張忠健，席志紅

哈爾濱工程大學 信息與通信工程學院，黑龍江 哈爾濱 150001

室內(nèi)定位技術(shù)已成為一個研究熱點，如藍牙技術(shù)、WIFI 技術(shù)和射頻識別技術(shù)等。相比之下，與IEEE802.15.4—2011 標準兼容的超寬帶(UWB)定位技術(shù)在定位精度、實時性能和帶寬等方面都具有很大的優(yōu)勢[1]。影響超寬帶定位系統(tǒng)定位精度的一個重要原因是超寬帶信號的非視距傳播。預(yù)先從定位信號中區(qū)分出NLOS 信號，進而可以抑制由于信號非視距傳播產(chǎn)生的測距誤差，達到提高定位精度的效果[2]?；跈C器學習和深度學習的方法在NLOS 識別中已經(jīng)得到了廣泛的研究。機器學習包括支持向量機(SVM)[3]、K 近鄰(k-nearest neighbors，KNN)[4]、決策樹(decision tree，DT)[5]和隨機森林(random forest，RF)[6]等方法，這些方法都是利用一些超寬帶信道脈沖響應(yīng)的特性，如接收到的信號能量、最大振幅、上升時間、平均附加時延和均方根（root mean square，RMS）延時拓展等作為識別特征，來進行NLOS 識別。深度學習方面，文獻[7]在沒有信道先驗知識的情況下，利用原始信道脈沖響應(yīng)(channel impulse response，CIR)結(jié)合卷積神經(jīng)網(wǎng)絡(luò)(CNN)對NLOS信號進行分類。文獻[8]同樣是利用原始信道脈沖響應(yīng)信息，提出一種CNN 和長短期記憶(long short-term memory，LSTM)相結(jié)合的方法對非視距信號進行分類。除此之外，文獻[9]在延遲角域提取分類特征，并且考慮了信號的多徑效應(yīng)和空間選擇性衰落。

本文研究信號識別所使用的室內(nèi)定位技術(shù)是由超寬帶無線電基于測量2 個節(jié)點之間的飛行時間(time of flight，ToF)，從而獲取測距信息，最終將多個測距信息交匯，實現(xiàn)位置估計。從CIR 信息得到的傳播特性可以用來緩解由于環(huán)境中的NLOS 信號傳播所導致的ToF 測距誤差，或者直接刪除由非視距傳播條件產(chǎn)生的測距信息，從而顯著提高定位性能，因此對NLOS 識別的研究至關(guān)重要。本文在卷積神經(jīng)網(wǎng)絡(luò)GoogleNet 的基礎(chǔ)上，對網(wǎng)絡(luò)結(jié)構(gòu)進行優(yōu)化，提出了一種基于莫雷（Morlet）連續(xù)小波變換和卷積神經(jīng)網(wǎng)絡(luò)(CWTCNN)的NLOS 識別方法。CWT-CNN 將超寬帶信號轉(zhuǎn)換為時頻譜圖像，并利用精確的時頻域特征識別NLOS 信號。仿真結(jié)果表明，CWT-CNN的性能優(yōu)于僅采用時域特征的傳統(tǒng)方法。

1 Morlet 連續(xù)小波變換

由于超寬帶信道脈沖響應(yīng)是由不同的頻率分量組成的，在本文中，將信道脈沖響應(yīng)轉(zhuǎn)換為時頻域圖像，以促進特征提取。連續(xù)小波變換(CWT)是最常用的時頻分析工具，它使用一系列小波函數(shù)來分解時頻域的信號。它繼承和發(fā)展了短時傅里葉變換(short-time Fourier transform，STFT)的思想，但與STFT 不同，CWT 可以在高頻中提供高時間分辨率和低頻分辨率，通過調(diào)整尺度和平移參數(shù)，在低頻中提供高頻分辨率和低時間分辨率。給定信號x(t)，小波變換被定義為

其中，母小波的選擇往往對時頻分析的效果至關(guān)重要，需要設(shè)置非正交小波函數(shù)才能得到光滑的連續(xù)小波振幅。此外，還需要一個復(fù)小波來獲得關(guān)于時間序列的振幅和相位信息。本文以Morlet 小波[11]作為母小波，因為Morlet 小波不僅是非正交的，而且是由高斯調(diào)節(jié)的復(fù)指數(shù)小波。此外，Morlet 小波在時間定位和頻率定位之間具有正確的平衡[12]。Morlet 小波的小波基函數(shù)可以表示為

式中： ?0=2πFc， 其中Fb是 小波的帶寬。Fc和Fb這2 個參數(shù)的設(shè)置會影響時間分辨率和頻率分辨率，需要根據(jù)具體任務(wù)進行調(diào)整。

通過CWT 可以得到信號小波標度圖，如圖1所示。從標度圖可以看到一些時頻域上的細節(jié)特征。例如，在時域上，NLOS 信號的上升時間比LOS 信號的上升時間長；由于信號多徑效應(yīng)引起的頻率選擇性衰落，NLOS 信號的明亮垂直線在時頻譜上顯得更加不連續(xù)。

圖1 LOS/NLOS 小波變換標度

2 CWT-CNN 模型

CNN 是一種多層次的神經(jīng)網(wǎng)絡(luò)，它使用卷積操作來代替深度神經(jīng)網(wǎng)絡(luò)中的一般乘法，可以通過訓練自動提取識別特征，近年來已廣泛應(yīng)用于分類任務(wù)中，特別是在圖像識別中[13]。CNN 相對于其他網(wǎng)絡(luò)的優(yōu)越性歸因于2 個重要概念：稀疏交互和參數(shù)共享[14]。稀疏交互降低了模型的計算復(fù)雜度，提高了其統(tǒng)計效率；參數(shù)共享是指在乘法運算中使用相同的參數(shù)，即在處理輸入的不同位置時，每個卷積核的參數(shù)是相同的。

本文所提出的CWT-CNN 是在GoogleNet-Inception V1 網(wǎng)絡(luò)上進行改進，網(wǎng)絡(luò)框架如圖2 所示。GoogleNet 網(wǎng)絡(luò)一共有22 層，其中最重要的是卷積層。卷積層應(yīng)用一組稱為濾波器或核的權(quán)重來提取特征，原理上，可以通過增加卷積層數(shù)來提取相關(guān)的高級特征，利用反向傳播誤差來訓練卷積核的權(quán)值，使用ReLU 層作為激活函數(shù)來實現(xiàn)非線性功能。批處理歸一化層通常放置在卷積層和ReLU 層之間，該層對各通道的特征圖進行歸一化處理，減少了訓練時間和網(wǎng)絡(luò)初始化的靈敏度。池化層又稱次采樣層，用于計算放置在先前卷積層中的相鄰神經(jīng)元內(nèi)的最大卷積特征，池化層可以降低特征維度，加快訓練過程。網(wǎng)絡(luò)最后一層通常連接到2 個用來計算類分數(shù)的完全連接的神經(jīng)元。

圖2 CWT-CNN 信號識別網(wǎng)絡(luò)框架

Inception V1 模塊是本文CWT-CNN 網(wǎng)絡(luò)框架的重要組成部分。CWT-CNN 有9 個Inception V1模塊,如圖3 所示。

圖3 Inception V1 模塊

Inception V1 的作用是用一個較好的分辨率覆蓋一個更大的區(qū)域，以獲得關(guān)于該圖像的細節(jié)信息。這些模塊用于提高網(wǎng)絡(luò)的計算效率，可以通過使用堆疊1 ×1卷積的降維方法來實現(xiàn)。模塊對具有3 個不同大小的濾波器(1 ×1、 3×3、 5×5)和最大池化層的輸入進行卷積，最后將所有輸出連接在一起。這些模塊緩解了計算成本問題和過擬合問題。此外CWT-CNN 還進行了如下修改：

1)為了防止網(wǎng)絡(luò)過度擬合，GoogleNet 中的dropout 層以給定的概率將輸入神經(jīng)元隨機設(shè)置為零，用概率為0.6 的dropout 層替換網(wǎng)絡(luò)中的最后一個dropout 層 pool5-drop_7×7 _s1。

2)網(wǎng)絡(luò)的卷積層提取圖像特征，最后一個可學習層和最后一個分類層用來對輸入圖像進行分類。GoogLeNet 中的 loss3-classifier和 output這2 層包含如何將網(wǎng)絡(luò)的提取特征組合成類概率、損失值和預(yù)測標簽的信息。為了重新訓練GoogLeNet對RGB 圖像進行分類，將這2 個層替換為與數(shù)據(jù)相適應(yīng)的新層。將全連接層 loss3-classifier替換為一個新的全連接層，該層的濾波器數(shù)量等于類的數(shù)量。

3)分類層是指網(wǎng)絡(luò)的輸出層。將分類層替換為不帶類標簽的新層new_classoutput，網(wǎng)絡(luò)在訓練時自動設(shè)置層的輸出類。

3 實驗結(jié)果與分析

本文中所有實驗分別在2 種實驗環(huán)境下完成，實驗硬件環(huán)境為一臺CPU 為Intel i5-5200U，顯存為8 GB，內(nèi)存為240 GB 的筆記本電腦。CNN、SVM 和本文提出的CWT-CNN，這3 種方法均在Windows10 操作系統(tǒng)上實現(xiàn)。CWT-CNN 方法的深度學習框架是基于Matlab 2019b 的深度學習工具箱進行編程，同時還使用了小波工具箱；對照實驗CNN 方法，軟件環(huán)境基于Python 語言的TensorFlow 架構(gòu)進行編程；對照實驗SVM 方法利用Matlab 的統(tǒng)計和機器學習工具箱進行編程。

3.1 模型評估指標

為了評價本文卷積神經(jīng)網(wǎng)絡(luò)的性能，將通過計算混淆矩陣得到的指標作為評估模型性能的指標[7]。分類任務(wù)完成之后，混淆矩陣中產(chǎn)生4 類，分別為真陽性率(true positive rate，TPR)RTP、真陰性率(true negative rate，TNR)RTN、假陽性率(False positive rate，F(xiàn)PR)RFP和 假 陰 性 率(false negative rate，F(xiàn)NR)RFN。本文應(yīng)用的分類模型評估指標如下：

3.2 數(shù)據(jù)集

實驗使用一個GitHub 開源數(shù)據(jù)集[3]。數(shù)據(jù)集采集于7 種不同的室內(nèi)環(huán)境，以構(gòu)建更通用的模型，防止在特定環(huán)境中過度擬合。為了加快數(shù)據(jù)集的獲取，測量沒有在預(yù)定義網(wǎng)格上進行嚴格的節(jié)點定位，而是在選定的室內(nèi)環(huán)境中，將一個UWB節(jié)點放置在一個隨機的固定位置，并且在整個環(huán)境中移動另一個UWB 節(jié)點的同時進行測量。先收集了3 000 個視距信道條件下的測量值，然后收集了同一環(huán)境下3 000 個非視距信道條件下的測量值。為了確保收集到的測量值始終符合信道狀態(tài)，測量人員跟蹤2 個UWB 節(jié)點的信道條件，可視鏈路條件下為LOS 信道，非視距鏈路條件下為NLOS 信道。測量了7 種不同的室內(nèi)環(huán)境：2 個辦公環(huán)境、1 個小車間、2 個公寓、1 個廚房和1 個鍋爐房。這些環(huán)境中的每一個都具有特定的多徑傳播特性，這增加了數(shù)據(jù)集的豐富度，防止LOS 和NLOS 的分類模型被過度擬合到單個環(huán)境中。在數(shù)據(jù)集中，每個測量數(shù)據(jù)包括距離估計(基于估計的信號飛行時間)、接收信號強度值、噪聲等級和CIR。

數(shù)據(jù)集采集使用DWM1000 模塊[15]，DWM1000是一種基于無線電脈沖超寬帶(IR-UWB)技術(shù)開發(fā)的低成本收發(fā)裝置，數(shù)據(jù)集中采集的每個信道脈沖響應(yīng)數(shù)據(jù)的脈沖重復(fù)頻率為64 MHz，且每個數(shù)據(jù)有1 016 個采樣樣本，其時間分辨率約為1 ns或為499.2 MHz 基頻的半周期。

若將完整的信道脈沖響應(yīng)執(zhí)行小波變換，會導致圖像中多數(shù)像素包含無用信息，無用的信息會浪費計算資源和處理時間。另一方面，被截取的信號需要保留原始信號中的主要能量和部分拖尾。由于每個信道脈沖響應(yīng)在不同的到達時間處開始上升，因此確定信道脈沖響應(yīng)第一路徑的索引對獲取有用信息是十分重要的。DWM1000 使用內(nèi)置的基于閾值的能量檢測算法確定信號的第一路徑索引，數(shù)據(jù)集中已提供該索引值。從第一路徑索引開始，使用前152 個CIR 樣本。圖4 中可視化了一個樣本長度為152 的CIR 示例，大約152 個樣本保存了有關(guān)環(huán)境中傳播特性的大部分有用信息[7]。最后，將小波變換得到的標度圖創(chuàng)建為大小為 224×224×3的RGB 圖像。

圖4 NLOS 信道脈沖響應(yīng)示例

本文選取數(shù)據(jù)集中的6 種環(huán)境(2 種辦公室環(huán)境中選擇1 種)中各1 000 個樣本進行實驗，每種環(huán)境的數(shù)據(jù)集按照60%、20%、20%的比例劃分為訓練集、驗證集和測試集。

3.3 實驗結(jié)果與對比

當使用相同參數(shù)獲取多個信號的連續(xù)小波變換時，可以使用CWT 濾波器組。使用Matlab 小波變換工具箱的CWT 濾波器組對數(shù)據(jù)集中所有信號進行預(yù)處理，濾波器組的母小波選擇為Morlet小波。

分類模型訓練過程設(shè)置最小批的大小為15，最大迭代次數(shù)為10，初始學習率為，使用動量隨機梯度下降優(yōu)化器，前一迭代的更新參數(shù)對當前迭代隨機梯度下降的貢獻設(shè)置為0.9。

根據(jù)以上所設(shè)定的參數(shù)和模型評估指標，分別訓練屬于6 種室內(nèi)場景的CWT-CNN 模型。隨著迭代次數(shù)的不斷增加，場景6(鍋爐房)訓練準確率的變化曲線如圖5 所示。為了方便可視化觀察，將訓練準確率進行平滑處理(藍色曲線)。從圖5 可以看出，場景6 模型并未出現(xiàn)過擬合現(xiàn)象，且最終驗證集準確率為90.50%。

圖5 場景6 的訓練準確率變化曲線

數(shù)據(jù)集中6 種環(huán)境的每一個都具有特定的多徑傳播特性，因此增加了分類模型的豐富性。本文分別測試了6 種場景分類模型的性能，如表1所示。除公寓場景外，其他5 種場景分類準確率均達到87%以上。從整體分類性能來看，臥室場景和鍋爐房場景優(yōu)于其他場景。公寓場景模型分類性能最差，粗略估計是此數(shù)據(jù)集在測量時受環(huán)境多徑效應(yīng)及非視距影響，數(shù)據(jù)集缺少泛化能力，導致分類性能低于其他場景。

表1 CWT-CNN 在6 種場景中的分類性能 %

為了進一步驗證CWT-CNN 分類模型的信號分類效果，設(shè)置了與基于信道脈沖響應(yīng)本身特征的CNN 分類模型[7]和基于SVM 的分類模型[3]的對比試驗。實驗數(shù)據(jù)集選擇場景6(鍋爐房)數(shù)據(jù)集，實驗結(jié)果如表2 所示。

表2 本文方法與現(xiàn)有方法的性能對比 %

從表2 可以看出，本文提出的方法在場景6 中的F1值為89.72%，相較于傳統(tǒng)CNN 和SVM方法分別提高了0.74%和3.31%，在相同場景中，本文通過采用小波變換和修改傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)的辦法，提高了模型對NLOS 信號的特征提取能力和識別能力。本文所提方法整體性能略優(yōu)于其他2 種現(xiàn)存方法，但與傳統(tǒng)CNN 方法相比識別準確率和F1值較為接近，說明本文所提卷積神經(jīng)網(wǎng)絡(luò)模型和對數(shù)據(jù)中有用特征提取能力還需進一步優(yōu)化和提升。

3.4 特征可視化分析

圖6 給出了本文卷積神經(jīng)網(wǎng)絡(luò)的圖像特征提取部分過程。卷積神經(jīng)網(wǎng)絡(luò)利用特征對圖像進行分類，網(wǎng)絡(luò)在訓練過程中由淺到深的不斷學習這些特征。由網(wǎng)絡(luò)末端全連接層輸出的特征對應(yīng)于先前卷積層所學習特征的高級組合。

圖6 模型訓練過程中部分特征圖像可視化

由圖6 可知，conv1 和conv2 層是處于網(wǎng)絡(luò)開始的卷積層，具有較小的感受野，因此學習的特征較少且低水平，這層特征圖主要包含邊緣和顏色信息。用于conv2 層的濾波器檢測到比conv1層更為復(fù)雜的特征。隨著網(wǎng)絡(luò)深度的增加，接進網(wǎng)絡(luò)末端的卷積層具有更大的感受野，inception_4e可以提取到圖像的圖案和紋理這樣的高階特征信息。更換的全連接層濾波器個數(shù)等于信號類的數(shù)量，此層融合了各卷積層上的特征。通過充分理解神經(jīng)網(wǎng)絡(luò)的特征信息，才能對現(xiàn)有的模型做出更好的優(yōu)化。

4 結(jié)論

本文針對卷積神經(jīng)網(wǎng)絡(luò)在識別超寬帶室內(nèi)定位信號時提取特征不明顯、準確率較低等問題，提出了一種與連續(xù)小波變換相結(jié)合的非視距信號識別方法，即CWT-CNN。CWT-CNN 能同時在時頻范圍內(nèi)分析UWB 信道脈沖響應(yīng)，并在特定場景下準確識別超寬帶非視距信號。仿真結(jié)果表明，CWT-CNN 在6 種不同室內(nèi)場景中都達到了預(yù)期的效果，與傳統(tǒng)方法CNN 和SVM 相比，準確率分別提高了1.77%和5.50%。由于本文提出的方法是在不同場景中訓練各自的信號分類模型，且將某一種分類模型應(yīng)用于另外一種場景時，信號識別效果并不理想，因此在接下來的工作中希望實現(xiàn)一種適用于不同場景的超寬帶非視距信號分類模型，進一步提升模型的魯棒性和識別的準確率。