具体实施方式
本发明实施例提供一种移动终端的定位方法,采用人工神经网络模型,对各个基站训练确定统一的训练模型,通过采集各基站的小区标识、各个采样点的信号强度,采样距离,对训练模型进行训练,获得表征小区标识、信号强度和采样距离间的映射关系的训练模型。在后续对移动终端定位时,只需将小区标识以及信号强度作为输入,和训练模型的前向推导矩阵相乘,即可获得移动终端和基站间的距离。通过这种神经网络的训练方法,获得的训练模型的前向推导矩阵,能够反映小区标识、信号强度和距离的映射关系,能够对基站的信号场进行模型化,对于信号漂移、干扰造成的误差能够进行弱化,从而提升利用基站的信号强度定位移动终端的定位精度。
本发明实施例提供的移动终端的定位方法,需要包括以下三部分:1)采样数据样本;2)对各基站进行统一的模型训练,确定前向推导矩阵;3)确定移动终端与基站的距离。
如图1所示,为采样数据样本的流程图,包括:
S101、确定采样基站,并获得采样基站的小区标识;
采样基站的小区标识可由移动终端从移动终端协议栈中读取;
S102、确定采样距离;
采样距离,即采样点距离基站的距离;
S103、在每个采样距离上采集至少一个信号强度;
在每个采样点,即采样距离上采集移动终端接收到的信号强度,在每个采样点上采集的信号强度至少一个,采集的信号强度可由移动终端从移动终端的协议栈中读取,采集的信号强度以能够反应该点的信号变化规律作为结束。
对所有需要训练的基站都通过上述步骤进行采样,获得“小区标识—采样距离—信号强度”的二维表,如果需要训练的基站已经建立了信号强度与距离的对应关系数据库,则可不必进行采样。
将采集的数据样本,即小区标识、信号强度以及对应的采样距离,保存到数据库中,采样的过程,可由移动终端侧执行,并保存,或者由服务器侧记录采样距离,由移动终端侧读取信号采样基站的小区标识以及信号强度,并上报服务器,服务器保存小区标识、信号强度以及对应的采样距离。
通过上述步骤,完成了数据样本的采集过程,并可以将采集的数据样本保存到训练模型的数据库中。接下来进行模型训练过程。为了实现能够根据小区标识以及信号强度自动获得移动终端和基站的距离,需要训练确定小区标识、信号强度和距离的对应关系。本发明实施例中采用的训练模型为神经网络模型,通过训练模型建立输入为小区标识、信号强度,以及输出为距离的对应关系。
如图2所示,为对各基站进行统一的模型训练确定前向推导矩阵的流程图,包括:
S201、确定训练模型的输入参数个数以及输出值个数;
其中,本发明实施例中输入参数确定为两个(小区标识、信号强度),输出值个数为一个,即距离;
S202、确定前向推导矩阵的个数和维数;
前向推导矩阵可以是只由一个矩阵组成,或者由几个矩阵相乘获得;
前向推导矩阵的维数,是指矩阵的行数及列数;
其中,前向推导矩阵至少由一个矩阵组成;并且,前向推导矩阵的个数和维数可以根据训练模型的数据库的规模和矩阵的实际训练结果进行调整,例如:可以定为[2,M]、[M,N]、[N,1],其中,[2,M]为2行M列的矩阵,[M,N]为M行N列矩阵;矩阵的数值,也就是矩阵中的各个数值(即权值),可以初始化为[—1,1]之间的随机数;
S203、从数据库中读取小区标识、以及信号强度作为输入,和前向推导矩阵相乘,运算得到测试距离;
从数据库中读取小区标识、信号强度作为输入,计算获得测试距离;
S204、根据得到的测试距离,和记录的采样距离比较,获得距离误差;
根据计算获得的测试距离,和数据库中该组数据对应的采样距离相比,获得距离误差;
将数据库中的所有小区标识、信号强度均进行上述计算,获得测试距离以及距离误差;
S205、确定各个测试距离误差的平均距离误差;
S206、判断平均距离误差是否满足设定的精度条件,如果是,执行步骤S207,如果否,则执行步骤S208;
S207、将当前的前向推导矩阵确定为训练后的前向推导矩阵;
S208、反向调整前向推导矩阵中的数值,直到平均距离误差满足设定的精度条件,则将调整后的前向推导矩阵确定为训练后的前向推导矩阵;
S209、如果经过反向调整后,平均距离误差仍然不能满足设定的精度条件,则返回步骤S202,重新确定前向推导矩阵的个数及维数,重新训练,直到平均距离误差满足设定的精度条件。
其中,设定的精度条件可根据需要设定,例如可设定平均误差小于某个固定值,在本发明实施例中并不限定精度条件的设定。
通过上述步骤S201~S209,对各基站进行统一的模型训练确定前向推导矩阵,在后续定位移动终端时,只需要确定小区标识以及信号强度,作为输入,同训练模型的前向推导矩阵相乘,即可获得移动终端和基站间的距离。
确定前向推导的过程,可以由移动终端完成并发给定位服务器,或者也可以由网络侧的定位服务器完成并发给移动终端,确定的前向对到矩阵可以保存在移动终端,以便移动终端能够根据接收的信号强度以及所处驻留基站的小区标识进行定位,也可以保存在定位服务器,以便定位服务器能够根据移动终端接收的信号强度以及移动终端所处的驻留基站对移动终端进行定位,并发送给移动终端。
当前向推导矩阵保存在移动终端时,前向推导矩阵被记录在配置文件中,以防止移动终端掉电的时候丢失这些参数。
如图3所示,为本发明实施例提供的移动终端的定位方法流程图,包括:
S301、确定移动终端当前的驻留基站;
S302、判断移动终端当前的驻留基站是否经过训练模型的训练,如果是,执行步骤S303,如果否,执行步骤S304;
基站经过训练模型的训练,是指在对各基站进行统一的训练确定前向推导矩阵的过程中,训练模型的数据库中的数据样本(即数据库中的小区标识、信号强度以及对应的采样距离)中包含对该基站的采集的数据。
S303、将当前的驻留基站的小区标识以及当前移动终端接收到的信号强度作为输入,同训练模型的前向推导矩阵相乘,获得移动终端和驻留基站的距离,执行步骤S304;
S304、使用公式法或者数据库法获得移动终端和基站的距离,执行步骤S305;
公式法或者数据库法,为背景技术中提到的定位移动终端和基站间距离的方法,这里不再详细描述。
S305、根据移动终端和驻留基站的距离以及驻留基站的位置信息,定位移动终端。
根据获得的移动终端和驻留基站的距离以及驻留基站的位置信息,定位移动终端,并显示;
或者进一步获得移动终端和邻区基站的距离,以及邻区基站的位置信息,根据三角定位法,确定移动终端的位置。确定移动终端和邻区基站的距离的方法,可以采用CDMA网络中的码片时延的方法,或者其他的方法,这里不再一一赘述。
上述定位的过程同样可以由移动终端或者网络侧的定位服务器完成。
上述实施例中是以采集小区标识、信号强度与采样距离训练确定前向推导矩阵,在本发明实施例中还可以以小区标识、信号强度与采样坐标作为采样数据,训练确定前向推导矩阵,方法与上述方法相似。
其中,在步骤S102、S103中需要确定采样坐标,并在每一个采样坐标上采集至少一个信号强度,在训练模型的数据库中保存小区标识、采样坐标以及信号强度的二维表。
在步骤S201~S209中,输入参数仍然是小区标识以及信号强度,输出参数为计算的测试坐标,并根据各个测试坐标与记录的采样坐标(即期望值)的误差,确定平均坐标误差,根据平均坐标误差反向调整前向推导矩阵,直到误差满足坐标误差精度。
在步骤S301~S305中,可根据当前的驻留基站的小区标识以及当前移动终端接收到的信号强度作为输入,同训练模型的前向推导矩阵相乘,获得移动终端的坐标,定位移动终端。
本发明实施例的上述方法,可以在移动终端侧,由移动终端完成,或者网络侧的定位服务器完成。
本发明实施例还提供一种移动终端的定位装置,如图4所示,包括:
基站确定模块41,用于确定移动终端的驻留基站;
距离确定模块42,用于将所述移动终端驻留基站的小区标识以及当前的信号强度同训练模型的前向推导矩阵相乘,获得移动终端和驻留基站的距离,当以小区标识、信号强度为输入参数,采和前向推导矩阵相乘后,输出值即为移动终端和驻留基站的距离。
该训练模型为神经网络模型,当以小区标识、信号强度为输入参数,采和前向推导矩阵相乘后,输出值即移动终端和所述驻留基站的距离。
较佳地,上述装置还包括:
训练模块43,用于预先对各个基站进行统一的模型训练确定前向推导矩阵。
其中,训练模块43,具体用于对每个基站分别执行:确定该基站的小区标识以及采样距离,在每个采样距离上,采集至少一个信号强度,将采集的小区标识、采集的信号强度以及对应的采样距离保存;设置前向推导矩阵的个数和维数,将采集的每一个小区标识、信号强度作为输入,和前向推导矩阵进行矩阵乘法运算,获得测试距离;根据各个测试距离与采样距离的误差,确定平均距离误差;判断平均距离误差是否满足设定的精度条件,如果是,直接将前向推导矩阵确定为训练后的前向推导矩阵,如果否,反向调整前向推导矩阵中的数值,直到平均距离误差满足设定的精度条件,则将调整后的前向推导矩阵确定为训练后的前向推导矩阵。
本发明实施例提供的移动终端的定位方法,采用人工神经网络模型,对各个基站训练确定统一的训练模型,通过采集各基站的小区标识、各个采样点的信号强度,采样距离,对训练模型进行训练,获得表征小区标识、信号强度和采样距离间的映射关系的训练模型。在后续对移动终端定位时,只需将小区标识以及信号强度作为输入,和训练模型的前向推导矩阵相乘,即可获得移动终端和基站间的距离。通过这种神经网络的训练方法,获得的训练模型的前向推导矩阵,能够反映小区标识、信号强度和距离的映射关系,能够对基站的信号场进行模型化,对于信号漂移、干扰造成的误差能够进行弱化,从而提升利用基站的信号强度定位移动终端的定位精度。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。