基于三個(gè)UWB錨點(diǎn)基站，采集近5萬(wàn)條數(shù)據(jù)，分別采用BPNN和LSTM兩種神經(jīng)網(wǎng)絡(luò)訓(xùn)練和預(yù)測(cè)模型，實(shí)現(xiàn)目標(biāo)區(qū)域的判斷；

實(shí)驗(yàn)共使用了11741條數(shù)據(jù)，按照8 : 2的比例劃分為訓(xùn)練集與測(cè)試集

模型采用的是3層BPNN，隱含層為3，維度變化依次為3->32->16->4

損失函數(shù)使用的是交叉熵，優(yōu)化器選擇的是Adam，學(xué)習(xí)率為0.0001

訓(xùn)練輪數(shù)為100，為了提高訓(xùn)練效率和泛化能力，將32個(gè)數(shù)據(jù)作為一批，按批進(jìn)行訓(xùn)練，在100輪訓(xùn)練之后，訓(xùn)練損失逐漸收斂于0.005；

在測(cè)試集中的2349個(gè)數(shù)據(jù)中的測(cè)試準(zhǔn)確率為94.85%

LSTM模型

數(shù)據(jù)歸一化與劃分，使用numpy的最大值函數(shù)獲取每個(gè)特征列的最大值，并將數(shù)據(jù)進(jìn)行預(yù)處理，使用最大值歸一化并將數(shù)據(jù)按照8:2的比例進(jìn)行模型的訓(xùn)練與預(yù)測(cè)。

模型的構(gòu)建：使用了Keras來(lái)創(chuàng)建模型。模型結(jié)構(gòu)包括一個(gè)LSTM層，它有32個(gè)神經(jīng)元，激活函數(shù)為Relu。Dropout層設(shè)置為20%的丟棄比率。全連接層輸出4個(gè)神經(jīng)元，使用softmax激活函數(shù)進(jìn)行多類分類。對(duì)模型進(jìn)行編譯，使用Adam優(yōu)化器和分類交叉熵?fù)p失函數(shù)。之后將模型進(jìn)行擬合，指定批量大小(batch_size)為20，訓(xùn)練次數(shù)(epochs)為100。

經(jīng)過100輪訓(xùn)練之后，模型的訓(xùn)練準(zhǔn)確率達(dá)到了95.52%，損失函數(shù)為0.1134.測(cè)試數(shù)據(jù)約3000條的測(cè)試準(zhǔn)確率為95.99%。

后續(xù)會(huì)進(jìn)一步基于兩種神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模型，通過減少錨點(diǎn)以及增加時(shí)間序列和信號(hào)能量以及信號(hào)到達(dá)角輸入變量，觀察預(yù)測(cè)模型的準(zhǔn)確率；

審核編輯：湯梓紅