链接：https://pan.baidu.com/s/1izDrPHjKEUnTz8DZxcP_Zw?pwd=j1mv
提取码：j1mv

超宽带 UWB 技术因厘米级的定位精度、 信号穿透能力强、 设备成本功耗低等优
点， 被广泛应用于军事及民用等领域， 但如何有效抑制信号干扰和场景切换的影响，
仍是实现 UWB 精准定位的关键目标。 本文通过对 UWB 实测数据进行深入的挖掘，
建立有无干扰样本的分类模型和拟合模型， 对定位误差具有一定的校正效果。
针对问题一， 本文首先采用正则表达式遍历匹配出关键数据， 其次判断同一时间
戳下测得的 4 行数据是否完整， 若缺失则将此时间戳的所有锚点数据剔除， 然后根据
同一时间戳下的测距值与校验值删除完全重复的样本， 再采用拉依达准则（3σ准则）
去除误差较大的异常值， 最后得到的处理数据用于之后的建模研究。
针对问题二， 由于实测距离与靶点坐标之间具有较强的非线性关系和噪声干扰，
采用一般的线性模型不能完全准确的预测靶点的坐标。 为此我们基于卡尔曼滤波和
BP 神经网络建立 8 输入 4 输出的精准定位模型。 首先， 利用实际场景 1 的坐标信息，
建立锚点距离与靶点坐标之间的转换公式， 并对 4 个锚点实测距离序列进行卡尔曼平
滑， 以滤除样本数据中的噪声影响； 接着， 基于真实靶点坐标反推出 4 个推演锚点距
离， 得到锚点实测与推演间的距离差值； 然后， 为了模型能够具有较好的去噪和拟合
能力， 将原有的实测数据与新计算出的距离差值进行特征组合， 输出为四个锚点到靶
点的预测距离， 整个过程相当于实测数据的校正， 再基于预测距离得到靶点的坐标。
针对问题三， 定位模型须满足不同的应用场景， 因此为验证任务 2 在实验场景 1
下构建的模型效果， 我们将任务 2 建立的正常模型与异常模型分别用于实验场景 2
下 10 组数据的预测， 最终得到靶点的精确 3 维坐标（见表 4-3 和 4-4） 。
针对问题四， 在应用任务 2 所建立的正常模型和异常模型之前， 须对实测数据是
否受到信号干扰进行判断， 才能选择正确的模型进行精准定位。 为此我们采用了基于
BP 神经网络的分类模型， 模型输入仍采用实测距离与推演距离的差值， 用来反映正
常数据与异常数据的差别， 以更好的区分正负样本。 模型的输出为预测概率， 当大于
2
阈值 0.5 时判断为正常数据， 反之则为异常数据。 最终分类模型的测试准确率达到了
94.43%， 验证了模型在区分样本有无受干扰上的有效性。
针对问题五， 我们首先对数据进行预处理操作， 去除掉其中重复、 相似、 异常的
样本数据， 再基于清洗后的数据采用任务 4 的分类模型， 对数据进行正确分类， 判断
测得的数据是否收到信号干扰。 基于分类结果， 再采用任务 2 训练好的相对应的定位
模型， 预测动态靶点的坐标并绘制轨迹曲线。 同时预处理中的卡尔曼平滑操作通过滤
除靶点运动过程中的噪声， 可以更好地实现正常/异常样本切换时的精准定位。
关键词： 拉依达准则； BP 神经网络; 回归; 分类预测； 动态轨迹