开云优惠体育网页版入口

专利名称：一种基于象限分类和卷积神经网络的蓝牙AOA预测方法

专利类型：发明专利

专利申请号：CN202411354901.0

专利申请（专利权）人：湘潭大学
权利人地址：湖南省湘潭市雨湖区西郊羊牯塘

专利发明（设计）人：蔡晓雯,杨瑾瑾,陈洋卓,戴思灵,龙荣亮,周晓琦

专利摘要：本发明公开了一种基于象限分类和卷积神经网络的蓝牙AOA预测方法，涉及蓝牙AOA预测技术领域，包括以下步骤：步骤S1，IQ仿真数据集用于对PL?kNN模型的训练和测试，数据集带有IQ值与象限标签；步骤S2，将IQ仿真数据集划分为训练集和测试集，将IQ仿真数据集具有0解集范围的方位角拆分为四个象限，分别训练4个PL?kNN模型；步骤S3，训练集对PL?kNN模型进行训练，训练阶段包括找到所有训练样本聚类的质心和距离权重，计算每个训练样本与其聚类的质心之间的距离；步骤S4，将测试集输入训练好的PL?kNN模型进行测试，判断训练效果；步骤S5，利用仿真数据集以训练和测试卷积神经网络模型；步骤S6，将实采数据集输入PL?KNN生成四个象限的分类数据后输入到卷积神经网络预测AOA。

主权利要求：
1.一种基于象限分类和卷积神经网络的蓝牙AOA预测方法，其特征在于，具体包括以下步骤：步骤S1，生成蓝牙定位系统的IQ仿真数据集用于对PL?kNN模型的训练和测试，数据集带有IQ值与象限标签；
步骤S2，将IQ仿真数据集划分为训练集和测试集，将IQ仿真数据集具有0解集范围的方位角拆分为四个象限，分别训练4个PL?kNN模型；
步骤S3，利用训练集对PL?kNN模型进行训练，PL?kNN训练阶段包括找到所有训练样本聚类的质心和距离权重，计算每个训练样本与其聚类的质心之间的距离；
步骤S4，将测试集数据输入已经训练好的PL?kNN模型进行测试，判断PL?kNN模型训练效果；
步骤S5，利用仿真数据集以训练和测试卷积神经网络模型；
步骤S6，将实采数据集输入PL?KNN生成四个象限的分类数据后输入到卷积神经网络预测AOA；
所述步骤S3中，模型的训练阶段包括：
1）训练集分成4个聚类，即为四个象限，每个聚类代表每个类 ，是质心的集合， 表示第 个聚类的质心，聚类包含来自训练集的属于类别 的所有样本，设定最大迭代次数和质心更新阈值，初始质心为随机在 中选择的4个样本；
2）对每个训练集的训练样本 计算其到每个质心 的距离，并将 分配到最近的质心所属的类；
3）分配完成后，计算质心 作为样本的中值，每次迭代的更新公式为公式（1）所示：（1）
其中median表示中位数计算；
4）对训练集中的所有样本重复步骤2）?3），如果样本分配在连续两次迭代中都未发生变化，或是本次迭代产生的质心与前一次计算的质心变化小于预定的阈值，表示算法收敛，达到最大迭代次数时，算法停止；
使用公式（2）计算每个训练样本 关于其质心 的权重；
（2）
其中， 表示训练样本 与质心 之间的欧氏距离， 为矩阵的二范数。
2.根据权利要求1所述的基于象限分类和卷积神经网络的蓝牙AOA预测方法，其特征在于，所述步骤S4中，模型的测试阶段包括：
1）计算测试集的测试样本 与所有训练得出的聚类的质心之间的曼哈顿距离，其计算如公式（3）所示：
（3）
其中 表示矩阵的L1范数；
2）通过比较不同的 ，选取曼哈顿距离最小的质心作为测试样本 的质心；
3）以测试样本 为圆心定义一个半径为 的圆；
4）选取被围 圆内的训练样本 ，计算其与测试样本 和质心 连线形成的角度，选择角度在?90°和+90°之间的所有训练样本，选中的测试样本集合为；即挑选在以测试样本 和质心 连线作为中心分割线形成的半圆内的测试样本 作为测试样本 的 近邻；
5）测试样本 所属类别为在步骤4）中选择的所有训练样本 所属类中出现最高概率的类，计算公式为：（4）
（5）
（6）
其中 是所有类别 的概率的总和， 表示测试样本 属于类的概率， 是测试样本 的预测类。
3.根据权利要求2所述的基于象限分类和卷积神经网络的蓝牙AOA预测方法，其特征在于，所述步骤S4中，判断PL?kNN模型训练效果的方式为：准确率和F1分数是评估分类模型的指标；准确率为：（7）
表示模型预测正确样本数Number_of_Correct_Prediction占总体样本数Total_Number_of_Prediction比例；
F1分数记为F1?Score，为：（8）
F1分数F1?Score是模型精确率Precision和召回率Recall的调和平均数，其中True_Positives是被模型正确预测为正类的样本数，False_Positive是被模型错误预测为正类的样本数，False_Negatives是被模型错误预测为正类的样本数。
4.根据权利要求1所述的基于象限分类和卷积神经网络的蓝牙AOA预测方法，其特征在于，所述步骤S5中，具体为：IQ信号的离散性形式为：
（9）
其中 代表 路信号, 代表 路信号；IQ信号用于计算信号中的相位信息，用于估计AOA；相位计算为：（10）
其中 为天线采样的样本点索引；
将步骤S1中生成的仿真数据提取出代表I路和Q路信号的实数值带入公式（10）计算相位差矩阵，再将相位差数据归一化为0?1之间的数；数据预处理公式为：（11）
其中 是原始数据点， 是归一化后的数据点， 和 分别是数据集中最小和最大的数；
损失函数为均方误差 ，其中 表示样本数量， 和 分别代表标签和预测值。 说明书 : 一种基于象限分类和卷积神经网络的蓝牙AOA预测方法技术领域[0001] 本发明涉及蓝牙AOA预测技术领域，特别是涉及一种基于象限分类和卷积神经网络的蓝牙AOA预测方法。背景技术[0002] 蓝牙是一种低成本的无线通信技术，在几米至十几米的短距离范围内可以实现高效的多设备之间的数据传输和通信。在众多版本的蓝牙技术中，低功耗蓝牙5.1版本在实时室内定位系统领域带来了新的可能性，因为它引入了基于到达角（AngleOfArrival，AOA）的新的测向（DirectionFinding，DF）特性，使得蓝牙技术在低成本和低功耗的优势下还能保持较高的定位精度。蓝牙5.1协议在数据包尾部增加了恒定扩展音（ConstantToneExtension，CTE）字段，从而允许接收机从信号中获取关于确定发送设备位置所需的正交和相位的信息（即IQ数据），利用这些信息获取天线之间的相位差来计算信号AOA。[0003] 考虑到多径接收、极化和信号传播延迟、噪声和抖动等问题，现有多信号分类（MUSIC）算法、旋转不变技术（ESPRIT）算法、数据采集（PDDA）算法等经典算法在计算上要求较高且对噪声数据的容忍度低，在此基础上引申出的相关MUSIC算法还存在严重依赖于目标信号数量的先验条件和对高噪声分量敏感的问题，且多径会破坏信号和噪声子空间彼此正交的假设，这就产生了对从天线数据的相位中推断AOA更稳健方法的需求。因此，现在研究人员的主要方向为寻求能够在低信噪比（SNR）和多径条件下AOA精确估计算法，其中基于机器学习或神经网络的方法虽然计算速度快，且能够处理噪声测量和学习系统输入和输出值之间的复杂非线性关系，但由于输出反归一化误差较大而导致预测精度不高。发明内容[0004] 针对上述要解决的技术问题，本发明提供一种基于象限分类和卷积神经网络的蓝牙AOA预测方法，能够减少模型反归一化时带来的误差，具有较高的预测精度。[0005] 为解决上述技术问题，本发明提出的技术方案为：[0006] 一种基于象限分类和卷积神经网络的蓝牙AOA预测方法，具体包括以下步骤：[0007] 步骤S1，生成蓝牙定位系统的IQ仿真数据集用于对PL?kNN模型的训练和测试，数据集带有IQ值与象限标签；[0008] 步骤S2，将IQ仿真数据集划分为训练集和测试集，将IQ仿真数据集具有0°360°解~集范围的方位角拆分为四个象限，分别训练4个PL?kNN模型；[0009] 步骤S3，利用训练集对PL?kNN模型进行训练，PL?kNN训练阶段包括找到所有训练样本聚类的质心和距离权重，计算每个训练样本与其聚类的质心之间的距离；[0010] 步骤S4，将测试集数据输入已经训练好的PL?kNN模型进行测试，判断PL?kNN模型训练效果；[0011] 步骤S5，利用仿真数据集以训练和测试卷积神经网络模型；[0012] 步骤S6，将实采数据集输入PL?KNN生成四个象限的分类数据后输入到卷积神经网络预测AOA。[0013] 作为上述技术方案地进一步改进为：[0014] 优选地，所述步骤S3中，模型的训练阶段包括：[0015] 1）训练 集分成4个聚类，即为四个象限，每个聚类代表每个 类， 是质心的集合， 表示第i个聚类的质心，聚类包含来自训练集的属于类别 的所有样本，设定最大迭代次数和质心更新阈值，初始质心为随机在 中选择的4个样本；[0016] 2）对每个训练集的训练样本Xh计算其到每个质心ci的距离，并将Xh分配到最近的质心所属的类；[0017] 3）分配完成后，计算质心ci作为样本的中值，每次迭代的更新公式为公式（1）所示：[0018] （1）[0019] 其中median表示中位数计算；[0020] 4）对训练集中的所有样本重复步骤2）?3），如果样本分配在连续两次迭代中都未发生变化，或是本次迭代产生的质心与前一次计算的质心变化小于预定的阈值，表示算法收敛，达到最大迭代次数时，算法停止；[0021] 使 用 公 式（2）计 算 每 个 训 练 样 本 X h 关 于 其 质 心 c i 的 权 重；[0022] （2）[0023] 其中 表示训练样本Xh与质心ci之间的欧氏距离， 为矩阵的二范数。[0024] 优选地，所述步骤S4中，模型的测试阶段包括：[0025] 1）计算测试集的测试样本s与所有训练得出的聚类的质心之间的曼哈顿距离，其计算如公式（3）所示：[0026] （3）[0027] 其中 表示矩阵的L1范数；[0028] 2）通过比较不同的 ，选取曼哈顿距离最小的质心作为测试样本s的质心 ；[0029] 3）以测试样本s为圆心定义一个半径为 的圆；[0030] 4）选取被围 圆内的训练样本Xh，计算其与测试样本s和质心 连线形成的角度，选择角度在?90°和+90°之间的所有训练样本，选中的测试样本集合为；即挑选在以测试样本s和质心 连线作为中心分割线形成的半圆内的测试样本tj，j=1，2，...，z作为测试样本s的k近邻；[0031] 5）测试样本s所属类别为在步骤4）中选择的所有训练样本 所属类中出现最高概率的类，计算公式为：[0032] （4）[0033] （5）[0034] （6）[0035] 其中 是所有类别 的概率的总和， 表示测试样本s属于类的概率，ys是测试样本s的预测类。[0036] 优选地，所述步骤S4中，判断PL?kNN模型训练效果的方式为：[0037] 准确率和F1分数是评估分类模型的指标；准确率为：[0038] （7）[0039] 表示模型预测正确样本数Number_of_Correct_Prediction占总体样本数Total_Number_of_Prediction比例；[0040] F1分数记为F1?Score，为：[0041] （8）[0042] F1分数F1?Score是模型精确率Precision和召回率Recall的调和平均数，其中True_Positives是被模型正确预测为正类的样本数，False_Positive是被模型错误预测为正类的样本数，False_Negatives是被模型错误预测为正类的样本数。[0043] 优选地，所述步骤S5中，具体为：[0044] IQ信号的离散性形式为：[0045] （9）[0046] 其中 代表I路信号， 代表Q路信号；IQ信号用于计算信号中的相位信息，用于估计AOA；相位计算为：[0047] （10）[0048] 其中n为天线采样的样本点索引；[0049] 将步骤S1中生成的仿真数据提取出代表I路和Q路信号的实数值带入公式（10）计算相位差矩阵，再将相位差数据归一化为0?1之间的数；数据预处理公式为：[0050] （11）[0051] 其中x是原始数据点， 是归一化后的数据点，xmin和xmax分别是数据集中最小和最大的数；[0052] 损失函数为均方误差 ，其中n表示样本数量，yi和 分别代表标签和预测值。[0053] 本发明提供的基于象限分类和卷积神经网络的蓝牙AOA预测方法，与现有技术相比，有以下优点：[0054] 本发明的基于象限分类和卷积神经网络的蓝牙AOA预测方法，通过无参数KNN（PL?kNN）算法来对蓝牙IQ信号进行预处理，将IQ数据将具有较大解集范围的方位角拆分为四个象限，分别训练4个PL?kNN估计模型，把每个象限的值域范围降低到了0到90，即先对IQ数据进行象限分类以减小对输出数据反归一化带来的误差，再训练卷积神经网络以估计AOA。本发明的基于象限分类和卷积神经网络的蓝牙AOA预测方法，以蓝牙IQ数据为输入，训练PL?kNN模型和卷积神经网络模型，利用训练好的模型预测到达角信息，可减少模型反归一化时带来的误差，具有较高的预测精度。附图说明[0055] 图1是本发明中测试样本周围的圆圈内选择近邻样本示意图。[0056] 图2是本发明中卷积神经网络结构图。[0057] 图3是本发明中天线阵列示意图。[0058] 图4是本发明中步骤流程图。具体实施方式[0059] 以下对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。[0060] 如图1至图4所示，本发明的基于象限分类和卷积神经网络的蓝牙AOA预测方法，通过无参数KNN（PL?kNN）算法来对蓝牙IQ信号进行预处理，将IQ仿真数据集具有0解集范围的方位角拆分为四个象限，分别训练4个PL?kNN估计模型，把每个象限的值域范围降低到了0到90，即先对IQ仿真数据集进行象限分类以减小对输出数据反归一化带来的误差，再训练卷积神经网络以估计AOA。[0061] 本发明的基于象限分类和卷积神经网络的蓝牙AOA预测方法，具体包括以下步骤：[0062] 步骤S1，根据具体的项目条件生成相应蓝牙定位系统的IQ仿真数据集。[0063] 本发明不限定蓝牙定位系统中天线数量、分布情况和蓝牙基站、标签安排情况。对于应用在不同场景下的蓝牙定位系统，如仓库、商城、办公室、地下停车场等，先根据具体项目的系统设置生成相应的仿真数据集以用于对PL?kNN模型的训练和测试，数据集是带有IQ值与象限标签的数据。由于真实数据包含噪声、缺失值和各种异常情况，直接使用真实数据进行训练会使得初期模型表现不稳定，而仿真数据可以在已知条件下验证模型的有效性和准确性。如果模型在仿真数据上表现良好，则说明模型是有效的。[0064] 步骤S2，将IQ仿真数据集划分为两个部分作为训练集和测试集。[0065] 将IQ仿真数据样本按照7:3或8:2随机划分为训练集和测试集。训练集用于训练模型，使用测试集评估模型在未知数据上的预测性能，划分数据集是要保证数据分布的一致性，避免因为数据分布的差异对模型的训练效果产生影响。7:3或8:2的比例常用于数据量较大的场景，大部分数据用于训练，以确保模型能够充分学习，而较少的数据用于测试，以评估模型性能。[0066] 设 是来自数据集的类的集合，其中 表示第i个类，即第i象限。类的概念是指数据点所述的类别或者分类标签，根据数据点的特征在空间中的相似度进行划分，这个相似度通常是欧式距离，数据集中的每个数据点都有一个对应的标签，表示其所属的类。[0067] 设 是由 ，j=1，2，...，m特征向量表示的数据样本集，m代表天线在各个接收角度下收集的样本总数。Xj为a×（R+1）维的复数矩阵，代表每次采样样本点个数为a、R根接收天线外加一个AOA标签，此标签代表理想的AOA预测值。在监督分类方法中，每个样本Xj被分配给类 ， 被用于分类器的后续训练和测试。对样本进行划分，使得 和 ，其中和 ，K1+K2=m分别表示训练集和测试集，此处K1是常数而不是变量，代表在数据集划分后，训练数据共有K1个，h是变量，取值范围为1~K1，K2同理。[0068] 步骤S3，利用训练集对PL?kNN模型进行训练。[0069] 模型的训练阶段包括：[0070] 1）训练 集分成4个聚类，即为四个象限。每个聚类代表每个 类。 是质心的集合， 表示第i个聚类的质心，该聚类包含来自 的属于类别 的所有样本，根据需要设定最大迭代次数和质心更新阈值，初始质心为随机在 中选择的4个样本；[0071] 2）对每个训练集的训练样本Xh计算其到每个质心ci的距离，并将Xh分配到最近的质心所属的类；[0072] 3）分配完成后，计算质心ci作为样本的中值，每次迭代的更新公式为公式（1）所示：[0073] （1）[0074] 其中median表示中位数计算；[0075] 4）对 中的所有样本重复步骤2）?3），如果样本分配在连续两次迭代中都未发生变化，或是本次迭代产生的质心与前一次计算的质心变化小于预定的阈值，表示算法收敛。达到最大迭代次数时，算法停止。[0076] 使 用 公 式（2）计 算 每 个 训 练 样 本 X h 关 于 其 质 心 c i 的 权 重；[0077] （2）[0078] 其中 表示训练样本Xh与质心ci之间的欧氏距离， 为矩阵的二范数。训练样本离质心越远，则相应的权重越。丛独刖劾嗟难咀魑馐匝镜慕诮哂薪闲〉挠跋。[0079] PL?kNN训练阶段包括找到所有训练样本聚类的质心和距离权重，计算每个训练样本与其聚类的质心之间的距离。[0080] 本实施例的方法，比现有技术中使用平均值更有效，原因如下：i）平均值不是聚类的有效实例，尽管假设其位置尽可能靠近聚类中心；ii）平均值对离群值更敏感，因此，结果值可能与数据分布中心不同。相比之下，中值是数据分布中间的样本，减少了远离聚类密集区域的实例的影响。[0081] 步骤S4，将测试集数据输入已经训练好的PL?kNN模型进行测试，判断PL?kNN模型训练效果。[0082] 模型的测试阶段包括：[0083] 1）计算测试集的测试样本 与所有训练得出的聚类的质心之间的曼哈顿距离 ，其计算如公式（3）所示：[0084] （3）[0085] 其中 表示矩阵的L1范数；[0086] 2）通过比较 ，选取距离最小的质心作为测试样本s的质心 ；[0087] 3）以测试样本s为圆心定义一个半径为 的圆；[0088] 4）训练样本和测试样本由一个总体样本按比例随机选出，并不是分割开来的存在于两个空间的样本，且在模型测试的过程中需要利用到训练样本。选取被围在步骤3）中所述的 圆的训练样本Xh，计算其与测试样本s和质心 连线形成的角度，选择角度在?90°和+90°之间的所有训练样本，选中的测试样本集合重命名为 ，。即挑选在以测试样本s和质心 连线作为中心分割线形成的半圆内的测试样本tj，j=1，2，...，z作为测试样本s的k近邻（图1中圆圈内的深灰色区域）。[0089] 训练样本Xh是指泛指所有的训练样本，这里的tj是被划分在半圆内的测试样本，z是常数，表示被圈在半圆内的测试样本个数为z，j为变量，取值范围为1 z。k在kNN算法中代~表“最近邻居”的数量。当要对一个测试样本进行分类时，kNN会找到测试样本周围最近的k个训练样本，则这些最近的训练样本就是“近邻”，并根据这些训练样本的类别来决定测试样本的最终分类结果。[0090] 本实施例中，以测试样本为圆心，是为了选择对分类结果有更大影响的邻居，围绕测试样本的训练样本则是这些邻居。[0091] 蓝色实线连接的训练样本t1是选定的最近样本，而红色实线连接的样本a未包含在s的类预测中。[0092] 5）测试样本s所属类别为在步骤4）中选择的所有训练样本 所属类中出现最高概率的类，计算公式为：[0093]（4）[0094] （5）[0095] （6）[0096] 其中 是所有类别 的概率的总和， 表示测试样本s属于类的概率，ys是s的预测类，tj是被划分在半圆内的测试样本。计算出测试样本属于哪一类。[0097] 本实施例中，样本不是随机选取。在训练部分刚开始进行迭代时，4个质心是随机产生的，经过迭代之后产生质心且训练数据已经被划分为了4个类。本步骤参与计算的测试样本是所有测试样本，根据被划分好的训练样本将所有的测试样本归到4个类别之中。由于质心、训练样本和被划分在半圆内的测试样本都已经确定，只需要带入公式计算比较之后就可以得到ys。[0098] 准确率和F1分数F1?Score是评估分类模型的常用指标。准确率如公式（7）所示：[0099] （7）[0100] 其中，Number_of_Correct_Prediction为模型预测正确样本数，Total_Number_of_Prediction为占总体样本数，准确率就是两者的比例。[0101] F1分数如公式（8）所示：[0102] （8）[0103] F1分数F1?Score是模型精确率Precision和召回率Recall的调和平均数，其中True_Positives是被模型正确预测为正类的样本数，False_Positive是被模型错误预测为正类的样本数，False_Negatives是被模型错误预测为正类的样本数。假设对于A分类，类别A的样本就是正类，类别B、C、D的样本是负类。[0104] 步骤S5，利用仿真数据集以训练和测试卷积神经网络模型。[0105] 本实施例的训练和测试卷积神经网络模型，具体为：[0106] 蓝牙接收机接收到的信号的离散性形式如公式（9）所示：[0107] （9）[0108] 其中 代表I路信号， 代表Q路信号。IQ信号用于计算由天线接收的无线电信号中的相位信息，用于估计AOA。相位计算如公式（10）所示：[0109] （10）[0110] 其中n为天线采样的样本点索引。[0111] 在训练神经网络之前，需要生成相应的训练集和测试集，该神经网络的输入是特征向量的协方差矩阵，输出是AOA，将步骤S1中生成的仿真数据提取出代表I路和Q路信号的实数值带入公式（10）计算相位差矩阵，再将相位差数据归一化为0?1之间的数。数据预处理见公式（11）：[0112] （11）[0113] 其中x是原始数据点， 是归一化后的数据点，xmin和xmax分别是数据集中最小和最大的数。此时已将数据集重整为维度m×a×（R+1)的归一化后的 。 代表在各个角度下收集的m个样本总数、每个角度下有a个样本点、每个样本点包含R根天线接收的相位差外加一个AOA标签的相位差矩阵。与训练PL?KNN模型一样，按照7:3或8:2将数据集分为训练集和测试集。[0114] 本发明以接收天线为12根为例（结构见图3），所采用的卷积神经网络结构由图2所示。[0115] 本实施例中的卷积神经网络结构包含以下部分：[0116] 输入层（input_layer_1）：输入形状为（，12），其中12是输入特征的维度；[0117] 第一个全连接层（dense_1）：使用ReLU激活函数，输入形状为（，12），输出形状为（，128）；[0118] 第二个全连接层（dense_2）：使用ReLU激活函数，输入形状为（，128），输出形状为（，512）；[0119] 第三个全连接层（dense_3）：使用ReLU激活函数，输入形状为（，512），输出形状为（，256）；[0120] 输出层（dense_4）：使用ReLU激活函数，输入形状为（，256），输出形状为（，1）；优化器选择Adam。[0121] 指定损失函数为均方误差 ，n表示样本数量，yi和分别代表标签和预测值。通过多轮迭代（epochs）调整模型权重，具体的epochs根据需要自由设定，epochs越大，训练时间越长，模型可以多次遍历数据集，但是易导致过拟合，即模型在训练数据上表现良好但在测试数据上表现较差，故epochs选择适中即可，一般为20左右。[0122] 在本发明中，模型输入是经过了归一化处理的12根天线的相位差信息，输出是一个到达角信息。根据实际采集中，方位角误差在10°以内，归一化后取阈值TH在0.04 0.08，~如果损失函数没有到达预期，则重新调整神经网络结构和相关参数重新进行训练。如改变每层神经元数量，添加更多的层（包括卷积层和全连接层）可以让网络学习更复杂的模式，调整激活函数的类型，如LeakyReLU、Sigmoid或Tanh等，这些可能在特定情况下更有效，还可以在损失函数中添加L2正则化可以惩罚较大的权重，鼓励模型学习更简单的模式，可能更有助于泛化。[0123] 步骤S6，将实采数据集输入PL?KNN生成四个象限的分类数据后输入到卷积神经网络以预测AOA。[0124] 将模型训练好后，搭建并采集蓝牙定位系统的IQ真实数据集，按照与仿真数据集相同的方式对真实信号输入PL?kNN模型进行象限分类后，将分为四个象限的数据按照步骤S5中的归一化处理后依次输入卷积神经网络以预测AOA。经过象限分类再输入神经网络这种预测方式，减少反归一化带来的误差，提高AOA预测性能。[0125] 上述实施案例只是本发明的较佳实施例，并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明。因此，凡是未脱离本发明技术方案的内容，依据本发明技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均应落在本发明技术方案保护的范围内。

专利地区：湖南

专利申请日期：2024-09-27

专利公开日期：2024-11-29

专利公告号：CN118890597B