通過(guò)直達(dá)路徑到達(dá)接收端，信號(hào)衰減相對(duì)慢且CIR波形峰值高，而在NLoS環(huán)境下受障礙物的阻擋使得信號(hào)幅值相對(duì)小、衰減快。

基于UWB的室內(nèi)定位系統(tǒng)利用來(lái)自不同信道的距離信息計(jì)算定位結(jié)果。為了測(cè)試LoS和NLoS環(huán)境下UWB測(cè)距性能的差異性，本文進(jìn)行了LoS和NLoS環(huán)境下的測(cè)距實(shí)驗(yàn)，圖2為L(zhǎng)oS和NLoS環(huán)境不同距離下的測(cè)距誤差棒圖。

由圖2可知，在LoS環(huán)境下錨節(jié)點(diǎn)與目標(biāo)節(jié)點(diǎn)之間的測(cè)距誤差不大，測(cè)距誤差均值和標(biāo)準(zhǔn)差最大分別不超過(guò)0.1198、0.0497m；而在NLoS環(huán)境下測(cè)距誤差均值不小于0.3476m，測(cè)距誤差標(biāo)準(zhǔn)差不小于0.0318m。因此利用距離信息進(jìn)行定位時(shí)為實(shí)現(xiàn)更好的定位效果，定位之前進(jìn)行NLoS的識(shí)別非常有必要。

2CNN-CAM網(wǎng)絡(luò)模型

本文以構(gòu)建識(shí)別率較高、環(huán)境適用性較強(qiáng)、計(jì)算復(fù)雜度較低的實(shí)時(shí)NLoS/LoS識(shí)別方法為目的，提出了一種多層CNN結(jié)合CAM的NLoS/LoS識(shí)別方法。給出了CNN和CAM各部分的相關(guān)理論，詳細(xì)介紹了所提出的CNN-CAM網(wǎng)絡(luò)架構(gòu)。

2.1CNN理論

CNN是一種受生物自然視覺(jué)認(rèn)知機(jī)制啟發(fā)而來(lái)的前饋神經(jīng)網(wǎng)絡(luò)，通過(guò)構(gòu)建多個(gè)濾波器對(duì)輸入數(shù)據(jù)進(jìn)行多次卷積與池化運(yùn)算，從而得到數(shù)據(jù)內(nèi)部的高級(jí)特征。一維CNN的結(jié)構(gòu)主要包括卷積層、池化層和全連接層。

卷積層利用滑動(dòng)卷積核執(zhí)行卷積操作，隨后這些內(nèi)核濾波器的輸出通常被饋送到激活函數(shù)中以提取特征，一維卷積如下：

之后將網(wǎng)絡(luò)末端的池化層進(jìn)行扁平化處理并與一層或多層全連接層相連進(jìn)行最后的分類。

2.2注意力機(jī)制

注意力機(jī)制已廣泛應(yīng)用于數(shù)據(jù)預(yù)測(cè)、水聲識(shí)別和圖像分割等領(lǐng)域。與深度學(xué)習(xí)網(wǎng)絡(luò)架構(gòu)相比，注意力機(jī)制是一個(gè)輕量級(jí)模塊，其以生成和分配權(quán)重來(lái)調(diào)整網(wǎng)絡(luò)參數(shù)，并通過(guò)訓(xùn)練使網(wǎng)絡(luò)聚集于關(guān)鍵信息，從而提高準(zhǔn)確率。本文在CNN基礎(chǔ)上添加CAM，其結(jié)構(gòu)如圖3所示。先將輸入特征分別進(jìn)行全局最大池化（GlobalMax Pooling，GMP）和全局平均池化（Global AveragePooling，GAP）；隨后分別通過(guò)一個(gè)共享的多層感知器（Multilayer Perceptron，MLP）；最后為了得到特征圖所對(duì)應(yīng)通道的權(quán)重值，對(duì)MLP的2個(gè)輸出項(xiàng)按照通道進(jìn)行求和并使用激活函數(shù)sigmoid進(jìn)行歸一化操作。如式（4）所示：

2.3CNN-CAM網(wǎng)絡(luò)架構(gòu)

UWB的CIR可以視為時(shí)間序列，LoS情況下前后數(shù)據(jù)存在一定的相關(guān)性，NLoS條件下數(shù)據(jù)具有明顯差異，因此本文引入CNN，其在學(xué)習(xí)CIR數(shù)據(jù)間的結(jié)構(gòu)化關(guān)系方面更具優(yōu)勢(shì)。傳統(tǒng)CNN對(duì)特征圖的每個(gè)通道采取同等方式進(jìn)行卷積，實(shí)際上不同通道承載信息的重要程度不同，因此對(duì)每個(gè)通道以相同方式進(jìn)行處理會(huì)使網(wǎng)絡(luò)精度有所下降。而CAM是一個(gè)輕量級(jí)通用模塊，不僅能對(duì)輸入特征賦予不同權(quán)重以實(shí)現(xiàn)突出重要特征并抑制無(wú)用特征響應(yīng)的作用，還能與任何CNN架構(gòu)無(wú)縫集成共同進(jìn)行端到端的訓(xùn)練。其優(yōu)勢(shì)已在不同的分類和檢測(cè)數(shù)據(jù)集上得到驗(yàn)證。因此，本文在多層CNN中嵌入CAM，搭建了基于CNN-CAM的NLoS/LoS識(shí)別系統(tǒng)。圖4所示為CNN-CAM網(wǎng)絡(luò)架構(gòu)，其具體參數(shù)如表1所示。

首先，使用3層卷積模塊，每層卷積模塊由卷積層、BN層、ReLU和最大池化層組成。輸入為1016x1的CIR數(shù)據(jù)，第一層卷積中使用10個(gè)4xl的卷積核進(jìn)行特征初步提取操作；第二層卷積中使用20個(gè)5×1的卷積核；第三層卷積中使用32個(gè)3x1的卷積核對(duì)上層輸出特征進(jìn)行深層次的挖掘。每層卷積層的步長(zhǎng)均為2。BN層可以使輸入樣本變?yōu)榫禐?、方差為1的正態(tài)分布，以此解決由于樣本特征分布較散而導(dǎo)致網(wǎng)絡(luò)學(xué)習(xí)速度緩慢的問(wèn)題。因此，本文為了加快模型訓(xùn)練速度在各卷積層后添加BN層。同時(shí)選用ReLU作為BN層后的激活函數(shù)。池化層不僅能縮小參數(shù)矩陣的尺寸，還可以對(duì)CIR信號(hào)在硬件電路、傳輸路徑、NLoS接收表面以及其他因素的影響下引入額外的噪聲進(jìn)行濾波操作。因此本文在每個(gè)卷積層之后加入2x1的最大池化層，步長(zhǎng)為2。

其次，在上述基礎(chǔ)上添加CAM，進(jìn)一步加強(qiáng)模型特征提取能力。即將第三層卷積模塊中的池化層作為CAM的輸入，并分別進(jìn)行GMP和GAP操作，隨后2個(gè)池化層依次通過(guò)8個(gè)1X1的卷積、BN層、ReLU函數(shù)、32個(gè)1x1的卷積，然后將其特征圖疊加并經(jīng)過(guò)sigmoid函數(shù)后與CAM的輸入特征相乘。

接著，使用一個(gè)卷積層轉(zhuǎn)換數(shù)據(jù)維度，并利用GAP層代替全連接層進(jìn)行特征整合。最后，由激活函數(shù)softmax完成NLoS/LoS的識(shí)別。

3實(shí)驗(yàn)與評(píng)估

使用公開(kāi)數(shù)據(jù)集進(jìn)行了一系列可視化分析并對(duì)基于CNN-CAM的NLoS/LoS識(shí)別步驟進(jìn)行了說(shuō)明；設(shè)計(jì)實(shí)驗(yàn)確定了學(xué)習(xí)率和訓(xùn)練批次的最佳值；進(jìn)行不同結(jié)構(gòu)的模型和不同識(shí)別方法的實(shí)驗(yàn)以驗(yàn)證CNN-CAM模型用于NLoS/LoS識(shí)別中的先進(jìn)性和有效性。

3.1數(shù)據(jù)集

本文使用由歐洲地平線2020計(jì)劃項(xiàng)目eWINE撥款資助并且由Bregar等建立的公開(kāi)數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)。數(shù)據(jù)是在7種不同的室內(nèi)場(chǎng)景下測(cè)量的，包括辦公室1、辦公室2、小公寓、小作坊、廚房、臥室和鍋爐房，且每個(gè)場(chǎng)景收集3000個(gè)LoS信道測(cè)量值和3000個(gè)NLoS信道測(cè)量值。

上述7種場(chǎng)景下的CIR采樣點(diǎn)示意如圖5所示，可以看出CIR波形在各個(gè)場(chǎng)景下區(qū)分不明顯，體現(xiàn)了該數(shù)據(jù)集的復(fù)雜性。

LoS和NLoS環(huán)境下CIR特征參量數(shù)值分布如圖6所示，以最大振幅、上升時(shí)間、噪聲標(biāo)準(zhǔn)差、接收信號(hào)功率、峰度、偏度、總能量、均方根時(shí)延擴(kuò)展、峰值時(shí)間、平均附加時(shí)延、峰均比、能量陡升幅度為例，可以看出這些特征參量的重合度都比較高，說(shuō)明LoS和NLoS數(shù)據(jù)集之間存在的差異不明顯。綜上所述，本文選取的數(shù)據(jù)集具備驗(yàn)證所提出方法的試驗(yàn)條件。

3.2識(shí)別流程

基于CNN-CAM的NLoS/LoS識(shí)別流程如圖7所示。主要包括以下3個(gè)步驟。

步驟1：獲取CIR數(shù)據(jù)，并按7：2：1的比例劃分為訓(xùn)練集、驗(yàn)證集與測(cè)試集。

步驟2：對(duì)CNN-CAM模型用訓(xùn)練集進(jìn)行訓(xùn)練，之后用驗(yàn)證集驗(yàn)證訓(xùn)練后的模型性能，當(dāng)訓(xùn)練時(shí)期達(dá)到所設(shè)置的數(shù)值時(shí)，停止訓(xùn)練并保存此時(shí)的模型。

步驟3：對(duì)訓(xùn)練好的模型用測(cè)試集進(jìn)行測(cè)試，以得到最終的NLoS/LoS識(shí)別結(jié)果。

本文對(duì)訓(xùn)練集的順序進(jìn)行隨機(jī)打亂以提高模型的魯棒性。此外，最大訓(xùn)練時(shí)期為25，對(duì)于每個(gè)訓(xùn)練時(shí)期使用Adam優(yōu)化器，并設(shè)置學(xué)習(xí)率下降周期為10，學(xué)習(xí)率衰減為原來(lái)的0.5倍。

3.3結(jié)果分析

在基于CNN-CAM的NLoS/LoS識(shí)別中，為了找到合適的模型參數(shù)，選取不同大小的學(xué)習(xí)率和訓(xùn)練批次進(jìn)行實(shí)驗(yàn)；設(shè)計(jì)了6種不同結(jié)構(gòu)的模型驗(yàn)證添加CAM和3層卷積模塊（“卷積+BN+ReLU+最大池化”）的有效性；為了驗(yàn)證模型的先進(jìn)性，采用多種方法與本文的CNN-CAM進(jìn)行比較，主要包括特征參量聯(lián)合機(jī)器學(xué)習(xí)的識(shí)別方法以及其他深度學(xué)習(xí)的識(shí)別方法。

3.3.1參數(shù)分析

模型參數(shù)對(duì)網(wǎng)絡(luò)的性能表現(xiàn)起關(guān)鍵作用，合適的參數(shù)不僅能提高訓(xùn)練階段的收斂速度，而且有利于實(shí)現(xiàn)更好的識(shí)別效果。為了找到學(xué)習(xí)率和訓(xùn)練批次的最佳值，選取不同大小的學(xué)習(xí)率和不同批次的訓(xùn)練方式進(jìn)行性能比較，如圖8所示。

從圖8（a）可以看出，模型的準(zhǔn)確率與學(xué)習(xí)率存在一定關(guān)系，在0.001處取得最大值89.62%，然而當(dāng)學(xué)習(xí)率下降到0.0001時(shí)，準(zhǔn)確率反而下降。故本文的CNN-CAM模型最終確定的學(xué)習(xí)率為0.001。從圖8（b）可以看出，當(dāng)訓(xùn)練批次大小為64時(shí)，模型的準(zhǔn)確率最高，故模型訓(xùn)練批次設(shè)置為64時(shí)可以取得最優(yōu)效果。

3.3.2性能分析

為了對(duì)所提模型的性能進(jìn)行評(píng)估，使用準(zhǔn)確率（Accuracy）、LoS召回率（Recall）．NLoS召回率（Recall）和F1分?jǐn)?shù)（F1-score）作為性能度量指標(biāo)。

3.3.2.1不同結(jié)構(gòu)模型的對(duì)比實(shí)驗(yàn)

為驗(yàn)證所提模型的有效性，構(gòu)建了6種不同結(jié)構(gòu)的模型并分析了其性能，分別如圖9、表2和圖10所示。

可以看出，模型A未添加CAM，其準(zhǔn)確率最低。模型B由一層卷積模塊（“卷積+BN+ReLU+最大池化”）、CAM、“卷積+GAP”組成。當(dāng)訓(xùn)練模型隨著迭代次數(shù)增加時(shí)，準(zhǔn)確率趨于平穩(wěn)，此時(shí)模型B的準(zhǔn)確率為86.40%，LoS召回率為90.76%，NLoS召回率為82.05%，F(xiàn)1-score為86.97%，模型參數(shù)2124個(gè)。模型C在模型B的基礎(chǔ)上增加了一層卷積模塊（“卷積+BN+ReLU+最大池化”），其準(zhǔn)確率為88.40%，LoS召回率為91.38%，NLoS召回率為85.43%，F(xiàn)1-score為88.74%，參數(shù)4804個(gè)。本文所提模型是在模型B的基礎(chǔ)上添加了2層卷積模塊（“卷積+BN+ReLU+最大池化”），其準(zhǔn)確率達(dá)到90.00%，LoS召回率為92.29%，NLoS召回率為87.71%，F(xiàn)1-score為90.22%，參數(shù)8764個(gè)。模型C和本文所提模型雖然加大了參數(shù)量，但準(zhǔn)確率分別提高了2.00%和3.60%，LoS召回率分別提高了0.62%和1.53%，NLoS召回率分別提高了3.38%和5.66%，F(xiàn)1-score分別提高了1.77%和3.25%，說(shuō)明添加CAM和增加卷積模塊可以提高識(shí)別精度。模型D中繼續(xù)增加一層卷積模塊其識(shí)別率反而降低，驗(yàn)證了使用3層卷積模塊的可行性。模型E是將本文所提模型中的GAP層替換成全連接層，全連接層的每個(gè)神經(jīng)元都與前一層的所有神經(jīng)元相連接，可訓(xùn)練參數(shù)從8764個(gè)上升到70204個(gè)，進(jìn)而產(chǎn)生了過(guò)擬合現(xiàn)象。通過(guò)分析上述不同結(jié)構(gòu)模型的性能，發(fā)現(xiàn)本文所提模型在保證良好的擬合性能的同時(shí)訓(xùn)練參數(shù)較少，模型精度也最高，驗(yàn)證了本文所提模型的有效性。

3.3.2.2不同識(shí)別方法對(duì)比實(shí)驗(yàn)

為了驗(yàn)證所提模型的先進(jìn)性，選取文獻(xiàn)提出的CNN-LSTM、CNN-SVM、隨機(jī)森林（Random Fo-rest，RF）模型與本文的CNN-CAM模型進(jìn)行比較。其中，CNN-SVM模型是以CNN全連接層提取的特征向量作為SVM分類器的輸入對(duì)SVM進(jìn)行訓(xùn)練，并選取徑向基函數(shù)作為SVM的核函數(shù)。RF（單一特征參量）是將CIR數(shù)據(jù)中的峰度特征作為輸入再利用RF進(jìn)行識(shí)別。RF（多個(gè)特征參量）是先對(duì)CIR數(shù)據(jù)提取峰度、偏度、總能量、均方根時(shí)延擴(kuò)展、峰值時(shí)間、平均附加時(shí)延、峰均比、能量陡升幅度、最大振幅、上升時(shí)間、噪聲標(biāo)準(zhǔn)差和接收信號(hào)功率12個(gè)特征參量，再利用RF進(jìn)行識(shí)別。此外，RF決策樹(shù)數(shù)目設(shè)置為100，葉子節(jié)點(diǎn)最少樣本數(shù)設(shè)為1。不同識(shí)別方法性能對(duì)比如表3所示。

由表3可知，CNN-SVM相比CNN-LSTM的準(zhǔn)確率提高了1.18%，F(xiàn)1-score提高了1.13%。在RF模型中使用多個(gè)特征參量比使用單一特征參量做識(shí)別效果好，且比CNN-LSTM和CNN-SVM模型的準(zhǔn)確率都高，但這些人工提取的特征間不可避免地存在一定量的無(wú)關(guān)、冗余信息，從而導(dǎo)致準(zhǔn)確率以及穩(wěn)定性不好。本文提出的模型準(zhǔn)確率高達(dá)90.00%，LoS召回率達(dá)到了92.29%，NLoS召回率達(dá)到了87.71%，F(xiàn)1-score達(dá)到了90.22%，說(shuō)明其提取特征敏感性更高。因此，本文的CNN-CAM網(wǎng)絡(luò)模型相比于現(xiàn)有神經(jīng)網(wǎng)絡(luò)模型和機(jī)器學(xué)習(xí)模型具有明顯的性能提升效果，更適合用于NLoS/LoS的識(shí)別。

4結(jié)束語(yǔ)

本文提出了一種多層CNN與CAM相結(jié)合的網(wǎng)絡(luò)模型。該模型在3層CNN模塊（“卷積+BN+ReLU+最大池化”）中嵌入CAM減少了特征自提取中產(chǎn)生的冗余信息，有效提高了模型對(duì)CIR信息的聚焦能力；采用最大池化層對(duì)CIR信號(hào)引入的額外噪聲進(jìn)行濾波操作；通過(guò)GAP層代替全連接層，相較于模型E參數(shù)減少了87.52%避免了過(guò)擬合現(xiàn)象。此外，為了比較所提出模型的識(shí)別性能，使用公開(kāi)數(shù)據(jù)集進(jìn)行了不同結(jié)構(gòu)模型、特征參量聯(lián)合機(jī)器學(xué)習(xí)的識(shí)別方法、其他深度學(xué)習(xí)識(shí)別方法的對(duì)比實(shí)驗(yàn)，發(fā)現(xiàn)本文模型有90.00%的準(zhǔn)確率，92.29%的LoS召回率，87.71%的NLoS召回率以及90.22%的F1-score，在NLoS/LoS識(shí)別中實(shí)現(xiàn)了較高的識(shí)別精度，驗(yàn)證了模型的有效性和先進(jìn)性。然而，在實(shí)際應(yīng)急場(chǎng)景下無(wú)法采集大量數(shù)據(jù)，一定程度上限制了該網(wǎng)絡(luò)的應(yīng)用場(chǎng)景。因此在未來(lái)的工作中將考慮小樣本情況下的NLoS/LoS識(shí)別。