结合特征融合与域对抗学习的超宽带非视距识别算法

来源：计算机工程与应用杂志2026年第14期北京时间：

作者：薛晶, 姜苏英, 周强, 孟鑫

单位：1.陕西科技大学 电气与控制工程学院，西安 710021；2.贵州大学 大数据与信息工程学院，贵阳 550025；

摘要：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。

关键词：超宽带（UWB）,非视距（NLOS）识别,域自适应,特征融合,域对抗神经网络（DANN）

基金资助：陕西省科技厅工业项目（2024GX-YBXM-544）；陕西省自然科学基础研究计划项目（2024JC-YBQN-0400）。