CN111654818A - 蓝牙定位方法、移动终端及存储介质 - Google Patents

蓝牙定位方法、移动终端及存储介质 Download PDF

Info

Publication number
CN111654818A
CN111654818A CN202010608363.9A CN202010608363A CN111654818A CN 111654818 A CN111654818 A CN 111654818A CN 202010608363 A CN202010608363 A CN 202010608363A CN 111654818 A CN111654818 A CN 111654818A
Authority
CN
China
Prior art keywords
bluetooth
mobile terminal
positioning
neural network
signal
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.)
Pending
Application number
CN202010608363.9A
Other languages
English (en)
Inventor
苏莫寒
王德信
付晖
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.)
Qingdao Goertek Intelligent Sensor Co Ltd
Original Assignee
Qingdao Goertek Intelligent Sensor 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 Qingdao Goertek Intelligent Sensor Co Ltd filed Critical Qingdao Goertek Intelligent Sensor Co Ltd
Priority to CN202010608363.9A priority Critical patent/CN111654818A/zh
Publication of CN111654818A publication Critical patent/CN111654818A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/80—Services using short range communication, e.g. near-field communication [NFC], radio-frequency identification [RFID] or low energy communication
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明公开了一种蓝牙定位方法，包括以下步骤：获取移动终端接收到的蓝牙信号的信号强度以及识别标识；根据预先训练的深度置信神经网络模型、所述信号强度和所述识别标识，确定所述移动终端的位置信息，其中，所述深度置信神经网络模型基于在预设定位点检测到的所述信号强度、所述识别标识以及所述预设定位点的坐标位置训练得到。本发明还公开了一种移动终端及计算机可读存储介质，达成了提高蓝牙定位方案的定位精确度的效果。

Description

蓝牙定位方法、移动终端及存储介质
技术领域
本发明涉及定位技术领域，尤其涉及蓝牙定位方法、移动终端及计算机可读存储介质。
背景技术
移动终端在导航过程中，需要获取定位数据。而现有的移动终端一般根据本机搭载的GPS(Global Positioning System，全球定位***)获取本机的定位数据。由于GPS是基于卫星的定位方式，因此，当移动终端位于室内场所时，会因建筑物对信号的阻隔，导致定位不准确的现象。并且，由于GPS为一种平面定位方式，无法识别垂直空间上的定位数据。例如，无法确定用户所处的楼层，这样也导致基于GPS定位的移动终端无法实现室内导航等，需要获取精确的室内定位信息的功能。
为获取室内定位信息，一般可以基于蓝牙、红外和/或WiFi技术等实现室内定位功能。但是，在传统的基于蓝牙实现室内定位的方案中，由于室内电磁环境的复杂度较高，会导致用于定位的蓝牙信息号出现吸收效应、信号反射和/或信号衍射等现象。而上述现象会导致定位结果的精确度下降。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种蓝牙定位方法、移动终端及计算机可读存储介质，旨在达成提高蓝牙定位方案的定位精确度的目的。
为实现上述目的，本发明提供一种蓝牙定位方法，所述蓝牙定位方法包括以下步骤：
获取移动终端接收到的蓝牙信号的信号强度以及识别标识；
根据预先训练的深度置信神经网络模型、所述信号强度和所述识别标识，确定所述移动终端的位置信息，其中，所述深度置信神经网络模型基于在预设定位点检测到的所述信号强度、所述识别标识以及所述预设定位点的坐标位置训练得到。
可选地，所述获取移动终端接收到的蓝牙信号的信号强度以及识别标识的步骤包括：
获取移动终端接收到的至少两个蓝牙基站发送的蓝牙信号的信号强度；
获取每一所述蓝牙信号对应的蓝牙基站的识别标识；
所述根据预先训练的深度置信神经网络模型、所述信号强度和所述识别标识，确定所述移动终端的位置信息的步骤包括：
将每一蓝牙信号对应的信号强度和发送所述蓝牙信号的蓝牙基站的识别标识关联保存，作为一输入向量，以获取至少两个所述输入向量；
通过至少两个所述输入向量和所述深度置信神经网络模型确定所述移动终端的位置信息。
可选地，所述通过至少两个所述输入向量和所述深度置信神经网络模型确定所述移动终端的位置信息的步骤包括：
将至少两个所述输入向量作为预先训练的所述深度置信神经网络模型的输入参数；
所述深度置信神经网络基于所述输入参数确定输出参数；
根据所述输出参数确定所述位置信息。
可选地，所述输出参数为所述移动终端当前所在位置对应的经纬度。
可选地，所述根据所述输出参数确定所述位置信息的步骤包括：
获取经纬度与人文位置之间的对照关系；
基于所述经纬度及所述对照关系确定所述移动终端当前对应的所述人文位置，并将所述人文位置作为所述位置信息。
可选地，所述蓝牙定位方法还包括：
获取离线样本库，其中，所述离线样本库包括在定位空间内的多个预设定位点处检测的各个蓝牙基站的信号强度、所述蓝牙基站的识别标识和所述预设定位点对应的经纬度；
基于所述离线样本库训练得到所述深度置信神经网络模型。
可选地，所述识别标识为蓝牙基站的MAC地址。
可选地，所述根据预先训练的深度置信神经网络模型、所述信号强度和所述识别标识，确定所述移动终端的位置信息的步骤之后，还包括：
所述移动终端输出所述位置信息；和/或
在接收到目标应用发起的定位数据请求时，将所述位置信息作为所述定位数据请求的响应数据，其中，所述目标应用为所述移动终端中装载的应用。
此外，为实现上述目的，本发明还提供一种移动终端，所述移动终端包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的蓝牙定位程序，所述蓝牙定位程序被所述处理器执行时实现如上所述的蓝牙定位方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有蓝牙定位程序，所述蓝牙定位程序被处理器执行时实现如上所述的蓝牙定位方法的步骤。
本发明实施例提出的一种蓝牙定位方法、移动终端及计算机可读存储介质，先获取移动终端接收到的蓝牙信号的信号强度以及识别标识，然后根据预先训练的深度置信神经网络模型、所述信号强度和所述识别标识，确定所述移动终端的位置信息，其中，所述深度置信神经网络模型基于在预设定位点检测到的所述信号强度、所述识别标识以及所述预设定位点的坐标位置训练得到。由于可以将蓝牙定位技术与深度置信神经网络模型相结合，以对移动终端的位置进行预测，从而避免了传统蓝牙定位过程中因蓝牙信号的吸收效应、信号反射和/或信号衍射等因素影响定位精度的现象发生，这样达成了提高蓝牙定位的定位精度和鲁棒性的效果。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图；
图2为本发明蓝牙定位方法的一实施例的流程示意图；
图3为本发明蓝牙定位方法的另一实施例的流程示意图；
图4为本发明蓝牙定位方法的又一实施例的流程示意图；
图5为本发明蓝牙定位方法的又一实施例中的另一实施方式的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
室内定位是指确定处于建筑物内的终端设备的位置信息。由于终端处于建筑物内时，通过GPS定位等卫星定位方法进行定位，会因建筑物对定位信息号的阻隔，导致定位结果不准确。并且，卫星定位一般只能实现平面定位，而无法进行立体定位。例如，当建筑物为层建筑物时，通过卫星定位无法确定移动终端所处的楼层。因此需要通过其他方式对移动终端进行室内定位。
在传统技术中，可以基于蓝牙、红外或者WiFi等技术实现移动终端的室内定位。但是，在传统的基于蓝牙实现室内定位的方案中，由于室内电磁环境的复杂度较高，会导致用于定位的蓝牙信息号出现吸收效应、信号反射和/或信号衍射等现象。而上述现象会导致定位结果的精确度下降。
为提高蓝牙定位方案的定位精确度，本实施例提出一种蓝牙定位方法，其主要解决方案包括以下步骤：
获取移动终端接收到的蓝牙信号的信号强度以及识别标识；
根据预先训练的深度置信神经网络模型、所述信号强度和所述识别标识，确定所述移动终端的位置信息，其中，所述深度置信神经网络模型基于在预设定位点检测到的所述信号强度、所述识别标识以及所述预设定位点的坐标位置训练得到。
由于可以将蓝牙定位技术与深度置信神经网络模型相结合，以对移动终端的位置进行预测，从而避免了传统蓝牙定位过程中因蓝牙信号的吸收效应、信号反射和/或信号衍射等因素影响定位精度的现象发生，这样达成了提高蓝牙定位的定位精度和鲁棒性的效果。
如图1所示，图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图。
本发明实施例终端可以是手机、平板电脑、智能手环或者游戏机等移动终端。
如图1所示，该终端可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)等，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的终端结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作***、网络通信模块、用户接口模块以及蓝牙定位程序。
在图1所示的终端中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；处理器1001可以用于调用存储器1005中存储的蓝牙定位程序，并执行以下操作：
获取移动终端接收到的蓝牙信号的信号强度以及识别标识；
根据预先训练的深度置信神经网络模型、所述信号强度和所述识别标识，确定所述移动终端的位置信息，其中，所述深度置信神经网络模型基于在预设定位点检测到的所述信号强度、所述识别标识以及所述预设定位点的坐标位置训练得到。
进一步地，处理器1001可以调用存储器1005中存储的蓝牙定位程序，还执行以下操作：
获取移动终端接收到的至少两个蓝牙基站发送的蓝牙信号的信号强度；
获取每一所述蓝牙信号对应的蓝牙基站的识别标识；
所述根据预先训练的深度置信神经网络模型、所述信号强度和所述识别标识，确定所述移动终端的位置信息的步骤包括：
将每一蓝牙信号对应的信号强度和发送所述蓝牙信号的蓝牙基站的识别标识关联保存，作为一输入向量，以获取至少两个所述输入向量；
通过至少两个所述输入向量和所述深度置信神经网络模型确定所述移动终端的位置信息。
进一步地，处理器1001可以调用存储器1005中存储的蓝牙定位程序，还执行以下操作：
将至少两个所述输入向量作为预先训练的所述深度置信神经网络模型的输入参数；
所述深度置信神经网络基于所述输入参数确定输出参数；
根据所述输出参数确定所述位置信息。
进一步地，处理器1001可以调用存储器1005中存储的蓝牙定位程序，还执行以下操作：
获取经纬度与人文位置之间的对照关系；
基于所述经纬度及所述对照关系确定所述移动终端当前对应的所述人文位置，并将所述人文位置作为所述位置信息。
进一步地，处理器1001可以调用存储器1005中存储的蓝牙定位程序，还执行以下操作：
获取离线样本库，其中，所述离线样本库包括在定位空间内的多个预设定位点处检测的各个蓝牙基站的信号强度、所述蓝牙基站的识别标识和所述预设定位点对应的经纬度；
基于所述离线样本库训练得到所述深度置信神经网络模型。
进一步地，处理器1001可以调用存储器1005中存储的蓝牙定位程序，还执行以下操作：
所述移动终端输出所述位置信息；和/或
在接收到目标应用发起的定位数据请求时，将所述位置信息作为所述定位数据请求的响应数据，其中，所述目标应用为所述移动终端中装载的应用。
参照图2，在本发明蓝牙定位方法的一实施例中，所述蓝牙定位方法包括以下步骤：
步骤S10、获取移动终端接收到的蓝牙信号的信号强度以及识别标识；
步骤S20、根据预先训练的深度置信神经网络模型、所述信号强度和所述识别标识，确定所述移动终端的位置信息，其中，所述深度置信神经网络模型基于在预设定位点检测到的所述信号强度、所述识别标识以及所述预设定位点的坐标位置训练得到。
室内定位是指确定处于建筑物内的终端设备的位置信息。由于终端处于建筑物内时，通过GPS定位等卫星定位方法进行定位，会因建筑物对定位信息号的阻隔，导致定位结果不准确。并且，卫星定位一般只能实现平面定位，而无法进行立体定位。例如，当建筑物为层建筑物时，通过卫星定位无法确定移动终端所处的楼层。因此需要通过其他方式对移动终端进行室内定位。
在传统技术中，可以基于蓝牙、红外或者WiFi等技术实现移动终端的室内定位。但是，在传统的基于蓝牙实现室内定位的方案中，由于室内电磁环境的复杂度较高，会导致用于定位的蓝牙信息号出现吸收效应、信号反射和/或信号衍射等现象。而上述现象会导致定位结果的精确度下降。
为提高蓝牙定位方案的定位精确度，提出上述蓝牙定位方法。
在本实施例中，移动终端设置有蓝牙信号接收装置，在定位空间内，预先布置有多个蓝牙基站。其中，上述蓝牙基站设置为持续发送用于进行室内定位的蓝牙信息，上述移动终端的蓝牙信号接收装置设置为接收上述蓝牙基站发送出蓝牙信号。所述蓝牙基站可以通过广播蓝牙信号的方式发出蓝牙信号。
需要说明的是，上述定位空间是指在一具体空间中，布置的蓝牙基站的覆盖范围对应的空间。即在布置有蓝牙基站的空间内，使得移动终端可以接收到蓝牙基站发出的定位信号，以基于定位信号进行定位的区域。上述定位空间可以设置为室内空间或者室外空间。示例性地，在一具体应用场景中，上述定位空间可以设置为如商场的室内空间，也可以设置为一具有多层结构的立交桥等室外空间，使得移动终端在定位空间内，可以进行立体定位。
当移动终端进入定位空间后，在移动终端的蓝牙信号接收装置处于开启状态时，移动终端可以接收各个蓝牙基站发出的蓝牙信号。移动终端还设置有信号强度计算模块，使得移动终端接收到蓝牙信号后，可以通过上述信号强度计算模块计算当前接收到的蓝牙信号的RSSI(Received Signal Strength Indicator，信号强度指示)，其中，蓝牙信号的RSSI即上述信号强度。
由于定位空间内设置有多个用于实现蓝牙定位的蓝牙基站，因此，移动终端进入定位空间后，可以接收到至少两个蓝牙基站发出的蓝牙信号，当移动终端与蓝牙基站之间的相对位置关系不同时，其接收到的不同蓝牙基站发出的蓝牙信号的RSSI也不同相同。因此，移动终端可以获取确定当接收到的多个蓝牙基站发出的蓝牙信号对应的RSSI。
此外，移动终端在接收到蓝牙信号时，还可以获取发出该蓝牙信息的蓝牙基站对应的识别标识。其中，上述识别标识用于使移动终端可以区分多个蓝牙基站，因此，上述识别标识的具体内容可以由设计者自定义。例如，可以设置为以每一蓝牙基站的MAC地址(Media Access Control Address，媒体存取控制位地址)作为每一蓝牙基站对应的识别标识。或者也可以预先定义蓝牙基站的其它唯一识别标记作为上述识别标识，本实施例对此不作具体限定。
进一步地，当确定上述RSSI和上述识别标识后，可以将移动终端接收到的同一蓝牙基站发出的蓝牙信号对应的RSSI，和该蓝牙基站对应的识别标识关联保存，作为输入向量。使得在移动终端接收到由多个不同的蓝牙基站发出的多个蓝牙信号时，可以确定多个输入向量。
当确定上述输入向量后，可将上述多个输入向量作为预先训练好的深度置信神经网络模型的输入参数，以使上述深度置信神经网络模型根据该输入参数确定输出参数。以使移动终端根据该输出参数移动终端当前的位置信息。
具体地，作为一种实现方式，可以预先通过离线样本库对深度置信神经网络选了上述深度置信神经网络。其中，所述离线样本库包括定位空间内的多个预设点对应的所述信号强度和所述基站识别标。以下给出上述离线样本库的生成示例，以解释本发明。
示例性地，首先在室内安装相应的蓝牙基站设备，用来广播蓝牙信号，其他蓝牙终端设备(如移动终端)可以接收到该蓝牙基站广播的，用来定位的蓝牙信号。然后将定位空间按一定的距离划分成均匀的网格，并记录网格节点对应的坐标值，其中，可以以该网格节点对应的经纬度作为该网格节点对应的坐标值。进一步地，在每个网格节点采集对应的蓝牙基站发出的蓝牙信号的RSSI值，将并将上述坐标值与对应的RSSI值关联保存，以生成离线RSSI库(即离线样本库)。其中，上述RSSI的值可由下列公式获得：
RSSI＝A-10n·log d
其中，RSSI为信号强度，A为蓝牙信号发送端与接收端之间为单位距离时，蓝牙接收设备接收到的蓝牙信号的信号强度(在本示例中为蓝牙基站与用于接收蓝牙基站发出的蓝牙信号的移动终端之间的距离为1米时，移动终端接收到的该蓝牙基站发出的蓝牙信号的RSSI值)；d为信号发送端与接收端之间的距离(在本示例中，为蓝牙基站与用于接收蓝牙信号的移动终端之间的距离)；n为环境影响因子。可以理解的是，A和n可以根据实验和最小二乘法原理求得。
进一步地，在本示例中，可以在上述离线样本库中，以如下方式记录坐标值和RSSI值：
Beaj＝[MAC1:RSSI1,MAC2:RSSI2,···，MACj:RSSIj]
Li＝[Xi,Yi,Beaj]
其中，Xi、Yi分别为第i个网格节点的经度和纬度值；MACj为第j个蓝牙基站的地址，RSSIj为第j个蓝牙基站对应的蓝牙信号的信号强度。
进一步地，在基于离线样本库对深度置信神经网络进行训练时，可以以Beaj作为神经网络模型的输入特征值，将Li作为深度置信神经网络模型的输出值，进行离线样本库的训练。以得到经训练好的深度置信神经网络。
可以理解的是，在本示例中，在对深度置信神经网络进行训练时，可以将离线样本库中预设数量的数据作为训练数据，其它的作为测试数据，对深度置信神经网络模型进行训练和测算。例如，通过术采集足够多的Beaj和Li建立离线样本库后，将离线样本库分别按70％和30％的比例划分为训练集和测试集，用来训练和验证深度置信网络。其中：深度置信网络本质上是由多个RBM(受限玻尔兹曼机，Restricted Boltzmann Machine)堆叠而成的，它可以被作为一个回归模型，通过寻找最优的权重，来匹配网络的输入和输出。其训练过程主要可以分为以下两阶段：
第一个阶段是自下而上的无监督训练RBM的过程，通过对堆叠的RBM逐层预训练去获取每个RBM合适的权值，训练RBM的过程可以看成一种对训练样本的特征提取过程。
第二个阶段采用自上向下的有监督学习，利用梯度下降或其他优化算法优化整个网络，该过程可以看成是向下的重构过程，向下的重构是指基于向上的过程中生产生成的抽象表示和生成权重，进行信息重建得到合适的权值。该过程开始前，要合理的设置网络的神经元节点数，网络层数，给网络赋予合适的初始值，然后开始训练网络。当训练集的准确率高于一定的阈值后，使用测试集样本数据对网络进行验证，输出预测的准确率。当测试集准确率达到要求后，保存训练好的深度置信神经网络模型。
最后，在定位过程中，将当前获取到的RSSI和识别标识组成的向量作为深度置信神经网络模型的输入参数，然后根据输入参数获取输出参数。其中，所述输出参数即为移动终端当前位置对应的经纬度。进而将该经纬度作为移动终端当前位置对应的位置信息。
在本实施例公开的技术方案中，先获取移动终端接收到的蓝牙信号的信号强度以及识别标识，然后根据预先训练的深度置信神经网络模型、所述信号强度和所述识别标识，确定所述移动终端的位置信息，其中，所述深度置信神经网络模型基于在预设定位点检测到的所述信号强度、所述识别标识以及所述预设定位点的坐标位置训练得到。由于可以将蓝牙定位技术与深度置信神经网络模型相结合，以对移动终端的位置进行预测，从而避免了传统蓝牙定位过程中因蓝牙信号的吸收效应、信号反射和/或信号衍射等因素影响定位精度的现象发生，这样达成了提高蓝牙定位的定位精度和鲁棒性的效果。
参照图3，基于上述实施例，在另一实施例中，上述步骤S20包括：
步骤S21、将至少两个所述输入向量作为预先训练的所述深度置信神经网络模型的输入参数；
步骤S22、所述深度置信神经网络基于所述输入参数确定输出参数；
步骤S23、根据所述输出参数确定所述位置信息。
在本实施例中，可以将至少两个所述输入向量作为预先训练的所述深度置信神经网络模型的输入参数，以使深度置信神经网络基于上述输入参数确定输出参数。其中，上述输出参数为移动终端的当前所在位置对应的经纬度。
当获取到移动终端当前所在位置对应的经纬度后，可以直接将该经纬度作为上述移动终端的位置信息。
可选地，当获取到移动终端当前所在位置对应的经纬度后，还可以获取经纬度与人文位置的对照关系。其中，上述人文位置即人们根据该位置空间对应的物体对该位置空间进行的命名。例如，以经纬度对应的位置为商场的一名为“优衣库”的商店。则可以在获取到上述经纬度后，或者上述经纬度与人文位置的对照关系，进而根据该对照关系可以确定该经纬度对应的人文位置为“优衣库”。
进一步地，当确定该经纬度对应的人文位置后，可以将该人文位置作为上述移动终端的位置信息。
在本实施例公开的技术方案中，先将至少两个所述输入向量作为预先训练的所述深度置信神经网络模型的输入参数，然后所述深度置信神经网络基于所述输入参数确定输出参数，并根据所述输出参数确定所述位置信息，由于可以根据输出参数确定位置信息，这样达成了提高位置信息的多样性的效果。
参照图4，基于上述任一实施例，在又一实施例中，上述步骤S30之后，还包括：
步骤S30、所述移动终端输出所述位置信息；
在本实施例中；当移动终端确定上述位置信息后，可以在一显示界面中输出上述位置信息。其中，上述显示界面可以是地图应用的运行界面，从而使得可以在地图应用的运行界面中，显示该位置信息。
可选地，参照图5，作为本实施例的另一中实现方式，上述步骤S30之后，还包括：
步骤S40、在接收到目标应用发起的定位数据请求时，将所述位置信息作为所述定位数据请求的响应数据，其中，所述目标应用为所述移动终端中装载的应用
在本实施方式中，移动终端中装载的应用可以作为目标应用，发起定位数据请求。例如，当动终端中装载有微信时，可以通过微信中的喜茶小程序进行点单操作。因此需要获取移动终端的当前位置，以确定离移动中端当前所在位置最近的门店。因此，微信可以作为目标应用发起定位数据请求。当前接收到微信发起的定位数据请求时，将上述位置信息作为该定位数据请求的响应数据。
可选地，移动终端在响应目标应用的定位数据请求时，还可以先确定上述目标应用的位置信息获取权限，在确定上述目标应用具备位置信息获取权限时，响应该定位数据请求，否则，对不该定位数据请求作出响应。
可以理解的是，移动终端可以通过***自动设置任一应用的位置信息获取权限，或者也可以输出设置界面，以通过上述设置界面，或者用户设置的任一应用的位置信息获取权限。
在本实施例公开的技术方案中，可以输出位置信息和/或将位置信息作为低温数据请求的响应数据，这样达成了丰富位置信息的用途的效果。
此外，本发明实施例还提出一种移动终端，所述移动终端包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的蓝牙定位程序，所述蓝牙定位程序被所述处理器执行时实现如上各个实施例所述的蓝牙定位方法的步骤。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有蓝牙定位程序，所述蓝牙定位程序被处理器执行时实现如上各个实施例所述的蓝牙定位方法的步骤。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者***不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者***所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
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上述实施例方法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，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的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，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台移动终端(可以是手机、平板电脑、智能手环或者游戏机等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种蓝牙定位方法，其特征在于，所述蓝牙定位方法包括以下步骤：
获取移动终端接收到的蓝牙信号的信号强度以及识别标识；
根据预先训练的深度置信神经网络模型、所述信号强度和所述识别标识，确定所述移动终端的位置信息，其中，所述深度置信神经网络模型基于在预设定位点检测到的所述信号强度、所述识别标识以及所述预设定位点的坐标位置训练得到。
2.如权利要求1所述的蓝牙定位方法，其特征在于，所述获取移动终端接收到的蓝牙信号的信号强度以及识别标识的步骤包括：
获取移动终端接收到的至少两个蓝牙基站发送的蓝牙信号的信号强度；
获取每一所述蓝牙信号对应的蓝牙基站的识别标识；
所述根据预先训练的深度置信神经网络模型、所述信号强度和所述识别标识，确定所述移动终端的位置信息的步骤包括：
将每一蓝牙信号对应的信号强度和发送所述蓝牙信号的蓝牙基站的识别标识关联保存，作为一输入向量，以获取至少两个所述输入向量；
通过至少两个所述输入向量和所述深度置信神经网络模型确定所述移动终端的位置信息。
3.如权利要求2所述的蓝牙定位方法，其特征在于，所述通过至少两个所述输入向量和所述深度置信神经网络模型确定所述移动终端的位置信息的步骤包括：
将至少两个所述输入向量作为预先训练的所述深度置信神经网络模型的输入参数；
所述深度置信神经网络基于所述输入参数确定输出参数；
根据所述输出参数确定所述位置信息。
4.如权利要求3所述的蓝牙定位方法，其特征在于，所述输出参数为所述移动终端当前所在位置对应的经纬度。
5.如权利要求4所述的蓝牙定位方法，其特征在于，所述根据所述输出参数确定所述位置信息的步骤包括：
获取经纬度与人文位置之间的对照关系；
基于所述经纬度及所述对照关系确定所述移动终端当前对应的所述人文位置，并将所述人文位置作为所述位置信息。
6.如权利要求1所述的蓝牙定位方法，其特征在于，所述蓝牙定位方法还包括：
获取离线样本库，其中，所述离线样本库包括在定位空间内的多个预设定位点处检测的各个蓝牙基站的信号强度、所述蓝牙基站的识别标识和所述预设定位点对应的经纬度；
基于所述离线样本库训练得到所述深度置信神经网络模型。
7.如权利要求1所述的蓝牙定位方法，其特征在于，所述识别标识为蓝牙基站的MAC地址。
8.如权利要求1所述的蓝牙定位方法，其特征在于，所述根据预先训练的深度置信神经网络模型、所述信号强度和所述识别标识，确定所述移动终端的位置信息的步骤之后，还包括：
所述移动终端输出所述位置信息；和/或
在接收到目标应用发起的定位数据请求时，将所述位置信息作为所述定位数据请求的响应数据，其中，所述目标应用为所述移动终端中装载的应用。
9.一种移动终端，其特征在于，所述移动终端包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的蓝牙定位程序，所述蓝牙定位程序被所述处理器执行时实现如权利要求1至8中任一项所述的蓝牙定位方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有蓝牙定位程序，所述蓝牙定位程序被处理器执行时实现如权利要求1至8中任一项所述的蓝牙定位方法的步骤。
CN202010608363.9A 2020-06-29 2020-06-29 蓝牙定位方法、移动终端及存储介质 Pending CN111654818A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010608363.9A CN111654818A (zh) 2020-06-29 2020-06-29 蓝牙定位方法、移动终端及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010608363.9A CN111654818A (zh) 2020-06-29 2020-06-29 蓝牙定位方法、移动终端及存储介质

Publications (1)

Publication Number Publication Date
CN111654818A true CN111654818A (zh) 2020-09-11

Family

ID=72348558

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010608363.9A Pending CN111654818A (zh) 2020-06-29 2020-06-29 蓝牙定位方法、移动终端及存储介质

Country Status (1)

Country Link
CN (1) CN111654818A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112351385A (zh) * 2020-10-26 2021-02-09 维沃移动通信有限公司 定位方法、装置及电子设备
CN112533137A (zh) * 2020-11-26 2021-03-19 北京爱笔科技有限公司 设备的定位方法、装置、电子设备及计算机存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103297551A (zh) * 2012-02-29 2013-09-11 腾讯科技（深圳）有限公司 自动获取地址的方法、服务器和***
WO2016205951A1 (en) * 2015-06-25 2016-12-29 Appropolis Inc. A system and a method for tracking mobile objects using cameras and tag devices
CN107817466A (zh) * 2017-06-19 2018-03-20 重庆大学 基于堆叠受限玻尔兹曼机和随机森林算法的室内定位方法
CN108549070A (zh) * 2018-03-30 2018-09-18 特斯联（北京）科技有限公司 一种基于泛在物联网的公共空间定位***和方法
CN109151727A (zh) * 2018-07-28 2019-01-04 天津大学 基于改进的dbn的wlan指纹定位数据库构建方法
CN110418407A (zh) * 2019-08-27 2019-11-05 成都市东信德科技有限公司 基于神经网络的异常行李蓝牙定位方法及其***
CN111182453A (zh) * 2020-02-12 2020-05-19 腾讯科技（深圳）有限公司 定位方法、装置、电子设备及存储介质
CN111199564A (zh) * 2019-12-23 2020-05-26 中国科学院光电研究院 智能移动终端的室内定位方法、装置与电子设备

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103297551A (zh) * 2012-02-29 2013-09-11 腾讯科技（深圳）有限公司 自动获取地址的方法、服务器和***
WO2016205951A1 (en) * 2015-06-25 2016-12-29 Appropolis Inc. A system and a method for tracking mobile objects using cameras and tag devices
CN107817466A (zh) * 2017-06-19 2018-03-20 重庆大学 基于堆叠受限玻尔兹曼机和随机森林算法的室内定位方法
CN108549070A (zh) * 2018-03-30 2018-09-18 特斯联（北京）科技有限公司 一种基于泛在物联网的公共空间定位***和方法
CN109151727A (zh) * 2018-07-28 2019-01-04 天津大学 基于改进的dbn的wlan指纹定位数据库构建方法
CN110418407A (zh) * 2019-08-27 2019-11-05 成都市东信德科技有限公司 基于神经网络的异常行李蓝牙定位方法及其***
CN111199564A (zh) * 2019-12-23 2020-05-26 中国科学院光电研究院 智能移动终端的室内定位方法、装置与电子设备
CN111182453A (zh) * 2020-02-12 2020-05-19 腾讯科技（深圳）有限公司 定位方法、装置、电子设备及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
杨晋生等: "基于改进的DBN的WLAN指纹定位数据库构建算法", 《光电子激光》 *
聂增丽 等: "《无线传感网技术》", 31 August 2016 *
肖超: "基于自动编码器的三维蓝牙室内定位算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112351385A (zh) * 2020-10-26 2021-02-09 维沃移动通信有限公司 定位方法、装置及电子设备
CN112533137A (zh) * 2020-11-26 2021-03-19 北京爱笔科技有限公司 设备的定位方法、装置、电子设备及计算机存储介质
CN112533137B (zh) * 2020-11-26 2023-10-17 北京爱笔科技有限公司 设备的定位方法、装置、电子设备及计算机存储介质

Similar Documents

Publication Publication Date Title
CA2946667C (en) Adaptive position determination
Kriz et al. Improving indoor localization using bluetooth low energy beacons
US9304185B2 (en) Deduplicating location fingerprint data
US9491585B2 (en) Location determination using dual statistical filters
EP3664513B1 (en) Positioning method and apparatus
US9161175B1 (en) Location transition determination
US10798670B2 (en) Information processing device, portable device, and system
US8983490B2 (en) Locating a mobile device
US10757671B2 (en) Location fingerprinting for a transit system
CN111707233B (zh) 终端设备的定位方法、装置、终端设备及存储介质
KR20160075686A (ko) 관심 지점을 위한 클러스터링 방법 및 관련 장치
CN111654818A (zh) 蓝牙定位方法、移动终端及存储介质
CN105474034A (zh) 用于选择Wi-Fi接入点进行位置确定的***和方法
CN107250829A (zh) 检查无线电模型数据的健康状况
US20160094950A1 (en) Modeling connectivity of transit systems
CN111757464B (zh) 一种区域轮廓提取方法及装置
CN107209783A (zh) 自适应位置指示符
CN111741431A (zh) 室内定位方法及装置、终端、存储介质
US11778419B2 (en) Electronic device detecting location and method thereof
CN111654817A (zh) 蓝牙定位方法、移动终端及存储介质
US20180368095A1 (en) System and method for positioning a gateway of an architecture
CN112556683B (zh) 基于磁偶极子场的定位方法、装置、***与存储介质
CN111194000B (zh) 基于蓝牙融合混合滤波与神经网络的测距方法与***
CN105682039A (zh) 一种rf指纹定位方法及***
EP3293483A1 (en) Improved floor detection based on determined floor detection parameters

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200911

RJ01 Rejection of invention patent application after publication