一种基于深度学习MUSIC优化的蓝牙AOA基站自校准定位方法及系统
本发明属于但不限于室内无线定位、蓝牙aoa到达角定位以及阵列信号处理,尤其涉及一种基于深度学习music优化的蓝牙aoa基站自校准定位方法及系统。
背景技术:
1、在物联网智慧空间定位技术领域,aoa即到达角度测距(angle-of-arrival)是主流室内高精度定位实现方案;蓝牙5.1及以上版本搭载cte恒定音调扩展信道,可通过阵列天线采集载波相位信息测算信号入射角度,依托多基站三角交会解算标签三维坐标,凭借低功耗、低成本、易部署优势广泛应用于智慧校园、室内仓储、楼宇安防等室内场景。music多重信号分类算法是阵列测角经典算法,凭借超高角度分辨力常被用于蓝牙aoa相位到达角求解。
2、现有传统蓝牙aoa+music定位方案存在诸多固有缺陷:第一,室内环境存在墙体、桌椅遮挡、人员走动带来的大量反射多径信号,相干多径分量会造成music算法空间谱峰分裂、产生大量伪谱峰,极易造成到达角度测算偏差;第二,蓝牙阵列天线硬件受环境温度、晶振漂移影响会产生持续时序相位偏差,固定参数music算法无法动态补偿硬件漂移误差,定位精度会随运行时间不断衰减;第三,基站布设完成后受安装松动、环境扰动会发生微小空间坐标偏移,传统方案依赖人工定期上门挪动校准标签逐台标定基站坐标,校准工作量大、无法实现全天候在线自校准;第四,传统music需要全域角度遍历搜寻谱峰,计算开销大,难以在边缘嵌入式网关轻量化部署。
3、当前针对蓝牙aoa定位的现有改进方案大多聚焦于蓝牙模组硬件功耗优化、基站结构外形改造、单纯天线阵列排布调整,缺少结合深度学习对music算法多径抑制、相位漂移校正、基站在线自校准一体化的解算层面优化;无法同时解决多径干扰、硬件相位时序漂移、基站坐标长期偏移三大核心问题,最终导致室内目标终端三维定位精准度较差、系统稳定性不足,难以满足智慧校园场景下长时间连续高精度定位需求,因此亟需设计一种全新的定位解算方法。
4、鉴于上述分析,现有技术存在的急需解决的技术问题为:
5、(1)当前针对蓝牙aoa定位的现有改进方案大多聚焦于蓝牙模组硬件功耗优化、基站结构外形改造、单纯天线阵列排布调整,缺少结合深度学习对music算法多径抑制、相位漂移校正、基站在线自校准一体化的解算层面优化;
6、(2)无法同时解决多径干扰、硬件相位时序漂移、基站坐标长期偏移三大核心问题,最终导致室内目标终端三维定位精准度较差、系统稳定性不足,难以满足智慧校园场景下长时间连续高精度定位需求,因此亟需设计一种全新的定位解算方法。
技术实现思路
1、针对现有技术存在的问题,本发明提供了一种基于深度学习music优化的蓝牙aoa基站自校准定位方法。通过双通道cnn-lstm深度学习网络预处理相位时序数据滤除多径杂波并动态补偿硬件相位漂移,采用深度增强da-music网络自适应求解精准aoa到达角,结合信号置信度动态加权实现基站在线迭代自校准,克服传统蓝牙aoa定位多径干扰严重、硬件相位漂移无法补偿、基站需人工定期校准、定位精度持续衰减的缺陷,大幅提升室内三维定位精度与系统长期运行稳定性。
2、本发明是这样实现的,一种基于深度学习music优化的蓝牙aoa基站自校准定位方法包括:
3、s1,数据采集:
4、室内部署至少三台蓝牙 5.1 aoa 阵列基站与若干已知坐标校准标签,阵列天线持续采集 cte 载波 iq 原始相位时序数据、同步采集各通道 rssi 信号强度,构建原始相位时序数据集;
5、s2,多径干扰深度学习预处理:
6、采用双通道 cnn-lstm 混合神经网络对原始相位数据集处理;空间卷积通道提取阵列天线相位空间特征,区分直射蓝牙信号与墙体反射多径杂波;时序 lstm 通道捕捉相位时序漂移特征,输出硬件相位偏差动态校正系数,得到过滤多径后的纯净相位差序列;
7、s3,深度增强 da-music 到达角解算:
8、将校正后相位序列输入 da-music 深度学习网络,通过循环网络预补偿阵列硬件误差,自适应计算信号协方差矩阵,自动过滤多径伪谱峰,输出各基站精准 aoa 到达角度;
9、s4,动态加权基站自校准与坐标解算:
10、基于深度学习输出的信号置信度实时更新各基站定位误差指数,分配动态定位权重;结合多基站到达角做交叉圆定位,选取交叉数量最多交点作为标签坐标,同步迭代更新基站坐标,完成基站在线自校准。
11、进一步,所述步骤s1中的数据采集:室内部署至少三台蓝牙 5.1 aoa 阵列基站与若干已知坐标校准标签,阵列天线持续采集 cte 载波 iq 原始相位时序数据、同步采集各通道 rssi 信号强度,构建原始相位时序数据集,包括如下子步骤:
12、步骤 s101 空间布设规划与硬件部署:
13、在室内待定位空间范围内,按照三角组网构型布设不少于 3 台蓝牙 5.1 aoa 阵列接收基站,任意两台基站间距控制在 3m~12m,保证空间全覆盖且可实现多角度交叉测角;在空间地面、墙体、桌面多处布设若干个无源蓝牙校准标签,采用全站仪提前精准测定每一枚校准标签的三维空间坐标并录入系统,将该坐标作为数据集真值标签;所有 aoa 基站搭载均匀线阵接收天线阵列,硬件开启蓝牙 cte(恒定音调扩展)相位测角功能;
14、步骤 s102 信号周期广播与同步时序配置:
15、设定校准标签以固定发射周期持续向外广播蓝牙 cte 调制载波信号,发射周期统一设置为 20ms;所有接收基站接入同一时钟同步模块,完成多基站时序对齐,保证全部阵列天线同步采样接收标签发射的无线信号,规避异步采样带来的相位时序偏差;
16、步骤 s103 多通道原始传感数据并行采集:
17、每一台基站内的阵列多路接收天线,逐帧同步采集入射蓝牙载波的 iq 正交采样原始相位时序数据;与此同时,天线每一路通道独立采集对应链路的 rssi 接收信号强度数值;将同一采样时刻下,阵列全部通道 iq 相位序列、各通道 rssi 数值进行打包缓存,生成单帧采样样本;
18、步骤 s104 多场景遍历采样与数据集标注构建:
19、依次切换室内三类典型传播场景:①空旷无遮挡场景;②桌椅、墙体静态障碍物遮挡场景;③人员频繁走动动态遮挡场景;在每类场景下连续采集足量时序样本,将每一帧采样样本与当前时刻对应校准标签的已知真实三维坐标进行绑定标注;汇总所有场景标注样本,统一划分训练集、验证集、测试集,最终构建完成带真值标签的原始相位时序数据集,用于后续双通道 cnn-lstm 网络训练与推理使用。
20、进一步,所述步骤s1中空间布设、时序同步环节所涉及基础相位差到达角计算公式定义包括如下子步骤:
21、步骤s105,室内按照三角构型布设完成基站1、基站2、基站3共三台蓝牙5.1 aoa阵列接收基站,所有基站接入同一时钟同步模块实现时序对齐;布设的无源蓝牙校准标签以20ms固定周期持续向外广播蓝牙cte调制载波信号,三台基站各自搭载均匀线阵接收天线阵列,同步采集同源载波信号;
22、针对基站1内部线阵天线选取两组天线单元开展角度运算:记基站1内第一组天线为天线、天线,两天线中心间距为;第二组天线为天线、天线,两天线中心间距为;同源蓝牙信号抵达不同天线因传输路径长度不一致产生相位偏移,利用相位差值求解信号入射余角;
23、所述方向角计算公式为:
24、其中::校准标签发射的cte蓝牙载波信号波长;
25、分别对应基站1内两组天线配对;
26、:天线与天线接收同源信号的相位差值;
27、:天线与天线接收同源信号的相位差值;
28、:天线、之间的中心距离;
29、:天线、之间的中心距离;
30、:基于、计算得到的信号入射余角1;
31、:基于、计算得到的信号入射余角2;
32、同理,按照完全一致的公式运算逻辑,分别求解基站2对应的入射余角,基站3对应的入射余角;
33、步骤s106,调取全站仪预先标定的基站1坐标、基站2坐标、基站3坐标,以及校准标签真值三维坐标,结合室内空间长宽高尺寸搭建全局三维虚拟模型,在模型内标记三台基站及其内部所有天线单元位置;
34、利用基站1求解出的入射余角,确定校准标签相对基站1的空间入射方向;在所属平面内,以天线为圆心、入射方向为径向轴线绘制圆形轨迹,记为圆;
35、利用基站1求解出的入射余角,确定校准标签相对天线的空间入射方向;在所属平面内,以天线为圆心、入射方向为径向轴线绘制圆形轨迹,记为圆;同步对基站2、基站3重复上述画圆操作,依次生成圆以及圆;逐步同步增大所有圆形轨迹的半径数值,求取圆与圆相交得到的公共直线;将天线朝向校准标签的入射射线与直线相交,得到基站1视角下初步交点;
36、将三台基站各自求解得到的交点开展空间交会,选取三条射线相交重合度最高的空间点位,该点位即为校准标签的实时计算坐标;将计算坐标与真值坐标比对,得到基础测角误差,用于后续深度学习数据集标注。
37、进一步,所述s2 多径干扰深度学习预处理步骤有以下子步骤:
38、步骤s201 构建带维度标注的网络输入矩阵与时序样本张量:
39、分别读取基站1、基站2、基站3所有阵列天线通道的原始iq相位数据与rssi数据,定义:基站编号为,每个基站内置天线通道编号为;设为第台基站、第根天线在时刻的原始采集相位值,为对应通道同步采集的rssi信号强度值;
40、将单时刻所有基站、所有天线的相位与rssi数据按空间排布顺序拼接,构建单时刻空间输入矩阵;再连续堆叠个时序采样帧,构建四维网络输入张量 ,其中为样本批次数量,为时序步长,为基站总数,为单基站天线通道数,将该张量作为双通道cnn-lstm混合神经网络的唯一输入;
41、步骤s202 cnn空间卷积通道:空间相位特征提取与多径判别
42、其中,所述多径干扰置信系数的训练标签由校准标签真值坐标对应的直射几何相位、实测相位残差、rssi突降量、相邻阵元相位一致性和多基站交会残差共同生成,训练损失至少包括多径分类损失、相位一致性损失和时序/通道平滑损失;
43、对输入矩阵开展二维卷积运算,提取基站间、天线通道间的空间相位分布特征,输出空间特征图;定义直射信号空间特征阈值、多径杂波特征阈值;
44、针对任意通道相位特征:若,判定该通道为直射有效信号;若,判定为弱多径干扰信号;若,判定为墙体反射、遮挡杂波无效信号;
45、同时输出各通道多径干扰置信系数,,用于表征第台基站第通道信号的纯净程度,完成空间维度多径噪声筛选与特征提纯;
46、步骤s203 lstm时序通道:相位时序漂移拟合与硬件偏差系数求解
47、其中,所述动态硬件相位偏差校正系数以全站仪真值坐标推导的几何相位残差作为监督真值,或者以补偿后相位、到达角和多基站交会坐标之间的几何一致性作为自监督约束进行迭代更新;
48、将连续时序相位序列 输入lstm时序网络,通过输入门、遗忘门、输出门三重门控结构,拟合天线硬件温漂、晶振误差、环境扰动带来的时序相位漂移规律;
49、定义第台基站第根天线的动态硬件相位偏差校正系数为,网络根据时序特征损失反向迭代更新所有,实时输出每一路天线通道独立的相位偏差补偿值,实现硬件系统误差的动态量化;
50、步骤s204 多径滤除+相位补偿,生成全局纯净相位差序列:
51、利用时序偏差系数对原始相位值逐通道校正,得到补偿后精准相位:;
52、结合多径置信系数对异常相位点加权过滤,剔除墙体反射、遮挡多径带来的相位突变噪声;对校正后的纯净相位做通道差分运算,分别求解基站1、基站2、基站3内部天线两两相位差、;
53、最终输出完全过滤多径杂波、消除时序漂移、补偿硬件误差的全局纯净相位差序列矩阵 ,作为后续da-music网络到达角解算的精准输入数据。
54、进一步,所述步骤s3深度增强da-music到达角解算步骤包括如下子步骤:
55、步骤s301 da-music网络输入加载与阵列硬件误差预补偿:
56、将步骤s2输出的全局纯净相位差序列矩阵作为da-music深度学习网络的专属输入数据,定义基站编号,单基站天线通道配对相位差为;依托s2得到的各天线通道硬件相位偏差校正系数,构建基站阵列全局硬件误差补偿矩阵;通过误差补偿矩阵对纯净相位序列进行二次预校正,消除阵列天线出厂一致性偏差、安装倾角偏差带来的固定系统误差,得到最终校正相位数据集;
57、步骤s302 自适应信号协方差矩阵构建:
58、基于校正相位数据集,构建单基站阵列接收信号向量,其中为第台基站时刻的阵列信号列向量;摒弃传统music算法固定协方差矩阵构造方式,通过da-music网络自适应迭代运算,求解得到实时信号协方差矩阵:;式中,为第台基站的阵列信号协方差矩阵,为数学期望运算,为矩阵共轭转置运算,精准适配室内动态多径干扰场景下的信号特征变化;
59、步骤s303 特征空间分解与多径伪谱峰抑制
60、对自适应求解的协方差矩阵进行特征值分解运算,得到特征值集合与对应特征向量矩阵,依据特征值大小区分信号子空间与噪声子空间;定义有效信号特征值阈值,将大于的特征值对应向量归为信号子空间,小于等于的特征值对应向量归为噪声子空间;针对室内相干多径信号引发的谱峰分裂、伪峰干扰问题,通过网络权重自适应修正噪声子空间矩阵,抑制墙体反射、遮挡衍生的多径伪谱峰,保留真实直射信号谱峰特征;
61、步骤s304 深度学习回归精准求解各基站aoa到达角
62、da-music网络依托优化后的信号子空间、噪声子空间,同时引入阵列天线阵间距参数、以及射频信号波长这类阵列结构先验信息;彻底摒弃传统 music算法依靠全域角度遍历搜索空间谱峰值的角度求解方式,借助深度神经网络强大的非线性映射与拟合能力完成回归计算,能够直接预测输出第m个接收基站所对应的两组高精度信号入射余角;各基站天线阵列对应的到达角符号定义如下:代表 1 号基站两套天线阵列各自解算得到的信号到达角;代表 2 号基站两套天线阵列各自解算得到的信号到达角;代表 3 号基站两套天线阵列各自解算得到的信号到达角;
63、网络在输出角度估计值的同时,同步生成每组角度解算结果对应的置信度系数,表达式为:该系数取值区间为 0 到 1,数值大小可定量表征单基站 aoa 角度求解结果的可信程度与估算精度;置信度数值将作为关键权重参数,支撑后续基站坐标动态加权自适应自校准迭代流程,有效弱化低精度角度观测值带来的误差干扰,持续提升整体空间定位稳定性;
64、其中,da-music网络包括伪谱峰抑制头、角度回归头和置信度输出头;伪谱峰抑制头根据空间谱峰值、特征值间隔、多径置信度和相位偏差生成伪峰掩膜,角度回归头输出到达角,置信度输出头输出与角度误差负相关的角度置信度。
65、进一步,所述步骤s4动态加权基站自校准与坐标解算步骤包括如下子步骤:
66、步骤s401 动态误差指数与实时权重系数求解:
67、依托前述步骤 s3 中各基站运算输出的角度求解置信度系数 ,构造两组可实时更新的动态权重调节因子;其中表征位置偏差权重系数,表征角度误差权重系数;均可根据各基站置信度系数完成实时赋值调整,二者取值范围统一限定于闭区间 [0,1];
68、设定变量为第个基站对应的历史位置偏差累积量,为第个基站当前时刻角度解算瞬时误差量,将上述变量代入动态误差指数求解公式,可得第基站的动态误差指数:
69、
70、对全部基站求得的动态误差指数实施归一化运算,推导得到各基站专属定位加权系数,计算公式如下:
71、
72、经归一化处理后的基站定位权重满足归一约束条件:
73、
74、权重分配遵循下述规则:基站动态误差指数数值越小,代表该基站角度解算置信度越高,对应分配的空间定位加权系数越大;反之,误差指数偏大、角度求解精度偏低的基站,将被分配更小的定位权重,以此弱化低精度观测数据对整体定位结果的负面影响
75、步骤s402 多基站aoa角度射线交叉定位求解标签初始坐标
76、调取三台基站标定空间坐标、、,结合各基站精准到达角,构建每台基站对应的二维角度入射射线方程组;通过空间几何交会算法,分别求解基站1、基站2、基站3对应的标签预估交点、、;统计三组交点的空间重合度与射线交叉数量,选取交叉重合度最高、适配角度误差最小的交点作为校准标签初始预估坐标;
77、步骤s403 定位残差计算与基站坐标偏差求解:
78、调取全站仪预先标定的校准标签真实真值坐标,将初始预估坐标与真值坐标做差分运算,求解三维空间定位残差向量:
79、,
80、结合各基站动态权重,反向推导每台基站当前空间坐标存在的偏移误差量,误差分配规则为:权重越小、误差指数越大的基站,分配的坐标偏移修正量越大,精准匹配各基站实时定位误差状态;
81、步骤s404 迭代更新基站坐标,实现在线自适应自校准:
82、基于求解得到的基站坐标偏移误差,结合预设迭代修正步长,对三台基站坐标进行实时迭代更新,更新公式为:,其中为第台基站更新后的校准坐标;持续循环执行数据采集、相位预处理、角度解算、残差修正全流程,不断迭代优化基站坐标参数,直至空间定位残差为预设定位精度阈值,完成基站收敛校准;本步骤无需人工重复布设、移动校准标签,依靠时序深度学习持续迭代修正,实现7×24小时全天候基站在线自适应校准,最终采用校准完成的基站坐标实现待测蓝牙标签的高精度稳定定位;
83、其中,基站坐标偏移误差由标签定位残差、角度观测函数对基站坐标的雅可比矩阵以及角度置信度权重共同确定,并通过加权最小二乘或梯度下降方式将残差分配为各基站坐标修正量。
84、本发明的另一目的在于提供一种基于深度学习music优化的蓝牙aoa基站自校准定位系统包括:
85、数据采集模块,用于数据采集;
86、预处理模块,用于多径干扰深度学习预处理;
87、到达角解算模块,用于深度增强 da-music 到达角解算;
88、坐标解算模块,用于动态加权基站自校准与坐标解算。
89、本发明的另一目的在于提供一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行所述基于深度学习music优化的蓝牙aoa基站自校准定位方法的步骤。
90、本发明的另一目的在于提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行所述基于深度学习music优化的蓝牙aoa基站自校准定位方法的步骤。
91、本发明的另一目的在于提供一种信息数据处理终端,所述信息数据处理终端用于实现所述基于深度学习music优化的蓝牙aoa基站自校准定位系统。
92、结合上述的技术方案和解决的技术问题,本发明所要保护的技术方案所具备的优点及积极效果为:
93、本发明通过双通道 cnn-lstm 混合神经网络对蓝牙原始相位时序数据开展双通道并行处理,空间卷积通道依托阵列天线相位空间分布特征区分直射蓝牙有效信号与墙体、人体走动引发的反射多径杂波,时序 lstm 通道持续捕捉硬件晶振温漂、环境扰动造成的相位时序漂移规律并实时求解硬件相位偏差校正系数,依托校正系数逐帧逐通道对原始iq 相位数据做动态补偿,这样的好处在于,能够从信号采集源头逐层剔除室内多径干扰噪声、补偿阵列天线长期运行产生的系统相位误差,彻底规避了传统固定参数算法无法适配室内动态多变环境、硬件漂移误差持续累积的缺陷,有效提升原始相位数据的纯净度,为后续到达角精准解算奠定可靠的数据基础;
94、本发明还通过深度增强 da-music 深度学习网络替代传统经典 music 算法固定协方差矩阵构建、全域角度遍历寻峰的运行逻辑,网络可依据实时相位数据自适应构建时变信号协方差矩阵,自主完成特征空间分解并修正噪声子空间权重,针对性抑制相干多径信号诱发的谱峰分裂、伪谱峰干扰问题,最终依靠神经网络非线性回归直接输出各基站精准 aoa 到达角度与角度解算置信度,这样的好处在于,摒弃了传统 music 大范围角度遍历带来的冗余计算开销,同时根除了多径杂波造成的测角偏差,大幅提升蓝牙信号入射到达角度的测算精度,降低角度解算出错概率;
95、本发明还通过深度学习输出的角度置信度动态赋值权重系数,实时计算每一台基站的定位误差指数并分配差异化定位权重,融合多基站到达角开展三维空间角度交会求解标签坐标,将计算坐标与全站仪标定的标签真值坐标比对得到定位残差,反向迭代修正所有接收基站的三维布设坐标,全程无需人工重复挪动校准标签开展标定作业,依托时序数据持续迭代实现 7×24 小时全天候基站在线自适应自校准,这样的好处在于,可以实时抵消基站受安装松动、外力扰动、环境形变带来的坐标偏移误差,动态适配系统长期运行状态,免去了人工定期上门校准的运维成本,显著提升整套定位系统实际部署运行过程中的容错能力与长期稳定性;
96、除此之外,本发明将 cnn-lstm 与 da-music 网络进行轻量化裁剪优化,压缩模型参数量与计算量,可直接搭载部署在智慧校园场景的边缘计算嵌入式网关中完成本地实时推理运算,无需依赖云端大算力服务器处理数据,降低了数据传输时延与部署成本,整套系统长时间不间断运行下定位精度衰减幅度极低,静态室内场景、人员动态行走场景均可以保持厘米级定位效果,全面提升了蓝牙 aoa 室内三维定位系统的定位精准度、环境适应性、工程实用价值与鲁棒性。
97、本技术的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本技术了解。本技术的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
98、(1)本发明的技术方案转化后的预期收益和商业价值为:
99、本发明面向智慧校园、室内仓储、医院楼宇、工厂园区、资产追踪及人员安全管理等高频室内定位场景,能够在现有蓝牙5.1 aoa阵列基站硬件基础上,通过cnn-lstm相位预处理、da-music到达角解算及动态加权基站自校准流程,提高定位精度和连续运行稳定性。与依赖人工周期性标定的传统方案相比,本发明可减少校准标签反复移动、人工上门测量、停机调试和后期维护成本,降低系统部署后的运维频率;同时,深度学习模型经轻量化后可部署于边缘网关本地推理,减少云端传输时延和服务器依赖,便于形成可规模复制的室内定位产品。由于本发明能够在静态遮挡、人员走动及基站微小偏移等实际复杂环境下维持厘米级定位能力,其商业价值不仅体现在定位终端销售,还体现在定位平台服务、校园安全管理、仓储路径优化、资产盘点、人员轨迹分析和楼宇数字孪生等持续服务收益。
100、(2)本发明的技术方案填补了国内外业内技术空白:
101、现有蓝牙aoa定位改进方案多集中于蓝牙模组功耗优化、天线阵列结构改造、单一music算法参数调整或离线标定流程优化,通常只能分别处理多径干扰、相位漂移或基站安装误差中的某一个问题,缺少将多径识别、硬件相位漂移补偿、music伪峰抑制、角度置信度输出和基站在线自校准统一到同一闭环解算链路中的技术方案。本发明的空白填补点在于:以全站仪真值标签和原始iq/rssi时序数据为底座,由cnn输出多径置信度,由lstm输出动态相位偏差系数,由da-music输出经伪峰抑制后的aoa角度及角度置信度,再将标签定位残差通过权重、雅可比或梯度关系反向分配给各基站坐标修正量。该技术链条使蓝牙aoa系统从“固定基站坐标+固定算法参数+人工定期校准”的传统模式,转变为“数据驱动相位净化+物理约束角度解算+在线闭环自校准”的模式,补足了业内在长期运行自适应定位方面的系统性技术缺口。
102、(3)本发明的技术方案解决了人们一直渴望解决、但始终未能获得成功的技术难题:
103、室内蓝牙aoa定位长期面临三个相互耦合、难以同时解决的技术难题:其一,墙体、桌椅、人体走动等引发的相干多径会导致music空间谱峰分裂或产生伪峰,使到达角估计偏离真实直射路径;其二,晶振漂移、温度变化和阵列通道差异会造成时序相位偏差,使固定参数算法随运行时间出现精度衰减;其三,基站安装后的松动、碰撞或空间环境改变会造成基站坐标发生微小偏移,传统系统通常需要人工重新测量和重新标定。上述问题在实际工程部署中经常同时出现,单纯提高硬件精度、单次离线标定或传统music寻峰难以持续解决。本发明通过cnn置信度抑制多径异常相位,通过lstm动态补偿相位漂移,通过da-music输出带置信度的角度结果,并通过标签真值残差驱动基站坐标迭代修正,使系统能够在不停机、不反复人工移动校准标签的情况下持续收敛,从而针对室内复杂环境下“高精度、低维护、长期稳定”的定位难题给出完整技术路径。
104、(4)本发明的技术方案克服了技术偏见:
105、传统技术路线通常认为,music类子空间算法应依赖固定协方差矩阵构建和全域角度遍历寻峰,深度学习模型难以直接介入阵列信号处理过程,否则可能破坏算法的物理可解释性;同时,工程上也通常将基站坐标视为安装后固定不变的外部参数,出现精度下降时通过人工复测、人工标定或更换硬件解决,而不是在定位解算过程中实时修正基站坐标。本发明克服了上述技术偏见:其并非用黑箱网络完全替代阵列信号处理,而是在相位输入层、协方差/伪谱处理层、角度输出层和坐标自校准层分别引入可解释的置信度、相位偏差系数、伪峰掩膜、角度置信度和雅可比残差分配机制,使深度学习输出受到几何真值、阵列先验和定位残差共同约束。由此,本发明证明了深度学习与music物理模型并非相互排斥,而可以形成可追踪、可复盘、可在线迭代的混合解算框架;同时也突破了基站坐标只能依赖人工离线标定的惯常思路,实现了基站坐标在系统运行过程中的动态自校准。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com