沙特国王大学学报一种提高船舶环境林千峰a，孙周永b，申庆学ca韩国釜山49112 Yeongdo-Gu Taejong-ro 727，韩国海事海洋大学计算机工程系b韩国釜山49112 Yeongdo-Gu Taejong-ro 727，Korea Maritime and Ocean University，Marine IT Engineering Division， Koreac韩国釜山49112 Yeongdo-Gu Taejong-ro 727，韩国海事海洋大学海洋系统工程系阿提奇莱因福奥文章历史记录：2022年9月1日收到2022年11月29日修订2023年1月29日接受在线预订2023年关键词：到达角室内定位船舶环境A B S T R A C T由于COVID-19仍在全球范围内传播，狭窄的船舶空间使COVID-19更容易感染船舶乘客。追踪密切接触者仍然是降低病毒传播风险的有效方法因此，应发展适用于船舶环境的室内定位技术。如今，几乎所有的智能设备都配备了蓝牙。使用蓝牙5.1室内定位技术的到达角（AoA）非常适合船舶环境。但狭窄的船舶空间和钢墙使多径效应在船舶环境中更加明显。这也意味着信号中包含更多的在均匀矩形阵列（URA）接收天线阵中，仰角和方位角是AoA室内定位技术的两个重要参数。由于噪声的影响，仰角和方位角是不稳定的本文提出了一种SLMOF的目标是找到最佳的仰角和方位角，以提高蓝牙5.1 AoA室内定位精度。实验结果表明，SLMOF的均方根误差（RMSE）为0.44米，提高了72%的精度相比，卡尔曼滤波（KF）。该方法可以应用于在每个数据集中找到最佳平均值版权所有2023作者。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍COVID-19仍在全球蔓延。追踪密切接触者仍然是降低病毒传播风险的有效方法（Lin和Son，2021）。在狭窄的空间里，病毒更容易在乘客之间传播。因此，这就需要一种适合于船舶环境的室内定位技术。蓝牙是一种在世界范围内广泛使用的无线通信技术。如今，几乎所有的设备都配备了蓝牙。更重要的是，蓝牙低功耗（BLE）技术现在被用于许多低功耗设备。智能腕带是低功耗设备。因此，智能腕带是一种BLE标签。它可以很容易地被船上的乘客携带埃斯佩-*通讯作者：韩国海事海洋大学海洋信息技术工程系，727 Taejong-ro，Yeongdo-Gu，Busan 49112，South Korea。电子邮件 地址： mmlab@kmou.ac.krwww.example.com 儿子）。沙特国王大学负责同行审查一般来说，对于没有智能手机的乘客，如儿童，智能腕带可以用来跟踪他们。不仅如此，这种BLE标签还可以非常方便地跟踪近距离接触。室内定位精度提高的结果有助于准确追踪密切接触者。这就要求最大室内定位误差在2米左右由于BLE的低功耗，BLE标签可以长时间连续工作而无需充电。因此，基于蓝牙的室内定位技术更适合在船舶环境中应用。传统的蓝牙室内定位技术使用接收信号强度指示器（RSSI）。由于RSSI的不稳定性，该方法的室内定位精度难以满足需求。因此，提出了蓝牙5.1 AoA室内定位技术（更多细节，参见§3）。但是，用AoA方法获得的数据仍然受到多径的影响。在本文中，接收天线的类型属于URA首先假设。在AoA方法中，仅需要接收器配备有多个天线。发射器只需要一根天线BLE标签是一种低成本、低功耗的设备。因此，BLE标签可以广泛应用于船舶环境中。仰角和方位角是AoA室内定位算法的两个关键参数。受多径效应影响，高程https://doi.org/10.1016/j.jksuci.2023.01.0191319-1578/©2023作者。由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comQ. 林，J.儿子和H。Shin沙特国王大学学报60命名法AOA到达角CTE恒音扩展URA均匀矩形阵列PD相位差SLMOF自学习均值优化滤波器ULA均匀线阵KF卡尔曼滤波音乐多重信号分类BLE蓝牙低功耗MOF均值优化滤波器RSSI接收信号强度指示符IQR四分位距GA遗传算法ADTK异常检测工具包LO本地振荡器RMSE均方根误差我同相DoA到达方向Q正交IQ同相和正交并且方位数据集通常包含大量噪声。狭窄的船舶空间和基于钢材料的墙壁将使更多的噪音出现在仰角和方位角数据集中。因此，如何找到最佳的仰角和方位角成为本文研究的问题。为了解决这个问题，提出了一种自学习均值优化滤波器（SLMOF）。多径效应影响蓝牙室内定位的精度。多径是由无线信号反射引起的船舶室内环境属于金属室内环境，空间狭小这是因为船舶的内部不仅如此，船甲板的高度通常低于一般环境。这也导致反射路径被接收器接收因此，船舶环境与一般环境之间的差异揭示了以下内容：舰船环境中接收机接收到反射路径的概率比一般环境中要大船舶环境中的反射路径与直达路径的相似性大于一般环境中的相似性。这些反射路径成为异常值，导致室内定位的精度降低。这也意味着船舶环境中的异常值与一般环境非常不同。船舶环境中具有以下关键特征的离群值：离群值出现得更频繁。在从船舶环境中获得的数据中，异常值以一定的模式出现。异常值似乎围绕真实值上下波动。真正的价值隐藏在这个波动范围内。然后需要两种边界来识别离群值。一个是上界，另一个是下界。因此，通过不断调整两个边界，可以增加检测离群值的概率。这两个边界都需要首先初始化。这两个边界应该由参数控制。箱线图是初始化两个边界的好方法。通过调整箱形图的参数，这两种边界可以任意调整。在本文中，箱形图共有四个参数。然后这些参数应该能够自动调整。尽管如此，我们仍然需要考虑一些异常值无法通过这两个边界识别的情况。在异常值的影响下，无法找到真实值。通常，平均值经常被替换为真实值。在异常值的影响下，平均值与真实值之间的差异显著增大因此，redu-通过优化平均值来消除与真值的差异是一种有效的方法。这就需要设计参数来描述异常值围绕真实值上下波动的情况。这两个参数是R和L。R和L是随机误差。R和L描述了平均值和真实值之间的差异。因此，SLMOF需要从训练数据中学习这六个参数，以找到最佳平均值。这六个参数形成非常大数量的组合。目标是找到最优的参数组合。这需要SLMOF不断调整每个参数以优化平均值。采用遗传算法产生随机组合并确定最优组合的方法是合适的。因此，遗传算法被用于SLMOF。SLMOF需要训练数据来学习这六个参数。这就是为什么SLMOF有一个离线阶段的原因船舶环境的动态这就导致了学习到的六个固定参数可能与实际情况不符。因此，SLMOF需要根据实际情况适当调整这六个参数。这就是为什么SLMOF有一个在线舞台的原因SLMOF的详细信息见§4.2。设计SLMOF，我们做了以下主要贡献。针对舰船环境中多径效应引起的定位精度下降问题，提出了一种新的参数自学习估计方法来检测野值针对动态船舶环境下的不可知性问题，提出了一种平均自学习的最优解。 具体而言，生成两个参数（R和L）以自动优化平均值。利用Insight SiP公司的ISP 1907-AoA-DK数据集，对SLMOF进行了应用和评估。在真实世界相似的船舶环境中进行的实验表明，准确性得到了显着提高。在下面的论文中，我们讨论§2中以前的工作然后，我们在§3中描述设计细节和解决方案。在§4中，我们提出了我们的原型的初步评估的结果最后，我们在§5中给出了我们的结论。2. 以前的作品自从无线通信开始以来，学术界和工业界已经研究了各种无线通信协议（WiFi、RFID、蓝牙）（Ayyalasomayajula等人，2020年）。近年来，在基于WiFi的定位领域中已经看到了巨大的进步（Gupta等人，2021年）。然而，需要有高功率的WiFi通信。电池供电的设备必须具有低功率通信，以便在船上●●●●●●●Q. 林，J.儿子和H。Shin沙特国王大学学报61D我联系我们环境.在这种情况下，基于WiFi的定位不是船舶环境的最佳方法。已经提出了利用WiFi、无源RFID、有源RFID和蓝牙的无线反向散射通信来减轻高功率挑战。由无源RFID提供的低功率和远距离通信协议可以用于低功率定位领域（上官等人，2015年）。当无源RFID用于大规模工厂时，工厂库存管理是便宜的。在使用相位测量的RFID定位中已经进行了若干创新。虽然RFID产生的功率很小，但由于其零功率特性，它们被认为是不可靠和低范围的。此外，低功率反向散射无线电最近已经出现作为用于反向散射环境信号的另一流行通信范例，其可以使用现有的基础设施（如WiFi）来解码，从而在不需要任何新的基础设施的情况下提供互联网接入。反向散射无线电提供低功率和短距离。后向散射无线电的低范围不适用于船舶环境。因此，RFID和后向散射无线电的低距离特性限制了船舶环境中船舶乘客的可用定位范围。室内环境的选择方法是BLE标签（Ding等人，2021年; Chen等人，2017; Ristanovic等人， 2010年）。尽管它们的功耗低，距离长，但它们对频率选择性衰落具有很强的抵抗力，并提供足够的室内范围。BLE标签在工厂车间和家庭中的使用正在增加，因此它们对于跟 踪 操 作 变 得 非 常 流 行 （ HajiAkhondi-Meybodi 等 人 ， 2021;Mohaghegh等人，2021;Hajiakhondi-Meybodi等人，2020;Hajiakhondi-Meybodi 等 人， 2020; Alexandrov 和 Monov ，2017; Yen等人，2021;黄例如，2020; Ye等人， 2022年）。因此，蓝牙5.1 AoA室内定位技术被提出.Toasa等人（2021）通过仿真评估了一种用于室内车辆跟踪的新型蓝牙5.1 AoA方法。Pau等人（2021）对蓝牙5.1测向标准的潜力进行了深入的Hajiakhondi-Meybodi等人（2020）认为蓝牙5.1 AoA是一种有效的室内定位方法，因为它在确定位置方面具有潜力。可以看出，蓝牙5.1 AoA室内定位技术具有广泛的船舶环境。但是蓝牙的反射路径使得AoA的定位结果根据获得的数据，Fig. 1. AoA方法（半导体，2022）。图二. 测量AoA（半导体，2022）。从这个距离（L）入射。d是天线之间的距离。h是到达角（AoA）。h可以通过Eq.2（半导体，2022）。在AoA模型中，我们发现在eleva中有许多离群值方位角和方位角数据集（更多详细信息请参见第4.1节）。为了解决这个问题，本文提出了SLMOFh¼arccos. Lð2Þ3. 蓝牙5.1 AoA理论蓝牙测向是基于AoA原理的。信号到达天线时产生一个角度。相位差（PD）是用于计算AoA的重要参数。AoA使得计算发射机的位置坐标成为可能。 图 1显示了AoA是什么。图2示出了测量AoA的方法。假设有四个接收器天线。在入射信号以倾斜角度入射的情况下，由于波前以光速（c）传播，它产生PD（u），并且它需要更长的时间才能到达另一个天线。在2.4 GHz时，波长约为0.125 m。PD可以被转换为波前与较远天线之间的距离。L是波前与另一天线之间的距离。可以通过Eq.1（Semiconductor，2022）.蓝牙方向发现测量相位的传入信号，nals使用IQ采样。IQ采样是一种同相和正交采样技术。IQ采样是一种接收器以0度偏移和90度偏移将输入信号与本振（LO）混频的方法由此得到两个正交函数。 如图在图3中，两个正交函数被称为同相（I）和正交（Q）分量。I和Q分 量 绘 制 在 由 分 量 I 和 Q 组 成 的 矢 量 的 幅 度 和 相 位 的 轴 上（Semiconductor，2022）。由此，可以计算主信号的幅度和相位为了能够进一步计算相位，需要将主信号分解为I和Q分量。相位和IQ之间的关系如图所示。3.第三章。然后，IQ可以通过Eq转换为相位3（半导体，2022）。/¼arctan。2013年12月23日Lk2个pð1Þ为了进一步计算PD，需要切换天线以获得不同的IQ数据。图4显示了数据结构如果接收器足够远离发射器（至少3-4个波长），则假设波前是平面的。三角函数可以很容易地用来确定角度恒定音调扩展（CTE）CTE使transmitting能够将附加信息添加到数据包，这使得数据包的指定部分具有固定且恒定的Q. 林，J.儿子和H。Shin沙特国王大学学报62180180180180这意味着利用仰角和方位角，可以知道BLE标签的二维坐标。仰角和方位角与二维坐标之间的5、Eq。六、x¼h×tan。e×p×cos a×p5y¼h×tan。e×p×sin。a×p6图三. IQ评论的例子（半导体，2022）。频率. 因此，接收器可以对波形的IQ这可以针对多于一个天线来完成，使得接收器能够计算发射信号起源于哪个角度的PD。 在参考周期期间，接收器应每微秒采集一个IQ样本（将有8个参考IQ样本），每个样本槽采集一个IQ样本（1至37个IQ样本，2个ls槽，2至74个IQ样本，1个ls槽）1s个槽，意味着总共9到82个样本）（半导体器件，202 2 2）。在参考周期内计算相位偏差，因为在信号传输期间发生相移假设f1是接收天线1的相位，f2是接收天线2的相位。/1和/2都由相位 偏 差 校 正 然 后 ， PD （ u ） 可 以 通 过 等 式 计 算 。 4（Semiconductor，2022）.u1/2-/1/4英寸有几种类型的天线阵列用于测向。均匀线性阵列（UniformLinear Array ， 简 称 ELA ） 、 均 匀 矩 形 阵 列 （ UniformRectangular Array ， 简 称 URA ） 和 均 匀 圆 形 阵 列 （ UniformCircular Array，简称UCA）是这里讨论的最常见的阵列。线性阵列由排列在一条直线上的所有天线组成，而矩形和圆形阵列由排列在二维（平面上）上的天线组成。对于一维天线阵列，只能确定方位角（Semiconductor，2022）。如图5所示，二维阵列可以在3D半空间中提供可靠的方位角和仰角。 图图5示出了具有仰角和方位角的BLE标签位置计算的示例。其中x和y是BLE标签坐标。h是AoA天线相对于BLE标签平面的高度e是仰角。a是方位角。PD是计算俯仰角和方位角的关键参数。然而，在实际环境中，信号通常包含大量的噪声和相移，这导致PD变得不准确。因此，有必要获得参考周期内的相位偏差来校正PD，但仍然不可能完全消除噪声对PD的影响。该算法的名称是多信号分类（MUSIC）。MUSIC算法用于在存在白噪声的情况下估计信号的到达方向（DoA）（Labs，2022 b）。然而，在实验过程中，我们发现解出的仰角和方位角仍然含有大量的噪声。这导致计算的本地化结果变得不准确。为了解决这个问题，我们提出了SLMOF。4. 滤波器设计4.1. 问题描述如上所述，可以通过仰角和方位角来计算用户位置。假设用户持有BLE标签，则用户位置不会改变。然后，仰角和方位角也应该保持不变。如图6所示，x轴表示时间，y轴表示角度值。然而，在实验过程中获得的仰角和方位角通常包含噪声。这些噪音有很多原因。主要原因之一是信号反射。它也被称为多径效应。信号被反射几次，最后到达接收天线。这增加了对原始信号的干扰。获得的最终结果如图8所示。某些噪波会增加或减少仰角和方位角的值。这导致最终获得的仰角和方位角变得不稳定。这也意味着仰角和方位角值中包含许多离群值。这种情况在船舶环境中可能变得更加严重。因为船的空间很窄。周围建筑结构采用钢结构。因此，如何从仰角和方位角数据集中识别出异常点就成为一个研究问题。ME表示原始仰角。MA表示原始方位角。 图图7示出了KF 的定位误差图四、 CTE结构和IQ数据（半导体，2022;实验室，2022 a）。Q. 林，J.儿子和H。Shin沙特国王大学学报63图五.使用仰角和方位角计算标签位置（Semiconductor，2022）。以及在特定用户位置处的ME-MA。定位误差是估计的用户位置与真实用户位置之间的欧几里德距离。KF是指用KE和KA计算的定位误差。ME-MA是指用ME和MA计算的定位误差。X轴表示数据的索引，并且y轴表示定位误差。从图7中可以看出，ME-MA的定位结果并不令人满意。最大误差超过3.5m，结果不稳定。卡尔曼滤波的最大误差小于2m。然而，定位结果也不稳定。这表明，它是可能的，以提高定位精度，通过过滤ME和MA。从图8中，我们可以看到ME和MA中出现了许多离群值。X轴表示从数据集获得的数据的索引。y轴表示角度值。KE代表eleva-卡尔曼滤波后的方位角，KA表示卡尔曼滤波后的方位角，红色圆圈表示异常。虽然KF可以滤除高程和方位角数据集中的一些噪声，但KE和KA仍然受到噪声的影响。然而，KE和KA的结果并不稳定。KE上下浮动超过15KA上下浮动超过25度。这种浮动会产生许多错误。在所有用户位置，KE和KA都有这种浮动。这导致定位结果变得不准确。因此，如何找到最佳的仰角和方位角的ME和MA成为本文的重点研究问题。实际上，ME和MA都属于时间序列数据。在本文中，我们使用一种专门设计的方法来发现异常值的时间序列数据进行测试，这是所谓的广义极端Studenized偏差（GESD）测试（Rosner，1983）。然而，在异常值出现在模式中的情况下，GESD不能识别异常值。图9和图10示出了使用GESD方法对某个用户位置处的ME和MA数据集进行离群值识别的结果。 x轴表示数据的索引，y轴表示角度值。图9和图10中红色标记的点是由GESD方法识别的离群值GESD能够正确识别所有低值离群值，无论ME或MA。然而，没有正确识别高值离群值，例如ME中的89和MA中的359。此外，当这些异常值以某种模式出现时，GESD将其视为正常值。这导致无效的离群识别。这就是GESD的问题。因此，如何识别在ME和MA中以一定时间间隔出现的异常值成为另一个研究问题。如上所述，存在两个问题。第一个问题是如何识别异常值，当它们在数据集中以某种模式出现时。第二个问题是如何在一段时间内的数据集的值变化的情况下找到最优平均值。因此，本文提出了SLMOF。4.2. 自学习均值优化滤波器均值优化滤波器（MOF）（Lin等人， 2022）是SLMOF的一部分。MOF使用箱形图。箱形图是一种通过描述性统计中的四分位数直观地说明数值数据的位置、分布和偏度的方法。箱线图见图6。 特定用户位置处的仰角和方位角的示例。Q. 林，J.儿子和H。Shin沙特国王大学学报64图7.第一次会议。KF和ME-MA在某一用户位置的误差见图8。特定用户位置的ME和MA异常示例。见图9。 通过GESD识别ME中的异常。Q. 林，J.儿子和H。Shin沙特国王大学学报65-左LL图10个。 用GESD识别MA的异常该方法也可应用于离群点检测。Dovoedo和Chakraborti（2015）使用箱形图方法来应用于离群值检测。数据集需要按升序排序有序数据集的四分之一由第一个四分位值（Q1）表示数据集的四分之三由第三四分位数值（Q3）表示。四分位距（IQR）可以由第三四分位值Q3的Q1确定.IQR如等式所示7（Lin等人， 2022年）。IQR¼Q3-Q1207本文通过计算上下边界来识别数据集中的异常值。上边界和下边界如方程式所示。8和等式 9，分别（Lin et al.， 2022年）。上半年3月1日1×IQR108次低¼Q1-C2×IQR109Ω在本文中，它被认为是任何数据值大于上或小于低边界的数据集被识别为一个离群值。因此，通过控制Q1、Q3、C1和C2目标参数，可以控制UP和LOW以识别数据集中的即使离群值出现在数据集中，[V/V/V/JA1-A2j;jA1-A3];jA2-A3j。 . ..... . 你好。 . . ;jAn-1-Anj]12其中V是每个区间的区间长度的集合。jAr-Asj表示为Ar和As之间的间隔长度。在V中，区间的区间长度按升序排序。通过不断缩小最短间隔范围 ， 可 以 确 定 最 优 平 均 值 。 首 先 ， A 的 平 均 值 称 为 最 优 平 均 值（Average）。在接下来的步骤中，最优平均值将作为最短间隔不断更新。为了确定最短间隔，本文考虑了区分最优平均值左右数据点的决策依据。如等式1所示13、Eq。 14（Lin等人， 2022年）。Pright¼ fAkjAk>Averageg13PA平均值g14<其中Pright是大于Average的角度集合，Pleft是小于Average的角度集合。为了更准确地找到最优平均值，本文用Ai与Average的标准差作为求最优平均值的决策依据之一，用C作为将A分成两个集合的准则，以便找到一个可能存在更优平均值C在Eq中显示 15（Lin等人， 2022年）。在某些模式下，可以通过调整UP来识别这些离群值和LOW（Lin等人，2022年）。下一步是在数据集中找到最佳的仰角和方位角。因为高程和方位角数据集受到影响1rNe150万受噪声影响，它们的值在一定的区间内变化。因此，在噪声影响下寻找最佳仰角和方位角成为本文的研究目标。那么，为了达到研究目的，首先需要找到区间。如等式1所示。图10中，A是在过滤掉异常值之后的未重复角度数据集（Lin等人， 2022年）。A1;A2;A3.. . ..... . 你好。 . ：;An]10其中An表示第n个角。Interval是A中两个角之间的差。两个不同的角度可以形成每个间隔，以便找到最佳平均值，需要生成A中的所有可能的间隔，如等式（1）所示 11（Lin等人， 2022年）。I¼½µA1;A2µA1;A3µA2;A3µ A。..... . 你好。 . . . ;An-1;An]11其中C是标准偏差的倒数N是的大小[A1;A2;A3.............，Aq]. q是第q个角。s是随机误差（R和L）。C越大，意味着An越接近平均值。然后是中场休息更接近平均值将被更新为最短间隔（Lin等人，2022年）。因此，通过上述方法可以在数据集中找到最佳平均值。由于上述参数需要预先设置，这使得难以在不同的船舶环境中获得最佳的仰角和方位角。本文通过图11和图12中的示例说明了所提出的方法如何工作。如图11所示，我们假设A是A1、A2和A3的集合，取值范围为0到360度平均值由A计算。 I是（A1;A2），（A1;A3）的集合，和（A;A），作为示例由区间1、区间2和23其中I是A的所有可能区间的集合。为了确定最短间隔，需要计算每个间隔之间的间隔长度。如等式1所示 12（Lin等人， 2022年）。间隔3，分别。为了找到最短的间隔，需要计算每个间隔的间隔长度。区间长度1、区间长度2和区间长度3形成V。在下一步中，CQ. 林，J.儿子和H。Shin沙特国王大学学报66见图11。确定最短间隔的示例（Lin等人， 2022年）。见图12。 确定最佳平均值的示例（Lin等人， 2022年）。Q. 林，J.儿子和H。Shin沙特国王大学学报67ð ÞI按V的升序排序。从算法1中的第一个间隔MOFV，本文判断当前区间是否包含平均，如果是，则当前间隔为最短间隔;如果不是，则开始确定下一个间隔（Lin et al.， 2022年）。图12示出了如何确定最优平均值。本文假设区间1（A1;A2）是最短的区间。在下一步中，需要识别平均值左右两侧的数据点。在图12中，P右为A2;A3，P左为A1。在考虑随机误差R和L.通过等式计算分别对应于Pright和Pleft的Cright和Cleft。13、Eq。十四岁在图12中，Cright大于Cleft。因此，最短间隔的左侧间隔成为当前平均值（M），右侧间隔为A2。最佳平均值更新为M和A2的平均值。重复该循环，直到最佳平均值（Lin）没有变化例如， 2022年）。算法1、2和3中参数符号的定义见表1。M0F算法在算法1中示出。步骤2，通过箱形图识别H中的异常，并获得新的数据集A。步骤3，计算A的平均值最佳平均值。步骤4，生成所有可能的A如I。步骤5，计算I中每个区间的区间长度集合为V。第六步，根据区间长度的大小，对V进行升序排序。步骤7，根据V的顺序检查区间是否包含最优平均。 步骤8至9，如果当前区间包含最优平均值，则为最短区间。步骤13，根据最优平均值计算P右和P左。步骤14，计算分别对应于Pright、Pleft、R和L的Cright和Cleft。步骤15 - 16，如果Cright大于Cleft，则最短区间的左侧区间为当前最优平均值。步骤17至18，如果Cright小于Cleft，则最短间隔的右间隔是当前的最优平均值。步骤20，最优平均值等于新的最短间隔的平均值。步骤21到22，如果最优平均值没有改变，则返回最优平均值。步骤23至24，如果最佳平均值发生变化，则返回步骤13（Lin et al.，2022年）。表1算法1、算法2和算法3中参数符号的定义。参数定义ME原始仰角MA原始方位角H角的集合Q1第一个四分位值Q3第三个四分位值C1UP边界的调整系数C2低边界的调整因子R随机误差L随机误差A过滤掉离群值IA的所有可能区间的集合V每个区间Pright大于平均值的角度集合（最优平均值）Pleft小于平均值（最优平均值）CrightP右标准差的倒数CleftP左标准差的倒数costSLMOF离线阶段的成本为离线成本SLMOF在线阶段的成本为在线成本k离线阶段人口规模c交叉概率g突变概率z在线阶段输入一组角度H、第一四分位值Q1、第三四分位值Q3、上边界调整因子C1、下边界调整因子C2、随机误差R、随机误差L。输出最优平均值1：开始2：使用箱形图方法识别H中的异常值，得到一个新的数据集为A。3：最优平均值=A平均值A4：计算A的所有可能区间为I。5：确定I中每个区间之间的区间长度的个数为V。6：基于区间长度的数量将V以升序排序。7：对于当前间隔，单位为Vdo8：如果当前区间包含最优平均值，则9：最短间隔=当前间隔10：中断11：如果结束12：结束13：计算P右和P左14：计算分别对应于Pright、Pleft、R和L的Cright和Cleft。15：如果C右PC左，则16：最短区间的左区间=最优平均值17：其他18：最短区间的右区间=最优平均值19：如果20：最优平均值=新的最短间隔的平均值21：如果最优平均值不变，则22：返回最优平均值。23：其他24：回到第13步。25：如果第26章：结束但在船舶动态环境中，固定的多模态函数参数并不总是能取得良好的效果。为了调整MOF的参数，SLMOF使用GA。GA是一种优化算法。它已成功应用于许多领域[18]。 它可以用来寻找最佳的目标参数的情况下，不断变化的数据集。以便找到最佳的仰角和方位角。SLMOF需要结合遗传算法来适应不同舰船环境下的目标参数的最优组合。遗传算法的参数需要预先设定。它们是种群规模t、离线阶段的终止迭代次数k、在线阶段的终止迭代次数z、交叉概率c、变异概率g、离线阶段的代价函数和在线阶段的代价函数。因此，SLMOF主要分为两个阶段。一个是离线阶段，另一个是在线阶段.4.3. 离线阶段描述离线阶段的下一部分。首先，随机选择一些用户位置。并且在这些用户位置处收集仰角和方位角数据集。此时，在具有真实用户位置作为标签的条件下。可以找到一组最佳的目标参数，Q. 林，J.儿子和H。Shin沙特国王大学学报68X2.Σ定位误差达到最小值。本文提出的方法共有六个目标参数。四使成本达到最小值的参数成本在线阶段的函数可以通过等式（Eq. 十七岁的目标参数是Q1，Q3，C1和C2的箱形图方法，和数据值的标准差和随机在线费用¼标准A型17英寸考虑平均值左侧和右侧的误差在SLMOF中。因此，存在用于左侧和右侧的随机误差参数，其分别为R和L然后，这些目标参数的不同组合可以计算不同的定位结果。离线阶段的代价函数GA的目标是找到最优的目标参数组合，其中在线成本表示数据集A的标准差。在找到下一个数据集的最佳平均值之前，需要参考先前在数据集中找到的最佳目标参数组合 如图 13，SLMOF对先前找到的最佳目标参数组合序列执行加权操作。加权运算可以由等式表示。十八岁i-1代价可以计算离线阶段的成本函数dij¼Xdmj×dm;jð18Þ由等式十六岁qx-xtrue2Þ的情况。m¼1ð16Þi-1dm;jm¼1其中x是估计的x坐标。x，true，是真正的x坐标. y是估计的y坐标。ytrue是真正的4.4. 在线阶段本节介绍SLMOF的在线阶段 图图13示出了SLMOF的在线阶段的工作流程。输入是从离线阶段找到的一组最优目标参数组合。首先，箱形图根据离线阶段的最佳参数Q1、Q3、C1和C2确定UP和LOW通过UP和LOW，将离群值从数据集中删除。紧接着，SLMOF能够在离线阶段从目标参数的最佳组合获得R和L与离线阶段不同，在线阶段的成本函数是数据集A的标准差。然后GA尝试不同的目标组合，D n/D i;1; D i;2; D i;3; D i;4; D i;5; D i;6. ......这是什么？......你好。 d i;j2019年其中d i;j为加权运算后第i次的第j个目标参数。d m;j是指第m次时的第j个目标参数。dn是指加权目标的组合参数SLMOF遵循上述过程，在不同的数据集中找到最佳平均值。以本文的方案为例，SLMOF能够在不同的船舶环境中找到最佳的仰角和方位角。算法2描述了所提出的SLMOF算法在离线阶段.第三步，初始化六个目标参数的取值范围为了找到最优的目标组合，需要预先定义离线阶段的成本函数。步骤4，设置离线阶段的成本函数。第五步，初始化GA参数。第六步，使用遗传算法生成目标参数的随机组合步骤7，从新的目标参数组合中得到Q1、Q3、C1、C2、R、L下一步是获得图十三. SLMOF在线阶段工作流程的示例。离线费用¼Q. 林，J.儿子和H。Shin沙特国王大学学报69¼最佳平均值来自MOF。步骤8，向MOF输入ME、MA和目标参数组合的组合第9步，从MOF输出中获得最佳平均值。下一个GA使用最优平均值计算离线阶段的成本函数。步骤10，计算并存储离线阶段的成本。步骤11，保存当前目标参数组合。步骤13至14，如果离线终止迭代次数r等于k，则返回对应的（Q1;Q3;C1;C2;R;L）和最优平均值。年龄最低的成本。步骤15至16，如果离线终端的数量如果迭代次数r不等于k，则返回步骤6。算法2. SLMOF（离线阶段）输入原始仰角ME、原始方位角MA、第一四分位值Q1、第三四分位值Q3、上边界调整因子C1、下边界调整因子C2、随机误差R、随机误差L。输出最优平均值1：开始2：r13：初始化六个目标参数（Q1;Q3;C1;C2;R;L）的值范围。4：设置离线阶段的成本5：将离线终止迭代次数设置为k。确定种群规模t、交叉概率c和变异概率g6：在所取的六个目标参数的值的范围内使用GA生成目标参数的随机组合7：从新的目标参数组合中获取Q1、Q3、C1、C2、R和L8：将ME、MA、Q1、Q3、C1、C2、R和L输入到MOF中。9：从MOF输出中获得最佳平均值。10：计算并存储离线阶段的成本11：保存当前目标参数组合12：rr113：如果r/k，则14：返回相应的（Q1;Q3;C1;C2;R;L）和成本最低的最优平均值。15：其他16：返回步骤6。17：如果第18章：结束算法3在在线阶段引入了所提出的SLMOF算法。步骤3，从离线阶段输出中获得Q1，Q3，C1，C2，R和L因为在线阶段的成本函数不同于离线阶段的成本函数。因此，需要改变成本函数。步骤4，设置在线阶段的成本函数。在在线阶段，遗传算法参数需要重新初始化。第5步，设置在线终止迭代次数为z。步骤6，初始化GA参数。为了得到最优的平均值 ， 需 要对 现 有 的 目标 参 数 组 合 进行 加 权 。 步 骤7 ， 使 用 GA 在（Q1;Q3;C1;C2;R;L）的值的范围内生成目标参数的新组合。步骤8，对已有的目标参数组合序列进行加权运算.步骤9，从步骤8中获得Q1、Q3、C1、C2、R和L步骤10，将ME、MA和目标参数组合输入到MOF。步骤11，从MOF输出中获得最佳平均值。下一个GA使用最优平均值计算在线阶段的成本函数。步骤12，计算并存储在线阶段的成本。步骤13，保存当前目标参数组合。步骤15至16，如果在线终止迭代是平等到z，返回的对应（Q1;Q3;C1;C2;R;L）和具有最低成本的最优平均。步骤17至18，如果在线终止迭代次数不等于z，则返回步骤7。算法3. SLMOF（在线阶段）输入原始仰角ME、原始方位角MA、第一四分位值Q1、第三四分位值Q3、上边界调整因子C1、下边界调整因子C2、随机误差R、随机误差L。输出最优平均值1：开始2：秒13：（Q1;Q3;C1;C2;R;L）= SLMOF（离线阶段）4：设置在线阶段的成本5：将在线终止迭代次数设置为z。6：确定种群规模t、交叉概率c和变异概率g7：在（Q1;Q3;C1;C2;R;L）的值的范围内使用GA8：对现有目标执行加权参数组合序列9：从步骤8中获取Q1;Q3;C1;C2;R和L10：将ME;MA;Q1;Q3;C1;C2;R和L输入到MOF中。11：从MOF输出中获得最佳平均值12：计算并存储在线阶段的成本13：保存当前目标参数组合14：秒/秒115：如果s/z，则16：返回相应的（Q1;Q3;C1;C2;R;L）和成本最低的最优平均值。17：其他18：回到第7步。19：如果第20章：结束5. 绩效评价5.1. 实验环境HANNARA是韩国海洋大学的学生训练船。图14描绘了HANNARA船的主甲板的布局。显示HANNARA船舶主甲板平面图的目的从图14中可以看出，船舶空间狭窄，在船舶室内环境中多径效应会更强烈。与陆地上的室内环境相比，船舶内部的空间分布结构会使接收到的数据包含更多的噪声（Lin等人， 2022年）。为避免HANNARA上的学生感染COVID-19的风险，大学内发现了一个与HANANRA上其中一个驾驶室结构相似的教室作为实验环境。选择了一个长7.6米、宽7.85米的教室进行测试。我们在教室里模拟一个类似于船内部的环境。在教室里，课桌和椅子的金属部件构成了蓝牙信号的反射路径。带有金属部件的桌子和椅子围绕着我们选定的用户位置。由此产生的蓝牙信号反射与船舶环境中产生的信号反射足够接近。最后的实验结果显示了SLMOF在课堂环境中的先进效果但Q. 林，J.儿子和H。Shin沙特国王大学学报70图十四岁H A N N A R A 船主甲板平面图（Lin et al.， 2022年）。由于严重的多径条件，SLMOF的精度在实际的船舶环境中可能变得不准确我们计划在不久的将来在实际的船舶环境中进行实验。5.2. 实验设计AoA标签和BLE标签来自Insight SiP制作的AoA演示程序（ISP1907-AoA-DK）。AoA芯片采用Nordic Semiconductor的nRF52833芯片。图15和图16分别显示了本文中使用的AoA标签和标签。AoA天线有12个天线。该AoA Loca- tor的天线阵列类型属于URA。BLE标签发送的蓝牙信号可以通过AoA收发器从各个方向接收。它能够通过仅使用一个AoA时间（h是已知的）来计算BLE标签位置。本文利用USB数据线将数据从AoA转换器传输到计算机上的python3.8程序中进行用户位置计算。 在本文中，h被设置为1.5m（Lin等人， 2022年）。以下是本文的实验环境：CPU为AMD Ryzen 7 5700 G（3.8GHz），RAM为32 GB，操作系统为Win-2011年12月21日，Visu
我的内容管理
展开
