链接：https://pan.baidu.com/s/12JWvWiiXGxgE92ceprR5ww?pwd=ldy9
提取码：ldy9

本文主要研究了 UWB 的精确定位问题， 针对室内环境复杂多变的特点， 用卡尔曼滤波
算法（EKF） 来解决在信号干扰下数据异常波动的问题， 精确超宽带定位。 为了进一步提
高定位精度， 减小硬件自身以及其他问题对定位的干扰， 加入了 BP 神经网络与集成学习
思想的分类模型来提高精度。
针对任务一， 本题主要研究数据为定点多次重复测量的数据， 重复度相似度较高， 且
存在无意义数据维度， 以及完全重复的数据， 采用 3σ原则服从正态分布， 剔除异常分布；
应用聚类算法进行相似数据分类， 剔除相似数据， 最后利用 Pandas 数据分析工具抓取原
始数据， 得到 648 个符合该任务要求的数据文件， 在附录部分将重点展示题目要求的指定
文件的数据， 每个文件最后保留 30 条数据。
针对任务二， 首先取得任务一处理后的数据集， 分为“正常数据” 与“异常数据” 两
大类， 然后根据附件 1 中 Tag 坐标信息人为的给这些数据打上信号有无干扰的标签， 将这
些数据整理合并成两个数据集： 信号无干扰数据集与有干扰数据集。
针对该任务问题（1） ， 分别创建两个 BP 神经网络定位模型， 将数据集分别导入训练
得到两个定位模型： 信号无干扰定位模型和信号有干扰定位模型。 最后将实验场景信息与
处理后的附件 2 信息导入模型即可预测出靶点 Tag 坐标， 其预测精度的损失值 loss 较低，
为 100 左右， 模型拟合效果较好。
针对该任务问题（2） ， 在获得定位模型后， 使用定位模型对任务一中处理后的数据
进行预测， 得到预测的靶点坐标信息， 将靶点坐标信息与对应的真实靶点坐标信息带入欧
式距离公式获得距离损失， 做为定位模型的 3 维， 2 维以及 1 维精度准则， 损失值越小精
度越高， 损失值分别为 3 维： 183.83； 2 维： XOY 平面 207.60， XOZ 平面 172.74， YOZ 平
面 168.64； 1 维： X 轴 210.94， Y 轴 204.20， Z 轴 123.21， 损失值接近 0， 精度较高。
针对任务三， 首先将附件 3 中的数据进行处理， 获得同任务一最后文件相同格式的数
据， 将这些数据和场景 2 的信息数据分别导入两个模型， 即可预测出场景 2 中靶点的位置
信息。
针对任务四， 要想实现对数据判别信号是否受到干扰， 必须指定一个分类模型， 由于
常用的分类模型， 如 KNN， SVM， RF 等模型各自都有优缺点， 分类结果并不一定完全可靠，
所以采取集成学习的思想， 使用多个分类模型分别进行分类预测， 最后将它们的结果进行
比较投票， 此时的分类结果具有较高的说服力。 另外任务一的数据都是已知信号有无干扰
采集的数据， 所以采用任务一清洗后的数据与对应的有无干扰状态做为训练集供分类模型
使用。 使用训练好的集成分类模型， 即可成功预测出附件 4 的数据类别。
针对任务五， 该任务在场景 1 进行实验， 靶点不再静止， 而是处于运动状态， 另外采
集到的数据无干扰信号， 有的是有干扰信号数据， 所以需要先使用分类模型判断出数据的
类别， 再输入后续的定位模型中进行轨迹预测。 卡尔曼滤波具有良好的动态跟踪定位的效
果， 扩展卡尔曼滤波可以将非线性系统近似线性化， 对于该任务扩展卡尔曼滤波较为适用。
故不同于任务二、 三的预测流程， 此处先加入扩展卡尔曼滤波定位模型进行靶点坐标预测，
再加入 BP 神经定位模型， 两者结合进行定位， 最后可以得到高精度的坐标预测。 根据模
型预测， 最后得出结论： 靶点运动轨迹大致呈现一个‘Z’ 字型， 运动高度基本为 1500mm
左右， 起点坐标大致为（632mm， 622mm， 1613mm）， 终点坐标大致为（4521mm， 4514mm，
1529mm） ， 并且在（950mm， 220mm， 1540mm） 与（3600mm， 668mm， 1541mm） 处均
停留了 40 秒左右。 假设每一段运动为匀速运动， 结合数据的时间戳分析得知， 第一段路
程的运动速率约为 70mm/s， 第二段路程的运动速率约为 51mm/s， 最后一段的运动速率约
为 138mm/s。

关键词： 扩展卡尔曼滤波， BP 神经网络， 集成学习， UWB 定位