CN112020137A - 一种面向室内终端的智能工厂定位方法及装置 - Google Patents
一种面向室内终端的智能工厂定位方法及装置 Download PDFInfo
- Publication number
- CN112020137A CN112020137A CN202010800216.1A CN202010800216A CN112020137A CN 112020137 A CN112020137 A CN 112020137A CN 202010800216 A CN202010800216 A CN 202010800216A CN 112020137 A CN112020137 A CN 112020137A
- Authority
- CN
- China
- Prior art keywords
- indoor
- characteristic information
- original position
- node
- information
- 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
Links
Images
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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
- H04B17/318—Received signal strength
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种面向室内终端的智能工厂定位方法及装置。所述方法包括步骤:S1、离线阶段,具体包括:将在每一参考节点上采集的来自各个室内无线节点的接收信号强度作为原始位置特征信息,构建原始位置特征空间;对所述原始位置特征空间进行非线性映射转换,得到目标特征空间;S2、在线阶段,具体包括:将在测试节点上采集的来自各个所述室内无线节点的接收信号强度作为测试位置特征信息;对所述测试位置特征信息进行非线性映射转换,得到目标特征信息;采用加权近邻法,根据所述目标特征信息和所述目标特征空间确定智能工厂内室内终端的所在位置。本发明能够有效提高智能工厂内室内终端的定位精度。
Description
技术领域
本发明涉及无线定位技术领域,尤其涉及一种面向室内终端的智能工厂定位方法及装置。
背景技术
智能工厂是当今工厂在设备智能化、管理现代化、信息计算机化的基础上达到的新阶段,其内部实时定位***通过实时定位室内终端连续跟踪工厂设备、AGV(自动导引车)、人员、物料等,并将定位数据发送至上层软件***,从而实现智能工厂的精细化生产管理。
目前,主流的智能工厂定位方法为基于聚类和决策树的方法,即选择来自工厂区域内最佳室内无线节点的接收信号强度(RSS值)作为位置特征信息。而实际上工厂区域内多个室内无线节点存在信号干扰现象,现有的智能工厂定位方法虽然简单易用,定位迅速,但仍存在以下突出缺点:
1、工厂区域内未被选择的室内无线节点及其对应的RSS值将被抛弃,难以充分考虑来自其他室内无线节点的RSS值对定位结果的影响;
2、当工厂区域内可选择的室内无线节点较少时,选择来自最佳室内无线节点的RSS值作为位置特征信息,在一定程度上也限制了定位结果的准确性。
可见,现有的智能工厂定位方法的定位精度较低。
发明内容
为了克服现有技术的缺陷,本发明提供一种面向室内终端的智能工厂定位方法及装置,能够有效提高智能工厂内室内终端的定位精度。
为了解决上述技术问题,第一方面,本发明一实施例提供一种面向室内终端的智能工厂定位方法,包括步骤:
S1、离线阶段,具体包括:
将在每一参考节点上采集的来自各个室内无线节点的接收信号强度作为原始位置特征信息,构建原始位置特征空间;
对所述原始位置特征空间进行非线性映射转换,得到目标特征空间;
S2、在线阶段,具体包括:
将在测试节点上采集的来自各个所述室内无线节点的接收信号强度作为测试位置特征信息;
对所述测试位置特征信息进行非线性映射转换,得到目标特征信息;
采用加权近邻法,根据所述目标特征信息和所述目标特征空间确定智能工厂内室内终端的所在位置。
进一步地,在所述将在每一参考节点上采集的来自各个室内无线节点的接收信号强度作为原始位置特征信息,构建原始位置特征空间之前,还包括:
在无线覆盖区域内布设多个所述参考节点,并根据所有所述参考节点的物理位置,构建原始位置物理空间。
进一步地,所述将在每一参考节点上采集的来自各个室内无线节点的接收信号强度作为原始位置特征信息,构建原始位置特征空间,具体为:
在每一所述参考节点上采集各个所述室内无线节点的标识信息,并多次采集来自同一所述室内无线节点的接收信号强度,将来自同一所述室内无线节点的接收信号强度平均值作为所述原始位置特征信息;
当在所有所述参考节点完成采集时,根据所有所述原始位置特征信息,构建所述原始位置特征空间。
进一步地,所述将在测试节点上采集的来自各个所述室内无线节点的接收信号强度作为测试位置特征信息,具体为:
在所述测试节点上采集各个所述室内无线节点的标识信息,并多次采集来自同一所述室内无线节点的接收信号强度,将来自同一所述室内无线节点的接收信号强度平均值作为所述测试位置特征信息。
进一步地,所述采用加权近邻法,根据所述目标特征信息和所述目标特征空间确定智能工厂内室内终端的所在位置,具体为:
计算所述目标特征信息与所述目标特征空间中每一原始位置特征信息的欧式距离;
按照所述欧式距离从小到大的顺序筛选若干个所述原始位置特征信息,并根据筛选的所述原始位置特征信息,确定所述室内终端的所在位置。
第二方面,本发明一实施例提供一种面向室内终端的智能工厂定位装置,包括:
离线模块,具体包括:
原始位置特征空间构建单元,用于将在每一参考节点上采集的来自各个室内无线节点的接收信号强度作为原始位置特征信息,构建原始位置特征空间;
目标特征空间获取单元,用于对所述原始位置特征空间进行非线性映射转换,得到目标特征空间;
在线模块,具体包括:
测试位置特征信息采集单元,用于将在测试节点上采集的来自各个所述室内无线节点的接收信号强度作为测试位置特征信息;
目标特征信息获取单元,用于对所述测试位置特征信息进行非线性映射转换,得到目标特征信息;
室内终端定位单元,用于采用加权近邻法,根据所述目标特征信息和所述目标特征空间确定智能工厂内室内终端的所在位置。
进一步地,所述原始位置特征空间构建单元,还用于在所述将在每一参考节点上采集的来自各个室内无线节点的接收信号强度作为原始位置特征信息,构建原始位置特征空间之前,在无线覆盖区域内布设多个所述参考节点,并根据所有所述参考节点的物理位置,构建原始位置物理空间。
进一步地,所述将在每一参考节点上采集的来自各个室内无线节点的接收信号强度作为原始位置特征信息,构建原始位置特征空间,具体为:
在每一所述参考节点上采集各个所述室内无线节点的标识信息,并多次采集来自同一所述室内无线节点的接收信号强度,将来自同一所述室内无线节点的接收信号强度平均值作为所述原始位置特征信息;
当在所有所述参考节点完成采集时,根据所有所述原始位置特征信息,构建所述原始位置特征空间。
进一步地,所述将在测试节点上采集的来自各个所述室内无线节点的接收信号强度作为测试位置特征信息,具体为:
在所述测试节点上采集各个所述室内无线节点的标识信息,并多次采集来自同一所述室内无线节点的接收信号强度,将来自同一所述室内无线节点的接收信号强度平均值作为所述测试位置特征信息。
进一步地,所述采用加权近邻法,根据所述目标特征信息和所述目标特征空间确定智能工厂内室内终端的所在位置,具体为:
计算所述目标特征信息与所述目标特征空间中每一原始位置特征信息的欧式距离;
按照所述欧式距离从小到大的顺序筛选若干个所述原始位置特征信息,并根据筛选的所述原始位置特征信息,确定所述室内终端的所在位置。
本发明的实施例,具有如下有益效果:
通过在离线阶段,将在每一参考节点上采集的来自各个室内无线节点的接收信号强度作为原始位置特征信息,构建原始位置特征空间,并对原始位置特征空间进行非线性映射转换,得到目标特征空间,在在线阶段,将在测试节点上采集的来自各个室内无线节点的接收信号强度作为测试位置特征信息,并对测试位置特征信息进行非线性映射转换,得到目标特征信息,以采用加权近邻法,根据目标特征信息和目标特征空间确定智能工厂内室内终端的所在位置,从而实现智能工厂内室内终端的精准定位。相比于现有技术,本发明的实施例在离线阶段采用非线性映射转换特征提取算法训练原始位置特征信息,非线性映射转换特征提取算法可以将原始位置特征空间扩展到高维空间进行分析,更大程度地利用原始位置特征信息,从而能够有效提高智能工厂内室内终端的定位精度。
附图说明
图1为本发明第一实施例中的一种面向室内终端的智能工厂定位方法的流程示意图;
图2为本发明第一实施例中的一种面向室内终端的智能工厂定位方法的另一流程示意图;
图3为本发明第一实施例中的离线阶段的流程示意图;
图4为本发明第一实施例中的在线阶段的流程示意图;
图5为本发明第二实施例中的一种面向室内终端的智能工厂定位装置的结构示意图。
具体实施方式
下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,文中的步骤编号,仅为了方便具体实施例的解释,不作为限定步骤执行先后顺序的作用。
第一实施例:
如图1-4所示,第一实施例提供一种面向室内终端的智能工厂定位方法,包括步骤S1~S2:
S1、离线阶段,具体包括步骤S11~S12:
S11、将在每一参考节点上采集的来自各个室内无线节点的接收信号强度作为原始位置特征信息,构建原始位置特征空间。
S12、对原始位置特征空间进行非线性映射转换,得到目标特征空间。
S2、在线阶段,具体包括步骤S21~S23:
S21、将在测试节点上采集的来自各个室内无线节点的接收信号强度作为测试位置特征信息。
S22、对测试位置特征信息进行非线性映射转换,得到目标特征信息。
S23、采用加权近邻法,根据目标特征信息和目标特征空间确定智能工厂内室内终端的所在位置。
在优选的实施例当中,在所述将在每一参考节点上采集的来自各个室内无线节点的接收信号强度作为原始位置特征信息,构建原始位置特征空间之前,还包括:在无线覆盖区域内布设多个参考节点,并根据所有参考节点的物理位置,构建原始位置物理空间。
作为示例性地,在离线阶段构建原始位置特征空间的过程中,通过预先布设N个参考节点,每个参考节点的物理位置为li(xi,yi),N个参考节点的物理位置构成原始位置物理空间L=(l1,l2,…,lN)T,在每一参考节点上采集来自n个室内无线节点的接收信号强度RSS,得到n维向量Fi=(RSS1,RSS2,…,RSSn)T,i∈(1,N),即原始位置特征信息,将全部参考节点的原始位置特征信息存储于相关数据库中,构建一个N×n维的原始位置特征空间F=(F1,F2,…,FN)T,矩阵F中的每个行向量表示一个参考节点的原始位置特征信息。
在离线阶段获取目标特征空间的过程中,对原始位置特征空间进行非线性映射转换的具体步骤如下所示:
1、将原始位置特征空间F作为输入空间,根据式(1)计算非线性映射转换矩阵K:
式(1)中,ε为高斯核宽度;i,j≤N;K为N×N维矩阵;
3、计算非线性映射转换矩阵K的前k个最大特征值λ1≥λ2...λk-1≥λk,及对应的特征向量v1,v2,…,vk;比如:
化简得|λE-K|=(λ+2)2(λ-4),则K的特征值分别为4,-2,-2,前3个最大特征值为λ3=4≥λ1=λ2=-2;
当λ1=λ2=-2时,代入特征方程组(λE-A)X=0,即
得基础解系X1=[1,1,0]T,即k1X1是属于特征值-2的全部特征向量(k1≠0);
同理可得λ3=4时的基础解系X2=[0,1,1]T,k2X2是属于特征值4的全部特征向
量(k2≠0);
4、通过正交化方法将v1,v2,…,vk单位正交化,得到a1,a2,…,ak;
5、根据式(3)计算目标特征空间F′:
式(3)中,a=(a1,a2,…,ak)T为N×n维矩阵,K~为修正后的核矩阵。
在在线阶段采集测试位置特征信息的过程与在离线阶段采集原始位置特征信息的过程类似,通过在测试节点上采集来自n个室内无线节点的接收信号强度RSS,得到n维向量S=(RSS1,RSS2,…,RSSn)T,即测试位置特征信息。
在在线阶段获取目标特征信息的过程中,根据式(4)对测试位置特征信息S做非线性映射变换处理,得到目标特征信息S′:
式(4)中,at为特征向量;K(Ft,S)=Φ(Ft)Φ(S),Φ为数据空间到特征空间的映射函数;K(Fi,S)=Φ(Fi)Φ(S);Ktj为非线性映射转换矩阵K(Ft,S)第t行第j列的元素;Kij为非线性映射转换矩阵K(Fi,S)第i行第j列的元素。
在在线阶段定位室内终端的过程中,采用加权近邻法,根据目标特征信息S′和目标特征空间F′确定智能工厂内室内终端的所在位置的具体步骤如下所示:
1、根据式(5)计算目标特征信息S′与目标特征空间F′中各个原始位置特征信息Fi′的欧氏距离:
式(5)中,Di(S′,Fi′)可以表征S′与Fi′间的相似程度,其值越小,二者越相似;
2、按Di(S′,Fi′)的大小排列,找到前m<N个最小的欧式距离Di及其相对应的m个原始位置特征信息Fi′和参考节点物理位置li(xi,yi)使其满足式(6):
式(6)中,0<d0<1,防止分母为0;σ是一个小于1的正数;
3、根据式(7)计算智能工厂内各室内终端的所在位置position:
本实施例通过在离线阶段,将在每一参考节点上采集的来自各个室内无线节点的接收信号强度作为原始位置特征信息,构建原始位置特征空间,并对原始位置特征空间进行非线性映射转换,得到目标特征空间,在在线阶段,将在测试节点上采集的来自各个室内无线节点的接收信号强度作为测试位置特征信息,并对测试位置特征信息进行非线性映射转换,得到目标特征信息,以采用加权近邻法,根据目标特征信息和目标特征空间确定智能工厂内室内终端的所在位置,从而实现智能工厂内室内终端的精准定位。本实施例在离线阶段采用非线性映射转换特征提取算法训练原始位置特征信息,非线性映射转换特征提取算法可以将原始位置特征空间扩展到高维空间进行分析,更大程度地利用原始位置特征信息,从而能够有效提高智能工厂内室内终端的定位精度。
在优选的实施例当中,所述将在每一参考节点上采集的来自各个室内无线节点的接收信号强度作为原始位置特征信息,构建原始位置特征空间,具体为:在每一参考节点上采集各个室内无线节点的标识信息,并多次采集来自同一室内无线节点的接收信号强度,将来自同一室内无线节点的接收信号强度平均值作为原始位置特征信息;当在所有参考节点完成采集时,根据所有原始位置特征信息,构建原始位置特征空间。
作为示例性地,在每一参考节点上采集各个室内无线节点的标识信息(比如MAC地址),同时针对每一室内无线节点比如第n个室内无线节点,p次采集来自第n个室内无线节点的接收信号强度得到{RSSn,1,RSSn,2,…,RSSn,p},将来自第n个室内无线节点的接收信号强度平均值作为来自第n个室内无线节点的接收信息强度RSSn,得到原始位置特征信息。
本实施例将在参考节点上多次采集的来自同一室内无线节点的接收信号强度的平均值作为原始位置特征信息,有利于提高智能工厂内室内终端的定位精度。
在优选的实施例当中,所述将在测试节点上采集的来自各个室内无线节点的接收信号强度作为测试位置特征信息,具体为:在测试节点上采集各个室内无线节点的标识信息,并多次采集来自同一室内无线节点的接收信号强度,将来自同一室内无线节点的接收信号强度平均值作为测试位置特征信息。
作为示例性地,在测试节点上采集各个室内无线节点的标识信息(比如MAC地址),同时针对每一室内无线节点比如第n个室内无线节点,p次采集来自第n个室内无线节点的接收信号强度得到{RSSn,1,RSSn,2,…,RSSn,p},将来自第n个室内无线节点的接收信号强度平均值作为来自第n个室内无线节点的接收信息强度RSSn,得到测试位置特征信息。
本实施例将在测试节点上多次采集的来自同一室内无线节点的接收信号强度的平均值作为测试位置特征信息,有利于提高智能工厂内室内终端的定位精度。
在优选的实施例当中,所述采用加权近邻法,根据目标特征信息和目标特征空间确定智能工厂内室内终端的所在位置,具体为:计算目标特征信息与目标特征空间中每一原始位置特征信息的欧式距离;按照欧式距离从小到大的顺序筛选若干个原始位置特征信息,并根据筛选的原始位置特征信息,确定室内终端的所在位置。
本实施例采用加权近邻法,根据非线性映射转换得到的目标特征信息和目标特征空间确定智能工厂内室内终端的所在位置,有利于提高智能工厂内室内终端的定位精度。
第二实施例:
如图5所示,第二实施例提供一种面向室内终端的智能工厂定位装置,包括:离线模块21,具体包括:原始位置特征空间构建单元211,用于将在每一参考节点上采集的来自各个室内无线节点的接收信号强度作为原始位置特征信息,构建原始位置特征空间;目标特征空间获取单元212,用于对原始位置特征空间进行非线性映射转换,得到目标特征空间;在线模块22,具体包括:测试位置特征信息采集单元221,用于将在测试节点上采集的来自各个室内无线节点的接收信号强度作为测试位置特征信息;目标特征信息获取单元222,用于对测试位置特征信息进行非线性映射转换,得到目标特征信息;室内终端定位单元223,用于采用加权近邻法,根据目标特征信息和目标特征空间确定智能工厂内室内终端的所在位置。
在优选的实施例当中,原始位置特征空间构建单元211,还用于在所述将在每一参考节点上采集的来自各个室内无线节点的接收信号强度作为原始位置特征信息,构建原始位置特征空间之前,在无线覆盖区域内布设多个参考节点,并根据所有参考节点的物理位置,构建原始位置物理空间。
作为示例性地,通过原始位置特征空间构建单元211,预先布设N个参考节点,每个参考节点的物理位置为li(xi,yi),N个参考节点的物理位置构成原始位置物理空间L=(l1,l2,…,lN)T,在每一参考节点上采集来自n个室内无线节点的接收信号强度RSS,得到n维向量Fi=(RSS1,RSS2,…,RSSn)T,i∈(1,N),即原始位置特征信息,将全部参考节点的原始位置特征信息存储于相关数据库中,构建一个N×n维的原始位置特征空间F=(F1,F2,…,FN)T,矩阵F中的每个行向量表示一个参考节点的原始位置特征信息。
通过目标特征空间获取单元212,对原始位置特征空间进行非线性映射转换的具体步骤如下所示:
1、将原始位置特征空间F作为输入空间,根据式(8)计算非线性映射转换矩阵K:
式(8)中,ε为高斯核宽度;i,j≤N;K为N×N维矩阵;
3、计算非线性映射转换矩阵K的前k个最大特征值λ1≥λ2...λk-1≥λk,及对应的特征向量v1,v2,…,vk;比如:
化简得|λE-K|=(λ+2)2(λ-4),则K的特征值分别为4,-2,-2,前3个最大
特征值为λ3=4≥λ1=λ2=-2;
当λ1=λ2=-2时,代入特征方程组(λE-A)X=0,即
得基础解系X1=[1,1,0]T,即k1X1是属于特征值-2的全部特征向量(k1≠0);
同理可得λ3=4时的基础解系X2=[0,1,1]T,k2X2是属于特征值4的全部特征向量(k2≠0);
4、通过正交化方法将v1,v2,…,vk单位正交化,得到a1,a2,…,ak;
5、根据式(10)计算目标特征空间F′:
在在线阶段采集测试位置特征信息的过程与在离线阶段采集原始位置特征信息的过程类似,通过测试位置特征信息采集单元221,在测试节点上采集来自n个室内无线节点的接收信号强度RSS,得到n维向量S=(RSS1,RSS2,…,RSSn)T,即测试位置特征信息。
通过目标特征信息获取单元222,根据式(11)对测试位置特征信息S做非线性映射变换处理,得到目标特征信息S′:
式(11)中,at为特征向量;K(Ft,S)=Φ(Ft)Φ(S),Φ为数据空间到特征空间的映射函数;K(Fi,S)=Φ(Fi)Φ(S);Ktj为非线性映射转换矩阵K(Ft,S)第t行第j列的元素;Kij为非线性映射转换矩阵K(Fi,S)第i行第j列的元素。
通过室内终端定位单元223,采用加权近邻法,根据目标特征信息S′和目标特征空间F′确定智能工厂内室内终端的所在位置的具体步骤如下所示:
1、根据式(12)计算目标特征信息S′与目标特征空间F′中各个原始位置特征信息Fi′的欧氏距离:
式(12)中,Di(S′,Fi′)可以表征S′与Fi′间的相似程度,其值越小,二者越相似;
2、按Di(S′,Fi′)的大小排列,找到前m<N个最小的欧式距离Di及其相对应的m个原始位置特征信息Fi′和参考节点物理位置li(xi,yi)使其满足式(13):
式(13)中,0<d0<1,防止分母为0;σ是一个小于1的正数;
3、根据式(14)计算智能工厂内各室内终端的所在位置position:
本实施例通过原始位置特征空间构建单元211,将在每一参考节点上采集的来自各个室内无线节点的接收信号强度作为原始位置特征信息,构建原始位置特征空间,并通过目标特征空间获取单元212,对原始位置特征空间进行非线性映射转换,得到目标特征空间,通过测试位置特征信息采集单元221,将在测试节点上采集的来自各个室内无线节点的接收信号强度作为测试位置特征信息,并通过目标特征信息获取单元,对测试位置特征信息进行非线性映射转换,得到目标特征信息,以通过室内终端定位单元,采用加权近邻法,根据目标特征信息和目标特征空间确定智能工厂内室内终端的所在位置,从而实现智能工厂内室内终端的精准定位。本实施例在离线阶段采用非线性映射转换特征提取算法训练原始位置特征信息,非线性映射转换特征提取算法可以将原始位置特征空间扩展到高维空间进行分析,更大程度地利用原始位置特征信息,从而能够有效提高智能工厂内室内终端的定位精度。
在优选的实施例当中,所述将在每一参考节点上采集的来自各个室内无线节点的接收信号强度作为原始位置特征信息,构建原始位置特征空间,具体为:在每一参考节点上采集各个室内无线节点的标识信息,并多次采集来自同一室内无线节点的接收信号强度,将来自同一室内无线节点的接收信号强度平均值作为原始位置特征信息;当在所有参考节点完成采集时,根据所有原始位置特征信息,构建原始位置特征空间。
作为示例性地,通过原始位置特征空间构建单元211,在每一参考节点上采集各个室内无线节点的标识信息(比如MAC地址),同时针对每一室内无线节点比如第n个室内无线节点,p次采集来自第n个室内无线节点的接收信号强度得到{RSSn,1,RSSn,2,…,RSSn,p},将来自第n个室内无线节点的接收信号强度平均值作为来自第n个室内无线节点的接收信息强度RSSn,得到原始位置特征信息。
本实施例通过原始位置特征空间构建单元211,将在参考节点上多次采集的来自同一室内无线节点的接收信号强度的平均值作为原始位置特征信息,有利于提高智能工厂内室内终端的定位精度。
在优选的实施例当中,所述将在测试节点上采集的来自各个室内无线节点的接收信号强度作为测试位置特征信息,具体为:在测试节点上采集各个室内无线节点的标识信息,并多次采集来自同一室内无线节点的接收信号强度,将来自同一室内无线节点的接收信号强度平均值作为测试位置特征信息。
作为示例性地,通过测试位置特征信息采集单元221,在测试节点上采集各个室内无线节点的标识信息(比如MAC地址),同时针对每一室内无线节点比如第n个室内无线节点,p次采集来自第n个室内无线节点的接收信号强度得到{RSSn,1,RSSn,2,…,RSSn,p},将来自第n个室内无线节点的接收信号强度平均值作为来自第n个室内无线节点的接收信息强度RSSn,得到测试位置特征信息。
本实施例通过测试位置特征信息采集单元221,将在测试节点上多次采集的来自同一室内无线节点的接收信号强度的平均值作为测试位置特征信息,有利于提高智能工厂内室内终端的定位精度。
在优选的实施例当中,所述采用加权近邻法,根据目标特征信息和目标特征空间确定智能工厂内室内终端的所在位置,具体为:计算目标特征信息与目标特征空间中每一原始位置特征信息的欧式距离;按照欧式距离从小到大的顺序筛选若干个原始位置特征信息,并根据筛选的原始位置特征信息,确定室内终端的所在位置。
本实施例通过室内终端定位单元223,采用加权近邻法,根据非线性映射转换得到的目标特征信息和目标特征空间确定智能工厂内室内终端的所在位置,有利于提高智能工厂内室内终端的定位精度。
综上所述,实施本发明的实施例,具有如下有益效果:
通过在离线阶段,将在每一参考节点上采集的各个室内无线节点对应的标识信息和接收信号强度作为原始位置特征信息,构建原始位置特征空间,并对原始位置特征空间进行非线性映射转换,得到目标特征空间,在在线阶段,将在测试节点上采集的各个室内无线节点对应的标识信息和接收信号强度作为测试位置特征信息,并对测试位置特征信息进行非线性映射转换,得到目标特征信息,以采用加权近邻法,根据目标特征信息和目标特征空间确定智能工厂内室内终端的所在位置,从而实现智能工厂内室内终端的精准定位。本发明的实施例在离线阶段采用非线性映射转换特征提取算法训练原始位置特征信息,非线性映射转换特征提取算法可以将原始位置特征空间扩展到高维空间进行分析,更大程度地利用原始位置特征信息,从而能够有效提高智能工厂内室内终端的定位精度。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
本领域普通技术人员可以理解实现上述实施例中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
Claims (10)
1.一种面向室内终端的智能工厂定位方法,其特征在于,包括步骤:
S1、离线阶段,具体包括:
将在每一参考节点上采集的来自各个室内无线节点的接收信号强度作为原始位置特征信息,构建原始位置特征空间;
对所述原始位置特征空间进行非线性映射转换,得到目标特征空间;
S2、在线阶段,具体包括:
将在测试节点上采集的来自各个所述室内无线节点的接收信号强度作为测试位置特征信息;
对所述测试位置特征信息进行非线性映射转换,得到目标特征信息;
采用加权近邻法,根据所述目标特征信息和所述目标特征空间确定智能工厂内室内终端的所在位置。
2.如权利要求1所述的面向室内终端的智能工厂定位方法,其特征在于,在所述将在每一参考节点上采集的来自各个室内无线节点的接收信号强度作为原始位置特征信息,构建原始位置特征空间之前,还包括:
在无线覆盖区域内布设多个所述参考节点,并根据所有所述参考节点的物理位置,构建原始位置物理空间。
3.如权利要求1所述的面向室内终端的智能工厂定位方法,其特征在于,所述将在每一参考节点上采集的来自各个室内无线节点的接收信号强度作为原始位置特征信息,构建原始位置特征空间,具体为:
在每一所述参考节点上采集各个所述室内无线节点的标识信息,并多次采集来自同一所述室内无线节点的接收信号强度,将来自同一所述室内无线节点的接收信号强度平均值作为所述原始位置特征信息;
当在所有所述参考节点完成采集时,根据所有所述原始位置特征信息,构建所述原始位置特征空间。
4.如权利要求1所述的面向室内终端的智能工厂定位方法,其特征在于,所述将在测试节点上采集的来自各个所述室内无线节点的接收信号强度作为测试位置特征信息,具体为:
在所述测试节点上采集各个所述室内无线节点的标识信息,并多次采集来自同一所述室内无线节点的接收信号强度,将来自同一所述室内无线节点的接收信号强度平均值作为所述测试位置特征信息。
5.如权利要求1所述的面向室内终端的智能工厂定位方法,其特征在于,所述采用加权近邻法,根据所述目标特征信息和所述目标特征空间确定智能工厂内室内终端的所在位置,具体为:
计算所述目标特征信息与所述目标特征空间中每一原始位置特征信息的欧式距离;
按照所述欧式距离从小到大的顺序筛选若干个所述原始位置特征信息,并根据筛选的所述原始位置特征信息,确定所述室内终端的所在位置。
6.一种面向室内终端的智能工厂定位装置,其特征在于,包括:
离线模块,具体包括:
原始位置特征空间构建单元,用于将在每一参考节点上采集的来自各个室内无线节点的接收信号强度作为原始位置特征信息,构建原始位置特征空间;
目标特征空间获取单元,用于对所述原始位置特征空间进行非线性映射转换,得到目标特征空间;
在线模块,具体包括:
测试位置特征信息采集单元,用于将在测试节点上采集的来自各个所述室内无线节点的接收信号强度作为测试位置特征信息;
目标特征信息获取单元,用于对所述测试位置特征信息进行非线性映射转换,得到目标特征信息;
室内终端定位单元,用于采用加权近邻法,根据所述目标特征信息和所述目标特征空间确定智能工厂内室内终端的所在位置。
7.如权利要求6所述的面向室内终端的智能工厂定位装置,其特征在于,所述原始位置特征空间构建单元,还用于在所述将在每一参考节点上采集的来自各个室内无线节点的接收信号强度作为原始位置特征信息,构建原始位置特征空间之前,在无线覆盖区域内布设多个所述参考节点,并根据所有所述参考节点的物理位置,构建原始位置物理空间。
8.如权利要求6所述的面向室内终端的智能工厂定位装置,其特征在于,所述将在每一参考节点上采集的来自各个室内无线节点的接收信号强度作为原始位置特征信息,构建原始位置特征空间,具体为:
在每一所述参考节点上采集各个所述室内无线节点的标识信息,并多次采集来自同一所述室内无线节点的接收信号强度,将来自同一所述室内无线节点的接收信号强度平均值作为所述原始位置特征信息;
当在所有所述参考节点完成采集时,根据所有所述原始位置特征信息,构建所述原始位置特征空间。
9.如权利要求6所述的面向室内终端的智能工厂定位装置,其特征在于,所述将在测试节点上采集的来自各个所述室内无线节点的接收信号强度作为测试位置特征信息,具体为:
在所述测试节点上采集各个所述室内无线节点的标识信息,并多次采集来自同一所述室内无线节点的接收信号强度,将来自同一所述室内无线节点的接收信号强度平均值作为所述测试位置特征信息。
10.如权利要求6所述的面向室内终端的智能工厂定位装置,其特征在于,所述采用加权近邻法,根据所述目标特征信息和所述目标特征空间确定智能工厂内室内终端的所在位置,具体为:
计算所述目标特征信息与所述目标特征空间中每一原始位置特征信息的欧式距离;
按照所述欧式距离从小到大的顺序筛选若干个所述原始位置特征信息,并根据筛选的所述原始位置特征信息,确定所述室内终端的所在位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010800216.1A CN112020137A (zh) | 2020-08-10 | 2020-08-10 | 一种面向室内终端的智能工厂定位方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010800216.1A CN112020137A (zh) | 2020-08-10 | 2020-08-10 | 一种面向室内终端的智能工厂定位方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112020137A true CN112020137A (zh) | 2020-12-01 |
Family
ID=73504240
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010800216.1A Pending CN112020137A (zh) | 2020-08-10 | 2020-08-10 | 一种面向室内终端的智能工厂定位方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112020137A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130065605A1 (en) * | 2011-09-13 | 2013-03-14 | Piotr Mirowski | KL-Divergence Kernel Regression For Non-Gaussian Fingerprint Based Localization |
CN103686999A (zh) * | 2013-12-12 | 2014-03-26 | 中国石油大学(华东) | 基于WiFi信号的室内无线定位方法 |
CN105813192A (zh) * | 2014-12-29 | 2016-07-27 | 上海奕通信息科技有限公司 | 一种基于复合指纹特征的WiFi指纹定位方法 |
CN106714302A (zh) * | 2017-01-23 | 2017-05-24 | 吉林大学 | 一种基于BP‑Landmarc神经网络的室内定位装置和控制方法 |
CN108900970A (zh) * | 2018-07-06 | 2018-11-27 | 中国民航大学 | 一种基于谱回归核判别分析的候机楼室内定位方法 |
CN110958583A (zh) * | 2019-10-31 | 2020-04-03 | 西南科技大学 | 一种基于位置与强度双重聚类的室内定位方法 |
US20200142045A1 (en) * | 2018-06-04 | 2020-05-07 | Central China Normal University | Fingerprint positioning method and system in smart classroom |
-
2020
- 2020-08-10 CN CN202010800216.1A patent/CN112020137A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130065605A1 (en) * | 2011-09-13 | 2013-03-14 | Piotr Mirowski | KL-Divergence Kernel Regression For Non-Gaussian Fingerprint Based Localization |
CN103686999A (zh) * | 2013-12-12 | 2014-03-26 | 中国石油大学(华东) | 基于WiFi信号的室内无线定位方法 |
CN105813192A (zh) * | 2014-12-29 | 2016-07-27 | 上海奕通信息科技有限公司 | 一种基于复合指纹特征的WiFi指纹定位方法 |
CN106714302A (zh) * | 2017-01-23 | 2017-05-24 | 吉林大学 | 一种基于BP‑Landmarc神经网络的室内定位装置和控制方法 |
US20200142045A1 (en) * | 2018-06-04 | 2020-05-07 | Central China Normal University | Fingerprint positioning method and system in smart classroom |
CN108900970A (zh) * | 2018-07-06 | 2018-11-27 | 中国民航大学 | 一种基于谱回归核判别分析的候机楼室内定位方法 |
CN110958583A (zh) * | 2019-10-31 | 2020-04-03 | 西南科技大学 | 一种基于位置与强度双重聚类的室内定位方法 |
Non-Patent Citations (7)
Title |
---|
乔柯: "飞行器的声探测与定位技术研究", 《中国优秀硕士论文电子期刊网》 * |
张彬: "基于WLAN的室内指纹定位关键技术研究", 《中国优秀硕士论文电子期刊网》 * |
李华亮等: "基于核函数特征提取的室内定位算法研究", 《通信学报》 * |
李飞腾: "基于信号特征提取的WLAN室内定位算法研究", 《中国优秀硕士论文电子期刊网》 * |
薛卫星等: "一种RSSI不同特征值融合的提取算法", 《测绘工程》 * |
***: "基于WLAN信号强度指纹的室内定位技术研究", 《中国优秀硕士论文电子期刊网》 * |
韩萍: "SAR 自动目标识别及相关技术研究", 《中国优秀博士论文电子期刊网》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108037520B (zh) | 阵列幅相误差条件下基于神经网络的直接定位偏差修正方法 | |
Du et al. | Shape recognition based on radial basis probabilistic neural network and application to plant species identification | |
CN103889051B (zh) | 基于ap id过滤和卡尔曼滤波的室内wlan指纹定位方法 | |
CN115018021A (zh) | 基于图结构与异常注意力机制的机房异常检测方法及装置 | |
CN114449452B (zh) | 一种基于CNN-RNN的Wi-Fi室内定位方法 | |
Guo et al. | Robust echo state networks based on correntropy induced loss function | |
CN110674940B (zh) | 一种基于神经网络的多指标异常检测方法 | |
CN111586605A (zh) | 基于邻近加权自适应k值的KNN的室内目标定位方法 | |
CN114139639B (zh) | 一种基于自步邻域保持嵌入的故障分类方法 | |
CN113988415B (zh) | 一种中长期电力负荷预测方法 | |
CN113271539B (zh) | 一种基于改进的cnn模型的室内目标定位方法 | |
CN109068349B (zh) | 一种基于小样本迭代迁移的室内入侵检测方法 | |
Bailly et al. | Boosting: A classification method for remote sensing | |
Terbuch et al. | Hybrid machine learning for anomaly detection in industrial time-series measurement data | |
CN117195117A (zh) | 一种故障场景削减方法、装置、设备及存储介质 | |
CN112333652B (zh) | Wlan室内定位方法、装置及电子设备 | |
CN112020137A (zh) | 一种面向室内终端的智能工厂定位方法及装置 | |
CN111757257A (zh) | 一种克服设备差异的动态模糊匹配室内定位方法 | |
CN116470504A (zh) | 一种分布式配电网自愈控制*** | |
CN114814776B (zh) | 基于图注意力网络和迁移学习的pd雷达目标检测方法 | |
CN112946567B (zh) | 基于域对抗神经网络的运动目标指纹室内定位方法 | |
CN114374931B (zh) | 基于近邻成分分析的度量学习的指纹定位方法 | |
Mathew et al. | Disease classification in bell pepper plants based on deep learning network architecture | |
Chen et al. | An Anomaly Detection Scheme with K-means aided Extended Isolation Forest in RSS-based Wireless Positioning System | |
CN112348175B (zh) | 一种基于强化学习来进行特征工程的方法 |
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: 20201201 |
|
RJ01 | Rejection of invention patent application after publication |