CN104569907B - 基于神经网络的无线定位方法、***及路侧单元 - Google Patents

基于神经网络的无线定位方法、***及路侧单元 Download PDF

Info

Publication number
CN104569907B
CN104569907B CN201410447334.3A CN201410447334A CN104569907B CN 104569907 B CN104569907 B CN 104569907B CN 201410447334 A CN201410447334 A CN 201410447334A CN 104569907 B CN104569907 B CN 104569907B
Authority
CN
China
Prior art keywords
data
neural network
gathered
output
neuron
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201410447334.3A
Other languages
English (en)
Other versions
CN104569907A (zh
Inventor
杨耿
张学诚
徐根华
黄日文
林树亮
周维
何守勇
杨成
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Genvict Technology Co Ltd
Original Assignee
Shenzhen Genvict Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Genvict Technology Co Ltd filed Critical Shenzhen Genvict Technology Co Ltd
Priority to CN201410447334.3A priority Critical patent/CN104569907B/zh
Publication of CN104569907A publication Critical patent/CN104569907A/zh
Application granted granted Critical
Publication of CN104569907B publication Critical patent/CN104569907B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S3/00—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received
    • G01S3/02—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received using radio waves
    • G01S3/74—Multi-channel systems specially adapted for direction-finding, i.e. having a single antenna system capable of giving simultaneous indications of the directions of different signals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于神经网络的无线定位方法、***及路侧单元，该无线定位方法包括：采集来自目标的无线信号数据，所采集的数据包括无线信号的幅度和/或相位和/或功率；对所采集的数据进行预处理；将预处理后的数据输入到预先建立的神经网络模型中，并将所述神经网络模型的输出作为目标的定位结果。实施本发明的技术方案，能够自适应识别信号的微小区别，给出更精确的定位结果。

Description

基于神经网络的无线定位方法、***及路侧单元
技术领域
本发明涉及无线定位领域，尤其涉及一种基于神经网络的无线定位方法、***及路侧单元。
背景技术
目前利用天线阵列对无线信号的相位或幅度进行处理来估计空间信号的方位，从而得到无线信号对应目标的位置的方法主要有1.MUSIC(Multiple SignalClassification多信号分类)算法以及改进算法、2.相位法相干信号解模糊以及改进算法、3.基于概率的统计方法。上述多种算法都是基于某一类准则，去估计最大可能出现的无线信号角度方向，虽然各有优缺点。但是由于其本身都是基于某一准则去估计，所以对于微小差别都无能为力。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述定位时无法识别微小差别的缺陷，提供一种基于神经网络的无线定位方法、***及路侧单元，能在定位时识别微小差别。
本发明解决其技术问题所采用的技术方案是：构造一种基于神经网络的无线定位方法，包括：
S1.采集来自目标的无线信号数据，所采集的数据包括无线信号的幅度和/或相位和/或功率；
S2.对所采集的数据进行预处理；
S3.将预处理后的数据输入到预先建立的神经网络模型中，并将所述神经网络模型的输出作为目标的定位结果。
在本发明所述的基于神经网络的无线定位方法中，神经网络模型根据下列步骤建立：
S31.根据所要采集的数据的个数确定输入神经元的个数，所要采集的数据的个数与天线阵元的个数相关；
S32.确定输出神经元的个数；
S33.确定神经元中间层数及中间层神经元个数；
S34.在训练时采集来自已知目标的无线信号数据，并对所采集的数据进行预处理；
S35.将一部分步骤S34所预处理后的数据用来训练神经网络模型，并通过不断修改各神经元间的权重，直至所述神经网络模型符合预设规则的收敛。
在本发明所述的基于神经网络的无线定位方法中，
所述神经网络模型的输出类型为定位区域时，将需定位的区域划分成M个预设区域，单个输出神经元具有两类输出状态，故神经网络模型的输出共有2N类输出状态，其中N为输出神经元的个数，每类神经网络模型的输出状态为空或与一个预设区域对应，如果输出状态与一个预设区域对应，即确定目标在对应的预设区域内。
在本发明所述的基于神经网络的无线定位方法中，
所述神经网络模型的输出类型为为相对坐标时，所述输出神经元的个数为2，所述输出神经元的输出为坐标值。
在本发明所述的基于神经网络的无线定位方法中，所述步骤S2包括：
对所采集的无线信号进行预处理，获得瞬时幅度值；或；
对预设时间内所采集的无线信号的进行预处理，获得所述无线信号的平均功率值；或；
对预设时间内所采集的无线信号进行预处理，获得不同天线阵元之间无线信号的相位差。
本发明还构造一种路侧单元，包括：
采集模块，用于采集来自电子标签的无线信号数据，所采集的数据包括无线信号的幅度和/或相位和/或功率；
预处理模块，用于对所采集的数据进行预处理；
神经网络处理模块，用于将预处理后的数据输入到预先建立的神经网络模型中，并将所述神经网络模型的输出作为携带电子标签的车辆的定位结果。
在本发明所述的路侧单元中，所述神经网络处理模块包括：
输入模块，用于根据所要采集的数据的个数确定输入神经元的个数，所要采集的数据的个数与天线阵元的个数相关；
输出模块，用于确定输出神经元的个数；
中间模块，用于确定神经元中间层数及中间层神经元个数；调整模块，用于使用在训练时采集及预处理后的来自已知位置的电子标签的无线信号数据训练神经网络模型，并通过不断修改各神经元间的权重，直至所述神经网络模型符合预设规则的收敛。
在本发明所述的路侧单元中，所述采集模块包括：
天线阵列，用于接收来自电子标签的无线信号，所述天线阵列为相控阵天线；
射频接收机，用于对所述天线阵列所接收的无线信号进行解调；
模拟信号处理器，用于对所述射频接收机解调后的信号进行处理；
模数转换器，用于对所述处理器处理后的信号进行模数转换。
本发明还构造一种基于神经网络的无线定位***，包括：
采集模块，用于采集来自目标的无线信号数据，所采集的数据包括无线信号的幅度和/或相位和/或功率，所述采集模块为多个天线；
控制模块，用于对所采集的数据进行预处理，并将预处理后的数据输入到预先建立的神经网络模型中，且将所述神经网络模型的输出作为目标的定位结果。
在本发明所述的基于神经网络的无线定位***中，所述控制模块包括：
第一输入模块，用于根据所要采集的数据的个数确定输入神经元的个数，所要采集的数据的个数与天线阵元的个数相关；
第一输出模块，用于确定输出神经元的个数；
第一中间模块，用于确定神经元中间层数及中间层神经元个数；
第一调整模块，用于使用在训练时采集及预处理后的来自已知目标的无线信号数据训练神经网络模型，并通过不断修改各神经元间的权重，直至所述神经网络模型符合预设规则的收敛。
实施本发明的技术方案，通过利用神经网络(artificial neural network，ANN)技术，对所采集到的无线信号数据进行融合处理，自适应识别信号的微小区别，给出更精确的定位结果。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明基于神经网络的无线定位方法实施例一的流程图；
图2是神经网络模型建立方法实施例一的流程图；
图3A-3E分别是不同输出神经元个数与目标点定位结果的关系示意图；
图4是三阵元天线阵列的示意图；
图5是神经网络模型中各神经元间权重实施例一的示意图；
图6是本发明路侧单元实施例一的逻辑图；
图7是本发明一种基于神经网络的无线定位***实施例一的逻辑图。
具体实施方式
中国专利ZL200480025276.X公开了一种人工神经网络的建立方法，人工神经网络(artificial neural network，缩写ANN)，简称神经网络(neural network，缩写NN)，是近年来兴起的一种模仿生物神经网络的结构和功能的数学模型或计算模型。神经网络由大量的人工神经元联结进行计算。大多数情况下人工神经网络能在外界信息的基础上改变内部结构，是一种自适应***。现代神经网络是一种非线性统计性数据建模工具，常用来对输入和输出间复杂的关系进行建模，或用来探索数据的模式。
通过运用人工神经网络的学习能力，可以使得通过天线阵列定位目标位置自适应的识别微小的差别，从而提高识别精度。
图1是本发明基于神经网络的无线定位方法实施例一的流程图，该基于神经网络的无线定位方法包括：
S1.采集来自目标的无线信号数据，所采集的数据包括无线信号的幅度和/或相位和/或功率，即，所采集的数据可以包括幅度、相位、功率中的一个，也可以是幅度、相位、功率的任意组合；
S2.对所采集的数据进行预处理，数据的预处理例如包括数据清理、数据集成、数据变换、数据归约等，在一个实施例中，可对所采集的无线信号的幅度进行预处理，以获得瞬时幅度值；或者，对预设时间内所采集的无线信号的相位进行预处理，以获得不同天线阵元之间无线信号的相位差，及对预设时间内所采集的无线信号的功率的进行预处理，获得所述无线信号的平均功率值。另外，多阵元天线阵列分别采集来自目标所发送的无线信号的相位数据，在预处理时，分别计算出任意两个阵元所采集的相位数据的差值，然后还可分别对这些相位数据的差值进行归一化处理；
S3.将预处理后的数据输入到预先建立的神经网络模型中，并将所述神经网络模型的输出作为目标的定位结果。
图2是神经网络模型建立方法实施例一的流程图，该实施例的神经网络模型根据下列步骤建立：
S31.根据所要采集的数据的个数确定输入神经元的个数，所要采集的数据的个数与天线阵元的个数相关；
S32.确定输出神经元的个数；
S33.确定神经元中间层数及中间层神经元个数；
S34.在训练时采集来自已知目标的无线信号数据，并对所采集的数据进行预处理；S35.将一部分步骤S34所预处理后的数据用来训练神经网络模型，并通过不断修改各神经元间的权重，直至所述神经网络模型符合预设规则的收敛。
在步骤S31中，确定输入神经元的个数可根据需要采集的数据的个数，例如，三阵元天线阵列采集的相位数据有三个，所采集的三个相位数据经预处理后可以转换成三个相位差的数据，若要采集两个数据。可确定输入神经元的个数为两个，将这任意两个相位差的数据输入到该两个输入神经元。由上可知，当阵元为3个，采集的数据为相位差时，输入神经元最多为3个，当然也可以少于3个。当采集的数据为相位或功率，或三种的任意结合时，其输入神经元和阵元的关系也符合上述规则。
在步骤S32中，确定输出神经元的个数可根据用户的实际需求。例如，在对车辆定位时，车辆上的OBU(On Board Unit，车载单元)向RSU(Road Side Unit，路侧单元)发送无线信号，RSU通过对所接收的无线信号进行预处理和人工神经网络处理，可定位出车辆的位置。在这个过程中，神经网络模型的输出类型可为定位区域，也可为相对坐标。
神经网络模型的输出类型为定位区域时，将需定位的区域划分成M个预设区域，单个输出神经元具有两类输出状态，故神经网络模型的输出共有2N类输出状态，其中N为输出神经元的个数，每类神经网络模型的输出状态为空或与一个预设区域对应，如果输出状态与一个预设区域对应，即确定目标在对应的预设区域内。
例如，在一个实施例中，如图3A所示，如果只需定位出车辆在本车道区域①还是在邻车道区域②，此时，可确定出输出神经元的个数为一个。当该输出神经元输出0时，表示车辆在本车道区域①，当该输出神经元输出1时，表示车辆在邻车道区域②。在另一个实施例中，如图3B所示，如果需要定位出车辆在本车道的特定区域①(例如设定的交易位置)、本车道的其它两个区域②、③(例如驶入区域和驶出区域)或邻车道区域④，此时，可确定出输出神经元的个数为两个，当该两个输出神经元输出00时，表示车辆在本车道区域①；当该两个输出神经元输出01时，表示车辆在本车道区域②；当该两个输出神经元输出10时，表示车辆在本车道区域③，当该两个输出神经元输出11时，表示车辆在邻车道区域④。同样地，在其它实施例中，如图3C所示，如果需要定位出车辆在所分类的八个区域中的哪一个，可确定出输出神经元的个数为三个。如图3D所示，如果需要定位出车辆在所分类的二十个区域中的哪一个，可确定出输出神经元的个数为五个，需说明的是，在输出神经元的个数为五个，所划分的区域为二十个时，五个输出神经元所输出的一部分值对应无效区域或多个值对应同一个区域。
定位区域的个数、输出神经元的个数、输出神经元的输出值的对应关系如表1所示：
表1
在神经网络模型的输出类型为相对坐标时，输出神经元的个数为两个，所述输出神经元的输出为坐标值。相对坐标建立方式为：RSU垂点为原点，车道为Y轴，过原点且与车道垂直的为X轴。在两个输出神经元中，一个输出神经元用来输出x坐标值，另一个输出神经元用来输出y坐标值，如图3E所示，两个输出神经元的输出的定位结果为(1.2,4.6)。
在步骤S33中，确定神经元中间层数及中间层神经元个数，即确定中间层神经元。神经元中间层数一般小于等于3，理论上，中间层数越多越精确。在实际中可根据情况进行调整。表2为神经元中间层层数及中间层神经元个数的一个参考表：
表2
在步骤S35中，步骤S34中数据的采集及预处理是为了训练神经网络模型，此时，在车道上，应对车载单元在每一个已定位区域内时，采集相应的无线信号数据，并标记车载单元所在的区域。例如，表3是在定位区域为两个时，分别采集类别1和类别2中某一已知位置的车载单元的相位数据表。在对相位数据进行预处理后，输入到神经网络模型中，并修改各神经元间的权重，在另一些实施例中，还可以修改阀值，不断变换车载单元的位置或在同一位置再次采集并重复上述步骤，直至该神经网络模型符合预设规则的收敛，从而最终确定各神经元间的权重。另外，为了使得训练的结果不完全受限于训练数据，如果用100％的数据训练，得到的结果是一个本地最小误差，而不是全局最小误差，使用2/3左右的数据来训练，所得到的结果符合收敛规则后，拿另外1/3的数据对训练结果进行验证，所取得的权重理论上是适用于所有数据的全局最小误差。采用1/3的数据用来做验证，可以确保另外2/3的数据训练出来是可靠的。
优选地，收敛规则有两个：一个是训练的次数大于某一值，比如100百万次；一个是整体误差小于某一个值。训练时按其中之一进行，或者两个中某一个达到即可。
序号 相位1 相位2 相位3 相位4 相位5 相位6 相位7 相位8 类别
1 7665 566 1267 45678 -876 -9867 -9876 876 1
2 -9867 -987 8765 19876 8873 -123 -222 134 2
表3
下面结合图4和图5说明一个实施例中神经网络模型的各个参数：三阵元天线阵列分别采集无线信号的相位数据，该相位数据在预处理时，阵元A所采集的相位数据与阵元B所采集的相位数据的差值为p2，阵元C所采集的相位数据与阵元B所采集的相位数据的差值为p1。而且，将p1、p2归一化为小数，设x0＝p1/m,x1＝p2/m，m为归一化参数。然后将x0、x1作为人工神经网络模型的输入。另外，在该神经网络模型中，所构建的输入神经元的个数为两个、输出神经元的个数为一个、神经元的中间层数为一层，该中间层神经元的个数为六个。而且，六个中间层神经元相对于第一个输入神经元间的权重分别为：w01、w02、w03、w04、w05、w06，六个中间层神经元相对于第二个输入神经元间的权重分别为：w11、w12、w13、w14、w15、w16，输出神经元相对于六个中间层神经元间的权重分别为：v1、v2、v3、v4、v5、v6，输出神经元的输出结果为y。最终确定的判决函数为：
y＝sum(vk*ok),k＝1,2,3,4,5,6
ok＝sum(w0k*x0+w1k*x1)
优选地，可将训练好的神经网络模型的参数配置到FPGA或ARM中。另外，采集数据的预处理也可在FPGA或ARM中进行。
图6是本发明路侧单元实施例一的逻辑图，该路侧单元包括依次连接的采集模块10、预处理模块20和神经网络处理模块30，其中，采集模块10用于采集来自电子标签的无线信号数据，所采集的数据包括无线信号的幅度和/或相位和/或功率；预处理模块20用于对所采集的数据进行预处理；神经网络处理模块30用于将预处理后的数据输入到预先建立的神经网络模型中，并将所述神经网络模型的输出作为携带电子标签的车辆的定位结果。
优选的，所述神经网络处理模块包括：输入模块，用于根据所要采集的数据的个数确定输入神经元的个数，所要采集的数据的个数与天线阵元的个数相关；输出模块，用于确定输出神经元的个数；中间模块，用于确定神经元中间层数及中间层神经元个数；调整模块，用于使用在训练时采集及预处理后的来自已知位置的电子标签的无线信号数据训练神经网络模型，并通过不断修改各神经元间的权重，直至所述神经网络模型符合预设规则的收敛。
优选地，采集模块包括依次连接的天线阵列、射频接收机、模拟信号处理器和模数转换器。其中，天线阵列用于接收来自电子标签的无线信号，该天线阵列优选为相控阵天线；射频接收机用于对所述天线阵列所接收的无线信号进行解调；处理器用于对所述射频接收机解调后的信号进行处理；模数转换器用于对所述处理器处理后的信号进行模数转换。
优选地，预处理模块20和神经网络处理模块30可集成在FPGA或ARM中。
图7是本发明一种基于神经网络的无线定位***实施例一的逻辑图，该实施例的基于神经网络的无线定位***包括采集模块和控制模块，其中，采集模块用于采集来自目标的无线信号数据，所采集的数据包括无线信号的幅度和/或相位和/或功率，该采集模块包括多个天线；控制模块用于对所采集的数据进行预处理，并将预处理后的数据输入到预先建立的神经网络模型中，且将所述神经网络模型的输出作为目标的定位结果。
优选的，所述控制模块包括：第一输入模块，用于根据所要采集的数据的个数确定输入神经元的个数，所要采集的数据的个数与天线阵元的个数相关；第一输出模块，用于确定输出神经元的个数；第一中间模块，用于确定神经元中间层数及中间层神经元个数；第一调整模块，用于使用在训练时采集及预处理后的来自已知目标的无线信号数据训练神经网络模型，并通过不断修改各神经元间的权重，直至所述神经网络模型符合预设规则的收敛。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (7)

1.一种基于神经网络的无线定位方法，其特征在于，包括：
S1.采集来自目标的无线信号数据，所采集的数据包括无线信号的幅度和/或相位和/或功率；
S2.对所采集的数据进行预处理；
S3.将预处理后的数据输入到预先建立的神经网络模型中，并将所述神经网络模型的输出作为目标的定位结果；
其中，神经网络模型根据下列步骤建立：
S31.根据所要采集的数据的个数确定输入神经元的个数，所要采集的数据的个数与天线阵元的个数相关；
S32.确定输出神经元的个数；
S33.确定神经元中间层数及中间层神经元个数；
S34.在训练时采集来自已知目标的无线信号数据，并对所采集的数据进行预处理；
S35.将一部分步骤S34所预处理后的数据用来训练神经网络模型，并通过不断修改各神经元间的权重和阀值，直至所述神经网络模型符合预设规则的收敛。
2.根据权利要求1所述的基于神经网络的无线定位方法，其特征在于，
所述神经网络模型的输出类型为定位区域时，将需定位的区域划分成M个预设区域，单个输出神经元具有两类输出状态，故神经网络模型的输出共有2N类输出状态，其中N为输出神经元的个数，每类神经网络模型的输出状态为空或与一个预设区域对应，如果输出状态与一个预设区域对应，即确定 目标在对应的预设区域内。
3.根据权利要求1所述的基于神经网络的无线定位方法，其特征在于，
所述神经网络模型的输出类型为相对坐标时，所述输出神经元的个数为2，所述输出神经元的输出为坐标值。
4.根据权利要求1-3任一项所述的基于神经网络的无线定位方法，其特征在于，所述步骤S2包括：
对所采集的无线信号进行预处理，获得瞬时幅度值；或；
对预设时间内所采集的无线信号进行预处理，获得所述无线信号的平均功率值；或；
对预设时间内所采集的无线信号进行预处理，获得不同天线阵元之间无线信号的相位差。
5.一种路侧单元，其特征在于，包括：
采集模块，用于采集来自电子标签的无线信号数据，所采集的数据包括无线信号的幅度和/或相位和/或功率；
预处理模块，用于对所采集的数据进行预处理；
神经网络处理模块，用于将预处理后的数据输入到预先建立的神经网络模型中，并将所述神经网络模型的输出作为携带电子标签的车辆的定位结果；
其中，所述神经网络处理模块包括：
输入模块，用于根据所要采集的数据的个数确定输入神经元的个数，所要采集的数据的个数与天线阵元的个数相关；
输出模块，用于确定输出神经元的个数；
中间模块，用于确定神经元中间层数及中间层神经元个数；
调整模块，用于使用在训练时采集及预处理后的来自已知位置的电子标 签的无线信号数据训练神经网络模型，并通过不断修改各神经元间的权重和阀值，直至所述神经网络模型符合预设规则的收敛。
6.根据权利要求5所述的路侧单元，其特征在于，所述采集模块包括：
天线阵列，用于接收来自电子标签的无线信号，所述天线阵列为相控阵天线；
射频接收机，用于对所述天线阵列所接收的无线信号进行解调；
模拟信号处理器，用于对所述射频接收机解调后的信号进行处理；
模数转换器，用于对所述处理器处理后的信号进行模数转换。
7.一种基于神经网络的无线定位***，其特征在于，包括：
采集模块，用于采集来自目标的无线信号数据，所采集的数据包括无线信号的幅度和/或相位和/或功率，所述采集模块为多个天线；
控制模块，用于对所采集的数据进行预处理，并将预处理后的数据输入到预先建立的神经网络模型中，且将所述神经网络模型的输出作为目标的定位结果；
其中，所述控制模块包括：
第一输入模块，用于根据所要采集的数据的个数确定输入神经元的个数，所要采集的数据的个数与天线阵元的个数相关；
第一输出模块，用于确定输出神经元的个数；
第一中间模块，用于确定神经元中间层数及中间层神经元个数；
第一调整模块，用于使用在训练时采集及预处理后的来自已知目标的无线信号数据训练神经网络模型，并通过不断修改各神经元间的权重和阀值，直至所述神经网络模型符合预设规则的收敛。
CN201410447334.3A 2014-09-04 2014-09-04 基于神经网络的无线定位方法、***及路侧单元 Active CN104569907B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410447334.3A CN104569907B (zh) 2014-09-04 2014-09-04 基于神经网络的无线定位方法、***及路侧单元

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410447334.3A CN104569907B (zh) 2014-09-04 2014-09-04 基于神经网络的无线定位方法、***及路侧单元

Publications (2)

Publication Number Publication Date
CN104569907A CN104569907A (zh) 2015-04-29
CN104569907B true CN104569907B (zh) 2017-05-17

Family

ID=53086428

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410447334.3A Active CN104569907B (zh) 2014-09-04 2014-09-04 基于神经网络的无线定位方法、***及路侧单元

Country Status (1)

Country Link
CN (1) CN104569907B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104951832B (zh) * 2015-06-05 2017-07-11 大连理工大学 一种基于人工鱼群算法的车联网路侧单元优化部署方法
CN106355245B (zh) * 2016-09-12 2018-09-21 哈尔滨工业大学 一种基于神经网络算法的阵列天线方向图综合方法
WO2018204672A1 (en) 2017-05-03 2018-11-08 Oshea Timothy James Learning radio signals using radio signal transformers
CN109696698B (zh) * 2019-03-05 2021-03-12 湖南国科微电子股份有限公司 导航定位预测方法、装置、电子设备及存储介质
CN109922427B (zh) * 2019-03-06 2020-09-11 东南大学 利用大规模阵列天线的智能无线定位***和方法
CN112288897B (zh) * 2020-09-30 2022-08-30 深圳市金溢科技股份有限公司 基于深度学习的车载单元定位方法以及路侧单元

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1930490A (zh) * 2003-11-25 2007-03-14 麦卡利斯有限公司 目标探测方法和设备
CN101099090A (zh) * 2005-01-11 2008-01-02 极星公司 定位装置与方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8041333B2 (en) * 2007-06-14 2011-10-18 Broadcom Corporation Method and system for 60 GHz antenna adaptation and user coordination based on base station beacons
US7800541B2 (en) * 2008-03-31 2010-09-21 Golba Llc Methods and systems for determining the location of an electronic device

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1930490A (zh) * 2003-11-25 2007-03-14 麦卡利斯有限公司 目标探测方法和设备
CN101099090A (zh) * 2005-01-11 2008-01-02 极星公司 定位装置与方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
《车联网环境下交通信息采集与处理方法研究》;周户星;《中国博士学位论文全文数据库 工程科技II辑》;20130815(第08期);正文第1-2、11、18-19、26、29、36、40、53-55、58、81-82、86-87页 *

Also Published As

Publication number Publication date
CN104569907A (zh) 2015-04-29

Similar Documents

Publication Publication Date Title
CN104569907B (zh) 基于神经网络的无线定位方法、***及路侧单元
Kusiak et al. Modeling and prediction of rainfall using radar reflectivity data: A data-mining approach
CN110160541B (zh) 运动轨迹的重构方法和装置、存储介质、电子装置
CN102169584B (zh) 基于分水岭和treelet的遥感图像变化检测方法
CN104808688B (zh) 一种无人机曲率连续可调路径规划方法
CN105975913B (zh) 一种基于自适应聚类学习的道路网提取的方法
Han et al. Groundwater level prediction using a SOM-aided stepwise cluster inference model
CN105101408A (zh) 基于分布式ap选择策略的室内定位方法
CN106680775A (zh) 一种自动识别雷达信号调制方式的方法和***
CN109446889A (zh) 基于孪生匹配网络的物体追踪方法及装置
CN101448267A (zh) 基于粒子群算法的无线传感器网络节点覆盖优化方法
CN101459915A (zh) 基于遗传算法的无线传感器网络节点覆盖优化方法
CN110490507B (zh) 一种物流网络的新增线路检测方法、装置及设备
CN108475358A (zh) 用于评价驾驶员的行程性能的方法和***
CN112748397A (zh) 一种非视距条件下基于自适应bp神经网络的uwb定位方法
CN102162847A (zh) 一种基于奇异值分解的高效航迹相关方法
CN107135541A (zh) 基于optics密度聚类和bp神经网络的超宽带室内定位方法
CN108369682A (zh) 用于评价驾驶员的行程性能的方法和***
CN106918341A (zh) 用于构建地图的方法和设备
CN108475359A (zh) 用于评价驾驶员的行程性能的方法和***
CN102853836A (zh) 一种基于航迹质量的反馈加权融合方法
CN106803128A (zh) 光伏发电的预测方法和装置
CN105185106A (zh) 一种基于粒计算的道路交通流参数预测方法
CN107437147A (zh) 还原货运物流情景的车辆行驶风险动态评估方法及其***
CN109543704A (zh) 汽车及车载雷达的多目标聚类方法、装置

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant