拓冰网站定制 
简介面向GPS、室内定位等无线定位技术研究人员与学生这份资源给出了基于MATLAB的NLOS误差抑制实现针对建筑物、树木等遮挡物导致信号传播路径延长而产生的定位偏差问题。压缩包内仅含1个m文件大小2KB但代码完整覆盖了LOS/NLOS环境辨识、特征提取与误差校正流程结构紧凑清晰便于快速部署或二次开发。已有227人学习下载适合需要入门非视距误差抑制的无线定位研究者参考。通过运行该代码可理解如何利用信号强度、多普勒频移等特征识别NLOS环境并掌握Wylie等经典抑制方法的MATLAB落地方式同时可根据实际场景如城市峡谷、室内环境调整参数结合信道模型或机器学习思路进一步优化定位精度为相关研究或工程应用提供直接可用的实现参考。1. 一栋楼就能让定位偏差几十米NLOS 识别是误差抑制的第一步一栋普通框架楼就能让定位偏差几十米问题不在接收机热噪声而在 NLOSNon-Line-of-Sight传播。信号被楼体反射、绕射后多走一段路到达时间被拉长测距结果变成正偏差。LOS 条件下 TOA 噪声还能用零均值高斯近似NLOS 误差却常是几十米量级且缓慢变化最小二乘后会把位置拉离真实点。1LOSNLOSIDENTIFICATION.rar里的LOSNLOSIDENTIFICATION.m正是为这个场景准备的先把每条链路判定为 LOS 或 NLOS再对 NLOS 误差做抑制。这个脚本适合刚开始接触 Wylie 方法和 NLOS 误差修正的研究生也适合手里已有 TOA/测距数据、想快速验证算法的工程师。2. 为什么先做 LOS/NLOS Identification误差模型与 Wylie 统计判别法2.1 LOS 与 NLOS 的统计差异是判别的依据定位测距的经典模型可以写成r_i d_i n_i b_id_i是接收机到第 i 个基站的几何距离n_i是接收机热噪声b_i是 NLOS 附加距离。LOS 传播时b_i0测量误差围绕真实距离对称分布NLOS 传播时b_i非负通常是反射路径带来的额外时延。对一辆在城市峡谷中静止的车来说NLOS 偏置在一段时间内接近常数而 LOS 噪声是快变零均值随机量。这个“一慢一快”的差异正是 Wylie 统计判别法能工作的基础。这里需要提醒的是只有多帧观测才能暴露偏置的时间特征如果只有单帧就只能退而求其次用空间残差或信号特征辅助。观测特征LOS 链路NLOS 链路TOA 残差均值围绕 0 m明显正偏常见 5~100 mTOA 残差方差由噪声功率决定较小可能相似或更大时间序列形态零均值白噪声慢变偏置 噪声SNR/C/N0稳定且较高常伴随衰落跳变AoA 谱单一尖峰多径扩散角度展宽这张表的实际用途不是让你把每个指标都做成门限而是提示判别特征宁可少而稳。多数 MATLAB 工程实现最终只取残差均值这一维因为它是 TOA 系统里最直接、最不容易被信号预处理破坏的统计量。2.2 Wylie 方法平滑序列、定位、残差检验Wylie 的原始方法不依赖具体的信道衰落模型只利用 TOA 时间序列的统计特性分为四步。第一步对每条链路的 TOA 序列做时间平滑常用滑动平均第二步用平滑后的测距做一次最小二乘定位第三步计算每个链路的残差序列第四步用残差的均值和方差做假设检验。假设链路 i 是 LOS残差应只含经过平滑后的噪声均值接近零假设是 NLOS残差中会残留一个正偏置。判定式通常写成mean(e_i) k * sigma_isigma_i是 LOS 噪声标准差k由环境风险偏好决定。先平滑的必要性在于单次测量中 NLOS 偏置可能被噪声淹没但平滑把零均值噪声压低偏置保留下来。平滑窗太长又会抹掉车辆移动造成的距离变化所以窗长要和运动速度匹配。这也解释了 Wylie 方法更适合步行速度的室内定位场景车载高速场景需要引入多普勒或 IMU 辅助。与 SVM、神经网络等监督方法相比Wylie 方法不需要预先标注大量 NLOS 样本部署成本低缺点是无法区分纯 LOS 的高动态噪声和 NLOS 慢变偏置因此更适合静态监控和室内慢速定位。2.3 阈值选型固定阈值为什么容易翻车阈值直接决定虚警率和漏检率。k2时识别灵敏但 LOS 噪声偶尔超过 2σ 会让虚警增加k4保守NLOS 偏置不大时漏检概率高。很多初学实现把 k 写死换一个环境就要重新调。常见做法是先采集一段参考位置已知的 LOS 数据统计残差标准差再代入阈值没有参考位置时可以用所有链路的残差中位数估计噪声。观察残差直方图若出现两个峰阈值取峰谷位置比任何固定倍数都可靠。提示不要在阈值里混入定位误差的绝对值。残差本身包含定位误差所以要用同一环境的静态数据标定sigma_i否则阈值会偏大。3. LOSNLOSIDENTIFICATION.m 内部结构与 MATLAB 复现3.1 脚本拆解输入、输出和三个模块这个 m 文件的定位不是做一个通用定位库而是“识别 抑制”的验证脚本。拿到文件后先看脚本头部注释和输入变量确认期望的数据格式如果原始包只有一个脚本通常需要自己构造仿真数据。常见做法是把数据组织成 N×M 的 TOA 矩阵行为观测时隙列为基站编号基站坐标单独存成 M×2 矩阵。输出则是两类一是布尔型链路标签二是一组修正后的测距或位置结果。整个脚本可以拆成三个模块时间平滑、最小二乘定位、残差检验与修正。下面是我把LOSNLOSIDENTIFICATION.m的核心逻辑解耦后的版本保持同样的输入输出便于替换成自己的实验数据。3.2 核心代码Wylie 识别 平滑修正function [flag, rangeCorr] losNlosIdentify(toa, bsPos, sigmaLoS, winLen) % LOSNLOSIDENTIFICATION 的简化解耦版本 % toa : N x M 矩阵N 个观测时隙M 个基站单位秒 % bsPos : M x 2 矩阵基站平面坐标单位米 % sigmaLoS : LOS 噪声标准差单位米用于阈值 % winLen : 平滑窗长时隙数 c 3e8; % 光速m/s range toa * c; % 转换成测距 N size(range, 1); % 1) 时间平滑NLOS 偏置慢变中值滤波可抗粗差 rangeSm movmedian(range, winLen, 1); % 2) 每帧用平滑测距做最小二乘定位 posEst zeros(N, 2); resid zeros(N, size(range, 2)); for t 1:N fun (p) rangeSm(t,:) - ... sqrt(sum((bsPos - p).^2, 2)).; opts optimoptions(lsqnonlin, Display, off); posEst(t,:) lsqnonlin(fun, mean(bsPos,1), [], [], opts); resid(t,:) rangeSm(t,:) - ... sqrt(sum((bsPos - posEst(t,:)).^2, 2)).; end % 3) 残差均值检验LOS 残差近零均值NLOS 残差正偏 flag mean(resid, 1) 3 * sigmaLoS; % 4) 误差抑制用平滑距离替换 NLOS 观测量 rangeCorr range; rangeCorr(:, flag) rangeSm(:, flag); end上面代码的逻辑可以用一句话概括先压低 LOS 噪声再把每条链路的平均残差和噪声标准差比较谁突出谁就是 NLOS。c3e8把 TOA 从秒换成米因为后面残差阈值的单位是米不要和原始 TOA 单位混用。movmedian在第一个维度上做滑动中值滤波窗长winLen的单位是帧数而不是秒中值比均值对 NLOS 快变尖峰更稳健。lsqnonlin用来求解非线性最小二乘位置初值取基站几何中心避免迭代发散。残差计算用平滑测距减去几何距离再对每个基站取平均残差。NLOS 链路的平均残差显著大于零所以用3*sigmaLoS作为判定门限。最后用平滑距离替换原始距离保留 NLOS 偏置的平均趋势这一步是“抑制”而不是“剔除”。参数含义常用初值调整方向sigmaLoSLOS 测距噪声标准差米1~5用静态 LOS 数据统计winLen平滑窗长帧5~10移动速度快时减小k判别系数3 左右虚警高调大漏检高调小3.3 运行注意与两个常见报错第一lsqnonlin属于 Optimization Toolbox旧版或精简版 MATLAB 会报Undefined function lsqnonlin这时可以用fminsearch替换初值用上一帧位置或基站质心低速场景下效果足够。第二TOA 单位错误比如原始数据已经是伪距米数却仍然乘光速会把定位结果直接推到几百公里外残差检验全部失效。第三如果输入只有一帧数据窗口平滑没有意义应把winLen设为 1改用空间残差判别。此外mean(resid, 1) 3 * sigmaLoS这条判定假设每条链路窗口内 NLOS 偏置近似稳定如果偏置明显漂移平均残差会低估偏置需要分段处理而不是继续盲目加窗长。4. 误差抑制的三种落地方式剔除、修正与加权4.1 剔除 NLOS 测量直观但受几何约束单帧定位场景下识别出 NLOS 后最直接的操作是把对应链路从观测矩阵中剔除再做最小二乘定位。代码片段如下flag是上一章函数的输出idxKeep是保留的链路。idxKeep ~flag; if sum(idxKeep) 3 keepDist rangeF(idxKeep); keepPos bsPos(idxKeep,:); opts optimoptions(lsqnonlin,Display,off); posRemove lsqnonlin((p) keepDist - ... sqrt(sum((keepPos - p).^2,2))., ... mean(bsPos,1), [], [], opts); else % 少于3条链路时剔除会导致不可观测 posRemove []; end说明平面定位至少需要 3 个基站距离才能得到唯一解所以保留链路数必须大于等于 3。这个方案看起来直接实际坑在于 GDOP。比如 6 个基站里剔除了 3 个后虽然仍可解算但剩余基站几乎分布在同一方向位置误差反而比不剔除更大。因此当 NLOS 链路占比超过三分之一时优先考虑修正而不是剔除。另一个容易被忽略的点是剔除后的最小二乘仍然是对剩余 LOS 链路做等权拟合如果 LOS 链路数量少、几何条件差还是要回到加权或修正。4.2 偏差修正利用 NLOS 偏置的慢变特性Wylie 的原始做法更偏“修正”而非“剔除”。它在平滑残差中把每条链路的平均偏置估计出来再从原始距离中减掉。实现方式是取上一章残差矩阵resid的均值作为偏置估计% 被标记链路的固定偏置估计 biasEst mean(resid, 1); % 1×M rangeCorr range - biasEst; % 全局减偏置 rangeCorr(:, ~flag) range(:, ~flag); % 只保留NLOS链路的修正需要说明biasEst是从平滑测距的定位残差中估计的并不纯净包含部分定位残差。但在 NLOS 偏置几十米、定位残差几米的场景里能有效把大部分系统性偏差消掉。这个方法的局限同样明显它假设每条链路的 NLOS 偏置在观测窗内不变如果用户从阴影区走到开阔地biasEst会滞后修正后反而引入反向误差。所以修正法更适合静止或慢速的室内监测场景例如仓库 AGV 停靠、病人定位等。使用修正法时建议把偏置估计也存入文件观察它随时间的变化判断该链路是否从 NLOS 切换回 LOS。4.3 加权最小二乘把拒绝做成连续权重另一种思路是不硬切用连续权重把 NLOS 链路的贡献压低。这样既避免彻底丢失几何约束又不会因为二值标签误判带来位置跳变。构造一个权重向量wLOS 链路权重取1/sigmaLoS^2NLOS 链路权重取它的 1/10 或 1/20。然后用带权重的代价函数替换标准最小二乘w ones(M,1) / sigmaLoS^2; w(flag) w(flag) / 10; % NLOS 链路的权重大幅降低 cost (p) sum(w .* (rangeObs - ... sqrt(sum((bsPos - p).^2,2))).^2); posWeighted fminsearch(cost, x0); % x0 取上一帧位置或基站质心注意fminsearch是单纯形搜索初值离真值太远会收敛到局部极小。这里x0不应固定为原点最好用上一帧解算结果或所有基站的加权质心。实际项目中我会先跑一次普通最小二乘得到初值再迭代一次权重解算。加权法的另一层价值是当flag本身不可靠时给 NLOS 链路留一个小权重定位解不会因为单个误判而剧烈摆动这在城市峡谷中比“全删”和“全保留”都稳定。4.4 三种方法怎么选场景推荐方法理由NLOS 占比低、剩余基站充足剔除干净不容易引入新误差NLOS 偏置稳定、站数紧张修正保留观测消除固定偏置标签置信度低、环境动态加权容错避免二值误判导致大幅跳变这个表格本身就是工程判断的第一步如果拿不准 NLOS 标签的可靠性就选加权如果站点冗余足够就选剔除。不同方法对同一个数据集测出的位置可能差好几米最终应结合基站几何分布和真实轨迹的平滑程度来定。举例来说修正后轨迹突然在某帧出现反向台阶而加权法没有那么加权法更适合这个场景。5. 用仿真数据验证识别率混淆矩阵与阈值调优要验证识别逻辑而不是只看一两条定位曲线最好用已知标签的仿真数据跑一遍。先构造一个包含 6 个基站、前 4 个为 LOS、后 2 个为固定 NLOS 偏置的数据集固定随机种子保证可复现。调用第 3 章的losNlosIdentify后把逐链路标签与真值做混淆矩阵。rng(7); truth [0, 0]; bsPos [-100,-100; 100,-100; -100,100; 100,100; 0,200; 200,0]; N 400; M size(bsPos,1); trueDist sqrt(sum((bsPos - truth).^2, 2)); labelsTrue zeros(N, M); labelsTrue(:, 5:6) 1; % 后两条是 NLOS bias zeros(N, M); bias(:, 5:6) 25 randn(N,2)*2; % NLOS 偏置约25m toaSim (repmat(trueDist,N,1) bias randn(N,M)*2) / 3e8; [flagSim, ~] losNlosIdentify(toaSim, bsPos, 2, 7); labelsPred flagSim(:); cm confusionmat(labelsTrue(:), labelsPred); confusionchart(cm, {LOS,NLOS});这段代码把 NLOS 偏置设成 25m 加上小幅随机抖动噪声 sigma 2m窗长 7 帧。运行后重点看两个数左上角是 LOS 被判对的样本右下角是 NLOS 被判对的样本。如果虚警高把判别系数提到 4如果漏检高先不要盲目调低 k先看漏检的是哪些时隙。常见情况是 NLOS 偏置刚好等于 25m而阈值3*26m理论上能检出但窗口边缘因为中值滤波没完全建立偏置被低估漏检集中在前 3 帧。此时把winLen从 7 调小到 5比把 k 从 3 调到 2 更有效。在阈值已经调过两轮仍出现漏检时我一般会先看movmedian的窗长是否大于 NLOS 阻塞事件的持续时隙数而不是继续降低 k。本文还有配套的精品资源点击获取 NLOS识别与误差抑制：基于Wylie方法的TOA定位修正实战
简介面向GPS、室内定位等无线定位技术研究人员与学生这份资源给出了基于MATLAB的NLOS误差抑制实现针对建筑物、树木等遮挡物导致信号传播路径延长而产生的定位偏差问题。压缩包内仅含1个m文件大小2KB但代码完整覆盖了LOS/NLOS环境辨识、特征提取与误差校正流程结构紧凑清晰便于快速部署或二次开发。已有227人学习下载适合需要入门非视距误差抑制的无线定位研究者参考。通过运行该代码可理解如何利用信号强度、多普勒频移等特征识别NLOS环境并掌握Wylie等经典抑制方法的MATLAB落地方式同时可根据实际场景如城市峡谷、室内环境调整参数结合信道模型或机器学习思路进一步优化定位精度为相关研究或工程应用提供直接可用的实现参考。1. 一栋楼就能让定位偏差几十米NLOS 识别是误差抑制的第一步一栋普通框架楼就能让定位偏差几十米问题不在接收机热噪声而在 NLOSNon-Line-of-Sight传播。信号被楼体反射、绕射后多走一段路到达时间被拉长测距结果变成正偏差。LOS 条件下 TOA 噪声还能用零均值高斯近似NLOS 误差却常是几十米量级且缓慢变化最小二乘后会把位置拉离真实点。1LOSNLOSIDENTIFICATION.rar里的LOSNLOSIDENTIFICATION.m正是为这个场景准备的先把每条链路判定为 LOS 或 NLOS再对 NLOS 误差做抑制。这个脚本适合刚开始接触 Wylie 方法和 NLOS 误差修正的研究生也适合手里已有 TOA/测距数据、想快速验证算法的工程师。2. 为什么先做 LOS/NLOS Identification误差模型与 Wylie 统计判别法2.1 LOS 与 NLOS 的统计差异是判别的依据定位测距的经典模型可以写成r_i d_i n_i b_id_i是接收机到第 i 个基站的几何距离n_i是接收机热噪声b_i是 NLOS 附加距离。LOS 传播时b_i0测量误差围绕真实距离对称分布NLOS 传播时b_i非负通常是反射路径带来的额外时延。对一辆在城市峡谷中静止的车来说NLOS 偏置在一段时间内接近常数而 LOS 噪声是快变零均值随机量。这个“一慢一快”的差异正是 Wylie 统计判别法能工作的基础。这里需要提醒的是只有多帧观测才能暴露偏置的时间特征如果只有单帧就只能退而求其次用空间残差或信号特征辅助。观测特征LOS 链路NLOS 链路TOA 残差均值围绕 0 m明显正偏常见 5~100 mTOA 残差方差由噪声功率决定较小可能相似或更大时间序列形态零均值白噪声慢变偏置 噪声SNR/C/N0稳定且较高常伴随衰落跳变AoA 谱单一尖峰多径扩散角度展宽这张表的实际用途不是让你把每个指标都做成门限而是提示判别特征宁可少而稳。多数 MATLAB 工程实现最终只取残差均值这一维因为它是 TOA 系统里最直接、最不容易被信号预处理破坏的统计量。2.2 Wylie 方法平滑序列、定位、残差检验Wylie 的原始方法不依赖具体的信道衰落模型只利用 TOA 时间序列的统计特性分为四步。第一步对每条链路的 TOA 序列做时间平滑常用滑动平均第二步用平滑后的测距做一次最小二乘定位第三步计算每个链路的残差序列第四步用残差的均值和方差做假设检验。假设链路 i 是 LOS残差应只含经过平滑后的噪声均值接近零假设是 NLOS残差中会残留一个正偏置。判定式通常写成mean(e_i) k * sigma_isigma_i是 LOS 噪声标准差k由环境风险偏好决定。先平滑的必要性在于单次测量中 NLOS 偏置可能被噪声淹没但平滑把零均值噪声压低偏置保留下来。平滑窗太长又会抹掉车辆移动造成的距离变化所以窗长要和运动速度匹配。这也解释了 Wylie 方法更适合步行速度的室内定位场景车载高速场景需要引入多普勒或 IMU 辅助。与 SVM、神经网络等监督方法相比Wylie 方法不需要预先标注大量 NLOS 样本部署成本低缺点是无法区分纯 LOS 的高动态噪声和 NLOS 慢变偏置因此更适合静态监控和室内慢速定位。2.3 阈值选型固定阈值为什么容易翻车阈值直接决定虚警率和漏检率。k2时识别灵敏但 LOS 噪声偶尔超过 2σ 会让虚警增加k4保守NLOS 偏置不大时漏检概率高。很多初学实现把 k 写死换一个环境就要重新调。常见做法是先采集一段参考位置已知的 LOS 数据统计残差标准差再代入阈值没有参考位置时可以用所有链路的残差中位数估计噪声。观察残差直方图若出现两个峰阈值取峰谷位置比任何固定倍数都可靠。提示不要在阈值里混入定位误差的绝对值。残差本身包含定位误差所以要用同一环境的静态数据标定sigma_i否则阈值会偏大。3. LOSNLOSIDENTIFICATION.m 内部结构与 MATLAB 复现3.1 脚本拆解输入、输出和三个模块这个 m 文件的定位不是做一个通用定位库而是“识别 抑制”的验证脚本。拿到文件后先看脚本头部注释和输入变量确认期望的数据格式如果原始包只有一个脚本通常需要自己构造仿真数据。常见做法是把数据组织成 N×M 的 TOA 矩阵行为观测时隙列为基站编号基站坐标单独存成 M×2 矩阵。输出则是两类一是布尔型链路标签二是一组修正后的测距或位置结果。整个脚本可以拆成三个模块时间平滑、最小二乘定位、残差检验与修正。下面是我把LOSNLOSIDENTIFICATION.m的核心逻辑解耦后的版本保持同样的输入输出便于替换成自己的实验数据。3.2 核心代码Wylie 识别 平滑修正function [flag, rangeCorr] losNlosIdentify(toa, bsPos, sigmaLoS, winLen) % LOSNLOSIDENTIFICATION 的简化解耦版本 % toa : N x M 矩阵N 个观测时隙M 个基站单位秒 % bsPos : M x 2 矩阵基站平面坐标单位米 % sigmaLoS : LOS 噪声标准差单位米用于阈值 % winLen : 平滑窗长时隙数 c 3e8; % 光速m/s range toa * c; % 转换成测距 N size(range, 1); % 1) 时间平滑NLOS 偏置慢变中值滤波可抗粗差 rangeSm movmedian(range, winLen, 1); % 2) 每帧用平滑测距做最小二乘定位 posEst zeros(N, 2); resid zeros(N, size(range, 2)); for t 1:N fun (p) rangeSm(t,:) - ... sqrt(sum((bsPos - p).^2, 2)).; opts optimoptions(lsqnonlin, Display, off); posEst(t,:) lsqnonlin(fun, mean(bsPos,1), [], [], opts); resid(t,:) rangeSm(t,:) - ... sqrt(sum((bsPos - posEst(t,:)).^2, 2)).; end % 3) 残差均值检验LOS 残差近零均值NLOS 残差正偏 flag mean(resid, 1) 3 * sigmaLoS; % 4) 误差抑制用平滑距离替换 NLOS 观测量 rangeCorr range; rangeCorr(:, flag) rangeSm(:, flag); end上面代码的逻辑可以用一句话概括先压低 LOS 噪声再把每条链路的平均残差和噪声标准差比较谁突出谁就是 NLOS。c3e8把 TOA 从秒换成米因为后面残差阈值的单位是米不要和原始 TOA 单位混用。movmedian在第一个维度上做滑动中值滤波窗长winLen的单位是帧数而不是秒中值比均值对 NLOS 快变尖峰更稳健。lsqnonlin用来求解非线性最小二乘位置初值取基站几何中心避免迭代发散。残差计算用平滑测距减去几何距离再对每个基站取平均残差。NLOS 链路的平均残差显著大于零所以用3*sigmaLoS作为判定门限。最后用平滑距离替换原始距离保留 NLOS 偏置的平均趋势这一步是“抑制”而不是“剔除”。参数含义常用初值调整方向sigmaLoSLOS 测距噪声标准差米1~5用静态 LOS 数据统计winLen平滑窗长帧5~10移动速度快时减小k判别系数3 左右虚警高调大漏检高调小3.3 运行注意与两个常见报错第一lsqnonlin属于 Optimization Toolbox旧版或精简版 MATLAB 会报Undefined function lsqnonlin这时可以用fminsearch替换初值用上一帧位置或基站质心低速场景下效果足够。第二TOA 单位错误比如原始数据已经是伪距米数却仍然乘光速会把定位结果直接推到几百公里外残差检验全部失效。第三如果输入只有一帧数据窗口平滑没有意义应把winLen设为 1改用空间残差判别。此外mean(resid, 1) 3 * sigmaLoS这条判定假设每条链路窗口内 NLOS 偏置近似稳定如果偏置明显漂移平均残差会低估偏置需要分段处理而不是继续盲目加窗长。4. 误差抑制的三种落地方式剔除、修正与加权4.1 剔除 NLOS 测量直观但受几何约束单帧定位场景下识别出 NLOS 后最直接的操作是把对应链路从观测矩阵中剔除再做最小二乘定位。代码片段如下flag是上一章函数的输出idxKeep是保留的链路。idxKeep ~flag; if sum(idxKeep) 3 keepDist rangeF(idxKeep); keepPos bsPos(idxKeep,:); opts optimoptions(lsqnonlin,Display,off); posRemove lsqnonlin((p) keepDist - ... sqrt(sum((keepPos - p).^2,2))., ... mean(bsPos,1), [], [], opts); else % 少于3条链路时剔除会导致不可观测 posRemove []; end说明平面定位至少需要 3 个基站距离才能得到唯一解所以保留链路数必须大于等于 3。这个方案看起来直接实际坑在于 GDOP。比如 6 个基站里剔除了 3 个后虽然仍可解算但剩余基站几乎分布在同一方向位置误差反而比不剔除更大。因此当 NLOS 链路占比超过三分之一时优先考虑修正而不是剔除。另一个容易被忽略的点是剔除后的最小二乘仍然是对剩余 LOS 链路做等权拟合如果 LOS 链路数量少、几何条件差还是要回到加权或修正。4.2 偏差修正利用 NLOS 偏置的慢变特性Wylie 的原始做法更偏“修正”而非“剔除”。它在平滑残差中把每条链路的平均偏置估计出来再从原始距离中减掉。实现方式是取上一章残差矩阵resid的均值作为偏置估计% 被标记链路的固定偏置估计 biasEst mean(resid, 1); % 1×M rangeCorr range - biasEst; % 全局减偏置 rangeCorr(:, ~flag) range(:, ~flag); % 只保留NLOS链路的修正需要说明biasEst是从平滑测距的定位残差中估计的并不纯净包含部分定位残差。但在 NLOS 偏置几十米、定位残差几米的场景里能有效把大部分系统性偏差消掉。这个方法的局限同样明显它假设每条链路的 NLOS 偏置在观测窗内不变如果用户从阴影区走到开阔地biasEst会滞后修正后反而引入反向误差。所以修正法更适合静止或慢速的室内监测场景例如仓库 AGV 停靠、病人定位等。使用修正法时建议把偏置估计也存入文件观察它随时间的变化判断该链路是否从 NLOS 切换回 LOS。4.3 加权最小二乘把拒绝做成连续权重另一种思路是不硬切用连续权重把 NLOS 链路的贡献压低。这样既避免彻底丢失几何约束又不会因为二值标签误判带来位置跳变。构造一个权重向量wLOS 链路权重取1/sigmaLoS^2NLOS 链路权重取它的 1/10 或 1/20。然后用带权重的代价函数替换标准最小二乘w ones(M,1) / sigmaLoS^2; w(flag) w(flag) / 10; % NLOS 链路的权重大幅降低 cost (p) sum(w .* (rangeObs - ... sqrt(sum((bsPos - p).^2,2))).^2); posWeighted fminsearch(cost, x0); % x0 取上一帧位置或基站质心注意fminsearch是单纯形搜索初值离真值太远会收敛到局部极小。这里x0不应固定为原点最好用上一帧解算结果或所有基站的加权质心。实际项目中我会先跑一次普通最小二乘得到初值再迭代一次权重解算。加权法的另一层价值是当flag本身不可靠时给 NLOS 链路留一个小权重定位解不会因为单个误判而剧烈摆动这在城市峡谷中比“全删”和“全保留”都稳定。4.4 三种方法怎么选场景推荐方法理由NLOS 占比低、剩余基站充足剔除干净不容易引入新误差NLOS 偏置稳定、站数紧张修正保留观测消除固定偏置标签置信度低、环境动态加权容错避免二值误判导致大幅跳变这个表格本身就是工程判断的第一步如果拿不准 NLOS 标签的可靠性就选加权如果站点冗余足够就选剔除。不同方法对同一个数据集测出的位置可能差好几米最终应结合基站几何分布和真实轨迹的平滑程度来定。举例来说修正后轨迹突然在某帧出现反向台阶而加权法没有那么加权法更适合这个场景。5. 用仿真数据验证识别率混淆矩阵与阈值调优要验证识别逻辑而不是只看一两条定位曲线最好用已知标签的仿真数据跑一遍。先构造一个包含 6 个基站、前 4 个为 LOS、后 2 个为固定 NLOS 偏置的数据集固定随机种子保证可复现。调用第 3 章的losNlosIdentify后把逐链路标签与真值做混淆矩阵。rng(7); truth [0, 0]; bsPos [-100,-100; 100,-100; -100,100; 100,100; 0,200; 200,0]; N 400; M size(bsPos,1); trueDist sqrt(sum((bsPos - truth).^2, 2)); labelsTrue zeros(N, M); labelsTrue(:, 5:6) 1; % 后两条是 NLOS bias zeros(N, M); bias(:, 5:6) 25 randn(N,2)*2; % NLOS 偏置约25m toaSim (repmat(trueDist,N,1) bias randn(N,M)*2) / 3e8; [flagSim, ~] losNlosIdentify(toaSim, bsPos, 2, 7); labelsPred flagSim(:); cm confusionmat(labelsTrue(:), labelsPred); confusionchart(cm, {LOS,NLOS});这段代码把 NLOS 偏置设成 25m 加上小幅随机抖动噪声 sigma 2m窗长 7 帧。运行后重点看两个数左上角是 LOS 被判对的样本右下角是 NLOS 被判对的样本。如果虚警高把判别系数提到 4如果漏检高先不要盲目调低 k先看漏检的是哪些时隙。常见情况是 NLOS 偏置刚好等于 25m而阈值3*26m理论上能检出但窗口边缘因为中值滤波没完全建立偏置被低估漏检集中在前 3 帧。此时把winLen从 7 调小到 5比把 k 从 3 调到 2 更有效。在阈值已经调过两轮仍出现漏检时我一般会先看movmedian的窗长是否大于 NLOS 阻塞事件的持续时隙数而不是继续降低 k。本文还有配套的精品资源点击获取