目錄

• 一、背景
• 二、任務(wù)
• 三、任務(wù)分析
• 參考文獻

一、背景

UWB（Ultra-Wideband）技術(shù)也被稱之為“超寬帶”，又稱之為脈沖無線電技術(shù)。這是一種無需任何載波，通過發(fā)送納秒級脈沖而完成數(shù)據(jù)傳輸?shù)亩叹嚯x范圍內(nèi)無線通信技術(shù)，并且信號傳輸過程中的功耗僅僅有幾十μW。UWB因其獨有的特點，使其在軍事、物聯(lián)網(wǎng)等各個領(lǐng)域都有著廣闊的應(yīng)用。其中，基于UWB的定位技術(shù)具備實時的室內(nèi)外精確跟蹤能力，定位精度高，可達到厘米級甚至毫米級定位。UWB在室內(nèi)精確的定位將會對衛(wèi)星導航起到一個極好的補充作用，可在軍事及民用領(lǐng)域有廣泛應(yīng)用，比如：電力、醫(yī)療、化工行業(yè)、隧道施工、危險區(qū)域管控等。
UWB的定位技術(shù)有多種方法，本文僅考慮基于飛行時間（Time of Flight, TOF）的測距原理，它是UWB定位法中最常見的定位方法之一。TOF測距技術(shù)屬于雙向測距技術(shù)，其通過計算信號在兩個模塊的飛行時間，再乘以光速求出兩個模塊之間的距離，這個距離肯定有不同程度這個距離肯定有不同程度的誤差，但其精度已經(jīng)比較高。
在室內(nèi)定位的應(yīng)用中，UWB技術(shù)可以實現(xiàn)厘米級的定位精度（一般指2維平面定位）,并具有良好的抗多徑干擾和衰弱的性能以及具有較強的穿透能力。但由于室內(nèi)環(huán)境復(fù)雜多變UWB 通信信號極易受到遮擋，雖然UWB技術(shù)具有穿透能力，但仍然會產(chǎn)生誤差，在較強干擾時，數(shù)據(jù)會發(fā)生異常波動（通常是時間延時），基本無法完成室內(nèi)定位，甚至會造成嚴重事故。因此，信號干擾下的超寬帶（UWB）精確定位問題成為亟待解決的問題。

二、任務(wù)

任務(wù)1：數(shù)據(jù)預(yù)處理（清洗）
無論是信號無干擾下采集數(shù)據(jù)，或信號干擾下采集數(shù)據(jù)，Tag在同一坐標點上都采集多組數(shù)據(jù)（見附件1中648個數(shù)據(jù)文件），請用某種方法把每個數(shù)據(jù)文件相應(yīng)數(shù)值抓取出來，并轉(zhuǎn)換成二維表（矩陣）形式（txt、Excel或其他數(shù)據(jù)格式），每一行代表一組數(shù)據(jù)（即一個樣品），然后對這些數(shù)據(jù)文件進行預(yù)處理（清洗），刪除掉一些“無用”（異常、缺失、相同或相似）的數(shù)據(jù)（樣品）。經(jīng)處理后，“正常數(shù)據(jù)”所有數(shù)據(jù)文件和“異常數(shù)據(jù)”所有數(shù)據(jù)文件最后各保留多少組（多少個樣品）數(shù)據(jù)，并重點列出以下4個數(shù)據(jù)文件，經(jīng)處理后保留的數(shù)據(jù)（矩陣形式）；
“正常數(shù)據(jù)”文件夾中： 24.正常.txt、 109.正常.txt
“異常數(shù)據(jù)”文件夾中： 1.異常.txt、 100.異常.txt

任務(wù)2: 定位模型
利用任務(wù)1處理后的數(shù)據(jù)，分別對“正常數(shù)據(jù)”和“異常數(shù)據(jù)”，設(shè)計合適的數(shù)學模型（或算法），估計（或預(yù)測）出Tag的精確位置，并說明你所建立的定位模型（或算法）的有效性；同時請利用你的定位模型（或算法）分別對附件2中提供的前5組（信號無干擾）數(shù)據(jù)和后5組（信號有干擾）數(shù)據(jù)進行精確定位（3維坐標）；
注意：（1）定位模型必須體現(xiàn)實驗場景信息；
（2）請同時給出定位模型的3維（x，y，z）精度、2維（x，y）精度以及1維的各自精度。

任務(wù)3：不同場景應(yīng)用
我們的訓練數(shù)據(jù)僅采集于同一實驗場景（實驗場景1），但定位模型應(yīng)該能夠在不同實際場景上使用，我們希望你所建立的定位模型能夠應(yīng)用于不同場景。附件3中10組數(shù)據(jù)采集于下面實驗場景2（前5組數(shù)據(jù)信號無干擾，后5組數(shù)據(jù)信號有干擾），請分別用上述建立的定位模型，對這10 組數(shù)據(jù)進行精確定位（3維坐標）；
實驗場景2：
靶點（Tag）范圍：5000mm3000mm3000mm
錨點（anchor）位置（單位：mm）：
A0（0，0，1200）、 A1（5000，0，1600）、
A2（0，3000，1600），A3（5000，3000，1200）

任務(wù)4: 分類模型
上述定位模型是在已知信號有、無干擾的條件下建立的，但UWB在采集數(shù)據(jù)時并不知道信號有無干擾，所以判斷信號有無干擾是UWB精確定位問題的重點和難點。利用任務(wù)1處理后的數(shù)據(jù)，建立數(shù)學模型(或算法)，以便區(qū)分哪些數(shù)據(jù)是在信號無干擾下采集的數(shù)據(jù)，哪些數(shù)據(jù)是在信號干擾下采集的數(shù)據(jù)？并說明你所建立的分類模型(或算法)的有效性；同時請用你所建立的分類模型（或算法）判斷附件4中提供的10組數(shù)據(jù)（這10組數(shù)據(jù)同樣采集于實驗場景1）是來自信號無干擾或信號干擾下采集的？

任務(wù)5: 運動軌跡定位
運動軌跡定位是UWB重要應(yīng)用之一，利用靜態(tài)點的定位模型，加上靶點自身運動規(guī)律，希望給出動態(tài)靶點的運動軌跡。附件5是對動態(tài)靶點采集的數(shù)據(jù)（一段時間內(nèi)連續(xù)采集的多組數(shù)據(jù)），請注意，在采集這些數(shù)據(jù)時，會隨機出現(xiàn)信號干擾，請對這個運動軌跡進行精確定位，最終畫出這條運動軌跡圖（數(shù)據(jù)采集來自實驗場景1）。

三、任務(wù)分析

任務(wù)一分析：
正常數(shù)據(jù)和異常數(shù)據(jù)均有324個文件，一共是648個文件，而每個文件的編號就是Tag的一個位置，由于Tag在同一位置會停留一會兒時間，而錨點與Tag之間每0.2—0.3秒之間就會發(fā)送、接收信號一次，所以在同一位置點，UWB會采集到多組數(shù)據(jù)（多組數(shù)據(jù)都代表同一位置的信息），組數(shù)的多少視Tag在同一位置的時間而定，停留的時間越長，組數(shù)就越多。在每一個文件中，每4行(hang)為一組，表示UWB采集的一組完整數(shù)據(jù)（一組數(shù)據(jù)表示一個樣品），每一組數(shù)據(jù)中我們只需要得到錨點(A0，A1，A2，A3)到Tag的距離數(shù)據(jù)即可。
我們的目標是獲取到每個文件中的錨點到Tag的距離數(shù)據(jù)，將一組距離數(shù)據(jù)放在一行，因而一個文件里的距離數(shù)據(jù)可以形成一個二維表（矩陣）。
第一步獲取數(shù)據(jù)，以正常數(shù)據(jù)中的文件 1.正常 為例，利用MATLAB程序讀取txt文件數(shù)據(jù)。

data = importdata("附件1：UWB數(shù)據(jù)集\正常數(shù)據(jù)\1.正常.txt");

1.正常文件里的數(shù)據(jù)存儲在data.data矩陣里，有6列，第三列就是Tag到4個錨點的距離數(shù)據(jù)，每4行為一組數(shù)據(jù)。
將上述矩陣里的距離數(shù)據(jù)轉(zhuǎn)換為二維矩陣的形式如下：

A = data.data(:,3); m = size(A,1); n = m/4; B = zeros(n,4); for i = 1:nB(i,:) = A(1:4); end

對正常數(shù)據(jù)和異常數(shù)據(jù)均做上述操作總共可得到648個二維矩陣。
下面的代碼運行后可以得到正常數(shù)據(jù)的324個二維矩陣，對于異常數(shù)據(jù)，只需要將路徑替換為：path = ‘F:\數(shù)學建模\2021年中國研究生數(shù)學建模競賽賽題\2021年E題\附件1：UWB數(shù)據(jù)集\異常數(shù)據(jù)’;

path = 'F:\數(shù)學建模\2021年中國研究生數(shù)學建模競賽賽題\2021年E題\附件1：UWB數(shù)據(jù)集\正常數(shù)據(jù)'; % 設(shè)置數(shù)據(jù)存放的文件夾路徑 cd(path); % 將當前工作目錄切換到指定的文件夾，否則importdata無法讀取文件 pathname = fullfile(path,'*.txt'); file = dir(pathname); % 顯示文件夾下所有符合后綴名為.txt文件的完整信息 filenames = {file.name}'; % 提取符合后綴名為.txt的所有文件的文件名，轉(zhuǎn)換為n行1列的cell數(shù)據(jù) k = size(filenames,1); % txt文件的數(shù)量C = cell(k,1); % 創(chuàng)建一個元胞數(shù)組 for i=1:kname = filenames{i}; % 讀取第i個變量名data = importdata(name); % 導入數(shù)據(jù)，importdata讀取當前工作目錄下的文件A = data.data(:,3);m = size(A,1);n = m/4;B = zeros(n,4);for j = 1:nB(j,:) = A(1:4);endC{i,1} = B; % 將所有的二維矩陣存儲在元胞數(shù)組里 end

第二步，對獲取到的648個二維矩陣進行預(yù)處理（清洗），刪除掉一些“無用”（異常、缺失、相同或相似）的數(shù)據(jù)（樣品）。我們將每一個二維矩陣進行處理，可以降低矩陣的大小。

關(guān)鍵是數(shù)據(jù)的清洗，我覺得比較麻煩，暫時沒想到更好的方法，這將導致后續(xù)工作不便開展，歡迎大家跟我一起解決這個問題。
我認為這里面有的二維矩陣是"無用數(shù)據(jù)"的原因是某些數(shù)據(jù)超出靶點的范圍，靶點（Tag）范圍：5000mm3000mm3000mm。

第三步，列出“正常數(shù)據(jù)”所有數(shù)據(jù)文件和“異常數(shù)據(jù)”所有數(shù)據(jù)文件最后各保留多少組（多少個樣品）數(shù)據(jù)，并重點列出任務(wù)中指定的4個數(shù)據(jù)文件，經(jīng)處理后保留的數(shù)據(jù)（矩陣形式）。

任務(wù)二分析：
利用機器學習算法將正常數(shù)據(jù)和異常數(shù)據(jù)分別建立定位模型，測試模型的定位精度可以用 附件1：UWB數(shù)據(jù)集中Tag坐標信息.txt文件的數(shù)據(jù)來說明定位模型的有效性，進而借助定位模型對附件2中提供的前5組（信號無干擾）數(shù)據(jù)和后5組（信號有干擾）數(shù)據(jù)進行精確定位（3維坐標）。
以正常數(shù)據(jù)為例，首先將數(shù)據(jù)集按照3:1的比例劃分為訓練集和測試集，訓練集用于訓練定位模型，測試集用于驗證模型的準確度。本文采用經(jīng)PSO改進后的BP神經(jīng)網(wǎng)絡(luò)來實現(xiàn)對Tag的定位，在訓練階段，將錨點(A0，A1，A2，A3)到Tag的距離數(shù)據(jù)作為輸入，Tag的實際位置坐標作為輸出，以此訓練出一個定位模型；在測試階段，將測試集的距離數(shù)據(jù)輸入到模型，得到輸出的數(shù)據(jù)即為Tag的預(yù)測位置坐標。將預(yù)測的位置坐標與實際的位置坐標進行比較，可以得到模型的定位精度。

任務(wù)三分析：
任務(wù)三就是分別利用已經(jīng)建立的正常數(shù)據(jù)和異常數(shù)據(jù)的定位模型對實驗場景2（前5組數(shù)據(jù)信號無干擾，后5組數(shù)據(jù)信號有干擾）的10組數(shù)據(jù)進行精確定位。本質(zhì)就是測試模型的泛化性能。

任務(wù)四分析：
利用任務(wù)1處理后的數(shù)據(jù)建立分類模型，從而判斷數(shù)據(jù)是在信號無干擾或信號干擾下采集的。
經(jīng)過任務(wù)一的處理，每一個數(shù)據(jù)文件是一個二維矩陣，類似于一幅圖像，我們可以將此任務(wù)轉(zhuǎn)換為圖像識別問題，利用正常數(shù)據(jù)和異常數(shù)據(jù)訓練出一個二分類模型，并測試模型的分類準確度，最后將該模型用于判斷UWB在采集數(shù)據(jù)時的信號有無干擾。

任務(wù)五分析

。。。。。。未完待續(xù)，后續(xù)會補充以上任務(wù)分析中涉及到的具體方法及其代碼。

參考文獻

[1] 繆希仁, 范建威, 江 灝, 等. 基站異常情況下基于改進極限學習機的超寬帶室內(nèi)定位方法[J], 傳感技術(shù)學報, 2020, 33(10):1457-1466.
[2] 梁 豐, 熊 凌. 基于GA-BP神經(jīng)網(wǎng)絡(luò)的移動機器人UWB室內(nèi)定位[J]. 微電子學與計算機, 2019, 36(4):33-42.

總結(jié)

以上是生活随笔為你收集整理的2021年华为杯数学建模竞赛E题——信号干扰下的超宽带（UWB）精确定位问题的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。