CN113518425B - 设备定位方法及*** - Google Patents

设备定位方法及*** Download PDF

Info

Publication number
CN113518425B
CN113518425B CN202111072906.0A CN202111072906A CN113518425B CN 113518425 B CN113518425 B CN 113518425B CN 202111072906 A CN202111072906 A CN 202111072906A CN 113518425 B CN113518425 B CN 113518425B
Authority
CN
China
Prior art keywords
target
sample
neural network
distance
network model
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
CN202111072906.0A
Other languages
English (en)
Other versions
CN113518425A (zh
Inventor
陈德忠
付诚
章红平
陈志涛
史华凛
郭凯
冯秋平
夏华佳
吴鹏
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.)
Wuhan Yixun Beidou Space Time Technology Co Ltd
Original Assignee
Wuhan Yixun Beidou Space Time 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 Wuhan Yixun Beidou Space Time Technology Co Ltd filed Critical Wuhan Yixun Beidou Space Time Technology Co Ltd
Priority to CN202111072906.0A priority Critical patent/CN113518425B/zh
Publication of CN113518425A publication Critical patent/CN113518425A/zh
Application granted granted Critical
Publication of CN113518425B publication Critical patent/CN113518425B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • G01C21/206—Instruments for performing navigational calculations specially adapted for indoor navigation
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提供一种设备定位方法及***，该方法包括：将目标设备接收的信号输入神经网络模型，得到所述神经网络模型输出的所述目标设备到各目标发射端之间的距离；其中，所述信号由各目标发射端发射；根据所述目标设备到各目标发射端之间的距离，计算所述目标设备的定位位置；其中，所述神经网络模型以样本设备接收的样本信号为样本，以所述样本设备到各样本发射端之间的实际距离为样本标签进行训练获取；所述样本信号由各样本发射端发射。本发明实现一方面提高了距离估算的精确度，进而有效保证定位结果的可靠性和稳定性；另一方面可以将神经网络模型应用于各种环境下的距离计算，具有良好的鲁棒性。

Description

设备定位方法及***
技术领域
本发明涉及定位技术领域，尤其涉及一种设备定位方法及***。
背景技术
在智慧城市建设过程中，LBS（Location Based Service，位置服务）在日常生活中发挥着越来越重要的作用。按定位场景来分，定位技术主要分为室内定位技术和室外定位技术。虽然目前的室内定位技术不如室外定位技术成熟，但人类绝大部分活动发生在室内场景条件下。因此，研究稳定、可靠和有效的室内定位技术方案对扩展位置服务应用场景具有重要价值和意义。
随着WLAN（Wireless Local Area Network，无线局域网络）的快速发展和普及，使得WALN室内定位技术成为国内外众多学者研究的热点。目前，有许多WALN室内定位方法，其中，基于RSSI（Received Signal Strength Indication，接收的信号强度指示）测距的室内定位算法因其具有计算简单、硬件设施易部署、接收信号终端设备多等优点，成为当前室内定位的主要方法。
其基本原理是，首先将信号强度值代入测距模型中，计算目标设备与发射端之间的距离；然后使用后方交会方法进一步解算目标对象的空间位置。这种室内定位方法中的测距模型通常为对数路径损耗模型，而测距模型中的环境参数需要根据人工经验设置，导致难以建立准确的测距模型，进而影响测距精度，难以保证定位结果的可靠性和稳定性。。
发明内容
本发明提供一种设备定位方法及***，用以解决现有技术中测距模型中的环境参数需要根据人工经验，导致难以建立准确的测距模型，进而影响测距精度，难以保证定位结果的可靠性和稳定性的缺陷，实现对设备的准确定位。
本发明提供一种设备定位方法，包括：
将目标设备接收的信号输入神经网络模型，得到所述神经网络模型输出的所述目标设备到各目标发射端之间的距离；其中，所述信号由各目标发射端发射；
根据所述目标设备到各目标发射端之间的距离，计算所述目标设备的定位位置；
其中，所述神经网络模型以样本设备接收的样本信号为样本，以所述样本设备到各样本发射端之间的实际距离为样本标签进行训练获取；所述样本信号由各样本发射端发射。
根据本发明提供的一种设备定位方法，所述根据所述目标设备到各目标发射端之间的距离，计算所述目标设备的定位位置，包括：
将所述距离按照从小到大的顺序进行排序，将排序结果靠前的多个距离形成目标距离集合；其中，所述目标距离集合中距离的数量大于或等于3；
对于所述目标集合中的各距离，根据各距离和各距离对应的目标发射端的位置坐标，拟合出各距离对应的圆形区域；
在所述目标集合中所有距离对应的圆形区域均相交的情况下，计算所述目标集合中所有距离对应的圆形区域的交集区域内的交点坐标；
根据所述交点坐标，计算所述目标设备的定位位置。
根据本发明提供的一种设备定位方法，所述根据所述交点坐标，计算所述目标设备的定位位置，包括：
基于加权质心算法，计算所述交点坐标形成的多边形的质心坐标；
将所述质心坐标作为所述目标设备的定位位置。
根据本发明提供的一种设备定位方法，在将目标设备接收的信号输入神经网络模型，得到所述神经网络模型输出的所述目标设备到各目标发射端之间的距离之前，还包括：
基于鱼群算法，获取所述神经网络模型的初始参数；
将所述样本设备接收的样本信号输入所述神经网络模型，得到所述神经网络模型输出的所述样本设备到各样本发射端之间的距离；
根据所述神经网络模型输出的所述样本设备到各样本发射端之间的距离和所述样本设备到各样本发射端之间的实际距离，获取所述神经网络模型的损失函数；
根据所述损失函数，对所述神经网络模型的初始参数进行优化。
根据本发明提供的一种设备定位方法，所述将目标设备接收的信号输入神经网络模型，得到所述神经网络模型输出的所述目标设备到各目标发射端之间的距离，包括：
对所述目标设备接收的信号进行预处理；
其中，所述预处理包括归一化处理和/或滤波处理；
将预处理后的信号输入所述神经网络模型，得到所述神经网络模型输出的所述目标设备到各目标发射端之间的距离。
根据本发明提供的一种设备定位方法，所述预处理为滤波处理；
相应地，所述对所述目标设备接收的信号进行预处理，包括：
基于格鲁布斯检验法，确定所述目标设备接收的各目标发射端发射的各信号是否为异常值；
对所述目标设备接收的各目标发射端发射的信号中除所述异常值外的信号进行高斯滤波后，再进行均值滤波。
本发明还提供一种设备定位***，包括：
输出模块，用于将目标设备接收的信号输入神经网络模型，得到所述神经网络模型输出的所述目标设备到各目标发射端之间的距离；其中，所述信号由各目标发射端发射；
定位模块，根据所述目标设备到各目标发射端之间的距离，计算所述目标设备的定位位置；
其中，所述神经网络模型以样本设备接收的样本信号为样本，以所述样本设备到各样本发射端之间的实际距离为样本标签进行训练获取；所述样本信号由各样本发射端发射。
本发明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，所述处理器执行所述程序时实现如上述任一种所述设备定位方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述设备定位方法的步骤。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述设备定位方法的步骤。
本发明提供的设备定位方法及***，该方法通过根据实时获取的目标设备接收的信号，使用神经网络模型，准确获取目标设备到各目标发射端之间的距离，然后根据目标设备到各目标发射端之间的准确距离，对目标设备进行自动定位，一方面提高了距离估算的精确度，进而有效保证定位结果的可靠性和稳定性；另一方面可以将神经网络模型应用于各种环境下的距离计算，具有良好的鲁棒性。
附图说明
为了更清楚地说明本发明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是本发明提供的设备定位方法的流程示意图之一；
图2是本发明提供的设备定位方法中神经网络模型的结构示意图；
图3是本发明提供的设备定位方法中多个距离对应的圆形区域相交的结构示意图；
图4是本发明提供的设备定位方法的流程示意图之二；
图5是本发明提供的设备定位***的结构示意图；
图6是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，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作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。
现有技术中基于RSSI测距的室内定位算法中的测距模型为：
RSSI(d)=-10n log10d+A；
其中， RSSI(d)为目标设备到发射端的距离d的信号的强度，A和n为环境参数。如表1所示，为环境参数值的分布表；
Figure 424992DEST_PATH_IMAGE001
由表1可知，不同环境对应不同的环境参数A和n，而不同环境的环境参数均需要通过人工经验设置，使得测距模型的精度受人工影响大，鲁棒性能较低，导致难以建立准确的测距模型，进而影响测距精度，难以保证定位结果的可靠性和稳定性。
而本实施例根据目标设实时备接收的信号，使用神经网络模型，获取目标设备到各目标发射端之间的距离，然后根据目标设备到各目标发射端之间的距离，自动准确地获取目标设备的定位位置，不仅有效避免人工经验设备环境参数，受人工干扰少，可实现对设备的准确定位，且只要将目标设备接收的信号输入神经网络模型，即可自动准确地输出目标设备到各目标发射端之间的距离，有效避免考虑不同环境，以及根据不同的环境选取不同的测距模型导致测距效率低，稳定性差的问题。
下面结合图1描述本发明的设备定位方法，包括：
步骤101，将目标设备接收的信号输入神经网络模型，得到所述神经网络模型输出的所述目标设备到各目标发射端之间的距离；其中，所述信号由各目标发射端发射；其中，所述神经网络模型以样本设备接收的样本信号为样本，以所述样本设备到各样本发射端之间的实际距离为样本标签进行训练获取；所述样本信号由各样本发射端发射。
其中，目标设备为需要进行定位的设备，可以是手机、可穿戴智能设备和平板电脑等智能设备，本实施对此不作具体地限定。
需要说明的是，样本设备和目标设备为同类型设备。
目标发射端可以通过无线传输的方式向目标设备发射无线信号，如蓝牙或WLAN等，本实施对此不作具体地限定。目标发射端的数量为多个，可以根据实际需求进行设置。
神经网络模型的结构可以根据实际需求进行设置，如神经网络模型中隐含层的层数、每一隐含层的神经元节点的数量，每一隐含层的激活函数等均可以根据实际需求进行设置。
神经网络模型可以是BP（Back Propagation，反向传播）神经网络模型或循环神经网络等其他神经网络模型，本实施例对此不作具体地限定。
以下以BP神经网络为例，描述本实施例中的设备定位方法。
如图2所示，BP神经网络模型通常为是一种多层的前馈神经网络，主要包括输入层、隐含层和输出层，通过误差反向传播来训练前馈网络，不需要提前得知映射的关系方程。BP神经网络模型主要分为两个阶段，第一阶段是信号的正向传播，从输入层经过隐含层，最后到达输出层；第二阶段是误差的反向传播，从输出层到隐含层，最后到输入层，依次调节隐含层到输出层的参数。
在正向传播阶段，对于每一隐含层，将每个输入信息与其对应的权值相乘，然后与其对应的偏置值相加，最后通过激励函数计算得到对应的输出值。其中，第一层隐含层的输入信息为通过输入层输入的输入信息，即目标设备接收的信号，其他层隐含层的输入信息为与其相邻的上一层隐含层的输出值。
其中，计算每一层隐含层输出的公式为：
Figure 268052DEST_PATH_IMAGE002
Figure 673625DEST_PATH_IMAGE003
其中， Ij为神经元j的净输入值，Wij为神经元j到神经元i的权值；xi为神经元i的输入值； Bj为神经元j的偏置值，Oj为神经元j的输出值；n为输入值的总数量。
在反向传播阶段，对输出值与真实值进行误差分析，计算BP神经网络的输出值与真实值之间的偏差，偏差的计算公式为：
Figure 643855DEST_PATH_IMAGE004
式中：Ej为输出层的神经元j的偏差值；Tj为真实值。
获取输出层的偏差值后，各层隐藏层中利用输出层的误差计算上一层误差，直到计算到输入层，利用梯度下降法对神经网络模型的权值进行更新，直到神经网络模型输出的距离与实际距离接近。计算公式为：
Figure 202007DEST_PATH_IMAGE005
Figure 966700DEST_PATH_IMAGE006
式中，Wij '为权值的更新量； Bj '为偏置值更新量，l为学习率。权值是相邻两层神经元之间的关系，阈值是各神经元内的关系。通过训练网络，对权值和偏置值进行优化，直到获取到最优的权值和偏置值。
可选地，将目标设备接收的信号输入神经网络模型，输出目标设备到各目标发射端之间的距离的步骤包括，
首先，在将目标设备接收的信号输入神经网络模型之前，需要对神经网络模型进行训练。在对神经网络模型进行训练时，可以直接将样本设备接收的样本信号以及样本设备到各样本发射端之间的实际距离输入神经网络模型，或者信号进行计算处理后，将计算处理结果和实际距离输入神经网络模型，如计算信号的强度，将信号的强度输入神经网络模型，本实施例对此不作具体地限定。
也可以对样本设备接收的样本信号或计算处理结果进行一种或多种预处理后再输入神经网络模型，本实施例对此不作具体地限定。
然后，计算神经网络模型输出的距离与实际距离之间的偏差值。根据偏差值对神经网络模型的参数进行调整，从而实现对神经网络模型中参数的优化。
然后，利用移动端实时采集目标设备接收的信号，并实时记录；采集的方式可以是在当接收信号的持续时长达到预先设置的时间的情况下，停止采集；其中，目标设备接收的信号的数量为一个或多个，本实施例对此不作具体地限定。
最后，将目标设备接收的信号输入神经网络模型，输出目标设备到各目标发射端之间的距离。
本实施例根据样本和样本标签自动对神经网络模型的参数进行优化，且优化后的模型可以适用于各种环境下的设备定位，鲁棒性良好；且一旦获取到最优的神经网络模型后，则可以反复使用该神经网络模型获取目标设备到各目标发射端之间的距离，可使用性强；并且将目标设备接收的信号直接输入神经网络模型，即可准确获取目标设备到各目标发射端之间的距离，避免人工设置模型参数，有效提高距离计算的精确度，进而提高定位结果的可靠性和稳定性。
步骤102，根据所述目标设备到各目标发射端之间的距离，计算所述目标设备的定位位置。
可选地，在获取到目标设备到各目标发射端之间的距离后，可以直接联合目标设备到所有目标发射端之间的距离，计算目标设备的定位位置，也可以先对目标设备到各目标发射端之间的距离进行筛选，选择满足条件的距离，再联合满足条件的距离计算目标设备的定位位置。本实施例对此不作具体地限定。
可选地，计算方式，可以是采用后方交会方法，也可以是质心定位方法等定位计算方法，本实施例对此不作具体地限定。
本实施例通过根据实时获取的目标设备接收的信号，使用神经网络模型，准确获取目标设备到各目标发射端之间的距离，然后根据目标设备到各目标发射端之间的准确距离，对目标设备进行自动定位，一方面提高了距离估算的精确度，进而有效保证定位结果的可靠性和稳定性；另一方面可以将神经网络模型应用于各种环境下的距离计算，具有良好的鲁棒性。
在上述实施例的基础上，本实施例中所述根据所述目标设备到各目标发射端之间的距离，计算所述目标设备的定位位置，包括：将所述距离按照从小到大的顺序进行排序，将排序结果靠前的多个距离形成目标距离集合；其中，所述目标距离集合中距离的数量大于或等于3；对于所述目标集合中的各距离，根据各距离和各距离对应的目标发射端的位置坐标，拟合出各距离对应的圆形区域；在所述目标集合中所有距离对应的圆形区域均相交的情况下，计算所述目标集合中所有距离对应的圆形区域的交集区域内的交点坐标；根据所述交点坐标，计算所述目标设备的定位位置。
可选地，在获取到目标设备到各目标发射端之间的距离之后，可以对所有距离按照从小到大的顺序进行排序，然后从所有距离中选择排序结果最靠前的多个距离，将选择的多个距离形成目标距离集合。其中，目标距离集合中包含的距离的数量可以根据实际需求进行设置，如3个、4个或5个等，本实施例对此不作具体地限定。
例如，将神经网络模型输出的目标设备到所有目标发射端之间的距离按照从小到大的顺序进行排序，排序结果为{d1，d2，…，dM}，从中选择排序结果最靠前的三个距离形成目标距离集合，即目标距离集合为{d1，d2，d3}。
然后，以目标距离集合中的各距离为半径，以各距离对应的目标发射端的位置坐标为圆心，拟合出各距离对应的圆形区域。
然后，判断目标集合中所有距离对应的圆形区域是否均两两相交，若均两两相交，则计算目标距离集合中所有距离对应的圆形区域相交后的交集区域内的交点坐标。
例如，目标距离集合中包含三个距离，如图3所示，目标距离集合中三个距离对应的圆形区域的交集区域内的交点坐标分别为A、B和C。
若不均两两相交，则重新采集目标设备接收的信号，重新将信号输入神经网络模型，重新判断目标距离集合中所有距离对应的圆形区域是否相交，直到确定目标集合中所有距离对应的圆形区域均两两相交。
最后，再根据交点坐标，计算目标设备的定位位置。
可选地，根据交点坐标，计算目标设备的定位位置的方式可以是根据交点坐标，获取包含所有交点坐标的最小外接圆或最小外多边形等，或直接将各交点坐标相连形成多边形，然后计算最小外接圆、最小外多边形或多边形的质心作为目标设备的定位位置。本实施例对计算目标设备的定位位置的方式不作具体地限定。
由于信号传播的距离越远，对目标设备的影响越小，受干扰的可能性越大。因此，为了准确定位目标设备的位置，本实施例将所有距离按照从小到大的顺序进行排序，根据排序结果靠前的多个距离，即距离相对较小，以及相对较小的距离对应的目标发射端，计算目标设备的定位位置，可以有效缓解干扰信息对目标设备的定位结果的影响，使得定位结果更加准确和更具有稳定性。
在上述实施例的基础上，本实施例中所述根据所述交点坐标，计算所述目标设备的定位位置，包括：基于加权质心算法，计算所述交点坐标形成的多边形的质心坐标；将所述质心坐标作为所述目标设备的定位位置。
可选地，根据交点坐标，计算目标设备的定位位置的步骤包括，
首先，将所有交点坐标顺次连接，形成多边形；
然后，基于加权质心算法，分别计算多边形的质心坐标的横坐标和纵坐标；
最后，将质心坐标作为所述目标设备的定位位置。
以下以目标距离集合中包含三个距离，目标集合中所有距离对应的圆形区域相交的交点坐标的数量为三个为例，对设备定位方法展开描述。
如图3所示，三个圆形区域出现两两相交，相交的区域为一个三角形，三角形的质心即为目标设备的定位位置。
其中，基于加权质心算法，分别计算多边形的质心坐标的横坐标和纵坐标的计算公式为：
Figure 108837DEST_PATH_IMAGE007
式中，(x0，y0)为目标设备的定位位置，(XA，YA)、(XB，YB)和(XC，YC)分别表示交点A、 B、C三点的交点坐标，d1、d2和d3分别表示目标距离集合中的距离；
Figure 617179DEST_PATH_IMAGE008
、
Figure 279105DEST_PATH_IMAGE009
和
Figure 965432DEST_PATH_IMAGE010
分别表示A、B、C三点的权值。圆形区域的半径越大，即信号传播的距离越远，对待 测点的影响越小，其权值越小。圆形区域的半径越小，即信号传播的距离越短，对待测点的 影响越大，其权值越大。
本实施例采用加权质心算法，计算交点坐标形成的多边形的质心坐标，使得目标设备的定位位置的计算结果更加准确。
在上述各实施例的基础上，本实施例中在将目标设备接收的信号输入神经网络模型，得到所述神经网络模型输出的所述目标设备到各目标发射端之间的距离之前，还包括：基于鱼群算法，获取所述神经网络模型的初始参数；将所述样本设备接收的样本信号输入所述神经网络模型，得到所述神经网络模型输出的所述样本设备到各样本发射端之间的距离；根据所述神经网络模型输出的所述样本设备到各样本发射端之间的距离和所述样本设备到各样本发射端之间的实际距离，获取所述神经网络模型的损失函数；根据所述损失函数，对所述神经网络模型的初始参数进行优化。
其中，神经网络模型的初始参数包括权值和偏置值。
鱼群算法可以是ADAFSA（Artificial Fish Swarm Algorithm Based onAdaptive Dynamic Neighborhood Structure自适应动态邻域结构的鱼群算法）等鱼群算法，本实施例对此不作具体地限定。
在ADAFSA中，人工鱼的邻域结构处于动态调整中，随着迭代次数的增加而变化，并且视野和步长随领域结构的变化而变化；在算法前期，视野和步长较大，满足全局寻优能力；在算法后期，视野和步长较小，加强局部寻优能力。
在第t次迭代时，人工鱼p当前邻域内的邻居鱼集合可表示为：
Figure 345598DEST_PATH_IMAGE011
Figure 392051DEST_PATH_IMAGE012
Figure 694769DEST_PATH_IMAGE013
其中， Np(t)为第t次迭代时，人工鱼p的所有邻居鱼集合；Dp(t)为人工鱼p在第t次 迭代时与其他人工鱼的距离集合； f(t)为第t次迭代时当前人工鱼p的邻居鱼个数；
Figure 801265DEST_PATH_IMAGE014
为对 Dp(t)进行排序操作；arg(·)为位置识别操作； Xp(t)为第t 次迭代时，人工鱼p的状态； Nfish为人工鱼的初始规模；T为最大迭代次数；ceil(·)为向正 无穷方向取整数操作。
在ADAFSA中，视野为人工鱼当前状态下的邻域内全部邻居鱼与自身距离的平均值，在迭代过程中，视野和步长随领域结构的变化而变化。其中，视野Lvisual和步长Lstep的具体计算公式为：
Figure 419459DEST_PATH_IMAGE015
Figure 269603DEST_PATH_IMAGE016
其中，
Figure 906121DEST_PATH_IMAGE017
为视步系数。
在第t次迭代时，获取到视野Lvisual和步长Lstep后，可以根据人工鱼的状态、视野和步长，执行聚群行为、觅食和追尾中最优的行为。
对于聚群行为，在人工鱼的邻域内，查找位于人工鱼p的邻域内中心位置的人工鱼XC，具体计算公式为：
Figure 432786DEST_PATH_IMAGE018
其中，Xmp为人工鱼p的邻域内的邻居鱼m;
然后，对当前的人工鱼p的状态进行更新，计算公式为：
Figure 521965DEST_PATH_IMAGE019
其中， Xmext (p)为更新后的人工鱼p的状态， rand为随机函数。
对于追尾行为，在第t次迭代时，人工鱼p的当前状态为 Xp，食物浓度为Yp，寻找当前人工鱼Xp邻域结构内食物浓度最高的人工鱼Xmax，Xmax对应的食物浓度为Ymax；若Ymax>Yp ，则执行追尾，反之则继续觅食行为。其中，执行追尾行为的计算公式为：
Figure 926533DEST_PATH_IMAGE020
对于觅食行为，当第t次迭代时，在视野范围内随机找一条人工鱼，设其状态为XK，食物浓度为 YK，若YK>Yp，则人工鱼Xp移动到XK；若在设置的重复探索次数之后依然没有找到大于 Yp的食物浓度，则随机移动一步。
可选地，神经网络模型的训练的步骤包括，
步骤（1），确定神经网络模型的结构，包括神经网络模型的隐含层的数目和各层神 经元的数目；确定鱼群算法的参数设置，包括人工鱼群的初始化规模Nfish，视步系数
Figure 417557DEST_PATH_IMAGE017
，最 大迭代次数T，重复探索次数N；
步骤（2），将神经网络模型的初始参数作为人工鱼的状态，将神经网络模型的训练误差的导数作为人工鱼的食物浓度；
步骤（3），使用鱼群算法迭代优化人工鱼的状态，将最后一次迭代的人工鱼的状态作为最优的人工鱼的状态；
步骤（4），将最优的人工鱼的状态作为神经网络模型的初始参数；
步骤（5），将样本设备接收的样本信号和样本设备到各样本发射端之间的实际距离输入神经网络模型，计算神经网络模型输出的距离和实际距离之间的均方误差；
步骤（6），利用梯度下降法对神经网络模型中的参数继续调整，直到经神经网络模型训练的输出值与真实值之间的误差小于预设值或达到训练次数时结束训练。
现有技术中，在对神经网络模型进行训练过程中，通常采用随机参数对神经网络模型的参数进行初始化，若初始参数选择的不准确，很容易使神经网络模型陷入局部最优，不仅神经网络模型的收敛速度慢，而且神经网络模型的性能差，泛化能力低。
而本实施例利用鱼群算法全局寻优的能力，获取神经网络模型最优的初始参数，使得神经网络模型的初始参数不再是随机产生的随机数，而是最优值，有效解决神经网络模型的网络震荡问题，避免陷入局部最优，使得神经网络模型快速收敛。
在上述各实施例的基础上，本实施例中所述将目标设备接收的信号输入神经网络模型，得到所述神经网络模型输出的所述目标设备到各目标发射端之间的距离，包括：对所述目标设备接收的信号进行预处理；其中，所述预处理包括归一化处理和/或滤波处理；将预处理后的信号输入所述神经网络模型，得到所述神经网络模型输出的所述目标设备到各目标发射端之间的距离。
其中，目标设备接收各目标发射端发送的信号的数量为多个，具体数量可以根据实际需求进行设置，即神经网络模型的输入信息为多个。
可选地，为了防止输入信息中的较小值被较大值淹没，对输入信息进行归一化处理，将输入信息归一化到某一较小的区间内，如[-1,1]范围内。其中，归一化的方法包括最大最小值归一化和标准归一化，本实施例对此不作具体地限定。
另外，由于采集的原始信号中存在一定数量的噪声点，导致距离计算结果不准确。为了进一步消除原始信号中的噪声点，可以对原始信号中的噪声进行滤波处理。
可选地，在将目标设备接收的信号输入神经网络模型之前可以才用上述一种或多种处理方式对信号进行预处理，本实施例对此不做具体地限定。
需要说明的是，目标设备接收的信号需要采用与样本设备接收的信号相适应的预处理方式。
获取预处理后的信号后，将预处理后的信号输入神经网络模型，获取目标设备到各目标发射端之间的距离。
本实施例对目标设备接收的信号进行预处理，不仅可以消除噪声点对距离估算结果的影响，还可以消除不同量纲的信号对距离估算结果的影响，从而可以保证距离估算的可靠性和稳定性，进而提高定位结果的可靠性和稳定性。
在上述实施例的基础上，本实施例中所述预处理为滤波处理；相应地，所述对所述目标设备接收的信号进行预处理，包括：基于格鲁布斯检验法，确定所述目标设备接收的各目标发射端发射的各信号是否为异常值；对所述目标设备接收的各目标发射端发射的信号中除所述异常值外的信号进行高斯滤波后，再进行均值滤波。
以下以将目标设备接收的信号的强度作为神经网络模型的输入信息为例，说明本实施例中的设备定位方法。
可选地，为了避免异常信号对定位结果的影响，采用格鲁布斯检验法混合滤波对目标设备接收的信号进行预处理处理，以剔除目标设备接收的信号中的异常信号，从而保证定位结果的可靠性和稳定性。
格鲁布斯检验法的优点在于，在判断可疑值取舍的过程中，可以将正态分布中的两个最重要的参数，即平均值和标准偏差引进来。所以格鲁布斯检验法的检验准确性较高。通常在同一位置上采集的信号强度的数据也服从正态分布，即目标设备接收的同一目标发射端发射的多个信号的强度服从正态分布。
因此，采用该方法可以有效剔除目标设备接收的任一目标发射端发射的信号的强度中存在的异常值，其具体步骤包括，
首先，将同一位置上采集的RSSI值从小到大进行排序，同时计算出目标设备接收 各目标发射端发射的所有信号的强度的均值
Figure 865856DEST_PATH_IMAGE021
和方差S，具体计算公式为：
Figure 957177DEST_PATH_IMAGE022
Figure 149124DEST_PATH_IMAGE023
其中，RSSIh为目标设备接收的任一目标发射端发射的第 h个信号的强度，H为目标设备接收的任一目标发射端发射的所有信号的强度的数量。
然后，根据预先确定的置信度和数据个数在鲁布斯临界值表中查找相应的阈值
Figure 510967DEST_PATH_IMAGE024
，其中，
Figure 130167DEST_PATH_IMAGE025
一般取0.05；并计算统计量
Figure 459517DEST_PATH_IMAGE026
；
判断统计量G是否大于阈值
Figure 704422DEST_PATH_IMAGE024
，若大于，则确定 RSSIh为异常值，将RSSIh从目 标设备接收各目标发射端发射的所有信号中剔除，将目标设备接收的各目标发射端发射的 信号的强度中除异常值外的所有信号的强度的集合为RSSI_G={RSSI_G1，RSSI_G2，⋯，RSSI_ Gu}。
接着，再对RSSI_G进行高斯滤波后再进行均值滤波，其中高斯滤波的计算公式为：
Figure 638880DEST_PATH_IMAGE027
Figure 960140DEST_PATH_IMAGE028
Figure 996361DEST_PATH_IMAGE029
其中，
Figure 530110DEST_PATH_IMAGE030
和
Figure 850233DEST_PATH_IMAGE031
分别为RSSI_G的均值和方差，u为RSSI_G中信号的强度的数量。
然后将在RSSI_G内，且
Figure 343661DEST_PATH_IMAGE032
在区间
Figure 116445DEST_PATH_IMAGE033
内的信号强度记为
Figure 204618DEST_PATH_IMAGE034
；然后，计算所有
Figure 910405DEST_PATH_IMAGE034
的平均值，作为最终的滤波结果，具体计算公式为：
Figure 42309DEST_PATH_IMAGE035
将最终的滤波结果作为神经网络模型的输入。
现有技术中，在复杂场景下，目标设备接收到的信号的强度存在粗差，导致获取的信号的强度出现较大的跳变现象，从而影响距离计算精度，难以保证定位结果的可靠性和稳定性。
而本实施例通过格鲁布斯检验法、高斯滤波和均值滤波，可以有效剔除目标设备接收到的信号的强度中的异常值，从而保证定位结果的可靠性和稳定性。
如图4所示，为设备定位方法的完整流程示意图，具体步骤包括，
步骤（1），在不同的位置采集样本信号的强度，并记录样本设备到样本信号的样本发射端之间的实际距离，将样本信号的强度和实际距离作为训练样本数据；
步骤（2），确定神经网络模型的结构，包括每层神经元的个数以及隐含层的数目等 信息。初始化包括人工鱼群的初始化规模Nfish，视步系数
Figure 817236DEST_PATH_IMAGE017
，最大迭代次数T，重复探索次 数N；
步骤（3），运行ADAFSA算法，获得人工鱼的最优状态；
步骤（4），将人工鱼的最优状态作为神经网络模型的初始权值和初始偏置值；
步骤（5），将样本数据输入通过ADAFSA算法优化后的神经网络模型中，计算均方误差；
步骤（6），利用梯度下降法对神经网络模型中的初始权值和初始偏置值进行调整，直到训练后的神经网络模型的输出值与实际值之间的误差小于预设值或达到训练次数时结束训练；
步骤（7），保存训练后的神经网络模型；
步骤（8）利用移动端测量目标设备接收的无线信号，并进行记录，当接收时间达到预先设置的时间阈值时停止测量；
步骤（9）由于采集的原始信号强度中存在一定数量的噪声点，因此需要对无线信号中的噪声进行滤波处理；
步骤（10），将接收到的信号强度输入训练后的神经网络模型，对目标设备到各目标发射端之间的距离进行估算，获取距离集合。然后，将距离按照从小到大进行排序，并根据排序结果选择距离较小的多个距离对应的圆形区域进行相交；
步骤（11），计算交集区域内的交点坐标，并利用加权质心算法计算交点坐标形成的三角形的质心坐标，将质心坐标作为目标设备的定位位置。
下面对本发明提供的设备定位***进行描述，下文描述的设备定位***与上文描述的设备定位方法可相互对应参照。
如图5所示，本实施例提供的设备定位***，该***包括输出模块501和定位模块502，其中：
输出模块501用于将目标设备接收的信号输入神经网络模型，得到所述神经网络模型输出的所述目标设备到各目标发射端之间的距离；其中，所述信号由各目标发射端发射；其中，所述神经网络模型以样本设备接收的样本信号为样本，以所述样本设备到各样本发射端之间的实际距离为样本标签进行训练获取；所述样本信号由各样本发射端发射。
其中，目标设备为需要进行定位的设备，可以是手机、可穿戴智能设备和平板电脑等智能设备，本实施对此不作具体地限定。
需要说明的是，样本设备和目标设备为同类型设备。
目标发射端可以通过无线传输的方式向目标设备发射无线信号，如蓝牙或WLAN等，本实施对此不作具体地限定。目标发射端的数量为多个，可以根据实际需求进行设置。
神经网络模型的结构可以根据实际需求进行设置，如神经网络模型中隐含层的层数、每一隐含层的神经元节点的数量，每一隐含层的激活函数等均可以根据实际需求进行设置。
神经网络模型可以是BP神经网络模型或循环神经网络等其他神经网络模型，本实施例对此不作具体地限定。
以下以BP神经网络为例，描述本实施例中的设备定位方法。
如图2所示，BP神经网络模型通常为是一种多层的前馈神经网络，主要包括输入层、隐含层和输出层，通过误差反向传播来训练前馈网络，不需要提前得知映射的关系方程。BP神经网络模型主要分为两个阶段，第一阶段是信号的正向传播，从输入层经过隐含层，最后到达输出层；第二阶段是误差的反向传播，从输出层到隐含层，最后到输入层，依次调节隐含层到输出层的参数。
在正向传播阶段，对于每一隐含层，将每个输入信息与其对应的权值相乘，然后与其对应的偏置值相加，最后通过激励函数计算得到对应的输出值。其中，第一层隐含层的输入信息为通过输入层输入的输入信息，即目标设备接收的信号，其他层隐含层的输入信息为与其相邻的上一层隐含层的输出值。
其中，计算每一层隐含层输出的公式为：
Figure 427209DEST_PATH_IMAGE002
Figure 738236DEST_PATH_IMAGE003
其中， Ij为神经元j的净输入值，Wij为神经元j到神经元i的权值；xi为神经元i的输入值； Bj为神经元j的偏置值，Oj为神经元j的输出值；n为输入值的总数量。
在反向传播阶段，对输出值与真实值进行误差分析，计算BP神经网络的输出值与真实值之间的偏差，偏差的计算公式为：
Figure 775462DEST_PATH_IMAGE004
式中：Ej为输出层的神经元j的偏差值；Tj为真实值。
获取输出层的偏差值后，各层隐藏层中利用输出层的误差计算上一层误差，直到计算到输入层，利用梯度下降法对神经网络模型的权值进行更新，直到神经网络模型输出的距离与实际距离接近。计算公式为：
Figure 53997DEST_PATH_IMAGE005
Figure 982507DEST_PATH_IMAGE006
式中，Wij '为权值的更新量； Bj '为偏置值更新量，l为学习率。权值是相邻两层神经元之间的关系，阈值是各神经元内的关系。通过训练网络，对权值和偏置值进行优化，直到获取到最优的权值和偏置值。
可选地，将目标设备接收的信号输入神经网络模型，输出目标设备到各目标发射端之间的距离的步骤包括，
首先，在将目标设备接收的信号输入神经网络模型之前，需要对神经网络模型进行训练。在对神经网络模型进行训练时，可以直接将样本设备接收的样本信号以及样本设备到各样本发射端之间的实际距离输入神经网络模型，或者信号进行计算处理后，将计算处理结果和实际距离输入神经网络模型，如计算信号的强度，将信号的强度输入神经网络模型，本实施例对此不作具体地限定。
也可以对样本设备接收的样本信号或计算处理结果进行一种或多种预处理后再输入神经网络模型，本实施例对此不作具体地限定。
然后，计算神经网络模型输出的距离与实际距离之间的偏差值。根据偏差值对神经网络模型的参数进行调整，从而实现对神经网络模型中参数的优化。
然后，利用移动端实时采集目标设备接收的信号，并实时记录；采集的方式可以是在当接收信号的持续时长达到预先设置的时间的情况下，停止采集；其中，目标设备接收的信号的数量为一个或多个，本实施例对此不作具体地限定。
最后，将目标设备接收的信号输入神经网络模型，输出目标设备到各目标发射端之间的距离。
本实施例根据样本和样本标签自动对神经网络模型的参数进行优化，且优化后的模型可以适用于各种环境下的设备定位，鲁棒性良好；且一旦获取到最优的神经网络模型后，则可以反复使用该神经网络模型获取目标设备到各目标发射端之间的距离，可使用性强；并且将目标设备接收的信号直接输入神经网络模型，即可准确获取目标设备到各目标发射端之间的距离，避免人工设置模型参数，有效提高距离计算的精确度，进而提高定位结果的可靠性和稳定性。
定位模块502用于根据所述目标设备到各目标发射端之间的距离，计算所述目标设备的定位位置。
可选地，在获取到目标设备到各目标发射端之间的距离后，可以直接联合目标设备到所有目标发射端之间的距离，计算目标设备的定位位置，也可以先对目标设备到各目标发射端之间的距离进行筛选，选择满足条件的距离，再联合满足条件的距离计算目标设备的定位位置。本实施例对此不作具体地限定。
可选地，计算方式，可以是采用后方交会方法，也可以是质心定位方法等定位计算方法，本实施例对此不作具体地限定。
本实施例通过根据实时获取的目标设备接收的信号，使用神经网络模型，准确获取目标设备到各目标发射端之间的距离，然后根据目标设备到各目标发射端之间的准确距离，对目标设备进行自动定位，一方面提高了距离估算的精确度，进而有效保证定位结果的可靠性和稳定性；另一方面可以将神经网络模型应用于各种环境下的距离计算，具有良好的鲁棒性。
在上述实施例的基础上，本实施例中定位模块具体用于：将所述距离按照从小到大的顺序进行排序，将排序结果靠前的多个距离形成目标距离集合；其中，所述目标距离集合中距离的数量大于或等于3；对于所述目标集合中的各距离，根据各距离和各距离对应的目标发射端的位置坐标，拟合出各距离对应的圆形区域；在所述目标集合中所有距离对应的圆形区域均相交的情况下，计算所述目标集合中所有距离对应的圆形区域的交集区域内的交点坐标；根据所述交点坐标，计算所述目标设备的定位位置。
在上述实施例的基础上，本实施例中定位模块还用于：基于加权质心算法，计算所述交点坐标形成的多边形的质心坐标；将所述质心坐标作为所述目标设备的定位位置。
在上述各实施例的基础上，本实施例中还包括训练模块，具体用于：基于鱼群算法，获取所述神经网络模型的初始参数；将所述样本设备接收的样本信号输入所述神经网络模型，得到所述神经网络模型输出的所述样本设备到各样本发射端之间的距离；根据所述神经网络模型输出的所述样本设备到各样本发射端之间的距离和所述样本设备到各样本发射端之间的实际距离，获取所述神经网络模型的损失函数；根据所述损失函数，对所述神经网络模型的初始参数进行优化。
在上述各实施例的基础上，本实施例中输出模块还用于：对所述目标设备接收的信号进行预处理；其中，所述预处理包括归一化处理和/或滤波处理；将预处理后的信号输入所述神经网络模型，得到所述神经网络模型输出的所述目标设备到各目标发射端之间的距离。
在上述实施例的基础上，本实施例中所述预处理为滤波处理；相应地，还包括预处理模块，具体用于：基于格鲁布斯检验法，确定所述目标设备接收的各目标发射端发射的各信号是否为异常值；对所述目标设备接收的各目标发射端发射的信号中除所述异常值外的信号进行高斯滤波后，再进行均值滤波。
图6示例了一种电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器(processor)601、通信接口(Communications Interface)602、存储器(memory)603和通信总线604，其中，处理器601，通信接口602，存储器603通过通信总线604完成相互间的通信。处理器601可以调用存储器603中的逻辑指令，以执行设备定位方法，该方法包括：将目标设备接收的信号输入神经网络模型，得到所述神经网络模型输出的所述目标设备到各目标发射端之间的距离；其中，所述信号由各目标发射端发射；根据所述目标设备到各目标发射端之间的距离，计算所述目标设备的定位位置；其中，所述神经网络模型以样本设备接收的样本信号为样本，以所述样本设备到各样本发射端之间的实际距离为样本标签进行训练获取；所述样本信号由各样本发射端发射。
此外，上述的存储器603中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案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一个存储介质中，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）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的设备定位方法，该方法包括：将目标设备接收的信号输入神经网络模型，得到所述神经网络模型输出的所述目标设备到各目标发射端之间的距离；其中，所述信号由各目标发射端发射；根据所述目标设备到各目标发射端之间的距离，计算所述目标设备的定位位置；其中，所述神经网络模型以样本设备接收的样本信号为样本，以所述样本设备到各样本发射端之间的实际距离为样本标签进行训练获取；所述样本信号由各样本发射端发射。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的设备定位方法，该方法包括：将目标设备接收的信号输入神经网络模型，得到所述神经网络模型输出的所述目标设备到各目标发射端之间的距离；其中，所述信号由各目标发射端发射；根据所述目标设备到各目标发射端之间的距离，计算所述目标设备的定位位置；其中，所述神经网络模型以样本设备接收的样本信号为样本，以所述样本设备到各样本发射端之间的实际距离为样本标签进行训练获取；所述样本信号由各样本发射端发射。
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 (6)

1.一种设备定位方法，其特征在于，包括：
将目标设备接收的信号输入神经网络模型，得到所述神经网络模型输出的所述目标设备到各目标发射端之间的距离；其中，所述信号由各目标发射端发射；
根据所述目标设备到各目标发射端之间的距离，计算所述目标设备的定位位置；
其中，所述神经网络模型以样本设备接收的样本信号为样本，以所述样本设备到各样本发射端之间的实际距离为样本标签进行训练获取；所述样本信号由各样本发射端发射；
所述根据所述目标设备到各目标发射端之间的距离，计算所述目标设备的定位位置，包括：
将所述距离按照从小到大的顺序进行排序，将排序结果靠前的多个距离形成目标距离集合；其中，所述目标距离集合中距离的数量大于或等于3；
对于所述目标集合中的各距离，根据各距离和各距离对应的目标发射端的位置坐标，拟合出各距离对应的圆形区域；
在所述目标集合中所有距离对应的圆形区域均相交的情况下，计算所述目标集合中所有距离对应的圆形区域的交集区域内的交点坐标；
根据所述交点坐标，计算所述目标设备的定位位置；
所述根据所述交点坐标，计算所述目标设备的定位位置，包括：
基于加权质心算法，计算所述交点坐标形成的多边形的质心坐标；
将所述质心坐标作为所述目标设备的定位位置；
若所述目标距离集合中距离的数量为3，则计算所述交点坐标形成的多边形的质心坐标的公式为：
Figure 300782DEST_PATH_IMAGE001
其中，(x0，y0)为所述目标设备的定位位置，(XA，YA)、(XB，YB)和(XC，YC)为所述交点坐标， d1、d2和d3为所述目标距离集合中的距离；
Figure 698266DEST_PATH_IMAGE002
、
Figure 427187DEST_PATH_IMAGE003
和
Figure 692952DEST_PATH_IMAGE004
为所述交点坐标 的权值；
在将目标设备接收的信号输入神经网络模型，得到所述神经网络模型输出的所述目标设备到各目标发射端之间的距离之前，还包括：
基于鱼群算法，获取所述神经网络模型的初始参数；所述初始参数包括权值和偏置值；
将所述样本设备接收的样本信号输入所述神经网络模型，得到所述神经网络模型输出的所述样本设备到各样本发射端之间的距离；
根据所述神经网络模型输出的所述样本设备到各样本发射端之间的距离和所述样本设备到各样本发射端之间的实际距离，获取所述神经网络模型的损失函数；
根据所述损失函数，对所述神经网络模型的初始参数进行优化。
2.根据权利要求1所述的设备定位方法，其特征在于，所述将目标设备接收的信号输入神经网络模型，得到所述神经网络模型输出的所述目标设备到各目标发射端之间的距离，包括：
对所述目标设备接收的信号进行预处理；
其中，所述预处理包括归一化处理和/或滤波处理；
将预处理后的信号输入所述神经网络模型，得到所述神经网络模型输出的所述目标设备到各目标发射端之间的距离。
3.根据权利要求2所述的设备定位方法，其特征在于，所述预处理为滤波处理；
相应地，所述对所述目标设备接收的信号进行预处理，包括：
基于格鲁布斯检验法，确定所述目标设备接收的各目标发射端发射的各信号是否为异常值；
对所述目标设备接收的各目标发射端发射的信号中除所述异常值外的信号进行高斯滤波后，再进行均值滤波。
4.一种设备定位***，其特征在于，包括：
输出模块，用于将目标设备接收的信号输入神经网络模型，得到所述神经网络模型输出的所述目标设备到各目标发射端之间的距离；其中，所述信号由各目标发射端发射；
定位模块，根据所述目标设备到各目标发射端之间的距离，计算所述目标设备的定位位置；
其中，所述神经网络模型以样本设备接收的样本信号为样本，以所述样本设备到各样本发射端之间的实际距离为样本标签进行训练获取；所述样本信号由各样本发射端发射；
所述定位模块，具体用于：
将所述距离按照从小到大的顺序进行排序，将排序结果靠前的多个距离形成目标距离集合；其中，所述目标距离集合中距离的数量大于或等于3；
对于所述目标集合中的各距离，根据各距离和各距离对应的目标发射端的位置坐标，拟合出各距离对应的圆形区域；
在所述目标集合中所有距离对应的圆形区域均相交的情况下，计算所述目标集合中所有距离对应的圆形区域的交集区域内的交点坐标；
根据所述交点坐标，计算所述目标设备的定位位置；
所述定位模块中的计算模块，用于：
基于加权质心算法，计算所述交点坐标形成的多边形的质心坐标；
将所述质心坐标作为所述目标设备的定位位置；
若所述目标距离集合中距离的数量为3，则计算所述交点坐标形成的多边形的质心坐标的公式为：
Figure 190930DEST_PATH_IMAGE001
其中，(x0，y0)为所述目标设备的定位位置，(XA，YA)、(XB，YB)和(XC，YC)为所述交点坐标， d1、d2和d3为所述目标距离集合中的距离；
Figure 962577DEST_PATH_IMAGE002
、
Figure 850898DEST_PATH_IMAGE003
和
Figure 733404DEST_PATH_IMAGE004
为所述交点坐标 的权值；
还包括训练模块，用于：
基于鱼群算法，获取所述神经网络模型的初始参数；所述初始参数包括权值和偏置值；
将所述样本设备接收的样本信号输入所述神经网络模型，得到所述神经网络模型输出的所述样本设备到各样本发射端之间的距离；
根据所述神经网络模型输出的所述样本设备到各样本发射端之间的距离和所述样本设备到各样本发射端之间的实际距离，获取所述神经网络模型的损失函数；
根据所述损失函数，对所述神经网络模型的初始参数进行优化。
5.一种电子设备，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3任一项所述设备定位方法的步骤。
6.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至3任一项所述设备定位方法的步骤。
CN202111072906.0A 2021-09-14 2021-09-14 设备定位方法及*** Active CN113518425B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111072906.0A CN113518425B (zh) 2021-09-14 2021-09-14 设备定位方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111072906.0A CN113518425B (zh) 2021-09-14 2021-09-14 设备定位方法及***

Publications (2)

Publication Number Publication Date
CN113518425A CN113518425A (zh) 2021-10-19
CN113518425B true CN113518425B (zh) 2022-01-07

Family

ID=78063134

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111072906.0A Active CN113518425B (zh) 2021-09-14 2021-09-14 设备定位方法及***

Country Status (1)

Country Link
CN (1) CN113518425B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115175310A (zh) * 2022-07-26 2022-10-11 深圳艾灵网络有限公司 移动终端的定位方法、处理设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1051840A (ja) * 1996-07-29 1998-02-20 Matsushita Electric Ind Co Ltd 無線移動局の位置検出方式
CN101815308A (zh) * 2009-11-20 2010-08-25 哈尔滨工业大学 神经网络区域训练的wlan室内定位方法
CN102413564A (zh) * 2011-11-25 2012-04-11 北京工业大学 基于bp神经网络和改进质心算法的室内定位方法
CN102883434A (zh) * 2012-10-31 2013-01-16 河南省电力公司电力科学研究院 一种变电站中对定位移动终端定位和导航的***
CN108345875A (zh) * 2018-04-08 2018-07-31 北京初速度科技有限公司 可行驶区域检测模型训练方法、检测方法和装置
CN109996172A (zh) * 2019-03-14 2019-07-09 北京工业大学 一种基于bp神经网络精确室内定位***及定位方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103839241B (zh) * 2014-03-21 2015-07-15 北京航空航天大学 插值三角形形成方法及装置
CN105611623B (zh) * 2015-09-18 2019-08-02 宇龙计算机通信科技(深圳)有限公司 移动终端的定位方法及定位装置
CN110234072B (zh) * 2019-06-28 2020-12-11 徐州工业职业技术学院 基于指纹量化的改进加权质心定位方法
CN113056001B (zh) * 2021-03-17 2022-05-31 长春工业大学 一种基于混合滤波的差分修正加权质心定位方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1051840A (ja) * 1996-07-29 1998-02-20 Matsushita Electric Ind Co Ltd 無線移動局の位置検出方式
CN101815308A (zh) * 2009-11-20 2010-08-25 哈尔滨工业大学 神经网络区域训练的wlan室内定位方法
CN102413564A (zh) * 2011-11-25 2012-04-11 北京工业大学 基于bp神经网络和改进质心算法的室内定位方法
CN102883434A (zh) * 2012-10-31 2013-01-16 河南省电力公司电力科学研究院 一种变电站中对定位移动终端定位和导航的***
CN108345875A (zh) * 2018-04-08 2018-07-31 北京初速度科技有限公司 可行驶区域检测模型训练方法、检测方法和装置
CN109996172A (zh) * 2019-03-14 2019-07-09 北京工业大学 一种基于bp神经网络精确室内定位***及定位方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
轻量级目标识别深度神经网络及其应用;付佐毅等;《计算机工程与应用》(第18期);全文 *

Also Published As

Publication number Publication date
CN113518425A (zh) 2021-10-19

Similar Documents

Publication Publication Date Title
CN110633745A (zh) 一种基于人工智能的图像分类训练方法、装置及存储介质
US11514315B2 (en) Deep neural network training method and apparatus, and computer device
CN111814744A (zh) 一种人脸检测方法、装置、电子设备和计算机存储介质
Zeng et al. UWB NLOS identification with feature combination selection based on genetic algorithm
CN109490826A (zh) 一种基于无线电波场强rssi的测距与位置定位方法
CN113518425B (zh) 设备定位方法及***
CN110865343A (zh) 基于lmb的粒子滤波检测前跟踪方法及***
CN112949820A (zh) 基于生成对抗网络的认知抗干扰目标检测方法
CN111582358A (zh) 户型识别模型的训练方法及装置、户型判重的方法及装置
CN111368930B (zh) 基于多类谱图融合与分级学习的雷达人体姿态识别方法及***
CN110348434A (zh) 相机来源鉴别方法、***、存储介质和计算设备
CN114440858B (zh) 移动机器人定位丢失检测方法、***、设备及存储介质
CN115527050A (zh) 图像特征匹配方法、计算机设备和可读存储介质
CN115131437A (zh) 位姿估计方法及相关模型的训练方法、装置、设备、介质
CN110188661A (zh) 边界识别方法及装置
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
CN113055814B (zh) 一种改进wknn的室内定位方法
Upadhyay et al. An Artificial Intelligence Approach in 5G New Radio Beam Enhancement
CN110738191A (zh) 一种基于声呐信号的物体分类方法、装置、设备及介质
CN105894029B (zh) 一种基于费马点求解的自适应运动轨迹数据去噪方法
CN115379378A (zh) 蓝牙室内定位方法及装置
CN116468962B (zh) 害虫识别方法、装置、设备及介质
CN114449435B (zh) 基于大间隔近邻的度量学习的指纹定位方法
CN116910682B (zh) 事件的检测方法及装置、电子设备和存储介质
CN110781837B (zh) 一种基于声呐信号的物体分类方法、装置、设备及介质

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
CB03 Change of inventor or designer information

Inventor after: Chen Dezhong

Inventor after: Fu Cheng

Inventor after: Zhang Hongping

Inventor after: Chen Zhitao

Inventor after: Shi Hualin

Inventor after: Guo Kai

Inventor after: Feng Qiuping

Inventor after: Xia Huajia

Inventor before: Chen Dezhong

Inventor before: Fu Cheng

Inventor before: Zhang Hongping

Inventor before: Chen Zhitao

Inventor before: Shi Hualin

Inventor before: Guo Kai

Inventor before: Feng Qiuping

Inventor before: Xia Huajia

Inventor before: Wu Peng

CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Fu Cheng

Inventor after: Chen Zhitao

Inventor after: Shi Hualan

Inventor after: Guo Kai

Inventor after: Xia Huajia

Inventor after: Wu Peng

Inventor before: Chen Dezhong

Inventor before: Fu Cheng

Inventor before: Zhang Hongping

Inventor before: Chen Zhitao

Inventor before: Shi Hualin

Inventor before: Guo Kai

Inventor before: Feng Qiuping

Inventor before: Xia Huajia

Inventor before: Wu Peng

CB03 Change of inventor or designer information
CI03 Correction of invention patent

Correction item: Inventor

Correct: Chen Dezhong|Fu Cheng|Zhang Hongping|Chen Zhitao|Shi Hualin|Guo Kai|Feng Qiuping|Xia Huajia|Wu Peng

False: Chen Dezhong|Fu Cheng|Zhang Hongping|Chen Zhitao|Shi Hualin|Guo Kai|Feng Qiuping|Xia Huajia

Number: 11-02

Volume: 39

CI03 Correction of invention patent