CN113747385B - 室内定位方法、装置、设备及计算机可读存储介质 - Google Patents
室内定位方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113747385B CN113747385B CN202111000063.3A CN202111000063A CN113747385B CN 113747385 B CN113747385 B CN 113747385B CN 202111000063 A CN202111000063 A CN 202111000063A CN 113747385 B CN113747385 B CN 113747385B
- Authority
- CN
- China
- Prior art keywords
- data
- training
- determining
- prediction model
- prediction
- 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
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—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
-
- 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
- G06N3/045—Combinations of 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种室内定位方法、装置、设备及计算机可读存储介质,室内定位方法包括:采集室内环境中的位置指纹数据,并根据所述位置指纹数据中的位置信息确定有标签数据和无标签数据;将所述无标签数据输入至预设的生成对抗网络进行训练,得到预训练参数;将所述有标签数据和所述预训练参数输入至预设的预测模型进行训练,得到预测参数,根据所述预测参数确定目标位置。本发明提高了室内空间定位的准确性。
Description
技术领域
本发明涉及定位技术领域,尤其涉及一种室内定位方法、装置、设备及计算机可读存储介质。
背景技术
目前在基于wifi指纹数据库的室内定位技术中大多采用机器学习方法,一般可分为聚类和回归两种方式。聚类方式有K近邻法、支持向量机算法等,这种方式可以估计设备的离散位置,操作简单但离散性使得定位精度较低。回归方式比如径向基函数和MLP(Multilayer Perceptron,多层感知器)等,将信号强度数据直接输入训练好的浅层网络得到位置坐标,但浅层神经拟合能力差,对于室内空间中非线性RSSI(Received SignalStrength Indication,信号强度)数据的特征表达能力不强,难以实现高精度定位。
发明内容
本发明的主要目的在于提供一种室内定位方法、装置、设备及计算机可读存储介质,旨在解决如何提高室内空间定位的准确性的技术问题。
为实现上述目的,本发明提供一种室内定位方法,包括以下步骤:
采集室内环境中的位置指纹数据,并根据所述位置指纹数据中的位置信息确定有标签数据和无标签数据;
将所述无标签数据输入至预设的生成对抗网络进行训练,得到预训练参数;
将所述有标签数据和所述预训练参数输入至预设的预测模型进行训练,得到预测参数,根据所述预测参数确定目标位置。
可选地,将所述有标签数据和所述预训练参数输入至预设的预测模型进行训练,得到预测参数的步骤,包括:
将所述预训练参数作为预设的预测模型中的网络初值,并将所述有标签数据输入至所述预测模型中的输入层;
通过所述预测模型中的输入层将所述有标签数据传递至所述预测模型中的卷积层进行特征提取,得到多个初始特征;
通过所述卷积层将各所述初始特征传递至所述预测模型中的池化层进行过滤处理,得到重要特征,并根据所述重要特征和所述网络初值确定预测参数。
可选地,根据所述重要特征和所述网络初值确定预测参数的步骤,包括:
确定所述预测模型中的RNN隐层,将所述重要特征自所述池化层传递至所述RNN隐层;
若存在多个重要特征,则根据所述RNN隐层中的隐层计算公式对各所述重要特征进行计算,得到各所述重要特征之间的时序排列关系;
将各所述重要特征按照所述时序排列关系进行排序,并对排序后的各所述重要特征进行混合高斯概率分布计算,得到初始预测值;
根据所述网络初值确定各所述初始预测值中的目标预测值,并将所述目标预测值作为预测参数。
可选地,将所述无标签数据输入至预设的生成对抗网络进行模型训练,得到预训练参数的步骤,包括:
确定预设的生成对抗网络中的L2损失函数,并将所述无标签数据输入至所述L2损失函数中进行训练计算,得到预训练参数。
可选地,采集室内环境中的位置指纹数据的步骤,包括:
确定所述室内环境中的所有参考点,并采集各所述参考点发送的信号数据,确定各所述信号数据中的信号强度和各所述信号数据对应的位置信息;
将所述信号强度和所述位置信息作为位置指纹数据。
可选地,确定所述室内环境中的所有参考点的步骤,包括:
确定所述室内环境中的数据采集区域,并对所述数据采集区域进行网格划分,得到参考点,其中,每个参考点中至少设置一个信号源。
可选地,根据所述位置指纹数据中的位置信息确定有标签数据和无标签数据的步骤,包括:
确定所述位置指纹数据中的位置信息和信号强度,对所述信号强度进行归一化处理,得到处理后的信号强度;
将所述处理后的信号强度作为无标签数据存储至预设的第一指纹数据库;
将所述处理后的信号强度和所述位置信息作为有标签数据存储至第二指纹数据库。
此外,为实现上述目的,本发明还提供一种室内定位装置,包括:
采集模块,用于采集室内环境中的位置指纹数据,并根据所述位置指纹数据中的位置信息确定有标签数据和无标签数据;
训练模块,用于将所述无标签数据输入至预设的生成对抗网络进行训练,得到预训练参数;
确定模块,用于将所述有标签数据和所述预训练参数输入至预设的预测模型进行训练,得到预测参数,根据所述预测参数确定目标位置。
此外,为实现上述目的,本发明还提供一种室内定位设备,室内定位设备包括存储器、处理器及存储在存储器上并可在处理器上运行的室内定位程序,室内定位程序被处理器执行时实现如上述的室内定位方法的步骤。
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,计算机可读存储介质上存储有室内定位程序,室内定位程序被处理器执行时实现如上述的室内定位方法的步骤。
本发明通过采集室内环境中的位置指纹数据,并确定位置指纹数据中的有标签数据和无标签数据,根据生成对抗网络对无标签数据进行训练,得到预训练参数,再将有标签数据和预训练参数一起输入至预测模型中进行训练,得到预测参数,根据预测参数确定目标位置,从而避免了现有技术中只是根据位置坐标确定位置导致定位的准确性较低的现象发生,综合考虑了信号强度和位置,提高了室内空间定位的准确性。
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\装置结构示意图;
图2为本发明室内定位方法第一实施例的流程示意图;
图3为本发明室内定位装置的装置模块示意图;
图4为本发明室内定位方法中的流程示意图;
图5为本发明室内定位方法中生成对抗网络的示意图;
图6为本发明室内定位方法中预测模型的示意图;
图7为本发明室内定位方法预测模型中第二部分的具体展开示意图;
图8为本发明室内定位方法中采集的数据示意图。
本发明目的实现、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。
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。
本发明实施例终端为室内定位设备。
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),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。
可选地,终端还可以包括摄像头、RF(Radio Frequency,射频)电路,传感器、音频电路、WiFi模块等等。其中,传感器比如光传感器、运动传感器以及其他传感器。具体地,光传感器可包括环境光传感器及接近传感器,其中,环境光传感器可根据环境光线的明暗来调节显示屏的亮度,接近传感器可在终端设备移动到耳边时,关闭显示屏和/或背光。当然,终端设备还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器,在此不再赘述。
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、用户接口模块以及室内定位程序。
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;用户接口1003主要用于连接客户端(用户端),与客户端进行数据通信;而处理器1001可以用于调用存储器1005中存储的室内定位程序,并执行以下操作:
参照图2,本发明提供一种室内定位方法,在室内定位方法的第一实施例中,室内定位方法包括以下步骤:
步骤S10,采集室内环境中的位置指纹数据,并根据所述位置指纹数据中的位置信息确定有标签数据和无标签数据;
由于目前进行室内定位的方式是聚类和回归两种方式,并且聚类方式有K近邻法、支持向量机算法等,这种方式可以估计设备的离散位置,操作简单但离散性使得定位精度较低。回归方式比如径向基函数和MLP等,将信号强度数据直接输入训练好的浅层网络得到位置坐标,但浅层神经拟合能力差,对于室内空间中非线性RSSI数据的特征表达能力不强,难以实现高精度定位。在深度学习的模型中,堆叠式去燥自编码器具有较强的泛化能力,有效地克服数据的噪声干扰,使自动学习得到的数据特征更具有鲁棒性,但训练精度依旧较低,信息获取依旧不足。因此在本实施例中,为避免由于信号衰落效应和多径效应,WiFi的RSSI容易受到室内环境噪声影响出现较强的时变性,且普通的深度学习网络不足以客服这种困难的现象发生,是采用生成模型+预测模型的方式进行位置定位。
在本实施例中,先进行数据采集和处理工作,得到训练样本和测试样本。训练样本又分为带标签(即有标签数据)和无标签(无标签数据)两类。其中,将无标签训练样本输入至生成模型中进行网络对抗训练,得到训练参考,并将其作为预测模型的预训练参数加入至预测模型中,再使用有标签数据输入至预测模型中进行训练,得到预测参数,根据预测参数来确定需要定位的目标位置。例如,如图4所示,先采集指纹样本,并根据采集的指纹样本构建指纹数据库,其中指纹数据库包括具有无标签的指纹数据库和有标签的指纹数据库。再将无标签的指纹数据库中的数据输入至生成模型中进行训练,得到预训练参数。将有标签的指纹数据库中的数据输入至预测模型中进行模型训练,根据训练结果定位目标位置。其中,预测模型在训练之前,需要先获取预训练参数,将其作为网络初值。
在本实施例中,可以是通过手机或其他智能终端上可以检测WiFi信号强度的应用软件进行信号检测,以采集室内环境中各个区域的信号数据,记录信号数据所在位置坐标及其接收的信号强度,并将其作为位置指纹数据。并且在获取到位置指纹数据,对每个位置指纹数据都进行指纹数据处理,如剔除处理,并对信号强度进行归一化处理后,再将其存储至数据库中,其中数据库包括有监督数据库(即有标签的数据库)和无监督数据库(即无标签的数据库)。有监督数据库是一个矩形,前两列为X坐标和Y坐标,其余为信号强度。在每个训练点随机抽取1/4的数据作为测试集,其余为训练集,目的是让训练集和测试集可以涵盖所以区域以便能训练出所有区域的特征。无监督数据库只有信号强度,无XY坐标。XY坐标即本文数据样本的标签。由于标签的获取费事费力,故另采集无标签的数据库为后面的生成网络做准备。
然后在有标签的数据库中获取有标签数据,在无标签的数据库中获取无标签数据,其中,有标签数据中的信号强度可以和无标签数据中的信号强度相同。
步骤S20,将所述无标签数据输入至预设的生成对抗网络进行训练,得到预训练参数;
在本实施例中,当确定无标签数据后,可以采用生成对抗网络GAN对无标签数据进行预训练,从无标签数据中归纳、提取、定位到有效特征。如图5所示,m=N×b(N个参考点和b个训练点),输入X为有m个RSSI一维数组[RSSI1,RSSI2,RSSI3...RSSIm],每个RSSI有其坐标[x,y],每个RSSI展开为此坐标上采集到的wifi信号值集合,例如RSSI1=[-30,-37,...,-56],里面有n=a×k个元素。及X为一个二维数组[m,n],一组为位置数量,一组为特征值。GAN不使用坐标值。并且生成对抗网络中包括判别器和生成器,生成器用来学习真实数据x的概率分布和特征,判别器用来判断数据来源是真实数据还是生成数据,两者通过相互对抗实现参数优化。
真实数据为{x1,x2,x3,...,xm},其分布为Pdata(x),由生成器生成的分布为PG(x;θ),目的是找到参数θ使得PG更接近于Pdata。使用随机变量z,通过G(z)=x'生成另一个分布PG',使其与Pdata比较来修正θ。GAN公式为:
固定G,maxV(G,D)就表示PG和Pdata之间的差异,GAN的目标函数为:
并且需要说明的是,在本实施例中,为去除噪声干扰,会在判别器和生成器之间引入池化层,通过池化层过滤部分噪点。此外,本实施例中的生成对抗网络使用L2最小平方误差损失函数。因此,在将无标签数据输入至生成对抗网络进行训练时,会生成K个结果,并且针对每个结果计算L2距离最小值。从而可以达到覆盖所有预测位置,使定位更加准确。并且本实施例中,将通过生成对抗网络训练出来的参数作为预测网络的网络初值,即预训练参数。
步骤S30,将所述有标签数据和所述预训练参数输入至预设的预测模型进行训练,得到预测参数,根据所述预测参数确定目标位置。
在本实施例中,还会搭建预测模型,如图6所示,预测模型包括三部分,即输入层、卷积层、池化层、flatten层、RNN隐层、隐层、参数和输出Y。其中,第一部分包括卷积层、池化层和flatten(数据压平)层。第二部分包括RNN(Recurrent Neural Network,循环神经网络)隐层。第三部分包括隐层和参数。并将预训练参数作为预测模型的网络初值提前输入至预测模型中。然后在预测模型的输入层中接收有标签数据,并依次经过第一部分、第二部分和第三部分的模型训练,得到训练结果,即预测参数,并将预测参数中包含的位置作为需要定位的目标位置。
此外,为了防止预测模型在训练过程中容易陷入局部最优、梯度消失、过拟合等。因此在本实施例中是使用生成模型的预训练参数,设置学习速率自动调节模式。针对梯度消失问题本文使用ReLU(Rectified Linear Unit,线性整流函数)激活函数,若情况严重可适度使用残差结构。针对过拟合问题本文在预测模型中加入批规范化层(BN)和Dropout层。Dropout层会随机地为网络中的神经元赋值零权重。本文选择了0.5的比率,即50%的神经元将会是零权重的。通过这种操作,网络对数据的微小变化的响应就不那么敏感了。因此,它能够进一步提高对不可见数据处理的准确性。而BN层的作用是进行层级间的归一化处理。随着层级的加深,深层神经网络的分布可能逐渐发生偏移,因此在卷积层和激活层之间加入BN,可以保持层级间信息传递的值域一致,避免逐层衰减趋势,不但可以防止梯度消失,还可以加快训练速度。
并且,本实施例中指纹室内定位方法可以在各个移动设备中应用,且可以在医院、商场等场景中应用。通过使用无监督方式训练GAN获得预训练参数,舍弃了GAN原始的交叉熵损失函数,使用L2损失函数覆盖全部结果从而提高定位的准确度。并且在生成器和判别器之间加入池化层以过滤环境噪点。总之生成模型在降低预测模型过拟合影响的同时加快训练速度。并使用有监督方式训练预测模型。混合利用卷积神经的特征提取特性、递归神经的中间状态记录特性以及MDK的混合高斯概率分布生成一种新型预测模型架构CRMNN,其能够更加全面地学习特征,提高算法的鲁棒性和精确度,提高WIFI指纹定位的准确性。
在本实施例中,通过采集室内环境中的位置指纹数据,并确定位置指纹数据中的有标签数据和无标签数据,根据生成对抗网络对无标签数据进行训练,得到预训练参数,再将有标签数据和预训练参数一起输入至预测模型中进行训练,得到预测参数,根据预测参数确定目标位置,从而避免了现有技术中只是根据位置坐标确定位置导致定位的准确性较低的现象发生,综合考虑了信号强度和位置,提高了室内空间定位的准确性。
进一步地,基于上述本发明的第一实施例,提出本发明室内定位方法的第二实施例,在本实施例中,上述实施例步骤S30,将所述有标签数据和所述预训练参数输入至预设的预测模型进行训练,得到预测参数的步骤的细化,包括:
步骤a,将所述预训练参数作为预设的预测模型中的网络初值,并将所述有标签数据输入至所述预测模型中的输入层;
在本实施例中,在通过预测模型进行位置预测时,需要先获取经过生成对抗网络训练得到的预训练参数,并将此预训练参数作为预测模型中的网络初值,即预测模型中的初始参数。并在对预测模型中的参数设置好之后,再接收有标签数据,即预测模型中的输入层接收有标签数据。
步骤b,通过所述输入层将所述有标签数据传递至所述预测模型中的卷积层进行特征提取,得到多个初始特征;
步骤c,通过所述卷积层将各所述初始特征传递至所述预测模型中的池化层进行过滤处理,得到重要特征,并根据所述重要特征和所述网络初值确定预测参数。
通过输入层将有标签数据传递至预测模型中的卷积层进行特征提取,得到各个特征,即初始特征。再通过池化层对初始特征进行过滤处理,得到重要特征。也就是在预测模型的第一部分中,输入有标签数据X【m,n】,输入训练标签为Y[m,x,y],输入层为在预测模型的前期主要使用卷积层和池化层。在样本输入后首先要经过多层一维卷积层(1D Conv),目的是提取特征。首先经过两个拥有M个滤波器的1D Conv,这样在这一层的训练中可以得到M个不同的特性X[m,M]。之后使用最大池化层过滤特征,保留重要参数,去除干扰参数,并且可以减少输出的复杂度,此时X[m,M/2]。之后经过两个拥有2M个滤波器的1D Conv,以便可以学***均池化层以便进一步降低过拟合的影响,此时X[m,M]。总之第一部分的作用是从简单模式中提取到有用特征,在更高级的层中生成更复杂的模式,保留重要参数,减少非重要参数,减少计算量以降低过拟合影响。并在确定重要特征后,可以直接根据预测模型中的网络初值对重要特征进行筛选,以得到预测参数。
在本实施例中,通过将预训练参数作为预测模型的网络初值,并通过预测模型的卷积层对有标签数据进行特征提取,得到初始特征,再通过池化层对初始特征进行过滤处理,得到重要特征,再根据重要特征和网络初值确定预测参数,从而保障了获取到的预测参数的准确性。
具体地,根据所述重要特征和所述网络初值确定预测参数的步骤,包括:
步骤d,确定所述预测模型中的RNN隐层,将所述重要特征自所述池化层传递至所述RNN隐层;
在本实施例中,预测模型还包括第二部分,即RNN隐层,隐层在预测模型的第一部分提取到重要特征后,可以将重要特征转移至第二部分中的RNN隐层。
步骤e,若存在多个重要特征,则根据所述RNN隐层中的隐层计算公式对各所述重要特征进行计算,得到各所述重要特征之间的时序排列关系;
步骤f,将各所述重要特征按照所述时序排列关系进行排序,并对排序后的各所述重要特征进行混合高斯概率分布计算,得到初始预测值;
步骤g,根据所述网络初值确定各所述初始预测值中的目标预测值,并将所述目标预测值作为预测参数。
当在RNN隐层中发现存在多个重要特征时,由于预测模型的第一部分只能进行特征提取,得到各个重要特征,但没有对各个重要特征的时间顺序关系进行确定,因此先确定RNN隐层中的隐层计算公式,再进行计算,得到各个重要特征之间的时序排列关系。其中,RNN隐层的运行原理如图7所示,包括输出层、隐层、输入层和循环层。其中,x是输入,y为输出,h是隐层单元,σh和为激活函数,U为输入层到隐层的权重矩阵,W为上一层隐层到下一层隐层的权重矩阵,V为隐层到输出层的权重矩阵,bh为隐层偏差,by为输出偏差。则根据隐层计算公式计算t时刻下RNN的隐层和输出分别为:
ht=σh(Uxt+Wht-1+bh)
并且,RNN是在时间上的一个循环,每次循环都会用到上一次计算的结果,所以RNN最后的输出包含了之前所有时刻的信息。第二部分使用RNN将第一部分得来的较低维特征进行学习,补充了中间状态信息。RNN隐层的输入和输出都是X【m,n】。
当确定各个重要特征的时序排列关系,且进行重新排序后,可以进行混合高斯概率分布计算,即输出层为M个μ、σ和w的组合。该网络的损失函数为在使用该神经网络进行预测时可以得到所有y的可能值,大大提高训练精度,适用于预测任务。此时Y[m,1],1中表示了位置,即初始预测值。再根据网络初值确定各个初始预测值中的目标预测值,将目标预测值作为预测参数。即可以确定每个初始预测值对应的位置指纹数据,将其作为目标位置指纹数据,再根据目标位置指纹数据对应的网络初值的大小确定最终的初始预测值,即目标预测值。
在本实施例中,通过将重要特征从池化层传递至RNN隐层,以确定时序排列关系,并根据时序排序关系重新排序,再进行混合高斯概率分布计算,得到初始预测值,根据网络初值和初始预测值确定预测参数,从而保障了获取到的预测参数的准确性。
进一步地,将所述无标签数据输入至预设的生成对抗网络进行模型训练,得到预训练参数的步骤,包括:
步骤h,确定预设的生成对抗网络中的L2损失函数,并将所述无标签数据输入至所述L2损失函数中进行训练计算,得到预训练参数。
在本实施例中,在采用生成对抗网络进行模型训练时,需要先对生成对抗网络进行模型算法设置,在本实施例中可以设置L2最小平方误差损失函数,即L2损失函数。并在确定生成对抗网络中的L2损失函数后,可以直接将无标签数据输入至L2损失函数中进行训练计算,得到最终的预训练参数。
在本实施例中,通过将无标签数据输入至生成对抗网络中的L2损失函数进行训练计算,得到预训练参数,从而保障了获取到的预训练参数的准确性。
进一步地,采集室内环境中的位置指纹数据的步骤,包括:
步骤k,确定所述室内环境中的所有参考点,并采集各所述参考点发送的信号数据,确定各所述信号数据中的信号强度和各所述信号数据对应的位置信息;
步骤m,将所述信号强度和所述位置信息作为位置指纹数据。
在本实施例中,可以先选定室内环境,如室内实验区域,并在区域上放置A个固定位置的信号AP(即信号源),数量用a表示。将实验区域分成n×n块,数量用N表示。以每块正方形网格的中心点作为参考点。使用手机上可以检测WiFi信号强度的手机软件进行信号检测,记录坐标(即位置信息)及接收信号强度。示例如图8所示。参考点集合为R,R={R1,R2,...,Rj,...,RN},Rj为第j个参考点,j=1,2,...,N。并将信号强度和位置信息作为位置指纹数据。
在本实施例中,通过确定室内环境中的所有参考点,并获取各个参考点发送的信号数据,将信号数据中的信号强度和位置信息作为位置指纹数据,从而保障了获取到的位置指纹数据的准确性。
具体地,确定所述室内环境中的所有参考点的步骤,包括:
步骤n,确定所述室内环境中的数据采集区域,并对所述数据采集区域进行网格划分,得到参考点,其中,每个参考点中至少设置一个信号源。
在本实施例中,先确定室内环境,如商场、医院等。再确定室内环境的数据采集区域,并进行相应网格划分,得到各个网格,将每个网格的中心点作为参考点。并且一个AP(即信号源)在第一个参考点,R1=A1,二个AP在第一个参考点,R1=[A1,A2],A个AP在第一个参考点,R1=[A1,A2,A3,...Aa]。则A个AP在第j个参考点构成的一个RSSI值可表示为:Rj=[A1,A2,A3,...Aa],j=1,2,...,N。第j个参考点在第i个AP的wifi信号集合为:
每个参考点设置B个训练点,则第j个参考点在第i个AP的wifi信号集合为:
N个参考点的wifi信号强度信息集合为RSSI=[RBA1,RBA2,...,RBAN]
在本实施例中,通过对室内环境中的数据采集区域进行网格划分,得到参考点,从而保障了获取到的参考点的有效性。
进一步地,根据所述位置指纹数据中的位置信息确定有标签数据和无标签数据的步骤,包括:
步骤x,确定所述位置指纹数据中的位置信息和信号强度,对所述信号强度进行归一化处理,得到处理后的信号强度;
步骤y,将所述处理后的信号强度作为无标签数据存储至预设的第一指纹数据库;
步骤z,将所述处理后的信号强度和所述位置信息作为有标签数据存储至第二指纹数据库。
在本实施例中,在获取到位置指纹数据后,需要进行剔除处理,并对信号强度进行归一化处理,每个RSSI增加90后除70,使信号强度差值最大为70dB,即具体的rssi值在-30dB和-100dB之间,目的是降低计算的复杂度。数据收集录入数据库。有监督数据库(即第二指纹数据库)是一个矩形,前两列为X坐标和Y坐标,其余为信号强度。在每个训练点随机抽取1/4的数据作为测试集,其余为训练集,目的是让训练集和测试集可以涵盖所以区域以便能训练出所有区域的特征。无监督数据库(即第一指纹数据库)只有信号强度,无XY坐标。XY坐标即本文数据样本的标签。由于标签的获取费事费力,故另采集无标签的数据库为后面的生成网络做准备。运行结果举例:输入值为:-45,预测坐标为[7,15],实际坐标为[7,13],则误差为2;输入值为:-30,预测坐标为[9,7],实际坐标为[11,11],则误差为4.47。
在本实施例中,通过对位置指纹数据中的信号强度进行归一化处理,得到处理后的信号强度,并将处理后的信号强度作为无标签数据存储至第一指纹数据库,将处理后的信号强度和位置信息一起存储至第二指纹数据库,从而保障了确定有标签数据和无标签数据的准确性。
此外,参照图3,本发明实施例还提供一种室内定位装置,包括:
采集模块A10,用于采集室内环境中的位置指纹数据,并根据所述位置指纹数据中的位置信息确定有标签数据和无标签数据;
训练模块A20,用于将所述无标签数据输入至预设的生成对抗网络进行训练,得到预训练参数;
确定模块A30,用于将所述有标签数据和所述预训练参数输入至预设的预测模型进行训练,得到预测参数,根据所述预测参数确定目标位置。
可选地,确定模块A30,用于:
将所述预训练参数作为预设的预测模型中的网络初值,并将所述有标签数据输入至所述预测模型中的输入层;
通过所述预测模型中的输入层将所述有标签数据传递至所述预测模型中的卷积层进行特征提取,得到多个初始特征;
通过所述卷积层将各所述初始特征传递至所述预测模型中的池化层进行过滤处理,得到重要特征,并根据所述重要特征和所述网络初值确定预测参数。
可选地,确定模块A30,用于:
确定所述预测模型中的RNN隐层,将所述重要特征自所述池化层传递至所述RNN隐层;
若存在多个重要特征,则根据所述RNN隐层中的隐层计算公式对各所述重要特征进行计算,得到各所述重要特征之间的时序排列关系;
将各所述重要特征按照所述时序排列关系进行排序,并对排序后的各所述重要特征进行混合高斯概率分布计算,得到初始预测值;
根据所述网络初值确定各所述初始预测值中的目标预测值,并将所述目标预测值作为预测参数。
可选地,训练模块A20,用于:
确定预设的生成对抗网络中的L2损失函数,并将所述无标签数据输入至所述L2损失函数中进行训练计算,得到预训练参数。
可选地,采集模块A10,用于:
确定所述室内环境中的所有参考点,并采集各所述参考点发送的信号数据,确定各所述信号数据中的信号强度和各所述信号数据对应的位置信息;
将所述信号强度和所述位置信息作为位置指纹数据。
可选地,采集模块A10,用于:
确定所述室内环境中的数据采集区域,并对所述数据采集区域进行网格划分,得到参考点,其中,每个参考点中至少设置一个信号源。
可选地,采集模块A10,用于:
确定所述位置指纹数据中的位置信息和信号强度,对所述信号强度进行归一化处理,得到处理后的信号强度;
将所述处理后的信号强度作为无标签数据存储至预设的第一指纹数据库;
将所述处理后的信号强度和所述位置信息作为有标签数据存储至第二指纹数据库。
其中,室内定位装置的各个功能模块实现的步骤可参照本发明室内定位方法的各个实施例,此处不再赘述。
此外,本发明还提供一种室内定位设备,所述室内定位设备包括:存储器、处理器及存储在所述存储器上的室内定位程序;所述处理器用于执行所述室内定位程序,以实现上述室内定位方法各实施例的步骤。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者一个以上程序,所述一个或者一个以上程序还可被一个或者一个以上的处理器执行以用于实现上述室内定位方法各实施例的步骤。
本发明计算机可读存储介质具体实施方式与上述室内定位方法各实施例基本相同,在此不再赘述。
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终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)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 (6)
1.一种室内定位方法,其特征在于,所述室内定位方法包括以下步骤:
采集室内环境中的位置指纹数据,并根据所述位置指纹数据中的位置信息确定有标签数据和无标签数据;其中,所述根据所述位置指纹数据中的位置信息确定有标签数据和无标签数据的步骤,包括:确定所述位置指纹数据中的位置信息和信号强度,对所述信号强度进行归一化处理,得到处理后的信号强度;将所述处理后的信号强度作为无标签数据存储至预设的第一指纹数据库;将所述处理后的信号强度和所述位置信息作为有标签数据存储至第二指纹数据库;
将所述无标签数据输入至预设的生成对抗网络进行训练,得到预训练参数;其中,所述将所述无标签数据输入至预设的生成对抗网络进行模型训练,得到预训练参数的步骤,包括:确定预设的生成对抗网络中的L2损失函数,并将所述无标签数据输入至所述L2损失函数中进行训练计算,得到预训练参数;
将所述有标签数据和所述预训练参数输入至预设的预测模型进行训练,得到预测参数,根据所述预测参数确定目标位置;其中,将所述有标签数据和所述预训练参数输入至预设的预测模型进行训练,得到预测参数的步骤,包括:
将所述预训练参数作为预设的预测模型中的网络初值,并将所述有标签数据输入至所述预测模型中的输入层;
通过所述预测模型中的输入层将所述有标签数据传递至所述预测模型中的卷积层进行特征提取,得到多个初始特征;
通过所述卷积层将各所述初始特征传递至所述预测模型中的池化层进行过滤处理,得到重要特征,并根据所述重要特征和所述网络初值确定预测参数;其中,所述根据所述重要特征和所述网络初值确定预测参数的步骤,包括:
确定所述预测模型中的RNN隐层,将所述重要特征自所述池化层传递至所述RNN隐层;
若存在多个重要特征,则根据所述RNN隐层中的隐层计算公式对各所述重要特征进行计算,得到各所述重要特征之间的时序排列关系;
将各所述重要特征按照所述时序排列关系进行排序,并对排序后的各所述重要特征进行混合高斯概率分布计算,得到初始预测值;
根据所述网络初值确定各所述初始预测值中的目标预测值,并将所述目标预测值作为预测参数。
2.如权利要求1所述的室内定位方法,其特征在于,所述采集室内环境中的位置指纹数据的步骤,包括:
确定所述室内环境中的所有参考点,并采集各所述参考点发送的信号数据,确定各所述信号数据中的信号强度和各所述信号数据对应的位置信息;
将所述信号强度和所述位置信息作为位置指纹数据。
3.如权利要求2所述的室内定位方法,其特征在于,所述确定所述室内环境中的所有参考点的步骤,包括:
确定所述室内环境中的数据采集区域,并对所述数据采集区域进行网格划分,得到参考点,其中,每个参考点中至少设置一个信号源。
4.一种室内定位装置,其特征在于,所述室内定位装置包括:
采集模块,用于采集室内环境中的位置指纹数据,并根据所述位置指纹数据中的位置信息确定有标签数据和无标签数据;其中,所述根据所述位置指纹数据中的位置信息确定有标签数据和无标签数据的步骤,包括:确定所述位置指纹数据中的位置信息和信号强度,对所述信号强度进行归一化处理,得到处理后的信号强度;将所述处理后的信号强度作为无标签数据存储至预设的第一指纹数据库;将所述处理后的信号强度和所述位置信息作为有标签数据存储至第二指纹数据库;
训练模块,用于将所述无标签数据输入至预设的生成对抗网络进行训练,得到预训练参数;其中,所述将所述无标签数据输入至预设的生成对抗网络进行模型训练,得到预训练参数的步骤,包括:确定预设的生成对抗网络中的L2损失函数,并将所述无标签数据输入至所述L2损失函数中进行训练计算,得到预训练参数;
确定模块,用于将所述有标签数据和所述预训练参数输入至预设的预测模型进行训练,得到预测参数,根据所述预测参数确定目标位置;其中,将所述有标签数据和所述预训练参数输入至预设的预测模型进行训练,得到预测参数的步骤,包括:将所述预训练参数作为预设的预测模型中的网络初值,并将所述有标签数据输入至所述预测模型中的输入层;通过所述预测模型中的输入层将所述有标签数据传递至所述预测模型中的卷积层进行特征提取,得到多个初始特征;通过所述卷积层将各所述初始特征传递至所述预测模型中的池化层进行过滤处理,得到重要特征,并根据所述重要特征和所述网络初值确定预测参数;其中,所述根据所述重要特征和所述网络初值确定预测参数的步骤,包括:确定所述预测模型中的RNN隐层,将所述重要特征自所述池化层传递至所述RNN隐层;若存在多个重要特征,则根据所述RNN隐层中的隐层计算公式对各所述重要特征进行计算,得到各所述重要特征之间的时序排列关系;将各所述重要特征按照所述时序排列关系进行排序,并对排序后的各所述重要特征进行混合高斯概率分布计算,得到初始预测值;根据所述网络初值确定各所述初始预测值中的目标预测值,并将所述目标预测值作为预测参数。
5.一种室内定位设备,其特征在于,所述室内定位设备包括: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室内定位程序,所述室内定位程序被所述处理器执行时实现如权利要求1至3中任一项所述的室内定位方法的步骤。
6.一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室内定位程序,所述室内定位程序被处理器执行时实现如权利要求1至3中任一项所述的室内定位方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111000063.3A CN113747385B (zh) | 2021-08-27 | 2021-08-27 | 室内定位方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111000063.3A CN113747385B (zh) | 2021-08-27 | 2021-08-27 | 室内定位方法、装置、设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113747385A CN113747385A (zh) | 2021-12-03 |
CN113747385B true CN113747385B (zh) | 2022-12-16 |
Family
ID=78733635
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111000063.3A Active CN113747385B (zh) | 2021-08-27 | 2021-08-27 | 室内定位方法、装置、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113747385B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115482836A (zh) * | 2022-08-05 | 2022-12-16 | 深圳市景创科技电子股份有限公司 | 一种婴儿ai监控方法及装置 |
CN115426710A (zh) * | 2022-08-15 | 2022-12-02 | 浙江工业大学 | 一种面向室内指纹定位的稀疏特征补全方法 |
CN116761249B (zh) * | 2022-09-23 | 2024-04-12 | 荣耀终端有限公司 | 室内定位方法、指纹库的构建方法、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110110745A (zh) * | 2019-03-29 | 2019-08-09 | 上海海事大学 | 基于生成对抗网络的半监督x光图像自动标注 |
CN111930992A (zh) * | 2020-08-14 | 2020-11-13 | 腾讯科技(深圳)有限公司 | 神经网络训练方法、装置及电子设备 |
US20210241118A1 (en) * | 2020-01-30 | 2021-08-05 | Visa International Service Association | System, Method, and Computer Program Product for Implementing a Generative Adversarial Network to Determine Activations |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11751057B2 (en) * | 2019-09-19 | 2023-09-05 | Colorado State University Research Foundation | Security-enhanced deep learning fingerprint-based indoor localization |
-
2021
- 2021-08-27 CN CN202111000063.3A patent/CN113747385B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110110745A (zh) * | 2019-03-29 | 2019-08-09 | 上海海事大学 | 基于生成对抗网络的半监督x光图像自动标注 |
US20210241118A1 (en) * | 2020-01-30 | 2021-08-05 | Visa International Service Association | System, Method, and Computer Program Product for Implementing a Generative Adversarial Network to Determine Activations |
CN111930992A (zh) * | 2020-08-14 | 2020-11-13 | 腾讯科技(深圳)有限公司 | 神经网络训练方法、装置及电子设备 |
Non-Patent Citations (1)
Title |
---|
基于改进支持向量回归的室内定位算法;姚英彪等;《仪器仪表学报》;20170915(第09期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113747385A (zh) | 2021-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113747385B (zh) | 室内定位方法、装置、设备及计算机可读存储介质 | |
CN110927706B (zh) | 基于卷积神经网络的雷达干扰检测识别方法 | |
US11907847B2 (en) | Operating machine-learning models on different platforms | |
CN108846835B (zh) | 基于深度可分离卷积网络的图像变化检测方法 | |
CN112036433B (zh) | 一种基于CNN的Wi-Move行为感知方法 | |
Oyedare et al. | Estimating the required training dataset size for transmitter classification using deep learning | |
CN108924736A (zh) | 一种基于PCA-Kalman的无源室内人员状态检测方法 | |
US10019788B1 (en) | Machine-learning measurements of quantitative feature attributes | |
CN113095370A (zh) | 图像识别方法、装置、电子设备及存储介质 | |
JP2022545969A (ja) | イベント認識のためのシステム及び方法 | |
CN111901028B (zh) | 一种基于多天线上csi的人体行为识别方法 | |
CN112084959B (zh) | 一种人群图像处理方法及装置 | |
Yan et al. | Device-free activity detection and wireless localization based on CNN using channel state information measurement | |
CN114091554A (zh) | 一种训练集处理方法和装置 | |
CN110363075B (zh) | 基于大数据服务器的可疑病态面部检测*** | |
CN115294615A (zh) | 一种基于机器学习的射频指纹识别方法 | |
CN114114363A (zh) | 基于时频和卷积神经网络的机会信号感知方法、***及机会信号定位方法 | |
CN117221816A (zh) | 一种基于Wavelet-CNN的多建筑楼层定位方法 | |
CN115935154B (zh) | 基于稀疏表示与近端算法的射频信号特征遴选与识别方法 | |
Shi et al. | WiFi-based activity recognition using activity filter and enhanced correlation with deep learning | |
CN114724245B (zh) | 基于csi的增量学习人体动作识别方法 | |
Sonny et al. | Fingerprint Image-Based Multi-Building 3D Indoor Wi-Fi Localization Using Convolutional Neural Networks | |
CN114926745A (zh) | 一种域特征映射的少样本sar目标识别方法 | |
CN113726457A (zh) | 一种人体动作识别方法、装置、存储介质及网络设备 | |
CN113587935B (zh) | 一种基于射频信号多任务学习网络的室内场景理解方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |