基于EGWO-LSTM-LSM算法的TOF定位研究

摘 要：針對(duì)最小二乘法（Ｌｅａｓｔ Ｓｑｕａｒｅｓ Ｍｅｔｈｏｄ，ＬＳＭ） 對(duì)于超寬帶（Ｕｌｔｒａ Ｗｉｄｅ Ｂａｎｄ，ＵＷＢ） 中飛行時(shí)間（Ｔｉｍｅ ｏｆＦｌｉｇｈｔ，ＴＯＦ） 法在非視距（Ｎｏｎ Ｌｉｎｅ ｏｆ Ｓｉｇｈｔ，ＮＬｏＳ） 下定位精度低下的問(wèn)題，提出了基于擴(kuò)展灰狼算法（Ｅｘｔｅｎｄｅｄ ＧｒａｙＷｏｌｆ Ａｌｇｏｒｉｔｈｍ，ＥＧＷＯ） 優(yōu)化后的長(zhǎng)短期記憶（Ｌｏｎｇ Ｓｈｏｒｔ-Ｔｅｒｍ Ｍｅｍｏｒｙ，ＬＳＴＭ） 網(wǎng)絡(luò)改進(jìn)ＬＳＭ 定位算法（ＥＧＷＯ-ＬＳＴＭ-ＬＳＭ）。采用ＬＳＴＭ 及改進(jìn)的ＥＧＷＯ 建立最優(yōu)測(cè)距誤差預(yù)測(cè)模型，根據(jù)預(yù)測(cè)結(jié)果構(gòu)造權(quán)重矩陣，在ＬＳＭ 上加權(quán)計(jì)算，并添加測(cè)距誤差校正項(xiàng)，以改進(jìn)ＬＳＭ 實(shí)現(xiàn)靜態(tài)定位，并結(jié)合卡爾曼濾波器（Ｋａｌｍａｎ Ｆｉｌｔｅｒ，ＫＦ） 實(shí)現(xiàn)動(dòng)態(tài)定位追蹤。仿真結(jié)果表明，ＥＧＷＯ-ＬＳＴＭ 預(yù)測(cè)準(zhǔn)確率達(dá)９８． ８５７％ ，ＥＧＷＯ-ＬＳＴＭ-ＬＳＭ 將二維和三維位置誤差分別穩(wěn)定控制在１０ ～ ２５ ｍｍ，進(jìn)一步提升了ＴＯＦ 定位精度。

關(guān)鍵詞：飛行時(shí)間；擴(kuò)展灰狼算法；改進(jìn)最小二乘法；長(zhǎng)短期記憶；卡爾曼濾波

中圖分類號(hào)：ＴＰ３１２ 文獻(xiàn)標(biāo)志碼：Ａ 開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（ＯＳＩＤ）：

文章編號(hào)：１００３－３１０６（２０２４）０７－１７６７－１２

０ 引言

超寬帶（Ｕｌｔｒａ Ｗｉｄｅ Ｂａｎｄ，ＵＷＢ）是一種無(wú)載波通信技術(shù)，能夠在短距離范圍內(nèi)利用納秒至微秒級(jí)的非正弦波窄脈沖以幾十微瓦的功耗完成數(shù)據(jù)傳輸。其二維定位精度已至毫米級(jí)，在軍事及民用領(lǐng)域應(yīng)用廣泛［１－３］。

ＵＷＢ 定位有飛行時(shí)間（Ｔｉｍｅ ｏｆ Ｆｌｉｇｈｔ，ＴＯＦ）、到達(dá)時(shí)間差（Ｔｉｍｅ Ｄｉｆｆｅｒｅｎｃｅ ｏｆ Ａｒｒｉｖａｌ，ＴＤＯＡ）、接收信號(hào)強(qiáng)度指示（Ｒｅｃｅｉｖｅｄ Ｓｉｇｎａｌ Ｓｔｒｅｎｇｔｈ Ｉｎｄｉｃａｔｉｏｎ，ＲＳＳＩ）、到達(dá)時(shí)間（Ｔｉｍｅ ｏｆ Ａｒｒｉｖａｌ，ＴＯＡ）、到達(dá)角度（Ａｎｇｌｅ ｏｆ Ａｒｒｉｖａｌ，ＡＯＡ）等測(cè)距定位方法［４］。其中，ＴＯＦ 定位相比于其他方式，具有高精度、適應(yīng)性強(qiáng)、支持多標(biāo)簽定位和對(duì)隱私的保護(hù)等優(yōu)勢(shì)，在ＵＷＢ技術(shù)中普遍應(yīng)用。但當(dāng)室內(nèi)非視距（Ｎｏｎ Ｌｉｎｅ ｏｆＳｉｇｈｔ，ＮＬｏＳ）噪聲較強(qiáng)時(shí)，數(shù)據(jù)因丟包失真而發(fā)生異常波動(dòng)（通常是時(shí)延），根本無(wú)法測(cè)得準(zhǔn)確距離，使得室內(nèi)定位任務(wù)只能以失敗告終，甚至?xí)鹬卮笠馔馐鹿省Ｒ虼耍盘?hào)干擾下的ＴＯＦ 精確定位問(wèn)題成為亟待解決的問(wèn)題，也是本文研究的方向。

ＵＷＢ 中ＴＯＦ 下的靜態(tài)直角坐標(biāo)解算方法以最小二乘法（Ｌｅａｓｔ Ｓｑｕａｒｅｓ Ｍｅｔｈｏｄ，ＬＳＭ）求解非線性最小二乘解為主，對(duì)于動(dòng)態(tài)軌跡追蹤，則在ＬＳＭ 的基礎(chǔ)上結(jié)合卡爾曼濾波器（Ｋａｌｍａｎ Ｆｉｌｔｅｒ，ＫＦ）或其變體。ＬＳＭ 算法假設(shè)誤差項(xiàng)具有相同方差，并且相互獨(dú)立，然而實(shí)際應(yīng)用中，ＮＬｏＳ 下的殘差項(xiàng)數(shù)值大小不均等在很大程度上左右運(yùn)算結(jié)果的準(zhǔn)確性和精確度，并且誤差項(xiàng)之間會(huì)存在相關(guān)和自相關(guān)，導(dǎo)致了算法的低精度和無(wú)效性，針對(duì)這一問(wèn)題，國(guó)內(nèi)外諸多學(xué)者開展了研究，早在１９ 世紀(jì)，高斯就已經(jīng)提出了加權(quán)ＬＳＭ，為后續(xù)的研究者提供了寶貴的思路，之后的改進(jìn)都是以加權(quán)的方法為中心展開。Ｊｕａｎ等［５］提出了無(wú)約束ＬＳＭ 和基于特征值分析技術(shù)的約束加權(quán)ＬＳＭ，可以抑制由于不準(zhǔn)確的ＴＯＦ 估計(jì)引起的問(wèn)題，提高目標(biāo)定位的準(zhǔn)確性，并驗(yàn)證了所提出的約束加權(quán)方法的性能優(yōu)于無(wú)約束方法。Ｒｅｔｓｃｈｅｒ等［６］通過(guò)３ 種加權(quán)ＬＳＭ 研究了ＵＷＢ 測(cè)距觀測(cè)對(duì)全球?qū)Ш叫l(wèi)星系統(tǒng)（ＧＮＳＳ）解算結(jié)果的影響，將區(qū)域內(nèi)的定位精度保持在５０ ｍｍ 以內(nèi)。Ｔｏｎｇ 等［７］提出了新的加權(quán)ＬＳＭ 提升了ＵＷＢ 中ＴＯＦ 的定位精度。Ｌｉｕ 等［８］通過(guò)給ＬＳＭ 設(shè)置合適的權(quán)重計(jì)算移動(dòng)ＵＷＢ 標(biāo)簽的位置，進(jìn)一步優(yōu)化定位結(jié)果。秦明峰等［９］提出了一種基于偽距殘差的自適應(yīng)加權(quán)ＬＳＭ，在存在ＮＬｏＳ 下，能夠排除誤差較大的偽距對(duì)定位穩(wěn)定性的破壞，二維定位精度優(yōu)于２０ ｃｍ，提升了算法的魯棒性。但以上研究成果都是基于ＬＳＭ 算法進(jìn)行的二維定位研究，當(dāng)定位要求提升至三維空間時(shí)，ＬＳＭ 因其自身缺陷而使得定位能力急劇下降。胡仲勛等［１０］認(rèn)為三維定位中的ＬＳＭ 算法自身有２ 點(diǎn)缺陷：其一是ＬＳＭ 不是真正的三維擬合算法，實(shí)質(zhì)上只是一種二維平面內(nèi)最小二乘擬合的合成；其二是對(duì)三軸坐標(biāo)的差異很敏感。而在目前最新的研究成果中，劉公緒等［１１］指出第二點(diǎn)缺陷的原因是由于ＬＳＭ 定位存在定位死角，故得到與基站和標(biāo)簽存在某種幾何拓?fù)浼s束關(guān)系的奇異或近似奇異坐標(biāo)解，直接降低了定位算法的適用性，并在文獻(xiàn)［１１］中詳細(xì)闡述了解決奇異解，提高算法魯棒性的參數(shù)微調(diào)法和空時(shí)自調(diào)節(jié)法。此次實(shí)驗(yàn)不對(duì)二維定位展開研究，因?yàn)椋蹋樱?算法在二維定位中并無(wú)死角，更不會(huì)產(chǎn)生奇異解，二維精度完全滿足需要。所以研究的重點(diǎn)同樣著眼于提升ＬＳＭ 三維定位精度，不同的是并非著手于用數(shù)學(xué)公式的推導(dǎo)去優(yōu)化奇異解從而提升精度，而是引進(jìn)更為高端的人工智能技術(shù)和群智能算法的有機(jī)融合去改進(jìn)ＬＳＭ，以此忽略或者減小奇異解帶來(lái)的影響，結(jié)合ＫＦ 濾波器作為輔助驗(yàn)證改進(jìn)算法定位的有效性。從逆向思維出發(fā)，當(dāng)實(shí)驗(yàn)結(jié)果顯示精度得到提升時(shí)，改進(jìn)算法可以有效降低奇異解所帶來(lái)的干擾。

本次實(shí)驗(yàn)思路來(lái)源于文獻(xiàn)［１２］中利用機(jī)器學(xué)習(xí)模型提升ＬＳＭ 二維精度的方法，考慮在此方法上進(jìn)行改進(jìn)，并推廣至三維空間定位中。實(shí)驗(yàn)擬采用當(dāng)前熱門的神經(jīng)網(wǎng)絡(luò)模型和群智能算法相結(jié)合，構(gòu)建并優(yōu)化測(cè)距誤差預(yù)測(cè)模型，以計(jì)算最優(yōu)權(quán)重矩陣，從而改進(jìn)ＬＳＭ，達(dá)到提高ＴＯＦ 的三維定位精度的目的。實(shí)驗(yàn)主要內(nèi)容包括以下幾點(diǎn)：

① 對(duì)傳統(tǒng)灰狼算法（Ｇｒａｙ Ｗｏｌｆ Ａｌｇｏｒｉｔｈｍ，ＧＷＯ）做出三方面改進(jìn)，避免其陷入局部最優(yōu)，并使全局和局部搜索達(dá)到平衡，以提升算法尋優(yōu)能力［１３］，為最優(yōu)測(cè)距誤差預(yù)測(cè)模型的優(yōu)化做好鋪墊，改進(jìn)的ＧＷＯ 算法命名為擴(kuò)展灰狼算法（ＥｘｔｅｎｄｅｄＧｒａｙ Ｗｏｌｆ Ａｌｇｏｒｉｔｈｍ，ＥＧＷＯ）。

② 采用長(zhǎng)短時(shí)記憶（Ｌｏｎｇ Ｓｈｏｒｔ-Ｔｅｒｍ Ｍｅｍｏｒｙ，ＬＳＴＭ）網(wǎng)絡(luò)并結(jié)合ＥＧＷＯ 算法構(gòu)建最優(yōu)測(cè)距誤差預(yù)測(cè)ＥＧＷＯ-ＬＳＴＭ 網(wǎng)絡(luò)，完成ＬＳＭ 的加權(quán)改進(jìn)的準(zhǔn)備工作。

③ 通過(guò)權(quán)重轉(zhuǎn)換函數(shù)以ＥＧＷＯ-ＬＳＴＭ 的輸出結(jié)果為基礎(chǔ)，設(shè)置權(quán)重矩陣，對(duì)ＬＳＭ 加權(quán)改進(jìn)，并添加誤差校正項(xiàng)，得到完整的ＥＧＷＯ-ＬＳＴＭ-ＬＳＭ 改進(jìn)算法。

④ 對(duì)實(shí)驗(yàn)中的算法和模型設(shè)置對(duì)照組，并結(jié)合ＫＦ 算法驗(yàn)證改進(jìn)ＧＷＯ 和ＬＳＭ 的有效性。

１ ＴＯＦ 測(cè)距及定位原理

ＴＯＦ 法是根據(jù)信號(hào)飛行的時(shí)間差確定距離的測(cè)距技術(shù)，其原理如圖１ 所示。設(shè)有節(jié)點(diǎn)Ａ、Ｂ，２ 節(jié)點(diǎn)時(shí)鐘始終嚴(yán)格同步，且時(shí)間戳獨(dú)立，Ａ 向Ｂ 發(fā)射脈沖信號(hào)，記其時(shí)間戳為Ｔｍ １ ，Ｂ 在其時(shí)間戳Ｔｎ １ 收到信號(hào)，并在其時(shí)間戳Ｔｎ ２ 向Ａ 發(fā)射應(yīng)答信號(hào)，Ａ 則在其時(shí)間戳Ｔｍ ２ 收到Ｂ 的應(yīng)答信號(hào)，由４ 個(gè)時(shí)間戳可算出脈沖信號(hào)在節(jié)點(diǎn)間的單向傳播時(shí)間，乘以光速ｃ得到待測(cè)距離。測(cè)距過(guò)程可表示為：

Ｔｍ ＝ Ｔｍ２ － Ｔｍ１ ，（１）

Ｔｎ ＝ Ｔｎ２ － Ｔｎ１ ， （２）

Ｔｈ ＝ （Ｔｍ － Ｔｎ ）／ ２， （３）

ｄＡＢ（ｔ） ＝ ｃ［Ｔｈ － ε（ｔ）／ ２］， （４）

３． ２ ＥＧＷＯＬＳＴＭ 測(cè)距誤差預(yù)測(cè)模型

基于ＬＳＴＭ 構(gòu)建測(cè)距誤差預(yù)測(cè)模型［１５］，模型輸入為經(jīng)數(shù)據(jù)預(yù)處理的數(shù)據(jù)樣本，輸出為測(cè)距誤差。結(jié)構(gòu)上，以輸入層開始，系統(tǒng)中設(shè)置３ 個(gè)隱層（ＨｉｄｄｅｎＬａｙｅｒ，ＨＬ），并級(jí)聯(lián)一個(gè)全連接層（Ｄｅｎｓｅ），每個(gè)隱層由若干個(gè)ＬＳＴＭ 神經(jīng)元集成，之間相互作用，由全連層匯集所有學(xué)習(xí)成果，最終以輸出層結(jié)束。整個(gè)結(jié)構(gòu)如圖３ 所示。

將ＥＧＷＯ 用于ＬＳＴＭ 測(cè)距誤差預(yù)測(cè)模型的超參數(shù)優(yōu)化，訓(xùn)練之后得到ＥＧＷＯＬＳＴＭ 模型，并結(jié)合ＰＳＯ、ＭＧＷＯ［１６］、ＭＣＷＯ［１７］、ＩＧＷＯ［１８］和ＧＷＯ 算法構(gòu)建多個(gè)預(yù)測(cè)模型，設(shè)置對(duì)比試驗(yàn)，驗(yàn)證改進(jìn)灰狼算法的有效性。ＬＳＴＭ 模型待優(yōu)化參數(shù)和訓(xùn)練參數(shù)如表２所示。

４ ＥＧＷＯ-ＬＳＴＭ-ＬＳＭ 定位算法基本原理

４． １ ＬＳＭ

ＬＳＭ 因可以高效求解非線性雙曲線方程組而在ＵＷＢ 等技術(shù)中廣泛應(yīng)用，也是本次實(shí)驗(yàn)算法改進(jìn)的目標(biāo)。根據(jù)式ＭＸ ＝ Ｌ，間距函數(shù)ｄｉ（ｘ，ｙ，ｚ）的殘差可表示為Θ ＝ ＭＸ－Ｌ，則殘差平方和函數(shù)計(jì)算如下：

η（Ｘ） ＝ （ＭＸ － Ｌ） ２ ＝ （ＭＸ － Ｌ）（ＭＸ － Ｌ） Ｔ 。（３５）

對(duì)該式求導(dǎo)，并令求導(dǎo)結(jié)果為０，得：

ＭＴ ＭＸ － ＭＴ Ｌ ＝ ０。（３６）

當(dāng)ＭＴＭ 可逆時(shí)，可得目標(biāo)節(jié)點(diǎn)的最小二乘解為：

Ｘ ＝ （ＭＴ Ｍ）－１ ＭＴ Ｌ。（３７）

４． ２ ＥＧＷＯ-ＬＳＴＭ-ＬＳＭ 定位算法

ＬＳＭ 對(duì)殘差平方和函數(shù)中的每一項(xiàng)都采取無(wú)偏差處理和運(yùn)算，然而實(shí)際應(yīng)用中，ＮＬｏＳ 下的殘差項(xiàng)數(shù)值大小在很大程度上左右運(yùn)算結(jié)果的準(zhǔn)確性和精確度，這正是該算法弊端所在，針對(duì)這一點(diǎn)，將第３ 節(jié)建立的測(cè)距誤差預(yù)測(cè)模型預(yù)測(cè)結(jié)果一方面表示為誤差校正項(xiàng)，另一方面采取對(duì)殘差大的項(xiàng)給予更大的比重，反之較小的規(guī)則，通過(guò)權(quán)重轉(zhuǎn)化函數(shù)映射為權(quán)重矩陣，并在ＬＳＭ 中添加了這２ 個(gè)模塊，建立起完整的改進(jìn)最小二乘定位模型（ＥＧＷＯ-ＬＳＴＭ-ＬＳＭ）。具體流程如圖４ 所示。

４． ２． １ 測(cè)距誤差權(quán)重矩陣

ＥＧＷＯ-ＬＳＴＭ 模型輸出最佳的測(cè)距誤差預(yù)測(cè)結(jié)果，其結(jié)果正是作為各分路殘差項(xiàng)權(quán)重設(shè)置的依據(jù)，權(quán)重轉(zhuǎn)化函數(shù)如下：

ｕｉ ＝ １/（ｄｉ ｄεｉ） ２ ， （３８）

式中：ｄεｉ 為測(cè)距誤差預(yù)測(cè)模型輸出結(jié)果，ｕｉ 為各分路殘差項(xiàng)權(quán)重。由式［３８］可知，權(quán)重設(shè)置與各分路節(jié)點(diǎn)離基站距離、誤差大小呈反比，誤差大的權(quán)重小，誤差小的權(quán)重反而大，高權(quán)重就意味著測(cè)距數(shù)據(jù)更接近實(shí)際距離。將基于式（３８）的權(quán)重因子整合為權(quán)重矩陣，并參與定位目標(biāo)的直角坐標(biāo)解算，ＬＳＭ 表達(dá)式為：

ＬＳＭＵ ＝ （ＭＴ ＵＭ）－１ ＭＴ ＵＬ。（３９）

４． ２． ２ 測(cè)距誤差校正項(xiàng)

在添加了測(cè)距誤差權(quán)重矩陣的基礎(chǔ)上，進(jìn)一步添加誤差校正項(xiàng)。本研究直接在測(cè)距數(shù)據(jù)上利用誤差預(yù)測(cè)模型輸出結(jié)果進(jìn)行校正，即將矩陣Ｌ 中的代數(shù)式修改為ｘ２ｉ＋ｙ２ｉ＋ｚ２ｉ－ｘ２１－ｙ２１－ｚ２１＋ｄ２１－（ｄｉ －ｄεｉ） ２ ，則最終改進(jìn)后的ＬＳＭ 可表示為：

ＥＧＷＯ-ＬＳＴＭ-ＬＳＭ ＝ （ＭＴ ＵＭ）－１ ＭＴ ＵＬ′。（４０）

５ 仿真與結(jié)果分析

本實(shí)驗(yàn)采用Ｍａｔｌａｂ ２０２０ｂ 的ＣｏｍｍｕｎｃｉａｔｉｏｎｓＴｏｏｌｂｏｘ 和Ｓｉｍｕｌｉｎｋ 進(jìn)行動(dòng)態(tài)定位仿真，在ＪｕｐｙｔｅｒＮｏｔｅｂｏｏｋ 中結(jié)合Ｐｙｔｈｏｎ 語(yǔ)言完成機(jī)器學(xué)習(xí)模型的訓(xùn)練和靜態(tài)定位仿真，運(yùn)行環(huán)境為Ｗｉｎｄｏｗｓ １０ 平臺(tái)下的Ｉｎｔｅｌ（Ｒ）Ｃｏｒｅ（ＴＭ）ｉ７-８５６５Ｕ ＣＰＵ＠ １． ８０ ＧＨｚ１． ９９ ＧＨｚ 處理器，８ ＧＢ 內(nèi)存。

５． １ 數(shù)據(jù)準(zhǔn)備與處理

本次實(shí)驗(yàn)是對(duì)三維空間中的定位研究，故最少需要４ 個(gè)定位基站，選取５ ０００ ｍｍ × ５ ０００ ｍｍ ×４ ５００ ｍｍ 的采樣空間，并設(shè)定基站Ｍ１ ＝ （０，０，４ ３００）ｍｍ，Ｍ２ ＝ （５ ０００，０，１ ７００ ）ｍｍ，Ｍ３ ＝ （０，５ ０００，１ ７００）ｍｍ，Ｍ４ ＝ （５ ０００，５ ０００，４ ３００）ｍｍ，隨機(jī)標(biāo)定２３４ 個(gè)三維坐標(biāo)點(diǎn)位，以０． ２ ｓ 時(shí)間步長(zhǎng)采集數(shù)據(jù)，在每個(gè)點(diǎn)位生成２３４ 組含有隨機(jī)ＮＬｏＳ 噪聲的樣本數(shù)據(jù)，每組數(shù)據(jù)都包含了４ 組測(cè)距值、噪聲大小和時(shí)間信息，表示在同一坐標(biāo)點(diǎn)位ＵＷＢ 基站持續(xù)自動(dòng)采集到的多組靜態(tài)定位數(shù)據(jù)。同樣在該場(chǎng)景中，定義時(shí)間間隔和移動(dòng)速度，在每個(gè)時(shí)間步長(zhǎng)上更新節(jié)點(diǎn)位置，添加微小隨機(jī)位移，計(jì)算節(jié)點(diǎn)距離，并保存當(dāng)前時(shí)間步長(zhǎng)的節(jié)點(diǎn)位置和ＵＷＢ 測(cè)量數(shù)據(jù)，這樣就完成了動(dòng)態(tài)軌跡定位數(shù)據(jù)的仿真模擬。

對(duì)于數(shù)據(jù)處理，則采用３σ 準(zhǔn)則去除異常和粗大誤差，再以拉格朗日插值補(bǔ)全并歸一化即可。

５． ２ ＥＧＷＯ 超參數(shù)優(yōu)化

為了證明ＥＧＷＯ 算法的有效性，采用ＰＳＯ、ＭＧ-ＷＯ、ＩＧＷＯ 和ＣＧＷＯ 和標(biāo)準(zhǔn)ＧＷＯ 對(duì)國(guó)際標(biāo)準(zhǔn)單峰測(cè)試函數(shù)Ｓｃｈｗｅｆｅｌｓ-ｓ ２． ２２ ／ ２． ２１ 和多峰測(cè)試函數(shù)Ｒａｓｔｒｉｇｉｎ、Ａｃｋｌｅｙ 進(jìn)行求解，并統(tǒng)計(jì)和可視化各算法在對(duì)應(yīng)函數(shù)上運(yùn)行過(guò)程中的最優(yōu)適應(yīng)度數(shù)據(jù)，對(duì)比結(jié)果如圖５ 所示。

從圖５ 不難看出，各算法在不同測(cè)試函數(shù)的求解過(guò)程中表現(xiàn)迥異，但ＥＧＷＯ 的最優(yōu)適應(yīng)度值曲線都在其余算法之下，證明了本次改進(jìn)灰狼算法的精度有所提高，同時(shí)具有最好的優(yōu)化結(jié)果。接下來(lái)將各算法用于ＬＳＴＭ 測(cè)距誤差預(yù)測(cè)模型的優(yōu)化，設(shè)置各算法初始種群數(shù)量為６０，最大迭代次數(shù)２００，采用均方根誤差（Ｒｏｏｔ Ｍｅａｎ Ｓｑｕａｒｅ Ｅｒｒｏｒ，ＲＭＳＥ）、平均絕對(duì)值百分比誤差（Ｍｅａｎ Ａｂｓｏｌｕｔｅ Ｐｅｒｃｅｎｔａｇｅ Ｅｒｒｏｒ，ＭＡＰＥ）和準(zhǔn)確率（Ａｃｃｕｒａｃｙ）作為模型評(píng)估指標(biāo)，優(yōu)化結(jié)果如表３ 所示。

優(yōu)化過(guò)程的迭代曲線如圖６ 所示。

可見，ＰＳＯ-ＬＳＴＭ、ＭＧＷＯ-ＬＳＴＭ 和ＩＧＷＯ-ＬＳＴＭ在算法開始時(shí)就陷入了局部最優(yōu)，并未進(jìn)行下一步迭代更新，ＧＷＯ-ＬＳＴＭ 和ＣＧＷＯ-ＬＳＴＭ 雖在陷入局部最優(yōu)后進(jìn)行了一次迭代更新，但收斂精度并未達(dá)到最佳，而相比之下ＥＧＷＯ-ＬＳＴＭ 模型在規(guī)定的迭代次數(shù)下，對(duì)于其他算法表現(xiàn)出更高的優(yōu)化水平，這得益于對(duì)狼群的自適應(yīng)分組提高搜索效率，以及獵物焦躁系數(shù)的引入，使得算法能夠平衡全局搜索和局部搜索，頭狼位移的多樣化也改善了算法的收斂性，使之跳出局部最優(yōu)。該模型的ＭＡＰＥ、ＲＭＳＥ 相比于其余模型均有較大幅度的降低，同時(shí)也伴隨著準(zhǔn)確率的提升。其中ＭＡＰＥ 較ＬＳＴＭ 模型和ＧＷＯ-ＬＳＴＭ 分別降低了２５． ６３３％ 和１１． ２６％ ，ＲＭＳＥ 降低了４． ８２８％ 和１． １６３％ ，模型準(zhǔn)確率則相應(yīng)提升了５． ２０３％ 和１． ９５２ ６％ ，這一方面說(shuō)明單一ＬＳＴＭ 模型如果采用初始或默認(rèn)參數(shù)，會(huì)極大程度忽略模型預(yù)測(cè)的潛力，另一方面說(shuō)明改進(jìn)算法ＥＧＷＯ 較傳統(tǒng)灰狼算法和其他改進(jìn)灰狼算法，有更優(yōu)越的尋優(yōu)和模型優(yōu)化能力。以上結(jié)果表明，通過(guò)引入加權(quán)自適應(yīng)ＦＤＣＭ＿ＳＳＲ 狼群分組和獵物焦躁系數(shù)，以及控制小組頭狼位移的多樣化，能夠高效提升算法的有效性，從而得到最優(yōu)的訓(xùn)練模型。

５． ３ ＥＧＷＯ-ＬＳＴＭ-ＬＳＭ 算法靜態(tài)定位

圖７ 展示了２３４ 個(gè)靜態(tài)目標(biāo)節(jié)點(diǎn)中的３ 個(gè)不同位置節(jié)點(diǎn)Ｑ１ ＝ （３０，７２，３０）ｍｍ、Ｑ２ ＝ （９６２，２ ５１０，３ ９６５）ｍｍ、Ｑ３ ＝ （２ ９９２，４ ００７，１ ９６０）ｍｍ 在ＬＳＭ、ＬＳＴＭ-ＬＳＭ、ＧＷＯ-ＬＳＴＭ-ＬＳＭ 和ＥＧＷＯ-ＬＳＴＭ-ＬＳＭ定位算法下的三維直角坐標(biāo)解算結(jié)果。可知，傳統(tǒng)ＬＳＭ 算法在三維定位中結(jié)果過(guò)于分散，精度低下，魯棒性較差。隨著ＬＳＭ 算法多個(gè)環(huán)節(jié)的改進(jìn)優(yōu)化，定位結(jié)果漸漸收斂于目標(biāo)節(jié)點(diǎn)的真實(shí)坐標(biāo)，在眾多定位算法中，又以所提ＥＧＷＯ-ＬＳＴＭ-ＬＳＭ 算法靜態(tài)定位精度最高。為進(jìn)一步證實(shí)，采用之前所有算法設(shè)置對(duì)照實(shí)驗(yàn)對(duì)比分析，定位結(jié)果如表４ 所示。

由表４ 可以看出，ＥＧＷＯ-ＬＳＴＭ-ＬＳＭ 算法靜態(tài)定位ＲＭＳＥ、ＭＡＰＥ 和位置最大誤差在眾定位算法中最低，更是遠(yuǎn)小于單一ＬＳＭ、ＬＳＴＭ-ＬＳＭ 和ＧＷＯ-ＬＳＴＭ-ＬＳＭ 定位算法，相比于其余算法，３ 節(jié)點(diǎn)靜態(tài)定位ＲＭＳＥ 平均降幅在５． １８９％ ～ ５７． １１６％ ，ＭＡＰＥ平均降幅在１． ６００％ ～ ３６． １９０％ ，３ 節(jié)點(diǎn)靜態(tài)平均位置最大誤差降幅為２． ８６３ ～ ５９． ０３９ ｍｍ。

為詳細(xì)分析靜態(tài)位置誤差的分布［１９］，以ＬＳＭ、ＬＳＴＭ-ＬＳＭ、ＧＷＯ-ＬＳＴＭ-ＬＳＭ、ＥＧＷＯ-ＬＳＴＭ-ＬＳＭ 算法為例，將部分節(jié)點(diǎn)在ｘ、ｙ、ｚ 軸上的靜態(tài)位置誤差［２０］繪在圖８ 中。

分析圖中各曲線可知，這４ 種算法靜態(tài)定位精度從優(yōu)到劣依次是ＥＧＷＯ-ＬＳＴＭ-ＬＳＭ＞ＧＷＯ-ＬＳＴＭ-ＬＳＭ＞ＬＳＴＭ-ＬＳＭ＞ＬＳＭ，在ｘ 和ｙ 軸的靜態(tài)誤差都控制在３０ ｍｍ 以內(nèi)，其中ＥＧＷＯ-ＬＳＴＭ-ＬＳＭ 算法更是將二維靜態(tài)誤差穩(wěn)定縮減到８ ｍｍ 以內(nèi)。但這４ 種算法在ｚ 軸上定位精度有明顯下降，ＬＳＭ 的靜態(tài)最大位置誤差甚至已超過(guò)５０ ｍｍ，ＧＷＯ-ＬＳＴＭ-ＬＳＭ、ＬＳＴＭ-ＬＳＭ 最大位置誤差也都突破２５ ｍｍ，反觀ＥＧＷＯ-ＬＳＴＭ-ＬＳＭ 算法，則將靜態(tài)誤差穩(wěn)定保持在２５ ｍｍ 內(nèi)。

綜合以上分析，可知靜態(tài)定位算法的位置誤差主要分布在ｚ 軸方向，這來(lái)源于算法定位死角產(chǎn)生的奇異解，本實(shí)驗(yàn)的ＥＧＷＯ-ＬＳＴＭ-ＬＳＭ 算法將二維靜態(tài)定位誤差降至８ ｍｍ 內(nèi)，三維靜態(tài)定位誤差降至２５ ｍｍ 內(nèi)，相比于其余基于ＬＳＭ 的定位算法，改進(jìn)ＬＳＭ 定位算法在二維和三維的靜態(tài)定位精度都已經(jīng)得到更大程度的提升，這也從側(cè)面說(shuō)明算法的改進(jìn)有效減小了奇異解對(duì)三維靜態(tài)定位結(jié)果的干擾。

５． ４ ＥＧＷＯ-ＬＳＴＭ-ＬＳＭ 算法＋ＫＦ 動(dòng)態(tài)定位

ＬＳＭ 算法主要用于擬合靜態(tài)數(shù)據(jù)，并找到最佳擬合曲線或平面。在這種情況下，ＬＳＭ 算法并不直接適用于動(dòng)態(tài)軌跡的追蹤。動(dòng)態(tài)軌跡追蹤通常涉及根據(jù)實(shí)時(shí)或連續(xù)的輸入數(shù)據(jù)，預(yù)測(cè)或估計(jì)物體的位置、速度或姿態(tài)等變化信息，故考慮結(jié)合ＫＦ 濾波器。ＫＦ 算法應(yīng)用普遍并且不是研究重點(diǎn)，這里就不再贅述。

ＬＳＭ、ＬＳＴＭ-ＬＳＭ、ＧＷＯ-ＬＳＴＭ-ＬＳＭ、ＥＧＷＯ-ＬＳＴＭ-ＬＳＭ 定位算法結(jié)合ＫＦ 算法三維定位軌跡的平面視角和空間視角如圖９ 和圖１０ 所示。結(jié)合２ 個(gè)視角可以看到仿真的軌跡呈一個(gè)各處高低不同的“Ｎ”字，并且在２ 個(gè)視角下，能夠更全面觀察和分析動(dòng)態(tài)定位的結(jié)果。從圖９ 可以看出，在二維平面內(nèi)，單一ＬＳＭ 直接結(jié)合ＫＦ 的動(dòng)態(tài)定位效果并不理想，對(duì)于隨機(jī)ＮＬｏＳ 噪聲的抑制欠缺更有效的措施。但隨著各種ＬＳＴＭ 測(cè)距誤差預(yù)測(cè)模型的應(yīng)用，ＬＳＭ算法定位精度也在明顯提高，通過(guò)對(duì)比，本文的ＥＧＷＯ-ＬＳＴＭ-ＬＳＭ 定位二維軌跡全程最為貼近真實(shí)軌跡［２１］。

在三維視角下，針對(duì)ｚ 軸動(dòng)態(tài)位置誤差展開分析，從圖中能夠直觀看到ＥＧＷＯ-ＬＳＴＭ-ＬＳＭ 結(jié)合ＫＦ在３ 軸上的動(dòng)態(tài)位置誤差最小，其余算法在ｚ 軸上的動(dòng)態(tài)位置誤差明顯要高于ｘ、ｙ 軸上的誤差，動(dòng)態(tài)定位精度有待提升。通過(guò)對(duì)比，ＥＧＷＯ-ＬＳＴＭ-ＬＳＭ定位三維軌跡全程最為貼近真實(shí)軌跡。這同樣說(shuō)明了算法的改進(jìn)在減小奇異解對(duì)三維動(dòng)態(tài)定位結(jié)果的干擾方面仍然有效。

為說(shuō)明ＥＧＷＯ-ＬＳＴＭ-ＬＳＭ＋ＫＦ 動(dòng)態(tài)定位的有效性，依舊以所有算法為基礎(chǔ)設(shè)置對(duì)照組，各算法動(dòng)態(tài)定位結(jié)果如表５ 所示。

由表５ 可以看出，ＥＧＷＯ-ＬＳＴＭ-ＬＳＭ＋ＫＦ 算法動(dòng)態(tài)定位在３ 軸上的ＲＭＳＥ、ＭＡＰＥ 和位置最大誤差在眾定位算法中最低，同樣遠(yuǎn)小于單一ＬＳＭ、ＬＳＴＭ-ＬＳＭ和ＧＷＯ-ＬＳＴＭ-ＬＳＭ 定位算法，相比于其余算法，動(dòng)態(tài)定位ＲＭＳＥ 三軸平均降幅在６． ９９％～ ７２． ２７％ ，ＭＡＰＥ三軸平均降幅在２． ７５６％～ ４８． １７１％ ，３ 軸平均動(dòng)態(tài)位置最大誤差降幅在６． ６０１～ ７０． ４１７ ｍｍ。

為進(jìn)一步分析算法的動(dòng)態(tài)定位性能，將４ 種算法動(dòng)態(tài)定位的３ 軸位置誤差做了統(tǒng)計(jì)和對(duì)比，如圖１１ 所示。可知這４ 種算法動(dòng)態(tài)定位精度從優(yōu)到劣依次是ＥＧＷＯ-ＬＳＴＭ-ＬＳＭ＋ＫＦ＞ＧＷＯ-ＬＳＴＭ-ＬＳＭ＋ＫＦ＞ＬＳＴＭ-ＬＳＭ＋ＫＦ＞ＬＳＭ＋ＫＦ，ＥＧＷＯ-ＬＳＴＭ-ＬＳＭ 算法結(jié)合ＫＦ 將ｘ 和ｙ 軸上的動(dòng)態(tài)位置誤差控制在２０ ｍｍ 內(nèi)，相對(duì)于單個(gè)ＬＳＭ 降低了７０ ｍｍ 左右，ｚ 軸上的動(dòng)態(tài)位置誤差控制在２５ ｍｍ 內(nèi)，相對(duì)于單個(gè)ＬＳＭ 降低了７５ ｍｍ 左右，其３ 軸動(dòng)態(tài)定位精度均高于其他算法，這能夠充分證明本文定位算法在二維和三維空間的動(dòng)態(tài)定位中有更大的優(yōu)勢(shì)和優(yōu)秀的魯棒性。

６ 結(jié)束語(yǔ)

針對(duì)ＵＷＢ 中ＬＳＭ 對(duì)于ＴＯＦ 在ＮＬｏＳ 下定位精度低下的問(wèn)題，提出了改進(jìn)最小二乘法（ＥＧＷＯ-ＬＳＴＭ-ＬＳＭ）的定位算法。采用ＬＳＴＭ 與改進(jìn)ＧＷＯ相結(jié)合的方法，構(gòu)建了最優(yōu)模型預(yù)測(cè)測(cè)距誤差，并以此設(shè)置權(quán)重矩陣和誤差校正項(xiàng)，將改進(jìn)后的算法通過(guò)定位仿真實(shí)驗(yàn)對(duì)比驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，改進(jìn)算法將二維和三維位置誤差分別穩(wěn)定控制在１０、２５ ｍｍ 內(nèi)，相比于其余算法有效抑制了隨機(jī)ＮＬｏＳ的干擾，增強(qiáng)了ＬＳＭ 算法的魯棒性，對(duì)ＴＯＦ 的三維定位精度有一定的提升，同時(shí)也反過(guò)來(lái)證明改進(jìn)算法能夠在較大程度上降低奇異解在三維靜態(tài)和動(dòng)態(tài)定位下在ｚ 軸方向產(chǎn)生的影響。

經(jīng)過(guò)對(duì)照試驗(yàn)，所提改進(jìn)算法在定位精度上要優(yōu)于單個(gè)ＬＳＭ 算法和其余基于機(jī)器學(xué)習(xí)模型和群智能算法的改進(jìn)算法，初步從理論上證明了改進(jìn)算法的有效性。但要驗(yàn)證算法的實(shí)用性，還需要將理論用于實(shí)踐，并接受實(shí)踐的檢驗(yàn)，因此，設(shè)置實(shí)際場(chǎng)景，深入分析算法的實(shí)用性，并對(duì)新的問(wèn)題提出進(jìn)一步解決方案將是下一階段的研究?jī)?nèi)容。

參考文獻(xiàn)

［１］ ＨＡＮ Ｙ Ｘ，ＺＨＡＮＧ Ｘ Ｍ，ＬＡＩ Ｚ Ｘ，ｅｔ ａｌ． ＴＯＦｂａｓｅｄ ＦａｓｔＳｅｌｆｐｏｓｉｔｉｏｎｉｎｇ Ａｌｇｏｒｉｔｈｍ ｆｏｒ ＵＷＢ Ｍｏｂｉｌｅ Ｂａｓｅ Ｓｔａｔｉｏｎｓ［Ｊ］． Ｓｅｎｓｏｒｓ，２０２１，２１（１９）：６３５９．

［２］ ＡＬＡＲＩＦＩ Ａ，ＡＬＳＡＬＭＡＮ Ａ，ＡＬＳＡＬＥＨ Ｍ，ｅｔ ａｌ． ＵｌｔｒａＷｉｄｅｂａｎｄ Ｉｎｄｏｏｒ Ｐｏｓｉｔｉｏｎｉｎｇ Ｔｅｃｈｎｏｌｏｇｉｅｓ：Ａｎａｌｙｓｉｓ ａｎｄＲｅｃｅｎｔ Ａｄｖａｎｃｅｓ［Ｊ］． Ｓｅｎｓｏｒｓ，２０１６，１６（５）：７０７．

［３］ ＭＡＺＨＡＲ Ｆ，ＫＨＡＮ Ｇ Ｍ，Ｓ？ＬＬＢＥＲＧ Ｂ． Ｐｒｅｃｉｓｅ ＩｎｄｏｏｒＰｏｓｉｔｉｏｎｉｎｇ Ｕｓｉｎｇ ＵＷＢ：Ａ Ｒｅｖｉｅｗ ｏｆ Ｍｅｔｈｏｄｓ，Ａｌｇｏｒｉｔｈｍｓａｎｄ Ｉｍｐｌｅｍｅｎｔａｔｉｏｎｓ［Ｊ］． Ｗｉｒｅｌｅｓｓ Ｐｅｒｓｏｎａｌ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ，２０１７，９７（３）：４４６７－４４９１．

［４］ 徐建華，張雨霖，韓勇強(qiáng)． 基于移動(dòng)節(jié)點(diǎn)輔助定位的ＵＷＢ 室內(nèi)定位方法［Ｊ］． 中國(guó)慣性技術(shù)學(xué)報(bào)，２０２３，３１（２）：１４１－１４７．

［５］ ＪＵＡＮ Ｃ Ｗ，ＨＵ Ｊ Ｓ． Ｓｉｎｇｌｅｏｂｊｅｃｔ Ｌｏｃａｌｉｚａｔｉｏｎ Ｕｓｉｎｇ Ｍｕｌｔｉｐｌｅ Ｕｌｔｒａｓｏｎｉｃ Ｓｅｎｓｏｒｓ ａｎｄ Ｃｏｎｓｔｒａｉｎｅｄ Ｗｅｉｇｈｔｅｄ Ｌｅａｓｔｓｑｕａｒｅｓ Ｍｅｔｈｏｄ ［Ｊ］． Ａｓｉａｎ Ｊｏｕｒｎａｌ ｏｆ Ｃｏｎｔｒｏｌ，２０２１，２３（３）：１１７１－１１８４．

［６］ ＲＥＴＳＣＨＥＲ Ｇ，ＫＩＳＳ Ｄ，ＧＡＢＥＬＡ Ｊ． Ｆｕｓｉｏｎ ｏｆ ＧＮＳＳＰｓｅｕｄｏｒａｎｇｅｓ ｗｉｔｈ ＵＷＢ Ｒａｎｇｅｓ Ｂａｓｅｄ ｏｎ Ｃｌｕｓｔｅｒｉｎｇ ａｎｄＷｅｉｇｈｔｅｄ Ｌｅａｓｔ Ｓｑｕａｒｅｓ［Ｊ］． Ｓｅｎｓｏｒｓ，２０２３，２３（６）：３３０３．

［７］ ＴＯＮＧ Ｚ Ｘ，ＸＵＥ Ｊ Ｈ，ＫＡＮＧ Ｚ Ｑ． Ａ Ｎｏｖｅｌ Ｉｎｄｏｏｒ Ｐｏｓｉｔｉｏｎｉｎｇ Ａｌｇｏｒｉｔｈｍ Ｂａｓｅｄ ｏｎ ＵＷＢ ［Ｊ ］． ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌ ｏｆ Ｓｅｎｓｏｒ Ｎｅｔｗｏｒｋｓ，２０２２，４０（４）：２３８－２４９．

［８］ ＬＩＵ Ａ，ＬＩＮ Ｓ Ｗ，ＷＡＮＧ Ｊ Ｇ，ｅｔ ａｌ． Ａ Ｓｕｃｃｉｎｃｔ Ｍｅｔｈｏｄ ｆｏｒＮｏｎＬｉｎｅｏｆＳｉｇｈｔ Ｍｉｔｉｇａｔｉｏｎ ｆｏｒ Ｕｌｔｒａｗｉｄｅｂａｎｄ ＩｎｄｏｏｒＰｏｓｉｔｉｏｎｉｎｇ Ｓｙｓｔｅｍ［Ｊ］． Ｓｅｎｓｏｒｓ，２０２２，２２（２１）：８２４７．

［９］ 秦明峰，胡麗格． 一種基于偽距殘差加權(quán)的最小二乘定位算法［Ｊ］． 計(jì)算機(jī)仿真，２０２２，３９（１２）：４４－４８．

［１０］ 胡仲勛，楊旭靜，金湘中． ＬＳＭ 算法評(píng)定空間直線度誤差的分析與改進(jìn)［Ｊ］． 湖南大學(xué)學(xué)報(bào)（自然科學(xué)版），２０１０，３７（２）：２７－３１．

［１１］ 劉公緒，李龍，路建民，等． 無(wú)線信號(hào)交匯定位的奇異解問(wèn)題表征與解決［Ｊ］． 中國(guó)科學(xué)：信息科學(xué)，２０２２，５２（１１）：１９９２－２０１０．

［１２］ 肖嵐，溫麗麗，趙靜，等． 采用改進(jìn)多目標(biāo)灰狼算法的電力系統(tǒng)調(diào)度規(guī)劃［Ｊ］． 機(jī)械設(shè)計(jì)與制造，２０２４（２）：３７３－３７９．

［１３］ 馬高權(quán)，周娜，謝蒙飛，等． 基于ＧＷＯ-ＫＥＬＭ 模型的變壓器油紙?zhí)坠艿湫徒^緣故障辨識(shí)方法［Ｊ］． 電網(wǎng)與清潔能源，２０２３，３９（５）：３８－４８．

［１４］ ＧＵ Ｊ，ＪＩＡＯ Ｌ Ｃ，ＹＡＮＧ Ｓ Ｙ，ｅｔ ａｌ． Ｆｕｚｚｙ Ｄｏｕｂｌｅ ＣｍｅａｎｓＣｌｕｓｔｅｒｉｎｇ Ｂａｓｅｄ ｏｎ Ｓｐａｒｓｅ Ｓｅｌｆｒｅｐｒｅｓｅｎｔａｔｉｏｎ［Ｊ］． ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｆｕｚｚｙ Ｓｙｓｔｅｍｓ，２０１８，２６（２）：６１２－６２６．

［１５］ ＧＡＯ Ｄ Ｑ，ＺＥＮＧ Ｘ Ｙ，ＷＡＮＧ Ｊ Ｙ，ｅｔ ａｌ． Ａｐｐｌｉｃａｔｉｏｎ ｏｆＬＳＴＭ Ｎｅｔｗｏｒｋ ｔｏ Ｉｍｐｒｏｖｅ Ｉｎｄｏｏｒ Ｐｏｓｉｔｉｏｎｉｎｇ Ａｃｃｕｒａｃｙ［Ｊ］． Ｓｅｎｓｏｒｓ，２０２０，２０（２０）：５２８４．

［１６］ 馮鈴，張楚，劉偉渭． 基于ＭＧＷＯ-ＳＣＮ 的滾動(dòng)軸承故障診斷方法［Ｊ］． 機(jī)電工程，２０２２，３９（１０）：１３８２－１３８９．

［１７］ 王述紅，魏崴，韓文帥，等． 基于ＣＧＷＯ 算法的邊坡最小安全系數(shù)全局尋優(yōu)方法［Ｊ］． 東北大學(xué)學(xué)報(bào)（自然科學(xué)版），２０２２，４３（７）：１０３３－１０４２．

［１８］ 張濤，王亞剛，李開言． ＰＣＲ 儀器的ＩＧＷＯ-ＢＰ 神經(jīng)網(wǎng)絡(luò)ＰＩＤ 控制［Ｊ］． 控制工程，２０２３，３０（５）：８２２－８２９．

［１９］ 楊秀建，皇甫尚昆，顏紹祥． 基于改進(jìn)ＵＫＦ 的ＵＷＢ ／ＩＭＵ ／ 里程計(jì)融合定位方法［Ｊ］． 中國(guó)慣性技術(shù)學(xué)報(bào)，２０２３，３１（５）：４６２－４７１．

［２０］ 孫偉，孫沛?zhèn)悾?非視距環(huán)境下的ＵＷＢ ／ ＩＮＳ 室內(nèi)定位方法［Ｊ］． 測(cè)繪科學(xué)，２０２３，４８（１）：１－７．

［２１］ 徐淑萍，郭宇，王雙，等． ＮＬｏＳ 環(huán)境下基于ＵＷＢ 的定位算法研究［Ｊ］． 計(jì)算機(jī)仿真，２０２３，４０（４）：４３９－４４３．

作者簡(jiǎn)介

柯 希 男，（１９９８—），碩士研究生。主要研究方向：ＵＷＢ 定位、機(jī)器學(xué)習(xí)。

孫 潔 男，（１９６３—），博士，教授，碩士生導(dǎo)師。主要研究方向：智能控制理論、檢測(cè)技術(shù)與智能傳感器。

基金項(xiàng)目：河北自然科學(xué)基金和重點(diǎn)基礎(chǔ)研究專項(xiàng)（Ｅ２０１９２０９４９２）