链接：https://pan.baidu.com/s/1EyLnYhwMmlFJ7_-jjY1SHg?pwd=6b1q
提取码：6b1q

本文对信号干扰下的超宽带（UWB） 精确定位问题进行探索和研究。 主要
创新点在于结合粒子群算法、最小二乘法等寻优算法针对正常数据和异常数据进
行有差别拓展空间位置特征数据， 并使用山岭回归、 麻雀算法优化极限学习机及
其他机器学习算法建立相应的预测模型和分类模型， 进而完成各项任务。
问题一： 本文对原始数据进行了预处理(1)针对不良数据， 本文计算 4 个靶
点与锚点的理论距离， 统计理论距离与题目所给的测量距离之间的误差， 绘制直
方图并分析， 最终剔除不良数据 2966 组， 其中剔除正常数据中的不良数据 1052
组， 异常数据中的不良数据 1914 组； (2)针对重复数据， 本文使用 k-mean 聚类
方法筛选出每一个点中具有代表性的数据，其中正常数据 1296 组，异常数据 1296
组作为后续建模训练和测试数据。
问题二： 本文针对“正常数据”预测和“异常数据”预测， 设计了两种定位模型
（算法） ： (1)对于“正常数据” 预测， 本文利用题目提供的靶点到 4 个锚点的
距离， 结合最小二乘法求解出其近似坐标作为拓展的特征数据进行预测训练， 最
后用山岭回归算法进一步预测其准确坐标。 在测试结果中， x 轴平均误差为
36.22mm， y 轴平均误差为 30.00mm， z 轴平均误差为 159.88mm， 二维平均误差
为 52.43mm， 三维平均误差为 175.71mm； (2)对于“异常数据”预测， 本文根据锚
点个数建立以锚点坐标为球心， 以靶点到该锚点的距离为半径的球面方程， 并以
靶点到其中 3 个球面的距离之和作为目标函数进行粒子群算法寻优求解近似坐
标， 将求解的 4 个近似坐标作为特征数据， 使用机器学习算法进一步预测其准确
坐标。 在测试结果中， x 轴平均误差为 135.44mm， y 轴平均误差为 128.09mm，
z 轴平均误差为 373.44mm， 二维平均误差为 193.83mm， 三维平均误差为
437.50mm。
问题三： 由于问题二的数学模型算法是利用空间几何关系所建立的， 因此该
数学模型（算法） 可以满足在不同场景的使用。
问题四： 根据题目要求， 需要区分数据是否在信号干扰下采集， 这是个二分
类问题。 本文利用同问题二方法对问题一处理后的数据进行特征拓展， 并将拓展
后的多维特征数据通过基于麻雀搜索算法的优化极限学习机模型进行分类训练
测试， 在测试结果中， 正常数据正确个数为 252， 错误个数为 3， 异常数据正确
个数为 231， 错误个数为 25， 整体分类准确率为 94.53%， 精确率为 91.01%， 召
回率为 98.83%， 整理分类结果较为理想。
问题五： 本任务需要预测动态靶点的轨迹， 但在靶点运动过程中存在随机性
的 UWB 信号干扰。 本文首先利用问题四中的分类模型来区分动态轨迹中的数据
是否受到干扰， 再使用问题二中的分类模型结合 Kmean 聚类算法找出定位异常
的轨迹点， 结合动态轨迹数据存在时间关联的特性对 z 轴坐标进行修正， 最终预
测出动态轨迹曲线。

关键字: UWB 定位， 无监督聚类， 寻优算法， 数据特征拓展， 机器学习