CN110557829A - 一种融合指纹库的定位方法及定位装置 - Google Patents
一种融合指纹库的定位方法及定位装置 Download PDFInfo
- Publication number
- CN110557829A CN110557829A CN201910875717.3A CN201910875717A CN110557829A CN 110557829 A CN110557829 A CN 110557829A CN 201910875717 A CN201910875717 A CN 201910875717A CN 110557829 A CN110557829 A CN 110557829A
- Authority
- CN
- China
- Prior art keywords
- fingerprint
- wireless network
- network signal
- training
- positioning
- 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.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
- H04W64/003—Locating users or terminals or network equipment for network management purposes, e.g. mobility management locating network equipment
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
- H04W64/006—Locating users or terminals or network equipment for network management purposes, e.g. mobility management with additional information processing, e.g. for direction or speed determination
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供一种融合指纹库的定位方法及定位装置,所述定位方法包括:基于本批次的训练数据,训练得到每一个参考位置点的每一个无线网络信号的指纹权重系数;基于上一批次和本批次的训练数据,训练得到每一个参考位置点的每一个无线网络信号的指纹退化系数;根据终端采集的无线网络信号指纹数据以及所述指纹权重系数和所述指纹退化系数,对所述终端进行定位;其中,所述训练数据包括带位置标签的无线网络信号指纹数据。本发明通过建立不同无线网络信号指纹的权重学习机制、退化学习机制,进而构建融合指纹库,可使指纹库跟踪无线环境的变化自动调节指纹特征,基于融合指纹库的定位更加精确。
Description
技术领域
本发明属于通信定位技术领域,尤其涉及一种融合指纹库的定位方法及定位装置。
背景技术
用户位置具有超强的连接能力,随着移动互联网的迅猛发展,基于位置的服务(LBS,Location based service)已被广泛应用于人们的工作和生活之中。而由于各种各样的无线网络信号充斥于人们的工作与生活空间,因此基于无线网络信号获取用户位置日益成为的用户定位领域热点课题,其优势在于无线网络信号的泛在性和其方案部署成本。
现有技术方案一般是对单一网络下的单一信号量构建指纹,通常是采集主服务小区信号的信号场强量,通过采集的主服务小区信号的信号场强量对用户进行定位。
但是在现实中,会存在多个网络混杂信号,每一个网络信号对用户的定位均会具有影响作用;无线网络信号所处的网络环境也不是一成不变的,无线网络信号环境的变化会对用户定位的精确度产生影响。
发明内容
为克服上述现有的对单一网络信号构建信号指纹定位的问题或者至少部分地解决上述问题,本发明实施例一种融合指纹库的定位方法及定位装置。
根据本发明实施例的第一方面,提供一种融合指纹库的定位方法,包括:
基于本批次的训练数据,训练得到每一个参考位置点的每一个无线网络信号的指纹权重系数;
基于上一批次和本批次的训练数据,训练得到每一个参考位置点的每一个无线网络信号的指纹退化系数;
根据终端采集的无线网络信号指纹数据以及所述指纹权重系数和所述指纹退化系数,对所述终端进行定位;
其中,所述训练数据包括带位置标签的无线网络信号指纹数据。
在上述技术方案的基础上,本发明还可以作如下改进。
进一步的,所述基于本批次的训练数据,训练得到每一个参考位置点的每一个无线网络信号的指纹权重系数之前还包括:
实时收集在每一个参考位置点测量的多个无线网络信号指纹数据,所述每一个参考位置的多个无线网络信号指纹数据构成训练数据,按照预设规则按批次划分所述训练数据;
其中,所述多个无线网络信号包括主服务小区信号和邻小区信号,所述无线网络信号为2G信号或3G信号或4G信号或5G信号或Wifi信号或Bluetooth信号。
进一步的,所述基于本批次的训练数据,训练得到每一个参考位置点的每一个无线网络信号的指纹权重系数包括:
对于任一参考位置点的多个无线网络信号,将每一个无线网络信号的权重系数设置为多个预设权重系数中的一个;
基于每一种权重系数组合下的多个无线网络信号指纹数据进行定位,得到每一种权重系数组合对应的定位位置;
将每一个定位位置与对应的参考位置点的实际位置进行比较,将与对应的参考位置点的实际位置最接近的定位位置对应的权重系数组合作为所述任一参考位置点最终的每一个无线网络信号的指纹权重系数。
进一步的,所述多个预设权重系数为Wi、Wi+Wstep和Wi-Wstep,其中,i为每一个参考位置点的编号,每一个预设权重系数位于设定的权重调整上下门限范围内。
进一步的,所述基于上一批次和本批次训练数据,训练得到每一个参考位置点的每一个无线网络信号的指纹退化系数包括:
对于上上批次训练数据中的任一参考位置点的任一无线网络信号,统计多次测量的所述任一无线网络信号的测量值Mi和对应的次数Ci,对所述Ci设置退化系数Di,所述退化系数为多个预设退化系数中的一个;
根据Mi和Ci”,其中,Ci”=Ci’+Cnew,Ci’=Ci*Di,Cnew为上一批次训练数据中相同参考位置点的相同无线网络信号的测量值为Mi的次数,建立所述任一无线网络信号的正态分布模型;
根据本批次训练数据中相同参考位置点的相同无线网络信号的多次测量,计算每一次测量的信号指纹在所述正态分布模型中的概率;
对多次测量的信号指纹在所述正态分布模型中的概率求和,得到每一个退化系数对应的概率求和值;
将最大概率求和值对应的退化系数作为上上批次训练数据中的任一参考位置点的任一无线网络信号的退化系数。进一步的,所述多个预设退化系数为Di、Di+Dstep和Di-Dstep,其中,i为每一个参考位置点的编号,每一个预设退化系数位于设定的退化调整上下门限范围内。
进一步的,还包括:
判断本批次训练数据中的训练样本数量是否大于最小数量门限,若是,进行训练;若否,则不进行训练;
其中,每一个参考位置点的每一个无线网络信号指纹数据为一个训练样本。
进一步的,所述根据终端采集的无线网络信号指纹数据以及所述指纹权重系数和所述指纹退化系数,对所述终端进行定位之前还包括:
基于所述权重指纹系数和所述退化指纹系数,构建融合指纹定位模型,其中,所述权重指纹系数和所述退化指纹系数为所述融合指纹定位模型的模型参数;
相应的,所述根据终端采集的无线网络信号指纹数据以及所述指纹权重系数和所述指纹退化系数,对所述终端进行定位包括:
将终端采集的无线网络信号指纹数据输入所述融合指纹定位模型中,输出所述终端的定位位置。
根据本发明实施例第二方面提供一种融合指纹库的定位装置,包括:
第一训练模块,用于基于本批次的训练数据,训练得到每一个参考位置点的每一个无线网络信号的指纹权重系数;
第二训练模块,用于基于上一批次和本批次的训练数据,训练得到每一个参考位置点的每一个无线网络信号的指纹退化系数;
定位模块,用于根据终端采集的无线网络信号指纹数据以及所述指纹权重系数和所述指纹退化系数,对所述终端进行定位;
其中,所述训练数据包括带位置标签的无线网络信号指纹数据。
根据本发明实施例的第三个方面,还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器调用所述程序指令能够执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的融合指纹库的定位方法。
根据本发明实施例的第四个方面,还提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的融合指纹库的定位方法。
本发明实施例提供一种融合指纹库的定位方法及定位装置,该方法通过建立不同无线网络信号指纹的权重学习机制、退化学习机制,进而构建融合指纹库,可使指纹库跟踪无线环境的变化自动调节指纹特征,基于融合指纹库的定位更加精确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的融合指纹库的定位方法整体流程示意图;
图2为本发明一个实施例的指纹权重系数训练流程示意图;
图3为本发明一个实施例的指纹退化系数训练流程示意图;
图4为本发明一个实施例提供的融合指纹库的定位装置整体结构示意图;
图5为本发明另一个实施例的融合指纹库的定位装置整体结构示意图;
图6为本发明一个实施例的电子设备整体结构示意图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
基于上述现有技术的缺点,图1提供了本发明一个实施例的融合指纹库的定位方法,该定位方法包括:
基于本批次的训练数据,训练得到每一个参考位置点的每一个无线网络信号的指纹权重系数;
基于上一批次和本批次的训练数据,训练得到每一个参考位置点的每一个无线网络信号的指纹退化系数;
根据终端采集的无线网络信号指纹数据以及所述指纹权重系数和所述指纹退化系数,对所述终端进行定位;其中,所述训练数据包括带位置标签的无线网络信号指纹数据。
可以理解的是,用户终端定位是根据用户终端采集的无线网络信号指纹数据,生成无线网络信号指纹,根据无线网络信号指纹来确定用户终端的位置。现有技术中用户终端采集的无线网络信号通常为单一信号,无线网络信号指纹数据通常为单一信号测量值,通常为信号强度值。
在同一个位置,用户终端通常能够采集到多个无线网络信号,每一个无线网络信号在进行用户终端定位时所起的作用程度是不同的,而且随着时间的变化,无线网络信号的环境也会变化,因此本发明实施例根据收集的训练数据,分别进行训练得到每一个参考位置点的每一个无线网络信号的指纹权重系数和指纹退化系数。基于训练得到的指纹权重系数和指纹退化系数,根据终端采集的无线网络信号指纹数据,对用户终端进行定位。
本发明实施例通过建立不同无线网络信号指纹的权重学习机制、退化学习机制,进而构建融合指纹库,可使指纹库跟踪无线环境的变化自动调节指纹特征,基于融合指纹库的定位更加精确。
在上述实施例的基础上,在本发明的一个实施例中,所述基于本批次的训练数据,训练得到每一个参考位置点的每一个无线网络信号的指纹权重系数之前还包括:
实时收集在每一个参考位置点测量的多个无线网络信号指纹数据,所述每一个参考位置的多个无线网络信号指纹数据构成训练数据,按照预设规则按批次划分所述训练数据;
其中,所述多个无线网络信号包括主服务小区信号和邻小区信号,所述无线网络信号为2G信号或3G信号或4G信号或5G信号或Wifi信号或Bluetooth信号。
可以理解的是,在上述实施例的训练之前需要收集训练数据,在具体收集训练数据的过程中,首先确定待建信号指纹(单个指纹,称之为信号指纹)位置点,通常是在用户终端定位区域选择一些位置点作为待建信号指纹的位置点。本发明实施例将用户终端的定位区域栅格化,形成一定尺度的栅格集合,每一个栅格的中心为一个待建信号指纹的位置点,以下称为参考位置点。
在每一个参考位置点收集无线网络信号指纹数据,在本发明实施例中,无线网络信号可能为2G或3G或4G或5G或Wifi信号或Blooth信号,用户终端在一个确定的参考位置点收集到的无线网络信号分别来自主服务小区或者邻小区,那么在一个参考位置点,可能会存在多个无线网络信号指纹。在训练数据收集的过程中,将每一个参考位置点采集的多个无线网络信号指纹数据以及每一个参考位置点对应的位置标签作为训练数据,即训练数据中包括每一个参考位置点的多个无线网络信号指纹数据。
其中,无线网络信号指纹数据包括每一个无线网络信号的信号测量值,本发明实施例的信号测量值主要包括信号场强量(RSRP,Reference signal received power,参考信号功率)和时间量(TDOA,Time difference of Arrival,到达时间差)。通常是将采集的训练数据以测量报告(MR,Measurement report,测量报告)的形式存储。
本发明实施例是实时收集训练数据,在训练的过程中,是按照批次对训练数据进行训练,比如,按照时间周期或者按照积累数据量(训练数据中的训练样本积累到一定数量)对训练数据进行分批,本发明实施例是按照时间周期对训练数据进行分批,时间周期为24小时,即样本数据积累24小时就形成一批训练数据。
指纹(FP,Fingerprint)是对特定位置信号特征的刻画,不同位置指纹的差异是指纹定位的基础,一个指纹一般由一个或多个信号特征模型(下文称为Finger)组成。
考虑到信号量(如RSRP和TDOA)在测量过程中会存在噪声误差,即在同一个位置信号量不是一个不变值,而是叠加了噪声,因此本发明实施例采用一个高斯分布N(μ,σ2)对Finger描述,其中μ是信号量的平均值,σ2是信号量的方差,即对训练数据中的每一个无线网络信号的信号测量值进行高斯处理。
参见图2,在上述各实施例的基础上,本发明一个实施例中,所述基于本批次的训练数据,训练得到每一个参考位置点的每一个无线网络信号的指纹权重系数包括:
对于任一参考位置点的多个无线网络信号,将每一个无线网络信号的权重系数设置为多个预设权重系数中的一个;
基于每一种权重系数组合下的多个无线网络信号指纹数据进行定位,得到每一种权重系数组合对应的定位位置;
对每一个定位位置与对应的参考位置点的实际位置进行比较,将与对应的参考位置点的实际位置最接近的定位位置对应的权重系数组合作为所述任一参考位置点最终的每一个无线网络信号的指纹权重系数。
可以理解的是,指纹权重系数(W)量化不同Finger在用户定位时对信号特征的刻画能力的不同。对于同一个参考位置点采集的多个无线网络信号,各个无线网络信号的信号权重系数之和为1(归一化),归属同一主服务小区的信号指纹中各个信号的权重设置一致,不同参考位置点的多个无线网络信号的权重系数不相同。总结即为,每一个参考位置点的每一个无线网络信号均有对应的一个权重系数。
在进行指纹权重系数的训练时,本发明实施例是根据本批次的训练数据来训练的,对于每一个参考位置点的每一个无线网络信号,设置信号权重系数,其中,每一个无线网络信号的权重系数均为多个预设权重系数中的一个。
在本发明实施例中,对权重系数设置权重调整上下门限[Wdown,Wup],权重系数调整步长Wstep和评价函数Fw。其中,为了确保每一个无线网络信号的权重系数的稳定性,只允许权重系数在权重调整上下门限范围内调整,Wdown和Wup分别默认设置为0.5Wave和1.5Wave(其中Wave=1.0/Finger_Num,即多个无线网络信号的平均权重系数),权重系数调整步长默认设置为0.1Wave,评价函数Fw是评估在既定权重系数设置下用户定位效果的函数,用户可以根据定位效果要求对评价函数进行自定义,本发明实施例将其默认设置为训练数据定位(定位算法默认为loc=maxi∑jWjlogP(MRj|μij,σij 2),其中MRj为MR与Fingerj对应的信号量,Wj为其权重系数,μij,σij 2是i位置处Fingerj的高斯分布均值和方差,即取MR与匹配度最高的指纹位置(MR与FP主服务小区一致)作为MR的定位位置到其实际位置数量与总训练数据的比例,即countif(Ploc=Ptrain,MRtrain)/count(MRtrain),其中,Ptrain为训练数据的位置标签,MRtrain为训练数据,countif的值越大定位效果越好。比如,对于某一个参考位置点,采集一个主服务小区信号,四个邻区服务信号,即对于一个参考位置点,采集的无线网络信号有5个。将每一个无线网络信号的权重系数均设置为Wi或Wi+Wstep或Wi-Wstep,这样每一个无线网络信号的权重系数均可能为三个预设权重系数值中的一个,三个无线网络信号的权重系数构成一种权重系数组合,每一个无线网络信号的权重系数取不同值,这样构成的权重系数组合为很多种。
针对每一种权重系数组合下,根据多个无线网络信号指纹数据进行定位,得到每一种权重系数组合下对应的定位位置,即得到多个定位位置。将每一种权重系数组合对应的定位位置与参考位置点的实际位置进行比较,当某一个定位位置与实际位置之间的差距最小时,则将该定位位置对应的权重系数组合确定为参考位置点的多个无线网络信号的权重系数。
需要说明的是,在同一个参考位置点,多次测量多个无线网络信号的信号测量值,故在训练时,对于每一次测量的多个无线网络信号,均进行上述的权重系数组合设置,在同一种权重系数组合下,对于多次测量,统计每一次测量对应的定位位置与实际位置一致的数量。对于每一种权重系数组合,均对应有一个统计数量,将最大统计数量对应的权重系数组合作为该参考位置点的多个无线网络信号的权重系数组合。
在根据本批次训练数据进行权重系数训练时,为了避免本批次训练数据中的样本数据的数量过小带来的过拟合,在进行训练前,先判断本批次训练数据中的样本数量个数是否满足最小训练数量要求(即大于最小数量门限),如果满足则进入训练过程,否则不做训练操作,等到训练数据中的训练样本的数量达到最小数量门限时再做训练。
参见图3,在上述各实施例的基础上,本发明一个实施例中,所述基于上一批次和本批次训练数据,训练得到每一个参考位置点的每一个无线网络信号的指纹退化系数包括:
对于上上批次训练数据中的任一参考位置点的任一无线网络信号,统计多次测量的所述任一无线网络信号的测量值Mi和对应的次数Ci,对所述Ci设置退化系数Di,所述退化系数为多个预设退化系数中的一个;
根据Mi和Ci”,其中,Ci”=Ci’+Cnew,Ci’=Ci*Di,Cnew为上一批次训练数据中相同参考位置点的相同无线网络信号的测量值为Mi的次数,将Mi:Ci”作为上一批次训练数据中的指纹数据字典,基于所述指纹数据字典建立所述任一无线网络信号的正态分布模型;
根据本批次训练数据中相同参考位置点的相同无线网络信号的多次测量,计算每一次测量的信号指纹在所述正态分布模型中的概率;
对多次测量的信号指纹在所述正态分布模型中的概率求和,得到每一个退化系数对应的概率求和值;
将最大概率求和值对应的退化系数作为上上批次训练数据中的任一参考位置点的任一无线网络信号的退化系数。
可以理解的是,无线网络信号环境的变化会导致特征指纹不能够有效反映当前位置的信号特征,导致无线网络信号环境变化的原因可能是基站的增减或位置变化、建筑环境的变化等。因此,本发明实施例通过给无线网络信号设置对应的退化系数来表征无线网络信号环境的变化。
本发明实施例在对每一个无线网络信号的退化系数进行训练时,是根据上一批次训练数据和本批次训练数据来进行训练的,具体的退化训练过程为,对退化系数设置权重调整上下门限[Ddown,Dup],退化系数调整步长Dstep和评价函数Fd。其中,为了确保每一个无线网络信号的退化系数的稳定性,只允许退化系数在上下门限范围内调整,Ddown和Dup分别默认设置0.7和0.9(保证最小退化速率,但是避免噪声数据带来的不稳定),退化系数调整步长默认设置为0.05。评价函数Fw是评估在既定指纹退化系数设置下指纹信号特征逼近实际数据特征的函数,用训练数据(取每个MRi中的信号j,记为MRij,实现对信号j在该栅格位置退化系数的训练)与其实际位置对应的指纹匹配概率最大似然进行表述,即∑ilogP(MRij|μj,σj 2),其中MRij为第i训练MR的信号j,(μj,σj 2)是该位置处其对应Finger(主服务小区一致)的高斯分布均值和方差,最佳退化系数设置使评价函数值最大。
其中,多个预设退化系数为Di、Di+Dstep或Di-Dstep,其中,i为每一个参考位置点的编号,每一个预设退化系数位于设定的退化调整上下门限范围内。可以理解的是,所谓的退化即指信号的退化,对于收集的训练数据,按照Mi:Ci字典的格式以Finger为单位保存,其中,Mi表示信号量为i值,Ci表示该i值出现的次数。
对上上批次训练数据中每一个参考位置点的每一个无线网络信号设置退化系数,其中,退化系数为多个预设退化系数中的一个。假设上上批次训练数据中每个信号测量值Mi对应的次数为Ci,将Ci乘以其对应退化系数Di得到Ci‘=Ci*Di,这样就得到了新的指纹数据字典Mi:Ci‘,将上一批次训练数据合并到新的指纹数据字典形成合并指纹数据字典Mi:Ci“,Ci“=Ci‘+Cnew,其中,Cnew为上一批次训练数据中无线网络信号测量值为i出现的次数。
根据合并指纹数据字典构建无线网络信号的正态分布模型,构建了每一个参考位置点的每一个无线网络信号的正态分布模型,根据本批次训练数据中相同参考位置点的相同无线网络信号的多次测量,计算每一次测量的信号指纹在所述正态分布模型中的概率;对多次测量的信号指纹在所述正态分布模型中的概率求和,得到每一个退化系数对应的概率求和值;将最大概率求和值对应的退化系数作为上上批次训练数据中的任一参考位置点的任一无线网络信号的退化系数。
基于上述方法,能够训练得到每一批训练数据中每一个参考位置点的每一个无线网络信号的退化系数。
在根据本批次训练数据和上一批次训练数据进行退化系数训练时,为了避免本批次训练数据中的样本数据的数量过小带来的过拟合,在进行训练前,先判断本批次训练数据中的样本数量个数是否满足最小训练数量要求(即大于最小数量门限),如果满足则进入训练过程,否则不做训练操作,等到训练数据中的训练样本的数量达到最小数量门限时再做训练。其中,每一个参考位置点的每一个无线网络信号指纹数据为一个训练样本。
经过权重系数训练和退化系数训练后,得到的指纹结构如下表1所示:
由上述表1可知,每一个参考位置点的每一个无线网络信号均对应有一个权重系数和退化系数,其中的信号类型是指主服务小区信号或者邻小区信号。需要说明的是,表1中的位置编号在定位区域范围内需要具有唯一性,因此默认将位置点的笛卡尔坐标作为该位置点的编号。
在上述各实施例的基础上,本发明一个实施例中,所述根据终端采集的无线网络信号指纹数据以及所述指纹权重系数和所述指纹退化系数,对所述终端进行定位之前还包括:
基于所述权重指纹系数和所述退化指纹系数,构建融合指纹定位模型,其中,所述权重指纹系数和所述退化指纹系数为所述融合指纹定位模型的模型参数;
相应的,所述根据终端采集的无线网络信号指纹数据以及所述指纹权重系数和所述指纹退化系数,对所述终端进行定位包括:
将终端采集的无线网络信号指纹数据输入所述融合指纹定位模型中,输出所述终端的定位位置。
可以理解的是,经过退化系数训练后,将上一批次训练数据乘以退化系数加上本批次训练数据得到合并指纹数据,利用合并指纹数据生成信号特征模型,即求解高斯模型的均值μ和方差σ2。
其中,均值μ可以直接用信号量M的期望得到,因此经过i次训练后均值μi为:
其中,i是指MR的编号,Mj是指信号测量值为j,C"j为合并指纹数据字典中与Mj对应的次数,方差σ2计算时需要考虑当训练数据中的训练样本数量过小时会导致严重过拟合,因此,本发明实施例使用Gamm分布对其设置先验限制。
初始Gamm分布:其中 本发明实施例中默认a=10,b=2.5,可根据高斯模型σ2情况设置。
假设本次是第i次训练,训练后Gamm分布:
其中
其中aM和bM分别是第(i-1)次训练的Gamm参数,M是(i-1)次训练后总信号测量数量,aN和bN分别是第i次训练的Gamm参数,N是i次训练后总信号测量数量(即∑iCi“),则第i次训练的指纹高斯模型方差:
经过权重系数训练和退化系数训练后,得到每一个参考位置点每一个无线网络信号的权重系数和退化系数,以及经过上述对高斯模型的求解得到均值μ和方差σ2。基于权重系数、退化系数、均值μ和方差σ2构建融合指纹定位模型,其中,权重系数、退化系数、均值μ和方差σ2为融合指纹定位模型的模型参数。
建立了融合指纹定位模型后,将终端采集的无线网络信号指纹数据输入融合指纹定位模型中,由融合指纹定位模型输出终端的定位位置,对终端进行定位。
参见图4,提供了本发明一个实施例的融合指纹库的定位装置,包括第一训练模块41、第二训练模块42和定位模块43。
其中,第一训练模块41,用于基于本批次的训练数据,训练得到每一个参考位置点的每一个无线网络信号的指纹权重系数。
第二训练模块42,用于基于上一批次和本批次的训练数据,训练得到每一个参考位置点的每一个无线网络信号的指纹退化系数。
定位模块43,用于根据终端采集的无线网络信号指纹数据以及所述指纹权重系数和所述指纹退化系数,对所述终端进行定位;其中,所述训练数据包括带位置标签的无线网络信号指纹数据。
其中,第一训练模块41具体用于:
对于任一参考位置点的多个无线网络信号,将每一个无线网络信号的权重系数设置为多个预设权重系数中的一个;
基于每一种权重系数组合下的多个无线网络信号指纹数据进行定位,得到每一种权重系数组合对应的定位位置;
对每一个定位位置与对应的参考位置点的实际位置进行比较,将与对应的参考位置点的实际位置最接近的定位位置对应的权重系数组合作为所述任一参考位置点最终的每一个无线网络信号的指纹权重系数。
其中,多个预设权重系数为Wi、Wi+Wstep和Wi-Wstep,其中,i为每一个参考位置点的编号,每一个预设权重系数位于设定的权重调整上下门限范围内。
其中,第二训练模块42具体用于:
对于上上批次训练数据中的任一参考位置点的任一无线网络信号,统计多次测量的所述任一无线网络信号的测量值Mi和对应的次数Ci,对所述Ci设置退化系数Di,所述退化系数为多个预设退化系数中的一个;
根据Mi和Ci”,其中,Ci”=Ci’+Cnew,Ci’=Ci*Di,Cnew为上一批次训练数据中相同参考位置点的相同无线网络信号的测量值为Mi的次数,将Mi:Ci”作为上一批次训练数据中的指纹数据字典,基于所述指纹数据字典建立所述任一无线网络信号的正态分布模型;
根据本批次训练数据中相同参考位置点的相同无线网络信号的多次测量,计算每一次测量的信号指纹在所述正态分布模型中的概率;
对多次测量的信号指纹在所述正态分布模型中的概率求和,得到每一个退化系数对应的概率求和值;
将最大概率求和值对应的退化系数作为上上批次训练数据中的任一参考位置点的任一无线网络信号的退化系数。
其中,多个预设退化系数为Di、Di+Dstep和Di-Dstep,其中,i为每一个参考位置点的编号,每一个预设退化系数位于设定的退化调整上下门限范围内。
参见图5,本发明实施例提供的融合指纹库的定位装置还包括收集模块44、判断模块45和构建模块46。
收集模块44,用于实时收集在每一个参考位置点测量的多个无线网络信号指纹数据,所述每一个参考位置的多个无线网络信号指纹数据构成训练数据,按照预设规则按批次划分所述训练数据;
其中,所述多个无线网络信号包括主服务小区信号和邻小区信号,所述无线网络信号为2G信号或3G信号或4G信号或5G信号或Wifi信号或Bluetooth信号,所述无线网络信号的测量数据包括信号场强量和信号时间量。
判断模块45,用于判断本批次训练数据中的训练样本数量是否大于最小数量门限,若是,进行训练;若否,则不进行训练;其中,每一个参考位置点的每一个无线网络信号指纹数据为一个训练样本。
构建模块46,用于基于所述权重指纹系数和所述退化指纹系数,构建融合指纹定位模型,其中,所述权重指纹系数和所述退化指纹系数为所述融合指纹定位模型的模型参数;
相应的,定位模块43,用于将终端采集的无线网络信号指纹数据输入所述融合指纹定位模型中,由融合指纹定位模型输出终端的定位位置。
本实施例提供一种电子设备,图6为本发明实施例提供的电子设备整体结构示意图,该设备包括:至少一个处理器01、至少一个存储器02和总线03;其中,处理器01和存储器02通过总线03完成相互间的通信;存储器02存储有可被处理器01执行的程序指令,处理器01调用程序指令能够执行上述各方法实施例所提供的方法,例如包括:基于本批次的训练数据,训练得到每一个参考位置点的每一个无线网络信号的指纹权重系数;基于上一批次和本批次的训练数据,训练得到每一个参考位置点的每一个无线网络信号的指纹退化系数;根据终端采集的无线网络信号指纹数据以及所述指纹权重系数和所述指纹退化系数,对所述终端进行定位;其中,所述训练数据包括带位置标签的无线网络信号指纹数据。
本实施例提供一种非暂态计算机可读存储介质,非暂态计算机可读存储介质存储计算机指令,计算机指令使计算机执行上述各方法实施例所提供的方法,例如包括:基于本批次的训练数据,训练得到每一个参考位置点的每一个无线网络信号的指纹权重系数;基于上一批次和本批次的训练数据,训练得到每一个参考位置点的每一个无线网络信号的指纹退化系数;根据终端采集的无线网络信号指纹数据以及所述指纹权重系数和所述指纹退化系数,对所述终端进行定位;其中,所述训练数据包括带位置标签的无线网络信号指纹数据。
本发明提供的一种融合指纹库的定位方法及定位装置,通过指纹权重学习机制、指纹退化学习机制以及指纹先验学习能力,通过指纹权重学习机制得到每一个无线网络信号的权重系数,考虑了不同无线网络信号指纹在定位时的不同影响,权重系数的大小反应了影响的大小;通过指纹退化学习机制,对各个无线网络信号的退化系数进行训练,各个无线网络信号的退化系数反应了无线环境的变化,根据各个无线网络信号的权重系数和退化系数,可使指纹库能够跟踪无线环境变化自动调整指纹特征,能够精确反应各个无线网络信号特征的变化,本发明实施例充分利用了在线***的训练数据会多次输入的特点,通过在线学习机制,构建了融合指纹库,基于融合指纹库的定位更加精确;在实现定位时,考虑了多个无线网络信号对定位都会存在影响,相比现有的利用单一信号进行定位,定位精度会更高。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种融合指纹库的定位方法,其特征在于,包括:
基于本批次的训练数据,训练得到每一个参考位置点的每一个无线网络信号的指纹权重系数;
基于上一批次和本批次的训练数据,训练得到每一个参考位置点的每一个无线网络信号的指纹退化系数;
根据终端采集的无线网络信号指纹数据以及所述指纹权重系数和所述指纹退化系数,对所述终端进行定位;
其中,所述训练数据包括带位置标签的无线网络信号指纹数据。
2.根据权利要求1所述的定位方法,其特征在于,所述基于本批次的训练数据,训练得到每一个参考位置点的每一个无线网络信号的指纹权重系数之前还包括:
实时收集在每一个参考位置点测量的多个无线网络信号指纹数据,所述每一个参考位置的多个无线网络信号指纹数据构成训练数据,按照预设规则按批次划分所述训练数据;
其中,所述多个无线网络信号包括主服务小区信号和邻小区信号,所述无线网络信号为2G信号或3G信号或4G信号或5G信号或Wifi信号或Bluetooth信号。
3.根据权利要求2所述的定位方法,其特征在于,所述基于本批次的训练数据,训练得到每一个参考位置点的每一个无线网络信号的指纹权重系数包括:
对于任一参考位置点的多个无线网络信号,将每一个无线网络信号的权重系数设置为多个预设权重系数中的一个;
基于每一种权重系数组合下的多个无线网络信号指纹数据进行定位,得到每一种权重系数组合对应的定位位置;
将每一个定位位置与对应的参考位置点的实际位置进行比较,将与对应的参考位置点的实际位置最接近的定位位置对应的权重系数组合作为所述任一参考位置点最终的每一个无线网络信号的指纹权重系数。
4.根据权利要求3所述的定位方法,其特征在于,所述多个预设权重系数为Wi、Wi+Wstep和Wi-Wstep,其中,i为每一个参考位置点的编号,每一个预设权重系数位于设定的权重调整上下门限范围内。
5.根据权利要求2所述的定位方法,其特征在于,所述基于上一批次和本批次训练数据,训练得到每一个参考位置点的每一个无线网络信号的指纹退化系数包括:
对于上上批次训练数据中的任一参考位置点的任一无线网络信号,统计多次测量的所述任一无线网络信号的测量值Mi和对应的次数Ci,对所述Ci设置退化系数Di,所述退化系数为多个预设退化系数中的一个;
根据Mi和Ci”,其中,Ci”=Ci’+Cnew,Ci’=Ci*Di,Cnew为上一批次训练数据中相同参考位置点的相同无线网络信号的测量值为Mi的次数,建立所述任一无线网络信号的正态分布模型;
根据本批次训练数据中相同参考位置点的同一无线网络信号的多次测量,计算每一次测量的信号指纹在所述正态分布模型中的概率;
对多次测量的信号指纹在所述正态分布模型中的概率求和,对于多个预设退化系数,得到每一个预设退化系数对应的概率求和值。
6.根据权利要求5所述的定位方法,其特征在于,所述多个预设退化系数为Di、Di+Dstep和Di-Dstep,其中,i为每一个参考位置点的编号,每一个预设退化系数位于设定的退化调整上下门限范围内。
7.根据权利要求3或5所述的定位方法,其特征在于,还包括:
判断本批次训练数据中的训练样本数量是否大于最小数量门限,若是,进行训练;若否,则不进行训练;
其中,每一个参考位置点的每一个无线网络信号指纹数据为一个训练样本。
8.根据权利要求1所述的定位方法,其特征在于,所述根据终端采集的无线网络信号指纹数据以及所述指纹权重系数和所述指纹退化系数,对所述终端进行定位之前还包括:
基于所述权重指纹系数和所述退化指纹系数,构建融合指纹定位模型,其中,所述权重指纹系数和所述退化指纹系数为所述融合指纹定位模型的模型参数;
相应的,所述根据终端采集的无线网络信号指纹数据以及所述指纹权重系数和所述指纹退化系数,对所述终端进行定位包括:
将终端采集的无线网络信号指纹数据输入所述融合指纹定位模型中,输出所述终端的定位位置。
9.一种融合指纹库的定位装置,其特征在于,包括:
第一训练模块,用于基于本批次的训练数据,训练得到每一个参考位置点的每一个无线网络信号的指纹权重系数;
第二训练模块,用于基于上一批次和本批次的训练数据,训练得到每一个参考位置点的每一个无线网络信号的指纹退化系数;
定位模块,用于根据终端采集的无线网络信号指纹数据以及所述指纹权重系数和所述指纹退化系数,对所述终端进行定位;
其中,所述训练数据包括带位置标签的无线网络信号指纹数据。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至8任一项所述融合指纹库的定位方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910875717.3A CN110557829B (zh) | 2019-09-17 | 2019-09-17 | 一种融合指纹库的定位方法及定位装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910875717.3A CN110557829B (zh) | 2019-09-17 | 2019-09-17 | 一种融合指纹库的定位方法及定位装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110557829A true CN110557829A (zh) | 2019-12-10 |
CN110557829B CN110557829B (zh) | 2020-12-11 |
Family
ID=68740532
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910875717.3A Active CN110557829B (zh) | 2019-09-17 | 2019-09-17 | 一种融合指纹库的定位方法及定位装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110557829B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022075893A1 (en) * | 2020-10-06 | 2022-04-14 | Telefonaktiebolaget Lm Ericsson (Publ) | Radio node and method in a wireless communications network |
CN114466373A (zh) * | 2020-11-09 | 2022-05-10 | ***通信集团湖北有限公司 | 位置指纹库更新方法、装置、设备及计算机可读存储介质 |
CN114612750A (zh) * | 2022-05-09 | 2022-06-10 | 杭州海康威视数字技术股份有限公司 | 自适应学习率协同优化的目标识别方法、装置及电子设备 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102932738A (zh) * | 2012-10-31 | 2013-02-13 | 北京交通大学 | 一种改进的基于分簇神经网络的室内指纹定位方法 |
CN103442430A (zh) * | 2013-08-09 | 2013-12-11 | 京信通信***(中国)有限公司 | 指纹定位方法与服务器 |
CN103442432A (zh) * | 2013-08-09 | 2013-12-11 | 京信通信***(中国)有限公司 | 指纹定位方法与服务器 |
CN104754735A (zh) * | 2015-03-19 | 2015-07-01 | 电子科技大学 | 位置指纹库的构建方法以及基于该位置指纹库的定位方法 |
CN106482738A (zh) * | 2016-11-09 | 2017-03-08 | 江南大学 | 基于在线增量超限学习机的室内指纹定位算法 |
CN106991317A (zh) * | 2016-12-30 | 2017-07-28 | ***股份有限公司 | 安全验证方法、平台、装置和*** |
CN109413578A (zh) * | 2018-11-02 | 2019-03-01 | 桂林电子科技大学 | 一种基于wifi与pdr融合的室内定位方法 |
CN109708628A (zh) * | 2019-01-09 | 2019-05-03 | 浙江大学城市学院 | 一种基于集成学习与bp神经网络的地磁室内定位方法 |
CN110007269A (zh) * | 2019-04-04 | 2019-07-12 | 黄冈师范学院 | 一种基于高斯过程的两阶段无线信号指纹定位方法 |
CN110062458A (zh) * | 2019-03-22 | 2019-07-26 | 北京航空航天大学 | 一种无线信号指纹库优化更新方法和装置 |
CN110072192A (zh) * | 2019-04-26 | 2019-07-30 | 山东科技大学 | 一种智能手机WiFi室内定位方法 |
CA3049070A1 (en) * | 2019-05-01 | 2019-09-16 | Mapsted Corp. | Neural network training for mobile device rss fingerprint-based indoor navigation |
-
2019
- 2019-09-17 CN CN201910875717.3A patent/CN110557829B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102932738A (zh) * | 2012-10-31 | 2013-02-13 | 北京交通大学 | 一种改进的基于分簇神经网络的室内指纹定位方法 |
CN103442430A (zh) * | 2013-08-09 | 2013-12-11 | 京信通信***(中国)有限公司 | 指纹定位方法与服务器 |
CN103442432A (zh) * | 2013-08-09 | 2013-12-11 | 京信通信***(中国)有限公司 | 指纹定位方法与服务器 |
CN104754735A (zh) * | 2015-03-19 | 2015-07-01 | 电子科技大学 | 位置指纹库的构建方法以及基于该位置指纹库的定位方法 |
CN106482738A (zh) * | 2016-11-09 | 2017-03-08 | 江南大学 | 基于在线增量超限学习机的室内指纹定位算法 |
CN106991317A (zh) * | 2016-12-30 | 2017-07-28 | ***股份有限公司 | 安全验证方法、平台、装置和*** |
CN109413578A (zh) * | 2018-11-02 | 2019-03-01 | 桂林电子科技大学 | 一种基于wifi与pdr融合的室内定位方法 |
CN109708628A (zh) * | 2019-01-09 | 2019-05-03 | 浙江大学城市学院 | 一种基于集成学习与bp神经网络的地磁室内定位方法 |
CN110062458A (zh) * | 2019-03-22 | 2019-07-26 | 北京航空航天大学 | 一种无线信号指纹库优化更新方法和装置 |
CN110007269A (zh) * | 2019-04-04 | 2019-07-12 | 黄冈师范学院 | 一种基于高斯过程的两阶段无线信号指纹定位方法 |
CN110072192A (zh) * | 2019-04-26 | 2019-07-30 | 山东科技大学 | 一种智能手机WiFi室内定位方法 |
CA3049070A1 (en) * | 2019-05-01 | 2019-09-16 | Mapsted Corp. | Neural network training for mobile device rss fingerprint-based indoor navigation |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022075893A1 (en) * | 2020-10-06 | 2022-04-14 | Telefonaktiebolaget Lm Ericsson (Publ) | Radio node and method in a wireless communications network |
CN114466373A (zh) * | 2020-11-09 | 2022-05-10 | ***通信集团湖北有限公司 | 位置指纹库更新方法、装置、设备及计算机可读存储介质 |
CN114466373B (zh) * | 2020-11-09 | 2023-08-15 | ***通信集团湖北有限公司 | 位置指纹库更新方法、装置、设备及计算机可读存储介质 |
CN114612750A (zh) * | 2022-05-09 | 2022-06-10 | 杭州海康威视数字技术股份有限公司 | 自适应学习率协同优化的目标识别方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110557829B (zh) | 2020-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110557829B (zh) | 一种融合指纹库的定位方法及定位装置 | |
KR101982159B1 (ko) | 카테고리별로 구분된 유동인구 정보를 이용한 유동인구 측정 방법 | |
CN109803295B (zh) | 一种通信小区整改优先级的评价方法和装置 | |
CN111028016A (zh) | 销量数据预测方法、装置以及相关设备 | |
CN106776925B (zh) | 一种移动终端用户性别的预测方法、服务器和*** | |
WO2019134549A1 (zh) | 基于深度学习的定位方法、装置、计算机设备及存储介质 | |
CN115082920A (zh) | 深度学习模型的训练方法、图像处理方法和装置 | |
CN113822366A (zh) | 业务指标异常检测方法及装置、电子设备、存储介质 | |
CN108921430A (zh) | 一种项目工作量的获取方法及*** | |
CN110348717B (zh) | 基于栅格粒度的基站价值评分方法和装置 | |
CN113792981A (zh) | 效率统计方法、装置及计算机可读存储介质 | |
WO2023029065A1 (zh) | 数据集质量评估方法、装置、计算机设备及存储介质 | |
CN114219003A (zh) | 样本生成模型的训练方法、装置及电子设备 | |
CN110457469A (zh) | 基于长短期记忆网络的信息分类方法、装置、计算机设备 | |
CN110580483A (zh) | 一种室内外用户区分方法及装置 | |
CN114546841A (zh) | 基于云计算的软件质量评估方法 | |
CN113518425B (zh) | 设备定位方法及*** | |
CN112598228B (zh) | 企业竞争力的分析方法、装置、设备及存储介质 | |
CN114358548A (zh) | 一种确定评价指标的方法、装置及电子设备 | |
CN115379378A (zh) | 蓝牙室内定位方法及装置 | |
CN111866741A (zh) | 用户运动轨迹追溯方法及装置 | |
CN111161042A (zh) | 个人风险评估方法、装置、终端及存储介质 | |
CN111652433A (zh) | 养老费用测算装置 | |
CN115659845B (zh) | 一种基于电力数据的碳排放计算方法及装置 | |
TWI764492B (zh) | 缺陷檢測分類方法、裝置、電子設備及存儲介質 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |