机构名称：
¥ 2.0
超宽带（UWB）基于位置的服务中的视力（NLOS）识别技术准确的非线识别技术对于无人机通信和自动导航等应用至关重要。然而，使用二进制分类（LOS/NLOS）的当前方法过多地简化了现实世界中的复杂性，具有有限的概括和对变化室内环境的适应性，从而降低了定位的准确性。本研究提出了一个极端的梯度提升（XGBOOST）模型，以识别多级NLOS条件。我们使用网格搜索和遗传算法优化模型。最初，网格搜索方法用于确定整数超参数的最有利值。为了实现优化的模型配置，遗传算法用于微调浮点高参数。模型评估利用了使用Qorvo DW1000 UWB设备获得的广泛的现实测量数据集，涵盖了各种室内场景。实验结果表明，我们提出的XGBoost在开源数据集中达到了99.47％的最高总体准确度，精度为99％，召回99％，F-SCORE为99％。此外，基于本地数据集，该模型的性能最高，精度为96％，精度为96％，召回97％，F评分为97％。与文献中当前的机器学习方法相反，该建议模型提高了分类精度，并有效地解决了NLOS/LOS识别作为多类传播通道。这种方法提供了一种强大的解决方案，具有在各种数据集类型和环境中的概括和适应性，以提供更可靠，准确的室内定位技术。
基于UWB室内定位系统中的基于XGBoost的多类NLOS通道
主要关键词
相关文件推荐
