目錄

• 一、背景
• 二、任務
• 三、任務分析
• 參考文獻

一、背景

UWB（Ultra-Wideband）技術也被稱之為“超寬帶”，又稱之為脈沖無線電技術。這是一種無需任何載波，通過發送納秒級脈沖而完成數據傳輸的短距離范圍內無線通信技術，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、物聯網等各個領域都有著廣闊的應用。其中，基于UWB的定位技術具備實時的室內外精確跟蹤能力，定位精度高，可達到厘米級甚至毫米級定位。UWB在室內精確的定位將會對衛星導航起到一個極好的補充作用，可在軍事及民用領域有廣泛應用，比如：電力、醫療、化工行業、隧道施工、危險區域管控等。
UWB的定位技術有多種方法，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測距技術屬于雙向測距技術，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，但其精度已經比較高。
在室內定位的應用中，UWB技術可以實現厘米級的定位精度（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。但由于室內環境復雜多變UWB 通信信號極易受到遮擋，雖然UWB技術具有穿透能力，但仍然會產生誤差，在較強干擾時，數據會發生異常波動（通常是時間延時），基本無法完成室內定位，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

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

任務2: 定位模型
利用任務1處理后的數據，分別對“正常數據”和“異常數據”，設計合適的數學模型（或算法），估計（或預測）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）數據和后5組（信號有干擾）數據進行精確定位（3維坐標）；
注意：（1）定位模型必須體現實驗場景信息；
（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3：不同場景應用
我們的訓練數據僅采集于同一實驗場景（實驗場景1），但定位模型應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用于不同場景。附件3中10組數據采集于下面實驗場景2（前5組數據信號無干擾，后5組數據信號有干擾），請分別用上述建立的定位模型，對這10 組數據進行精確定位（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在采集數據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1處理后的數據，建立數學模型(或算法)，以便區分哪些數據是在信號無干擾下采集的數據，哪些數據是在信號干擾下采集的數據？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組數據（這10組數據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5: 運動軌跡定位
運動軌跡定位是UWB重要應用之一，利用靜態點的定位模型，加上靶點自身運動規律，希望給出動態靶點的運動軌跡。附件5是對動態靶點采集的數據（一段時間內連續采集的多組數據），請注意，在采集這些數據時，會隨機出現信號干擾，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（數據采集來自實驗場景1）。

三、任務分析

任務一分析：
正常數據和異常數據均有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秒之間就會發送、接收信號一次，所以在同一位置點，UWB會采集到多組數據（多組數據都代表同一位置的信息），組數的多少視Tag在同一位置的時間而定，停留的時間越長，組數就越多。在每一個文件中，每4行(hang)為一組，表示UWB采集的一組完整數據（一組數據表示一個樣品），每一組數據中我們只需要得到錨點(A0，A1，A2，A3)到Tag的距離數據即可。
我們的目標是獲取到每個文件中的錨點到Tag的距離數據，將一組距離數據放在一行，因而一個文件里的距離數據可以形成一個二維表（矩陣）。
第一步獲取數據，以正常數據中的文件 1.正常 為例，利用MATLAB程序讀取txt文件數據。

data = importdata("附件1：UWB數據集\正常數據\1.正常.txt");

1.正常文件里的數據存儲在data.data矩陣里，有6列，第三列就是Tag到4個錨點的距離數據，每4行為一組數據。
將上述矩陣里的距離數據轉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

對正常數據和異常數據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據的324個二維矩陣，對于異常數據，只需要將路徑替換為：path = ‘F:\數學建模\2021年中國研究生數學建模競賽賽題\2021年E題\附件1：UWB數據集\異常數據’;

path = 'F:\數學建模\2021年中國研究生數學建模競賽賽題\2021年E題\附件1：UWB數據集\正常數據'; % 設置數據存放的文件夾路徑 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，轉換為n行1列的cell數據 k = size(filenames,1); % txt文件的數量C = cell(k,1); % 創建一個元胞數組 for i=1:kname = filenames{i}; % 讀取第i個變量名data = importdata(name); % 導入數據，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組里 end

第二步，對獲取到的648個二維矩陣進行預處理（清洗），刪除掉一些“無用”（異常、缺失、相同或相似）的數據（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。

關鍵是數據的清洗，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"無用數據"的原因是某些數據超出靶點的范圍，靶點（Tag）范圍：5000mm3000mm3000mm。

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

任務二分析：
利用機器學習算法將正常數據和異常數據分別建立定位模型，測試模型的定位精度可以用 附件1：UWB數據集中Tag坐標信息.txt文件的數據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）數據和后5組（信號有干擾）數據進行精確定位（3維坐標）。
以正常數據為例，首先將數據集按照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PSO改進后的BP神經網絡來實現對Tag的定位，在訓練階段，將錨點(A0，A1，A2，A3)到Tag的距離數據作為輸入，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，將測試集的距離數據輸入到模型，得到輸出的數據即為Tag的預測位置坐標。將預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。

任務三分析：
任務三就是分別利用已經建立的正常數據和異常數據的定位模型對實驗場景2（前5組數據信號無干擾，后5組數據信號有干擾）的10組數據進行精確定位。本質就是測試模型的泛化性能。

任務四分析：
利用任務1處理后的數據建立分類模型，從而判斷數據是在信號無干擾或信號干擾下采集的。
經過任務一的處理，每一個數據文件是一個二維矩陣，類似于一幅圖像，我們可以將此任務轉換為圖像識別問題，利用正常數據和異常數據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在采集數據時的信號有無干擾。

任務五分析

。。。。。。未完待續，后續會補充以上任務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定位方法[J], 傳感技術學報, 2020, 33(10):1457-1466.
[2] 梁 豐, 熊 凌. 基于GA-BP神經網絡的移動機器人UWB室內定位[J]. 微電子學與計算機, 2019, 36(4):33-42.

總結

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站內容還不錯，歡迎將生活随笔推薦給好友。