结合特征融合与域对抗学习的超宽带非视距识别算法OA

复杂环境下的非视距(NLOS)传播显著降低超宽带(UWB)系统的定位精度,针对传统NLOS识别算法在跨域应用中性能不稳定的问题,提出一种结合特征融合与域对抗学习的超宽带非视距识别算法。该算法引入一维长卷积(L-Conv)结构提取CIR的深度时序特征,并融合人工提取特征以增强多源特征的表达能力。在此基础上,构建基于域对抗神经网络(DANN)的识别框架,利用梯度反转机制对源域和目标域进行对抗训练,实现域不变特征的有效提取与跨域对齐。此外,通过粒子群优化(PSO)和差分进化(DE)算法,分别对特征提取器与标签分类器的关键参数进行自适应优化,在保证源域识别性能的同时显著提升目标域的识别能力。在实际地下停车场中开展跨域NLOS识别实验,源域识别准确率超过97%,目标域仅使用20%样本参与训练的条件下,实现96.26%的准确率,较CNN+TL和DANN分别提升7.79与5.02个百分点。特征提取模块的优化显著提升了识别性能,且保证部署效率;特征融合策略验证了特征的互补性,使识别准确率相比仅使用深度特征方案提升8.83个百分点;DE优化算法在测试集上实现了0.994的AUC值,进一步验证其优化标签分类器的有效性。