基于度量元学习的跨域自适应超宽带NLOS识别方法及系统

本发明涉及超宽带室内定位领域，特别是一种基于度量元学习的跨域自适应超宽带nlos识别方法及系统。

背景技术：

1、近年来，随着物联网（internet of things，iot）和位置服务（location-basedservice，lbs）的快速发展，高精度室内定位技术在工业制造、智能仓储、医疗看护以及自动驾驶等领域展现出了巨大的应用潜力。在众多室内定位技术中，超宽带（ultra-wideband，uwb）技术凭借其纳秒级的极高时间分辨率、极强的抗多径干扰能力以及低功耗等优势，成为了实现厘米级高精度室内定位的主流方案。特别是在基于到达时间（time of arrival，toa）和到达时间差（time difference of arrival，tdoa）的定位系统中，uwb技术能够提供极其精准的测距信息，结合定位算法可以实现厘米级的定位精度。然而，在实际的复杂室内环境中，如存在墙壁、人员走动、金属设备等遮挡物时，uwb信号的视距（line-of-sight，los）传播路径极易被阻挡，导致接收端只能接收到经过反射、折射或衍射的非视距（non-line-of-sight，nlos）信号。由于nlos信号的传播路径长于真实直线距离，且在穿透障碍物时会发生严重的能量衰减，这不仅会改变信道冲击响应（channel impulse response，cir）的波形，还会引入显著的正向测距误差。如果不加以识别和处理，nlos误差将被直接引入到定位解算算法中，导致系统定位精度急剧下降。因此，快速且准确地识别uwb信号的nlos状态，是提升复杂环境下uwb定位系统鲁棒性的首要前提。

2、目前，cnn、transformer等深度学习模型被广泛用于解决这一识别难题。这类模型能够从原始cir数据中挖掘出深层次且鲁棒的判决特征，从而在多种室内场景下达到较高的nlos识别准确率。

3、尽管现有的深度学习识别模型展现出了显著的优势，但通常跨域泛化能力不足，其优异的识别性能往往局限于训练数据采集的特定场景。这是因为不同环境或采集设备会导致cir波形存在显著差异，进而引发严重的域偏移（domain shift，ds）问题，使得模型在新场景中的识别性能大幅下降。如图1所示展示了不同环境下的 cir 数据经过主成分分析（principal components analysis，pca）降维后的二维数据分布，其中横纵坐标分别为第一主成分（pc1）和第二主成分（pc2），它们代表了数据分布变化最剧烈的两个方向。对比两个子图可以看出，环境一中的数据整体分布相对连续，而环境二中的数据则呈现出明显的碎片化和多簇聚类状态。此外，相同标签数据在特征空间中的绝对位置、拓扑结构以及分布范围均存在明显不同。这种清晰可见的分布差异正是导致模型识别性能下降的原因。此外，当前主流的深度学习识别模型通常参数量巨大，难以算力受限的边缘设备上部署运行。

技术实现思路

1、针对现有nlos识别模型存在的参数量庞大、难以在算力资源受限的边缘设备上部署运行，且高度依赖特定训练环境的问题，本发明提出一种基于度量元学习的跨域自适应超宽带nlos识别方法及系统，能够在保障高识别精度的前提下，大幅压缩模型的参数量与计算开销，满足边缘设备的部署要求。同时，在跨环境、跨设备的复杂应用场景中，本发明依然能够具备优异的跨域泛化性能。此外，本发明通过优化采集过程，实现数据采集与识别任务的解耦，有效提高了系统的实用性和稳定性。

2、本发明解决其技术问题所采用的技术方案是：

3、一方面，一种基于度量元学习的跨域自适应超宽带nlos识别方法，包括:

4、cir训练数据集构建步骤，采集多个环境下的信道冲击响应cir数据并进行归一化处理，基于归一化后的cir数据构建训练数据集，按照环境类型将训练数据集划分为源域训练集和目标域训练集，所划分的源域训练集与目标域训练集均分别包含视距los和非视距nlos两类样本；

5、nlos识别模型构建步骤，构建包括轻量化特征提取器、域对抗判别器和基于度量的元学习分类器的识别模型；

6、nlos识别模型训练步骤，在每一次迭代中，从源域和目标域训练集中随机抽取若干样本生成支持集和查询集；将支持集和查询集分别通过轻量化特征提取器，获得对应的特征向量；将特征向量输入域对抗判别器，计算样本属于目标域的概率，并基于该概率得到域对抗判别损失；元学习分类器基于支持集特征向量计算类别原型，利用查询集特征向量与类别原型的欧氏距离，得到类别归属的概率分布并计算分类损失；基于对抗判别损失和分类损失的加权和，对轻量化特征提取器和域对抗判别器的网络参数进行反向传播更新；重复上述训练过程，直到达到预设的训练次数，获得训练好的识别模型；

7、类别识别步骤，将实时采集并归一化后的cir数据输入训练好的识别模型，通过轻量化特征提取器提取特征向量，采用元学习分类器对特征向量进行分类，输出对应的los/nlos标记。

8、优选地，所述轻量化特征提取器由三个级联的lk_repconv模块、eca通道注意力模块、特征展平flatten层与随机失活dropout正则化层依次组成；所述lk_repconv模块引入了结构重参数化机制，在训练阶段，lk_repconv模块采用不同尺寸的三分支并行拓扑架构以提取多尺度的空间特征，各分支的特征响应叠加后由gelu激活函数输出，在测试推理阶段，lk_repconv模块将多分支结构融合为单一的卷积层，随后经gelu激活函数输出特征序列。

9、优选地，所述eca通道注意力模块包括依次连接的全局平均池化层、维度置换操作transpose、一维卷积层conv以及sigmoid激活函数，对lk_repconv模块提取的特征序列进行特征加权优化，得到加权后的特征序列。

10、优选地，所述域对抗判别器由三层全连接网络组成，其中第一层全连接层与第二层全连接层均配置了 relu 激活函数与 dropout 策略；第三层全连接层作为输出层，将特征映射为域预测概率，输出该特征归属于目标域的判别概率。

11、优选地，所述基于度量的元学习分类器采用原型网络，不包含可学习的参数量。

12、优选地，计算样本属于目标域的概率，并基于该概率得到域对抗判别损失，具体包括：

13、域对抗判别器预测样本属于目标域的概率，表示如下：

14、；

15、其中，表示输入到域对抗判别器的第个样本的特征向量，为域对抗判别器，表示域对抗判别器参数；表示将第个样本的特征向量预测为目标域的概率，取值为(0,1)之间；

16、基于样本属于目标域的概率，得到域对抗判别损失，表示如下：

17、；

18、其中，表示每次情景式训练中，支持集和查询集包含的样本总数；表示第个样本的特征向量的真实域标签。

19、优选地，元学习分类器基于支持集特征向量计算类别原型，利用查询集特征向量与类别原型的欧氏距离，得到类别归属的概率分布并计算分类损失，具体包括：

20、元学习分类器基于支持集的特征向量计算每个类别的原型，表示如下：

21、；

22、其中，是支持集中类别的原型，，分别表示los和nlos；为轻量化特征提取器，表示轻量化特征提取器的参数；表示类别支持集的第个样本，表示整个支持集样本数量；

23、计算查询集中各个样本的特征向量与各个类别原型之间的欧氏距离，预测其属于类别的概率，表示如下：

24、；

25、其中，表示在给定第个查询集样本的前提下，预测该样本的真实类别标签属于类别的概率；表示欧氏距离度量函数；为1，表示对应类别的支持集原型；

26、最后得到整个查询集的损失函数，表示如下：

27、；

28、其中，表示整个查询集样本数量；表示第个查询集样本；表示第个查询集样本的真实类别标签，。

29、优选地，所述采集多个环境下的信道冲击响应cir数据并进行归一化处理，具体包括：

30、数据采集过程中，当设备完成测距后，只读取第一路径fp前后预设个采样点的信道冲击响应cir数据，并对采集的cir数据进行最大值归一化处理，将数据缩放至（0，1）之间。

31、另一方面，一种基于度量元学习的跨域自适应超宽带nlos识别系统，包括：

32、cir训练数据集构建模块，用于采集多个环境下的信道冲击响应cir数据并进行归一化处理，基于归一化后的cir数据构建训练数据集，按照环境类型将训练数据集划分为源域训练集和目标域训练集，所划分的源域训练集与目标域训练集均分别包含视距los和非视距nlos两类样本；

33、nlos识别模型构建模块，用于构建包括轻量化特征提取器、域对抗判别器和基于度量的元学习分类器的识别模型；

34、nlos识别模型训练模块，用于在每一次迭代中，从源域和目标域训练集中随机抽取若干样本生成支持集和查询集；将支持集和查询集分别通过轻量化特征提取器，获得对应的特征向量；将特征向量输入域对抗判别器，计算样本属于目标域的概率，并基于该概率得到域对抗判别损失；元学习分类器基于支持集特征向量计算类别原型，利用查询集特征向量与类别原型的欧氏距离，得到类别归属的概率分布并计算分类损失；基于对抗判别损失和分类损失的加权和，对轻量化特征提取器和域对抗判别器的网络参数进行反向传播更新；重复上述训练过程，直到达到预设的训练次数，获得训练好的识别模型；

35、模型部署模块，用于将训练好的识别模型部署至边缘设备，实时采集实际场景中的cir数据并归一化后输入训练好的识别模型，通过轻量化特征提取器提取特征向量，采用元学习分类器对特征向量进行分类，输出对应的los/nlos标记。

36、与现有技术相比，本发明具有如下有益效果：

37、（1）本发明设计了全新的轻量化特征提取器和使用不包含可学习参数的基于度量的元学习分类器，在保障识别精度的前提下，大幅减少了模型的参数量和计算量，同时提高了模型在cpu和gpu环境下的推理速度。使其能够在资源受限的边缘设备上进行有效部署；

38、（2）本发明在训练过程中，使用多个环境下的信道冲击响应cir数据，并基于源域训练集和目标域训练集构建对抗判别损失和分类损失，对轻量化特征提取器和域对抗判别器的网络参数进行反向传播更新，训练好的模型在跨环境和跨设备的复杂应用中，能够平衡不同环境下的nlos识别精度，保持稳定且优异的识别性能；

39、（3）本发明对uwb cir数据的采集和识别进行优化与解耦，在采集过程中，优化数据采集过程，对cir数据进行选择性采集，减少冗余数据带来的额外开支；

40、（4）本发明使用边缘设备进行模型部署，实现采集和识别的分离，提高了系统的实用性和稳定性理。