基于神經網絡的UWB定位算法設計

王成蓉

摘要：UWB是一種無載波通信技術，具有傳輸速率高，傳輸功率低，抗干擾能力強，穿透能力強等特點，尤其適用于定位精度極高的定位。傳統的UWB定位算法是基于交點進行解析定位，在非視距的情況下，這些基于距離的定位算法的定位性能大大下降。該文在傳統的定位算法中引入人工智能算法。首先對定位算法進行改進，提高原有的定位精度，并使用最小二乘法對原帶有誤差的測距值進行擬合處理，之后基于matlab編程環境搭建新的基于BP神經網絡的定位算法，最終得出新的定位坐標，成功地減少由環境引起的測距誤差對實際定位算法在解析定位時所產生的影響，提高了系統的定位精度。

關鍵詞：UWB;定位算法;神經網絡

中圖分類號：TP3 文獻標識碼：A

文章編號：1009-3044（2019）30-0200-02

1研究意義

隨著信息技術的發展，通信定位技術在室內定位方面被廣泛應用于物聯網，辦公室和智能建筑的生活和工作中。現行室內定位技術包括：無線局域網、藍牙、射頻識別和超寬帶等。其中，UWB技術具有多個優點，包括抗多徑效應、高分辨率、穿透力強、硬件結構簡單、頻譜利用率高等方面，而UWB的室內定位精度可達到厘米級。

目前，UWB定位的有關測距技術研究的主流方向是基于到達時間（TOA）或者基到達時間差（TDOA）。但基于TDOA與TOA的定位算法是通過交點進行解析定位，在非視距誤差的情況下，會出現多個交點使得定位坐標從而出現較大誤差。本文首先通過搭建UWB定位系統（基于TOA），對定位坐標進行誤差分析，并基于所測的距離，使用BP神經網絡算法建立新的定位模型，對原始的UWB定位坐標訓練，最終得出新的定位坐標，成功地減少由環境引起的測距誤差對實際定位算法在解析定位時所產生的影響，提高了系統的定位精度。

2uwB定位模塊搭建與誤差分析

本文使用UWM Mini3定位系統，該模塊采用STM32F105單片機為主控芯片，外圍電路包括：DWMl000模塊、電源模塊、LED指示模塊、撥碼開復位電路等。如圖1所示，搭建測試環境，由4個基站和一個移動測試點組成。其中，測試點可以平面移動和軸向移動（即x、Y平面，z方向移動）。

本文首先采用基于TOA的定位算法對坐標測試數據進行處理，按照米為單位，使用偏離角度與均方根誤差作為定位精度判定。如圖2和圖3所示，可以看出該定位模塊誤差較大，偏離角度最高達到25.8°，且波動較大，定位系統不穩定，而均方根誤差最大值高達1.5m。可以看出該定位誤差較大。通過分析，該定位系統產生定位誤差的主要原因為：基站與移動臺的測距值存在誤差;基于距離的解析定位算法對測距值十分敏感。對一個問題，使用線性回歸的方式對測距值進行處理，提高了測距精度。第+問題，則需要優化定位算法，本文采用基于BP神經網絡來建立定位模型進行優化。

3基于BP神經網絡的定位誤差處理算法與應用

3.1 BP算法定位算法原理

BP算法訓練網絡包含兩個過程：正向傳播過程和反向傳播過程（圖4）。正向傳播過程中，輸人為存有誤差的基站到待測點的距離值，輸出為移動待測點的實際空間坐標。當理想輸出的坐標與實際空間坐標存在誤差，系統開始進入誤差反向傳播過程。在該過程中，輸出誤差被以某種形式到達輸入層，同時獲得各個層的神經元的誤差信號，以此來循環修正各單元的權值，直到輸出誤差到達設定好的值或達到學習次數。

因此，測距值和移動臺坐標之間的非線性關系可以通過BP神經網絡來不斷學習修正，通過獲得大量數據，并反復訓練，從而逐漸逼近完美的非線性系統函數，最終建立定位模型。

3.2基于BP神經網絡的定位算法實驗結果

實驗隨機選取六個測試數（未參與訓練），使用傳統算法與基于BP神經網絡訓練后的算法進行誤差分析，同樣使用角度誤差與均方根誤差分析。如圖5、圖6所示，基于BP網絡的定位算法的最高偏離角度僅為5.9°，對比原算法最高角度誤差25.8，改善23.8%;而對于均方根誤差RMSE，原算法最高1.5，基于BP網絡的定位算法的RMSE僅為0.4，優化26.6%。且對比原有算法，角度誤差和均方根誤差波動都得到較大改善，更加穩定。

可以看出，使用線性回歸的方式對測距值進行處理，提高測距精度后的數據，通過BP神經網絡訓練，得到的定位模型，其測試數據的定位精度得到了明顯的提高，同時定位系統的穩定性也得到了提高。

4結束語

本文提出了一種基于BP神經網絡的UWB定位算法，結合相應的仿真計算數據，確認了該算法能得到更穩定、精度更好的效果。本文提出的BP神經網絡在UWB定位算法中的應用對于精確定位具有一定的指導意義。

【通聯編輯：代影】