CN105447570B - 一种用于人员位置追踪的智能家居中pir传感器布局方法 - Google Patents

一种用于人员位置追踪的智能家居中pir传感器布局方法 Download PDF

Info

Publication number
CN105447570B
CN105447570B CN201510789222.0A CN201510789222A CN105447570B CN 105447570 B CN105447570 B CN 105447570B CN 201510789222 A CN201510789222 A CN 201510789222A CN 105447570 B CN105447570 B CN 105447570B
Authority
CN
China
Prior art keywords
pir sensor
point
temperature
pir
population
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.)
Expired - Fee Related
Application number
CN201510789222.0A
Other languages
English (en)
Other versions
CN105447570A (zh
Inventor
杨丹
饶开友
徐彬
盛卫华
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.)
Northeastern University China
Original Assignee
Northeastern University China
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 Northeastern University China filed Critical Northeastern University China
Priority to CN201510789222.0A priority Critical patent/CN105447570B/zh
Publication of CN105447570A publication Critical patent/CN105447570A/zh
Application granted granted Critical
Publication of CN105447570B publication Critical patent/CN105447570B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/123—DNA computing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/36—Circuit design at the analogue level
    • G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Genetics & Genomics (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明提供一种用于人员位置追踪的智能家居中PIR传感器布局方法，包括建立家居平面访问热度地图；根据家居平面访问热度地图确定PIR传感器布局策略；根据PIR传感器布局策略在家居环境内进行PIR传感器布局，并进行室内人员位置追踪。本发明采用被动式红外(PIR)运动传感器，捕获的唯一信息是在传感器的足迹内运动是否发生。由于对视频监控技术的敏感，可以估计在部署前阶段候选传感器位置的定位精度，从而实质上消除了受试者参与的昂贵的试运行成本。采用改进的遗传算法求解这个问题是因为其相对于其他智能算法拥有更好的全局搜索能力，容易求解存在多个局部最优的问题。

Description

一种用于人员位置追踪的智能家居中PIR传感器布局方法
技术领域
本发明涉及智能家居技术领域，具体涉及一种用于人员位置追踪的智能家居中PIR传感器布局方法。
背景技术
在我国，人口的老龄化已成为当今社会不可避免的发展趋势。所谓人口老龄化，是指在总人口中，由于年轻人口的比率减少、而年长人口的比率增加，而导致的老年人口比例相应增长的一种社会现象。据有关部门调查，截至2012年底，中国60周岁以上老年人口已达到1.94亿，2020年将达到2.43亿，2025年将突破3亿。越来越严重的老龄化趋势带来了更加多层次、多样化的养老服务需求。同时，由于社会老龄化程度不断加深，空巢老人(一般是指子女离家后的中老年夫妇)的数量也会越来越多，因此，如何利用现有的技术与设备廉价优质地提高老人的日常生活质量，使供养的子女能够及时照顾老人，成为了迫切需要得到解决的问题。
智能家居为老年人的看护提供一种技术解决手段。所谓智能家居是利用先进计算机、网络通讯、综合布线等技术，依照人体工程学原理，融合个性需求，将与家居生活有关的安全防护、煤气水电与照明控制、信息家电运行、多媒体设备操作、环境场景联动等各个子系统有机地结合在一起，通过网络化综合智能控制和管理，实现“以人为本”的全新家居生活。智能家居中的许多服务依赖于精确的人员定位。了解人员的流动性的重要性不可低估，在长期的基础上，移动数据有利于对慢性疾病的评估和诊断的模式。作为一个短期的效益，一个准确的定位识别系统可以大大提高居住者的生活经验，它可以基于人员的位置和运动轨迹预测并提供各种智能服务(通过控制室内执行器)。定位方法的准确性取决于多种因素，除了跟踪传感器技术、定位算法，布局空间的几何和结构性质以外，如何部署传感器在室内的分布，同样对定位效果有直接的影响。
发明内容
针对现有技术存在的问题，本发明提供一种用于人员位置追踪的智能家居中PIR传感器布局方法。
本发明的技术方案是：
一种用于人员位置追踪的智能家居中PIR传感器布局方法，包括以下步骤：
步骤1：建立家居平面访问热度地图；
步骤2：根据家居平面访问热度地图确定PIR传感器布局策略；
步骤2.1：PIR传感器可部署空间编码：根据PIR传感器可部署点的数量和PIR传感器可部署点的位置坐标建立PIR传感器可部署空间编码数组；
步骤2.2：家居平面访问热度地图中的热度采样点位置编码：根据家居平面访问热度地图中热度采样点在PIR传感器可部署空间编码数组中的编码值、热度采样点的位置坐标、热度采样点的数量，建立热度采样点编码数组；
步骤2.3：确定PIR传感器布局的最优目标函数：以热度等级为权值按照得分规则计算所有PIR传感器获得的覆盖得分，以所有热度采样点的覆盖得分的总分最高为最优目标函数；
所述得分规则为每被PIR传感器感应区覆盖一次，则热度等级下降一级，且覆盖次数不多于采样点的热度等级；
所述最优目标函数的约束条件为热度采样点被PIR传感器感应区覆盖的次数超过该点热度等级或者超过设置的PIR传感器重叠层数阈值；
步骤2.4：求解PIR传感器布局的最优目标函数，得到PIR传感器布局策略，包括PIR传感器的个数和布局位置；
步骤3：根据PIR传感器布局策略在家居环境内进行PIR传感器布局，并进行室内人员位置追踪。
所述步骤1建立家居平面访问热度地图按如下步骤进行：
步骤1.1：可访问区域提取；
步骤1.1.1：对家居平面布置图进行模块化处理：将家居、墙体和可访问区域用不同颜色的模块区分；
步骤1.1.2：读取模块化处理后的家居平面布置图并进行灰度处理，得到由代表三种不同区域的像素值组成的二维图像数据矩阵，该矩阵的各索引对应家居平面中的各位置点；
步骤1.1.3：设置一个与二维图像数据矩阵维度相同的访问热度矩阵，用0表示最低访问热度，1表示最高访问热度，并设定像素阈值；
步骤1.1.4：根据二维图像数据矩阵中不同点的像素值判断该点是否为可访问点：若二维图像数据矩阵中的点像素值大于像素阈值，则该点为可访问点，否则该点为不可访问点；
步骤1.1.5：对访问热度矩阵赋初始值形成可访问区域基本热度图即可访问区域提取结果，访问热度矩阵中，可访问点的可访问热度为0.5，不可访问点的可访问热度为0；
步骤1.2：热点活动区域访问训练；
根据室内的家居布置结合日常活动划定相应的热点活动区域进行训练，该训练过程指热度积累，即每经过一次访问训练都在得某个区域累积访问热度，越靠近热点活动区域中心的访问热度越高，而热点活动区域边缘则趋于与周边访问热度相同；同时为模拟路径提供起始点和终止点参考；
步骤1.3：模拟路径访问训练；
模拟路径是指在选取的两个家居对象之间模拟创建一条访问路径，每一次模拟路径访问训练都在路径经过的区域积累访问热度；模拟路径经过的中心位置累加热度最大，而两侧靠近模拟路径中心由近到远累加热度值逐渐减少；
步骤1.4：将可访问区域、热点活动区域及模拟路径访问训练结果平滑滤波，形成访问热度地图；
利用核函数产生一个二维的权值矩阵，这个矩阵中所有的权值相加等于1，以可访问区域的某一点、热点活动区域的某一点或模拟路径的某一点为中心，将其周边点同权值矩阵对应起来，则该点的滤波后的访问热度等于其周边点的访问热度同权值相乘的总和，形成访问热度地图；
步骤1.5：将访问热度地图映射到家居平面布置图中，得到家居平面访问热度地图；
步骤1.6：家居平面访问热度地图网格化采样处理，对家居平面访问热度地图进行图像压缩。
所述步骤2.1中PIR传感器可部署空间编码的具体步骤如下：
步骤2.1.1：读取压缩处理后的家居平面访问热度地图并进行灰度处理，得到代表不同区域访问热度的热度采样点组成的二维图像数据矩阵，该矩阵的各个索引对应网格化处理后家居平面访问热度地图中的各个网格点；
步骤2.1.2：设置一个用来存储二维图像数据矩阵索引的PIR传感器可部署空间编码数组，并设定PIR传感器可部署空间像素阈值；
步骤2.1.3：根据二维图像数据矩阵中不同点的像素值判断该点是否为PIR传感器的可部署点：若二维图像数据矩阵中的点的像素值大于像素阈值，则该点为PIR传感器可部署点，否则该点为PIR传感器不可部署点；
步骤2.1.4：PIR传感器可部署点位置存储及编码；
按照根据二维图像数据矩阵的数据读取顺序，将PIR传感器可部署点的索引依次存入PIR传感器可部署空间编码数组，即完成PIR传感器可部署空间编码；PIR传感器可部署空间编码数组的索引值代表PIR传感器可部署点的编码值，PIR传感器可部署空间编码数组的索引对应的数组元素代表该PIR传感器可部署点的位置坐标，PIR传感器可部署空间编码数组的大小代表PIR传感器可部署点的数量。
所述步骤2.2中家居平面访问热度地图中的热度采样点位置编码具体方法是：根据二维图像数据矩阵的数据读取顺序，将家居平面访问热度地图中的热度采样点的索引依次存入热度采样点编码数组，即完成热度采样点编码；热度采样点编码数组的索引值代表热度采样点的编码值，热度采样点编码数组的索引对应的数组元素代表该热度采样点的位置坐标，热度采样点编码数组的大小代表热度采样点的数量。
所述步骤2.3中确定PIR传感器布局的最优目标函数，具体步骤如下：
步骤2.3.1：将热度采样点对应的二维图像数据矩阵中可访问热度区域的像素值范围均匀分段以划分热度等级，采用递减加分策略确定家居平面访问热度地图中每一热度采样点的热度等级，即每被PIR传感器感应区覆盖一次，则热度等级下降一级，且覆盖次数不多于采样点的热度等级；
步骤2.3.2：以热度等级为权值按照得分规则计算所有PIR传感器获得的覆盖得分，并以所有热度采样点的覆盖得分的总分为目标函数；
所述得分规则为每被PIR传感器感应区覆盖一次，则热度等级下降一级，且覆盖次数不多于采样点的热度等级；
步骤2.3.3：根据部署PIR传感器的数量，设置PIR传感器重叠层数阈值：PIR传感器数量少于10时，该阈值设为2，PIR传感器数量大于等于10时，该阈值设为PIR传感器数量的五分之一；
步骤2.3.4：确定PIR传感器布局的最优目标函数、约束条件及惩罚函数；
所述最优目标函数的约束条件为热度采样点被PIR传感器感应区覆盖的次数超过该点热度等级或者超过设置的PIR传感器重叠层数阈值；
所述惩罚函数为热度采样点的热度等级的平方值；
所述约束条件为热度采样点被PIR传感器感应区覆盖的次数超过该点热度等级或者超过设置的PIR传感器重叠层数阈值。
所述步骤2.4中求解PIR传感器布局的最优目标函数采用改进的遗传算法，具体步骤如下：
步骤2.4.1：确定染色体编码方案；
一条染色体个体C代表一种PIR传感器的布局方案，一个染色体个体内含有多个基因g，基因数目为布局的PIR传感器数量，一个基因g表示一个PIR传感器的在室内的二维坐标位置数据[x y]，单个基因g使用整形实数编码，编码取值范围和PIR传感器可部署空间编码范围相同；
步骤2.4.2：设置遗传算法运行参数，包括种群最大繁殖代数和种群大小；
种群最大繁殖代数代表PIR传感器布局优化的总次数；
种群大小代表PIR传感器布局方案的数量；
步骤2.4.3：产生四个初始种群；
随机产生四个维度相同的种群数据矩阵，其中矩阵的行列大小分别代表PIR传感器布局方案数量和PIR传感器部署数量，种群数据矩阵中的元素值代表单个PIR传感器的编码，根据编码值在PIR传感器可部署空间编码数组找到PIR传感器在家居平面访问热度地图中的位置；
步骤2.4.4：进行种群循环进化操作，即对PIR传感器布局方案进行循环优化；
步骤2.4.4.1：计算种群个体的适应度函数值；
按照PIR传感器布局的目标函数依次计算种群数据矩阵中单个PIR传感器布局方案中所有热度采样点的覆盖得分，当覆盖得分大于0时，直接将该得分值作为该PIR传感器布局方案所得的初始适应度函数值，否则用极小实数0.0001作为该PIR传感器布局方案所得的初始适应度函数值；对初始适应度函数值以指数为0.3进行幂函数压缩；
步骤2.4.4.2：根据个体适应度函数值对种群个体进行淘汰选择；
创建四个维度与原种群数据矩阵相同的数据矩阵；在单个种群范围内，以单个PIR传感器布局方案所得的适应度函数值占该种群中所有PIR传感器布局方案所得的适应度函数值之和的比例作为该布局方案的选择概率，使用轮转法选择出与原种群中布局方案数量相同的PIR传感器布局方案存入新的数据矩阵中，并同时记录选择出来的PIR传感器布局方案的适应度函数值；
步骤2.4.4.3：设置一个记录单个种群繁殖过程中最优个体适应度函数值保持代数的变量，即在PIR传感器布局方案循环优化过程中用一个变量记录当前最优布局方案已经出现的次数；
步骤2.4.4.4：设置一个控制种群交叉变异方案的变量阈值：通过判断记录当前最优布局方案已经出现的次数的变量同变量阈值大小关系，决定不同的交叉变异策略；
步骤2.4.4.5：以两个种群为一个地域组，对同地域组内的两个种群进行最优个体交换操作；
在同一地域组内，依据新种群数据矩阵个体PIR传感器布局方案的适应度函数值分别找出两个种群内个体最优个体PIR传感器布局方案和最差个体PIR传感器布局方案，分别将其中一个种群的最差个体用另一个种群的最优个体替代；
步骤2.4.4.6：在单个种群范围内，对种群进行最优保存操作和最差替代操作；
创建一个大小是原种群数据种群五分之一的最优保存数据矩阵，按照新种群数据矩阵个体PIR传感器布局方案的适应度函数值大小选取20％最优个体布局方案存入最优保存数据矩阵，从种群繁殖的第二代开始提取上代的最优保存数据矩阵用于替代当前种群数据中的20％最差PIR传感器布局方案；
步骤2.4.4.7：判断当前种群繁殖代数是否达到种群最大繁殖代数的三分之二：若达到，则对同一地域组的两个种群中分别选择50％最优个体PIR传感器布局方案组成新的种群，并进行步骤2.4.4.8；若超过，则直接进行步骤2.4.4.8；否则再次进行步骤2.4.4.1～2.4.4.7的操作；
步骤2.4.4.8：判断当前种群繁殖代数是否达到种群最大繁殖代数：若达到，则进行步骤2.4.4.9的操作，否则进行步骤2.4.4.1～2.4.4.8的操作；
步骤2.4.4.9：种群进化结束，选取适应度函数最高的个体PIR传感器的布局方案作为PIR传感器的最佳布局策略。
所述步骤2.4.4.4中通过判断记录当前最优布局方案已经出现的次数的变量同变量阈值大小关系，决定不同的交叉变异策略，具体步骤如下：
步骤2.4.4.4.1：根据新种群个体适应度函数值在单个种群范围内对个体进行交叉操作；
创建四个维度与原种群数据矩阵相同的数据矩阵；在单个种群范围内按照个体PIR传感器布局方案的适应度函数值对种群个体进行排序，将种群个体两个为一个体组依次进行分组；判断记录当前最优布局方案已经出现次数的变量是否大于变量阈值：若是，则个体组交叉概率统一设为0.9，否则采用自适应交叉算子作为个体组的交叉概率，即个体组的交叉概率同个体组中较大的个体适应度函数值用正弦函数关联；
个体组的交叉操作采用双点线性交叉，即在个体组内随机选中两个PIR传感器布局方案的染色体的中间编码段，依次对该编码段内的相同编码点的PIR传感器编码进行线性替换，替换后的两个PIR传感器编码取值在原两个PIR传感器编码值之间；交叉操作完成之后，将所有个体存入新的种群数据矩阵；
步骤2.4.4.4.2：计算交叉操作产生的新种群个体的适应度函数值：同步骤2.4.4.1操作；
步骤2.4.4.4.3：根据新种群个体适应度函数值在单个种群范围内对个体进行变异操作；
创建四个维度与原种群数据矩阵相同的数据矩阵；种群个体变异概率统一设为0.5；判断记录当前最优布局方案已经出现次数的变量是否大于变量阈值：若大于，对个体PIR传感器布局方案的PIR传感器编码进行随机变异操作，否则对个体PIR传感器布局方案中的PIR传感器实际位置进行位移变异操作；
随机变异操作：随机选中个体PIR传感器布局方案的染色体编码点，对该点的PIR传感器编码用一个随机产生的在PIR传感器可部署空间编码范围内的实数替代；
位移变异操作：随机选中个体PIR传感器布局方案的染色体编码点，找出该点的PIR传感器编码对应的实际位置，随机选择上下左右四个位移方向，位移幅度用正弦函数同该PIR传感器布局方案的适应度函数值关联；变异操作完成之后，将所有个体存入新的种群数据矩阵；
步骤2.4.4.4.4：计算变异操作产生的新种群个体的适应度函数值：同步骤2.4.4.1操作。
有益效果：
本发明采用被动式红外(PIR)运动传感器，基于其操作对隐私的尊重，即，捕获的唯一信息是在传感器的足迹内运动是否发生。由于对视频监控技术的敏感，这种技术更容易被接受，但这样做主要的好处是低成本的定位精度。提高精度的方法之一是使用大量的传感器与数据融合机制，基于一个特定的传感器的布局的传感器数量(和系统的后续成本)和定位精度之间的权衡，本发明可以估计在部署前阶段候选传感器位置的定位精度，从而实质上消除了人类受试者参与的昂贵的试运行成本。采用改进的遗传算法求解这个问题是因为其相对于其他智能算法拥有更好的全局搜索能力，容易求解存在多个局部最优的问题。
附图说明
图1是本发明具体实施方式的家居平面布置图；
图2是本发明具体实施方式的模块化处理后的家居平面布置图；
图3是本发明具体实施方式的可访问区域基本热度图；
图4是本发明具体实施方式的热点活动区域示意图；
图5是本发明具体实施方式的第一种模拟路径及其训练结果图；
(a)是第一种模拟路径示意图；
(b)是第一种模拟路径训练结果示意图；
图6是本发明具体实施方式的模拟多条路径后的综合训练效果；
图7是本发明具体实施方式的访问热度地图；
图8是本发明具体实施方式的家居平面访问热度地图；
(a)是初始的家居平面访问热度地图；
(b)是简化提取的家居平面访问热度地图；
图9是本发明具体实施方式的将访问热度地图映射到家居平面布置图的实际效果图；
图10是本发明具体实施方式的家居平面访问热度地图网格化采样处理结果图；
(a)是对家居平面访问热度地图处理结果图；
(b)是忽略不可访问区域的网格化处理结果图；
图11是本发明具体实施方式的PIR可部署空间编码示意图；
图12是本发明具体实施方式的整型编码双点交叉操作演示示意图；
图13是本发明具体实施方式的采用改进的遗传算法求解PIR传感器布局的最优目标函数流程图；
图14是本发明具体实施方式中采用几种不同的PIR布局方法所获得适应值对比曲线；
图15是本发明具体实施方式用于人员位置追踪的智能家居中PIR传感器布局方法流程图。
具体实施方式
下面结合附图对本发明的具体实施方式做详细说明。
针对如图1所示的家居平面布置图实施用于人员位置追踪的智能家居中PIR传感器布局方法，该家居环境的平面面积为12×7.2m，墙体厚度为0.2m，厨房的门空间、卫生间的门空间均为0.2×1.0m，其他门的空间占0.2×1.0m，通过计算得到PIR传感器(部署在天花板)可部署的空间为75.12m2。
一种用于人员位置追踪的智能家居中PIR传感器布局方法，如图15所示，包括以下步骤：
步骤1：建立家居平面访问热度地图；
判断智能家居中PIR传感器布局优劣的一个重要评价标准是室内人员对PIR感应覆盖的可步行区域的访问热度，即人员经过或者停留某一地点的频率。因此需要通过获取访问频率来建立一个家居平面访问热度地图，通过对室内可访问区域的处理结合神经网络的学习过程不断更新室内空间的访问热度。
步骤1.1：可访问区域提取；
步骤1.1.1：对家居平面布置图进行模块化处理：将家居、墙体和可访问区域用不同颜色的模块区分；
步骤1.1.2：读取模块化处理后的家居平面布置图并进行灰度处理(如图2所示)，得到由代表三种不同区域的像素值组成的大小为720×1200的二维图像数据矩阵A。
步骤1.1.3：设置一个与二维图像数据矩阵A维度相同的访问热度矩阵Accessibility∈[0,1]，用0表示最低访问热度，1表示最高访问热度，并设定像素阈值为50；
步骤1.1.4：根据二维图像数据矩阵A中不同点的像素值判断该点是否为可访问点：若二维图像数据矩阵A中的点像素值大于像素阈值，则该点为可访问点，否则该点为不可访问点；
根据二维图像数据矩阵A中不同点的像素值判断该点是否为可访问点，并对Accessibility赋初始值。对于不可访问(步行)区域其可访问热度设为0，由于当前还不确定可访问区域的访问频率，因此其可访问热度统一设为0.5，如由式(1)：
步骤1.1.5：对访问热度矩阵赋初始值形成如图3所示的可访问区域基本热度图即可访问区域提取结果，访问热度矩阵中，可访问点的可访问热度为0.5，不可访问点的可访问热度为0；
步骤1.2：热点活动区域访问训练；
根据室内的家居布置结合日常活动划定相应的热点活动区域进行训练，该训练过程指热度积累，即每经过一次访问训练都在得某个区域累积访问热度，越靠近热点活动区域中心的访问热度越高，而热点活动区域边缘则趋于与周边访问热度相同；同时为模拟路径提供起始点和终止点参考；
热点活动区域的划定依赖于几个常见的生活习惯，例如，睡觉会在床前停留，做饭会长时间处在厨房狭小空间，看电视会靠近沙发等。因此先粗略假定几个热点活动区域如图4所示。
步骤1.3：模拟路径访问训练；
模拟路径是指在选取的两个家居对象之间模拟创建一条访问路径，每一次模拟路径访问训练都在路径经过的区域积累访问热度；模拟路径经过的中心位置累加热度最大，而两侧靠近模拟路径中心由近到远累加热度值逐渐减少；
模拟路径的创建首先是确定两个对象，这里的对象指的是家居环境中的相应家居或者特定的位置，例如刚进门处。确定对象之后，两个对象之间的具体路径可以由常见寻路算法A*算法得到。
本实施方式首先创建一条由进门处至厨房的路径，模拟的活动可以是人买菜回来到厨房做饭，第一条模拟路径如图5(a)所示。按照前面介绍的训练原则，在原热点活动区域训练基础上进行路径训练可得到如图5(b)的训练结果，可以看到从进门处到厨房之间的区域访问热度有所增加。
再依次添加由厨房到餐桌之间的路径、主卧室和客房之间的路径、客房到阳台的路径。图6显示的是之后继续添加多条路径后的综合训练效果，可以看作是基本的访问热度地图。寻路算法A*在同样两个对象之间创建的路径不总是一样的，这样就可以在两个对象之间产生更多的近似路径，继而可以增加模拟路径训练次数，这样使访问热度地图更具有代表性。
步骤1.4：将可访问区域、热点活动区域及模拟路径访问训练结果平滑滤波，形成访问热度地图：利用核函数产生一个二维的权值矩阵，这个矩阵中所有的权值相加等于1，以可访问区域的某一点、热点活动区域的某一点或模拟路径的某一点为中心，将其周边点同权值矩阵对应起来，则该点的滤波后的访问热度等于其周边点的访问热度同权值相乘的总和；
考虑到一般人在室内活动时极少会贴着墙壁，因此对于那些靠近墙体的区域(尤其是墙角)来说其实际访问热度是很低的，而提取的可访问区域并没有区分这一地区。对可访问区域的边缘进行滤波相当于平滑处理，滤波器的工作原理是利用核函数产生一个二维的权值矩阵，这个矩阵中所有的权值相加等于1，以可访问区域的某一点为中心，将其周边点同权值矩阵对应起来，则该点的滤波后的访问热度等于其周边点的访问热度同权值相乘的总和。显然靠近墙面的点进行滤波计算时周边会出现0热度的点，这样滤波计算后便会拉低该点的原有的访问热度。考虑身体的直径，本实施方式得到的平滑滤波效果是从离墙面0.2米的地方开始到墙面访问热度逐步降低，而之前获得的数据矩阵每个数据对应实际公寓平面的间隔为1pixel，即0.01m，因此这个滤波过程可以用式(2)来表示：
式中h为核函数产生的41x41的权值矩阵，本实施方式用二维高斯函数产生。
经过高斯滤波后使可步行区域边缘平滑，考虑日常生活中人们会与各种家居接触，排除了靠近家居的可访问区域边缘的滤波；同样的规则应用于热点区域、模拟路径，最终可以得到图7所示的访问热度地图。
步骤1.5：将访问热度地图映射到家居平面布置图中，得到家居平面访问热度地图；
通过以上步骤获得到了一个初步的可访问区域的访问热度图，为了之后PIR布局计算方便，接下来要做的是将这个初步的访问热度地图映射到图2所示的家居平面布置图中。由于在后期计算中，需要在家居平面布置图中不断区分各个区域，图8(a)的家居平面访问热度地图不利于辨认，这里将其进行简化提取如图8(b)所示。
访问热度地图与家居平面布置图的映射过程可以由前面所提到的两个二维矩阵A以及Accessibility变换得到。假设映射后所得家居平面访问热度地图的图像数据矩阵为B，那么由于A中元素是1-255的像素值，而Accessibility中的元素是0-1之间的双精度值，则映射公式可如下：
式中，B(x,y)∈[0,255]，表示向上取整。由于Accessibility仅在可访问区域数值大于0，那么显然矩阵B和矩阵A在家居和墙体区域像素值相同，仅在空白的可步行区域不同。由于矩阵B为灰度像素值，其实际映射效果如图9。为了方便对比图2，可以对图9进行相应的彩色化处理得到最终的家居平面访问热度地图。
步骤1.6：家居平面访问热度地图网格化采样处理，对家居平面访问热度地图进行图像压缩。
对家居平面访问热度地图网格化采样的目的是压缩图像处理的数据量，减少运算时间。由于原来的家居平面访问热度图像矩阵B数据量大小为720×1200，PIR布局设计中作为输入并进行处理会消耗大量的运算时间，而且在实际布局实验当中也很难做到低至0.01m的PIR布置精度，因此对家居平面访问热度地图进行网格化处理。
考虑身体直径，把网格大小设为0.2×0.2m(即20×20pixel)，按照这个比例可以将原家居平面访问热度地图的图像数据矩阵B大小压缩至36×72，用B_compress表示。新图像矩阵的像素B_compress(x,y)的具体取值为对应原矩阵B的网格位置中心位置像素值，可以用式(4)表示：
按照上式对家居平面访问热度地图处理结果如图10(a)所示，图10(b)为忽略不可访问区域的网格化处理结果图。
通过建立家居平面访问热度地图，并对其进行网格化采样，可以获得一个容易处理的家居平面访问热度地图的数据矩阵，该矩阵为确定PIR传感器布局策略提供依据。
步骤2：根据家居平面访问热度地图确定PIR传感器布局策略；
利用改进的遗传算法求解PIR传感器布局策略是为在智能家居中进行人员位置追踪实验提供PIR传感器布局依据。对于PIR最优布局的解释是一定数量的PIR传感器在家居平面中找到最合理的部署位置，而这些位置的合理性则用一些有代表性的评价标准来判定。之所以选取遗传算法求解这个问题是因为其相对于其他智能算法拥有更好的全局搜索能力，容易求解存在多个局部最优的问题。
一般而言，求解PIR传感器布局时需要考虑四个参数(x,y,z,θ)，即PIR传感器在部署空间的横、纵、垂直坐标以及方向角，把求解这些参数问题转换为式(5)：
P＝[x,y,z,θ]T (5)
在本实施方式中PIR传感器部署位置为天花板，假设家居的高度是一定的，则参数z是一个定值。PIR传感器的感应区的方向角θ在参数z值固定的情况下，可以由三角函数转变成PIR传感器在地面所形成的圆形感应区域的半径R。从俯视的角度来看PIR传感器在家居平面中的布局，则求解PIR传感器布局的参数可以转换为(x,y,R)。PIR传感器的感应半径R决定其感应范围，其数值越大则可以获得更大感应区，提高PIR传感器在家居平面内的整体覆盖率，但同时一定程度上降低了定位精度。考虑到家居平面中过道、卫生间、厨房等占地空间狭小，增加R数值到一定程度后受墙壁的阻挡作用，实际上对PIR传感器的覆盖率并无太大提高，却大大降低了传感器的定位精度，因此在初始阶段把PIR传感器的探测半径值统一设为1m。这样由式(5)把求解PIR传感器布局的参数的公式就简化成如式(6)所示：
P＝[x,y]T (6)
步骤2.1：PIR传感器可部署空间编码：根据PIR传感器可部署点的数量和PIR传感器可部署点的位置坐标建立PIR传感器可部署空间编码数组；
对于PIR传感器在家居平面中位置的描述，一般用式(6)的形式，但在PIR传感器布局中考虑到家居平面存在墙体的阻隔，PIR传感器可以部署的空间并不是规则的矩形，这就导致求解PIR传感器坐标(x,y)时取值不连续，增加了算法运行的复杂度。对PIR传感器可部署空间进行编码可以获得一组连续的编码，用来标记家居平面中PIR传感器布局的潜在坐标，这种编码可以排除那些不可部署PIR传感器的墙体空间。已经获得了一个带有热度分布的矩阵B_compress，以此来说明PIR传感器的位置编码规则。
步骤2.1.1：读取压缩处理后的家居平面访问热度地图并进行灰度处理，得到代表不同区域访问热度的热度采样点组成的二维图像数据矩阵，该矩阵的各个索引对应网格化处理后家居平面访问热度地图中的各个网格点；
步骤2.1.2：设置一个用来存储二维图像数据矩阵索引的PIR传感器可部署空间编码数组，并设定PIR传感器可部署空间像素阈值；
步骤2.1.3：根据二维图像数据矩阵中不同点的像素值判断该点是否为PIR传感器的可部署点：若二维图像数据矩阵中的点的像素值大于像素阈值，则该点为PIR传感器可部署点，否则该点为PIR传感器不可部署点；
步骤2.1.4：PIR传感器可部署点位置存储及编码；
按照根据二维图像数据矩阵的数据读取顺序，将PIR传感器可部署点的索引依次存入PIR传感器可部署空间编码数组，即完成PIR传感器可部署空间编码；PIR传感器可部署空间编码数组的索引值代表PIR传感器可部署点的编码值，PIR传感器可部署空间编码数组的索引对应的数组元素代表该PIR传感器可部署点的位置坐标，PIR传感器可部署空间编码数组的大小代表PIR传感器可部署点的数量。
如图11所示，选取家居平面中的厨房来演示可部署空间编码规则。图中的小格和图像矩阵B_compress中的元素的是一一对应的，即判断小格是否处于PIR可部署区域就是对矩阵B_compress中的元素进行逐个判断，当B_compress(x,y)满足一定条件时，就把这时的矩阵索引(x,y)记录下来并给予编号。这里的判定条件可以根据矩阵B_compress的元素特点来确定。由于矩阵B_compress中对应家居平面热度地图的元素有三类，一类是墙体，元素值为0，另一类是家居区域，元素值为29，而其他则是元素值大于29的可访问热度区域。在家居天花板部署PIR传感器时，只有墙体对其有影响，因此通过判断矩阵B_compress中元素是否大于0，就可以快速找到PIR可部署区域并给予标记。找出可部署PIR区域的坐标的映射关系如下：
B_compress(x,y)＞0→Code(i)＝[xi,yi] (7)
式中i∈[1,N_code]为坐标的整型编码标号，其中N_code表示家居平面中可部署PIR传感器区域的总采样点数。
由于Code记录了所有编码对应的坐标，确定一个编码值g便可以在Code中找到该编码值所对应的实际坐标，其对应关系为g→Code(g)→(x,y)，因此原有的求解PIR传感器布局的参数的公式简化如下：
P＝[g]T (8)
式中g∈[1,N_code]，读取可部署PIR区域的总采样点数N_code＝1878。
步骤2.2：家居平面访问热度地图中的热度采样点位置编码：根据家居平面访问热度地图中热度采样点在PIR传感器可部署空间编码数组中的编码值、热度采样点的位置坐标、热度采样点的数量，建立热度采样点编码数组；
家居平面访问热度地图中的热度采样点位置编码具体方法是：根据二维图像数据矩阵的数据读取顺序，将家居平面访问热度地图中的热度采样点的索引依次存入热度采样点编码数组，即完成热度采样点编码；热度采样点编码数组的索引值代表热度采样点的编码值，热度采样点编码数组的索引对应的数组元素代表该热度采样点的位置坐标，热度采样点编码数组的大小代表热度采样点的数量。
步骤2.3：确定PIR传感器布局的最优目标函数：以热度等级为权值按照得分规则计算所有PIR传感器获得的覆盖得分，以所有热度采样点的覆盖得分的总分最高为最优目标函数；
确定PIR传感器布局的最优目标函数的具体步骤如下：
步骤2.3.1：将热度采样点对应的二维图像数据矩阵中可访问热度区域的像素值范围均匀分段以划分热度等级，采用递减加分策略确定家居平面访问热度地图中每一热度采样点的热度等级，即每被PIR传感器感应区覆盖一次，则热度等级下降一级，且覆盖次数不多于采样点的热度等级；
为了确定PIR传感器具体的最优部署位置，需要目标函数来判断PIR部署在不同位置的优劣。在本实施方式中，可以利用的输入信息是家居平面访问热度地图，即热度图像矩阵B_compress。以矩阵B_compress作为家居平面访问热度地图的采样集合，首先按照矩阵中对应的可访问热度区域的像素值范围(根据matlab读取的热度区域像素值范围取为100～220)均匀分段，确定每一热度采样点的热度等级，以简化运算时的热度数值差异。由于只有可访问区域有访问热度，为了减少数据量，对该区域的坐标也采用类似PIR传感器可部署空间编码的方式进行编码，编码完成之后获得的最终的热度采样点数为N_heat。假设所分热度层数为S，则对热度采样点的等级划分可以表示为如式(9)：
式中i∈[1,N_heat]表示热度采样点的编码标号，数值120表示热度采样点区域的像素范围的上限，数值100表示像素范围的下限。
步骤2.3.2：以热度等级为权值按照得分规则计算所有PIR传感器获得的覆盖得分，并以所有热度采样点的覆盖得分的总分为目标函数；
当每一个热度采样点的热度等级确定之后，可以进一步以此为权值按照一定的规则计算所有PIR传感器获得的覆盖得分，并以此为目标函数G；所述得分规则为每被PIR传感器感应区覆盖一次，则热度等级下降一级，且覆盖次数不多于采样点的热度等级。
步骤2.3.3：根据部署PIR传感器的数量，设置PIR传感器重叠层数阈值：PIR传感器数量少于10时，该阈值设为2，PIR传感器数量大于等于10时，该阈值设为PIR传感器数量的五分之一；
步骤2.3.4：确定PIR传感器布局的最优目标函数、约束条件及惩罚函数；
所述最优目标函数的约束条件为热度采样点被PIR传感器感应区覆盖的次数超过该点热度等级或者超过设置的PIR传感器重叠层数阈值；
所述惩罚函数为热度采样点的热度等级的平方值；
所述约束条件为热度采样点被PIR传感器感应区覆盖的次数超过该点热度等级或者超过设置的PIR传感器重叠层数阈值。
为了加大不同热度采样点的覆盖得分差距以便于确定PIR传感器最适应布局位置，将覆盖得分作平方处理。假设在整个家居空间放置了N_sen个PIR传感器，那么根据设定的得分规则得到的目标函数如式(10)：
式中，N_heat表示热度采样点总数，N_cover(i)为第i个热度采样点上覆盖的PIR传感器总数，H_rank(i)为第i个热度采样点的热度等级。
由以上PIR传感器布局得分规则可知，满足式(10)的条件是热度采样点覆盖PIR传感器的总数小于该点的热度等级。但是以遗传算法的特点来看，个体进化的随机性以及并行性导致多个PIR传感器感应区域重叠的概率比较大，因此需有一种约束条件来使多层重叠区域的PIR传感器趋于分离。直接的约束条件是加上覆盖层数over约束，即当某一热度采样点的覆盖的PIR传感器个数超过指定的约束覆盖层数over时，便进行约束惩罚。结合式(10)，当某一热度采样点的覆盖PIR传感器个数超过该热度采样点的热度等级时，同样进行约束惩罚，相当于这两个约束条件任何一个满足时都可通过惩罚来约束。惩罚函数用该热度采样点的热度等级的平方值来表示，同时加上系数k适时调整惩罚力度。因此最终的目标函数如式(11)所示：
式中惩罚系数k由仿真实验结果控制，当覆盖重叠情况严重时，可通过调高惩罚系数增加惩罚力度。之所以增加覆盖层数over这一项约束，是为了细分热度等级H_rank且通过平方处理拉大等级得分差距之后，PIR传感器覆盖于高等级区域的得分值抵消惩罚的能力更强，即多个PIR传感器重叠覆盖于高等级热度区域的能力更强。over的取值设为2。
通过以上参数化处理过程，最终可以将求解PIR传感器最优布局的问题转换为便于计算的数学模型，即以目标函数值最大化寻找PIR传感器最优布局位置：
步骤2.4：求解PIR传感器布局的最优目标函数，得到PIR传感器布局策略，包括PIR传感器的个数和布局位置；
遗传算法在求解问题时一般需要较大的计算量，收敛速度较慢，而且由于受到超级个体(超级个体指其适应值大大超过群体平均适应值的个体)的影响容易陷入局部极大值发生过早收敛的现象。在过早收敛搜索过程的后期，群体的平均适应值可能接近群体的超级个体的适应值，群体已经不再具有竞争力，搜索范围变小，从而出现停滞现象。为了进一步提高算法的效率，因此本实施方式采用改进的遗传算法求解PIR传感器布局的最优目标函数，其流程图如图13所示，具体步骤如下：
步骤2.4.1：确定染色体编码方案；
一条染色体个体C代表一种PIR传感器的布局方案，一个染色体个体内含有多个基因g，基因数目为布局的PIR传感器数量，一个基因g表示一个PIR传感器的在室内的二维坐标位置数据[x y]。
基本遗传算法编码过程使用二进制编码虽然更加接近染色体交叉变异规律，但当个体特征比较多的情况时，这种编码方式将导致染色体长度扩展严重，增加算法实际运行的复杂度。针对PIR传感器布局特点，采用整型实数染色体编码方案。求解PIR的布局位置[x,y]T已经转换为求解其位置编码[g]T，单个基因g使用整型实数编码，编码取值范围和PIR传感器可部署空间编码范围相同，本实施方式中g∈[1,1878]。因为PIR传感器部署数量为N_sen，而通过基因的映射关系g→Code(g)→(x,y)可知单个基因只能得到一个PIR传感器的坐标数据，因此染色体编码长度L应该和PIR传感器部署数量相同，即L＝N_sen。确定染色体的各个参数之后，可得到个体染色体结构如式(13)所示：
C＝[g1g2g3g4···gL] (13)
步骤2.4.2：设置遗传算法运行参数，包括种群最大繁殖代数和种群大小；
种群最大繁殖代数代表PIR传感器布局优化的总次数；
种群大小代表PIR传感器布局方案的数量；
步骤2.4.3：产生四个初始种群；
随机产生四个维度相同的种群数据矩阵，其中矩阵的行列大小分别代表PIR传感器布局方案数量和PIR传感器部署数量，种群数据矩阵中的元素值代表单个PIR传感器的编码，根据编码值在PIR传感器可部署空间编码数组找到PIR传感器在家居平面访问热度地图中的位置；
本实施方式中改进的遗传算法初始参数设置见表1：
表1 初始参数
步骤2.4.4：进行种群循环进化操作，即对PIR传感器布局方案进行循环优化；
步骤2.4.4.1：计算种群个体的适应度函数值；
按照PIR传感器布局的目标函数依次计算种群数据矩阵中单个PIR传感器布局方案中所有热度采样点的覆盖得分，当覆盖得分大于0时，直接将该得分值作为该PIR传感器布局方案所得的初始适应度函数值，否则用极小实数0.0001作为该PIR传感器布局方案所得的初始适应度函数值；对初始适应度函数值以指数为0.3进行幂函数压缩；
基本适应度函数fitness取决于目标函数G。由式(12)可知所求目标函数的目标值是最大值，因此将目标函数直接作为适应度函数使用，但同时为了避免在选择操作中适应度函数和为0(除数不为0)，其关系可表示如下：
其中finitial即为初始适应度函数。由于PIR传感器部署方案存在较多局部最优的情况，因此为了避免种群进化的早熟现象，需要提高种群中次优个体被选择的机会以保持种群的多样性，对适应度函数进行幂函数压缩，具体是：
式中指数即压缩的尺度，根据早熟程度取f为最终确定的适应度函数。
步骤2.4.4.2：根据个体适应度函数值对种群个体进行淘汰选择；
创建四个维度与原种群数据矩阵相同的数据矩阵；在单个种群范围内，以单个PIR传感器布局方案所得的适应度函数值占该种群中所有PIR传感器布局方案所得的适应度函数值之和的比例作为该布局方案的选择概率，使用轮转法选择出与原种群中布局方案数量相同的PIR传感器布局方案存入新的数据矩阵中，并同时记录选择出来的PIR传感器布局方案的适应度函数值；
步骤2.4.4.3：设置一个记录单个种群繁殖过程中最优个体适应度函数值保持代数的变量，即在PIR传感器布局方案循环优化过程中用一个变量记录当前最优布局方案已经出现的次数；
步骤2.4.4.4：设置一个控制种群交叉变异方案的变量阈值：通过判断记录当前最优布局方案已经出现的次数的变量同变量阈值大小关系，决定不同的交叉变异策略；
步骤2.4.4.4.1：根据新种群个体适应度函数值在单个种群范围内对个体进行交叉操作；
创建四个维度与原种群数据矩阵相同的数据矩阵；在单个种群范围内按照个体PIR传感器布局方案的适应度函数值对种群个体进行排序，将种群个体两个为一个体组依次进行分组；判断记录当前最优布局方案已经出现次数的变量是否大于变量阈值：若是，则个体组交叉概率统一设为0.9，否则采用自适应交叉算子作为个体组的交叉概率，即个体组的交叉概率同个体组中较大的个体适应度函数值用正弦函数关联；
个体组的交叉操作采用双点线性交叉，即在个体组内随机选中两个PIR传感器布局方案的染色体的中间编码段，依次对该编码段内的相同编码点的PIR传感器编码进行线性替换，替换后的两个PIR传感器编码取值在原两个PIR传感器编码值之间；交叉操作完成之后，将所有个体存入新的种群数据矩阵；
采用二进制编码在交叉操作时，通过互换父代基因后，解码可以得到新的实数。根据这一原理，若采用整型实数简单模仿二进制编码的单点模仿，则不能产生新的实数，将限制了子代个体搜索范围。这里采用双点线性交叉策略，即选取父代个体染色体的随机两点，将两点之间的基因进行线性变换如式(16)：
其中gi、gj表示两个父本交叉点间基因，gs、gd表示交叉产生的子代个体基因，a为随机产生的0-1之间的数，[[ ]]表示圆整操作(四舍五入)以满足整型编码要求。根据式(16)给出一个简单的交叉演示如图12所示。不难发现这种线性交叉操作把交叉点子代基因变换为父代基因之间的编码数。此方法可以产生父本交叉点基因值之间的新基因值，以提高种群进化效率。
基本遗传算法交叉策略中交叉率Pc值固定不变，这不利于种群个体的最优保存与最差淘汰。因此传统的自适应遗传算法采用类似于式(17)的模式自适应调整交叉概率：
式中系数k1＝1.0，k2＝1.0，fmax表示种群中个体的最大适应度，favg表示种群中个体的平均适应度，f'表示交叉操作的两个个体中适应度较大值，Pc表示表示调整后的交叉概率；选取正弦函数的目的是使个体高于平均适应度的较优个体有一定概率以跳出局部最优，同时可保存最优个体。由于算法在之后的进化过程中单独使用了最优保存策略，所以在交叉操作中对最优保存的要求可以降低，为了对处于近优状态的个体拥有更高的交叉概率，以此针对式(17)做了适当调整如下：
根据经验值，式中系数pc1＝0.1，pc2＝0.9。
本实施方式还添加了一个表示种群最优个体保持时间(繁殖代数)的变量repnum进一步调整交叉策略。针对种群不同繁殖时期的特点，为了方便灵活调节交叉操作，首先设置一个与当前繁殖代数相关的阈值th如式(19)所示：
式中Mgen表示种群繁殖的最大代数，gen为当前繁殖进行到的代数，以Mgen/20为阈值幅度调整系数。采用正弦函数的特点是保证初始繁殖时期这个阈值较小，而后期保持较大。确定这两个值后，通过比较变量repnum与阈值的大小关系，当种群繁殖过程长期出现同一最优个体时统一采用较大交叉概率跳出局部最优，当种群繁殖过程中新产生一个最优值是则根据个体适应度大小调整交叉策略。根据以上调整思想所得最终的交叉算子如下：
步骤2.4.4.4.2：计算交叉操作产生的新种群个体的适应度函数值：同步骤2.4.4.1操作；
步骤2.4.4.4.3：根据新种群个体适应度函数值在单个种群范围内对个体进行变异操作；
创建四个维度与原种群数据矩阵相同的数据矩阵；种群个体变异概率统一设为0.5；判断记录当前最优布局方案已经出现次数的变量是否大于变量阈值：若大于，对个体PIR传感器布局方案的PIR传感器编码进行随机变异操作，否则对个体PIR传感器布局方案中的PIR传感器实际位置进行位移变异操作；
随机变异操作：随机选中个体PIR传感器布局方案的染色体编码点，对该点的PIR传感器编码用一个随机产生的在PIR传感器可部署空间编码范围内的实数替代；
位移变异操作：随机选中个体PIR传感器布局方案的染色体编码点，找出该点的PIR传感器编码对应的实际位置，随机选择上下左右四个位移方向，位移幅度用正弦函数同该PIR传感器布局方案的适应度函数值关联；变异操作完成之后，将所有个体存入新的种群数据矩阵；
传统的二进制编码的变异是将某个位置的基因进行0-1互换，而相应的实数编码则是将某个位置的基因在编码范围内进行随机取值。在实时编码范围较大的情况下，实数值的随机变异可以提高全局搜索近优区的能力，但很难从近优区找到最优区。因此根据PIR传感器布局问题的特点，采用区别于编码变异的坐标变异策略，即对随机选中的个体实数基因所代表的实际坐标进行位移，位移方向随机选为上下左右，位移幅度以个体适应度为尺度，适应度越高则位移幅度越小，反之位移幅度越大。根据这些变异特点设置一个类似于自适应交叉算子的自适应变异幅度调整算子如式(21)：
式中fmin为群体个体最小适应度值，pm1＝0.5为种群个体变异概率，pm只对基因变异幅度起作用，其关系如下：
Step＝[[(b·pm·l)+1]] (22)
式中Step即表示位移幅度，b为随机产生的0-1之间的数，l表示坐标位移的范围长度，§¨用作消除小数(因为这里的坐标值为整型)，最后加1值表示位移幅度至少为1。
以上调整可以有效提高个体从近优区找到最优区，但当种群陷入距离全局最优区较远的局部最优，这些调整不利于种群跳出局部最优，因此利用变量repnum来初步预测种群是否陷入局部最优。当种群最优个体持续数代未变时，此时种群陷入局部最优(也有可能是全局最优，最优保存策略可以保存此时最优个体)概率较大，此时需要提高种群的搜索能力。因此，当repnum≤th时进行自适应位移变异，当repnum＞th时进行实数随机变异，个体变异概率不变(Pm＝pm1)。
步骤2.4.4.4.4：计算变异操作产生的新种群个体的适应度函数值：同步骤2.4.4.1操作。
步骤2.4.4.5：以两个种群为一个地域组，对同地域组内的两个种群进行最优个体交换操作；
在同一地域组内，依据新种群数据矩阵个体PIR传感器布局方案的适应度函数值分别找出两个种群内个体最优个体PIR传感器布局方案和最差个体PIR传感器布局方案，分别将其中一个种群的最差个体用另一个种群的最优个体替代；
步骤2.4.4.6：在单个种群范围内，对种群进行最优保存操作和最差替代操作；
创建一个大小是原种群数据种群五分之一的最优保存数据矩阵，按照新种群数据矩阵个体PIR传感器布局方案的适应度函数值大小选取20％最优个体布局方案存入最优保存数据矩阵，从种群繁殖的第二代开始提取上代的最优保存数据矩阵用于替代当前种群数据中的20％最差PIR传感器布局方案；
最优保存操作包括保存和替换两步，即保存父代(上一代)种群的一部分最优个体，替换子代(当代)同样数量的最差个体。通过适当数量的最优保存的可以保证种群进化过程中不至于遗失最优个体，同时扩展次优个体在种群中的数量，提高种群进化稳定性。
步骤2.4.4.7：判断当前种群繁殖代数是否达到种群最大繁殖代数的三分之二：若达到，则对同一地域组的两个种群中分别选择50％最优个体PIR传感器布局方案组成新的种群，并进行步骤2.4.4.8；若超过，则直接进行步骤2.4.4.8；否则再次进行步骤2.4.4.1～2.4.4.7的操作；
步骤2.4.4.8：判断当前种群繁殖代数是否达到种群最大繁殖代数：若达到，则进行步骤2.4.4.9的操作，否则进行步骤2.4.4.1～2.4.4.8的操作；
步骤2.4.4.9：种群进化结束，选取适应度函数最高的个体PIR传感器的布局方案作为PIR传感器的最佳布局策略。
本实施方式针对不同PIR传感器数量时确定PIR传感器的最佳布局策略，见表2：
表2：PIR数量不同时最佳值布局
在求PIR传感器最优布局的过程中，对布局性能的评价还需要考虑的是PIR传感器感应区的覆盖率和重叠率。在PIR传感器数量较少时，首先得考虑的就是其覆盖率，覆盖率越大探测到人的机会就越大。但是考虑到适当重叠可以将PIR感应区划为更多分区从而提高定位精度，因此当PIR传感器数量足够时一个理想的布局必定拥有合适的重叠率。合理的重叠表现为两个PIR传感器感应区域中心距离趋于其半径长，超过半径属于重叠过度，这种重叠不利于定位精度。
通过PIR传感器数量不同时的坐标数据，分别计算各个布局情况下的最大覆盖率、实际覆盖率、重叠率以及过度重叠率。把最大覆盖率定义为当前PIR传感器数量条件下不重叠布局时总感应区占可部署区域面积的比例，而实际覆盖率则指实际所求得PIR传感器感应区占可部署区域面积的比例，重叠率指的是布局中总的重叠区域占实际PIR传感器感应区总面积的比例，过度重叠率用来表示重叠区域中心宽度超过PIR感应半径的重叠区域占实际PIR传感器感应区总面积的比例。本实施方式中S＝6。PIR数量不同时，最优布局的各项评价指标见表3：
表3：PIR数量不同时，最优布局的各项评价指标
从表3中的数据可以看出，当PIR传感器数量小于8时重叠率较小，没有出现过度重叠的现象。这表明PIR传感器数量较少时重叠程度较低，符合覆盖率优先的原则，即当PIR传感器数量较少时更希望拥有较多的感应范围。当PIR传感器数量为8、9、10的时候，重叠率和过度重叠率相对稳定，这时候以实际覆盖率为标准选择PIR数量为10的结果作为较优结果。当PIR传感器数量增加到11时，所获得的布局实际覆盖率增加不多并且过度重叠率较高，同PIR传感器数量为10的结果相比较其所能提高定位精度的空间并不大，因此，本实施方式以PIR传感器数量为10时的最优布局作为最佳布局。
步骤3：根据PIR传感器布局策略在家居环境内进行PIR传感器布局，并进行室内人员位置追踪。
为验证本发明方法的有效性，分别利用本发明方法智能查找PIR的全局最优布局、用贪心算法来代替手动操作查找PIR的全局最优布局(该算法过程比较符合人们的手动操作思维，即按先后顺序依次查找单个PIR的最佳位置)和随机选取平面中的若干位置作为PIR的布局位置。
在对目标的评价标准不变的前提下，如图14所示，统计三种布局方式分别在PIR数量为2～10时所获得适应度值，通过比较分析其优劣。
从图14适应度曲线图中可以看出，随机选择对于求最优PIR布局来说所效果并不理想，且相对于贪心算法和本发明方法的遗传算法来说非常不稳定。用贪心算法来代替手动操作比实际手动布置寻找最大化覆盖的最优布局更为精确，但同本发明方法上午遗传算法求最优布局的结果比较后证明这种手动布局的思想所获得的布局得分并不理想。综合比较来说，随着布置的PIR传感器数量的增加，利用本发明方法的遗传算法求解全局最优解的优势越明显。

Claims (6)

1.一种用于人员位置追踪的智能家居中PIR传感器布局方法，包括以下步骤：
步骤1：建立家居平面访问热度地图；
步骤2：根据家居平面访问热度地图确定PIR传感器布局策略；
步骤2.1：PIR传感器可部署空间编码：根据PIR传感器可部署点的数量和PIR传感器可部署点的位置坐标建立PIR传感器可部署空间编码数组；
步骤2.2：家居平面访问热度地图中的热度采样点位置编码：根据家居平面访问热度地图中热度采样点在PIR传感器可部署空间编码数组中的编码值、热度采样点的位置坐标、热度采样点的数量，建立热度采样点编码数组；
步骤2.3：确定PIR传感器布局的最优目标函数：以热度等级为权值按照得分规则计算所有PIR传感器获得的覆盖得分，以所有热度采样点的覆盖得分的总分最高为最优目标函数；
所述得分规则为每被PIR传感器感应区覆盖一次，则热度等级下降一级，且覆盖次数不多于采样点的热度等级；
所述最优目标函数的约束条件为热度采样点被PIR传感器感应区覆盖的次数超过该点热度等级或者超过设置的PIR传感器重叠层数阈值；
步骤2.4：求解PIR传感器布局的最优目标函数，得到PIR传感器布局策略，包括PIR传感器的个数和布局位置；
步骤3：根据PIR传感器布局策略在家居环境内进行PIR传感器布局，并进行室内人员位置追踪；
其特征在于，所述步骤2.4中求解PIR传感器布局的最优目标函数采用改进的遗传算法，具体步骤如下：
步骤2.4.1：确定染色体编码方案；
一条染色体个体C代表一种PIR传感器的布局方案，一个染色体个体内含有多个基因g，基因数目为布局的PIR传感器数量，一个基因g表示一个PIR传感器的在室内的二维坐标位置数据[x y]，单个基因g使用整形实数编码，编码取值范围和PIR传感器可部署空间编码范围相同；
步骤2.4.2：设置遗传算法运行参数，包括种群最大繁殖代数和种群大小；
种群最大繁殖代数代表PIR传感器布局优化的总次数；
种群大小代表PIR传感器布局方案的数量；
步骤2.4.3：产生四个初始种群；
随机产生四个维度相同的种群数据矩阵，其中矩阵的行列大小分别代表PIR传感器布局方案数量和PIR传感器部署数量，种群数据矩阵中的元素值代表单个PIR传感器的编码，根据编码值在PIR传感器可部署空间编码数组找到PIR传感器在家居平面访问热度地图中的位置；
步骤2.4.4：进行种群循环进化操作，即对PIR传感器布局方案进行循环优化；
步骤2.4.4.1：计算种群个体的适应度函数值；
按照PIR传感器布局的目标函数依次计算种群数据矩阵中单个PIR传感器布局方案中所有热度采样点的覆盖得分，当覆盖得分大于0时，直接将该得分值作为该PIR传感器布局方案所得的初始适应度函数值，否则用极小实数0.0001作为该PIR传感器布局方案所得的初始适应度函数值；对初始适应度函数值以指数为0.3进行幂函数压缩；
步骤2.4.4.2：根据个体适应度函数值对种群个体进行淘汰选择；
创建四个维度与原种群数据矩阵相同的数据矩阵；在单个种群范围内，以单个PIR传感器布局方案所得的适应度函数值占该种群中所有PIR传感器布局方案所得的适应度函数值之和的比例作为该布局方案的选择概率，使用轮转法选择出与原种群中布局方案数量相同的PIR传感器布局方案存入新的数据矩阵中，并同时记录选择出来的PIR传感器布局方案的适应度函数值；
步骤2.4.4.3：设置一个记录单个种群繁殖过程中最优个体适应度函数值保持代数的变量，即在PIR传感器布局方案循环优化过程中用一个变量记录当前最优布局方案已经出现的次数；
步骤2.4.4.4：设置一个控制种群交叉变异方案的变量阈值：通过判断记录当前最优布局方案已经出现的次数的变量同变量阈值大小关系，决定不同的交叉变异策略；
步骤2.4.4.5：以两个种群为一个地域组，对同地域组内的两个种群进行最优个体交换操作；
在同一地域组内，依据新种群数据矩阵个体PIR传感器布局方案的适应度函数值分别找出两个种群内个体最优个体PIR传感器布局方案和最差个体PIR传感器布局方案，分别将其中一个种群的最差个体用另一个种群的最优个体替代；
步骤2.4.4.6：在单个种群范围内，对种群进行最优保存操作和最差替代操作；
创建一个大小是原种群数据种群五分之一的最优保存数据矩阵，按照新种群数据矩阵个体PIR传感器布局方案的适应度函数值大小选取20%最优个体布局方案存入最优保存数据矩阵，从种群繁殖的第二代开始提取上代的最优保存数据矩阵用于替代当前种群数据中的20%最差PIR传感器布局方案；
步骤2.4.4.7：判断当前种群繁殖代数是否达到种群最大繁殖代数的三分之二：若达到，则对同一地域组的两个种群中分别选择50%最优个体PIR传感器布局方案组成新的种群，并进行步骤2.4.4.8；若超过，则直接进行步骤2.4.4.8；否则再次进行步骤2.4.4.1~2.4.4.7的操作；
步骤2.4.4.8：判断当前种群繁殖代数是否达到种群最大繁殖代数：若达到，则进行步骤2.4.4.9的操作，否则进行步骤2.4.4.1~2.4.4.8的操作；
步骤2.4.4.9：种群进化结束，选取适应度函数最高的个体PIR传感器的布局方案作为PIR传感器的最佳布局策略。
2.根据权利要求1所述的用于人员位置追踪的智能家居中PIR传感器布局方法，其特征在于，所述步骤1建立家居平面访问热度地图按如下步骤进行：
步骤1.1：可访问区域提取；
步骤1.1.1：对家居平面布置图进行模块化处理：将家居、墙体和可访问区域用不同颜色的模块区分；
步骤1.1.2：读取模块化处理后的家居平面布置图并进行灰度处理，得到由代表三种不同区域的像素值组成的二维图像数据矩阵，该矩阵的各索引对应家居平面中的各位置点；
步骤1.1.3：设置一个与二维图像数据矩阵维度相同的访问热度矩阵，用0表示最低访问热度，1表示最高访问热度，并设定像素阈值；
步骤1.1.4：根据二维图像数据矩阵中不同点的像素值判断该点是否为可访问点：若二维图像数据矩阵中的点像素值大于像素阈值，则该点为可访问点，否则该点为不可访问点；
步骤1.1.5：对访问热度矩阵赋初始值形成可访问区域基本热度图即可访问区域提取结果，访问热度矩阵中，可访问点的可访问热度为0.5，不可访问点的可访问热度为0；
步骤1.2：热点活动区域访问训练；
根据室内的家居布置结合日常活动划定相应的热点活动区域进行训练，该训练过程指热度积累，即每经过一次访问训练都在得某个区域累积访问热度，越靠近热点活动区域中心的访问热度越高，而热点活动区域边缘则趋于与周边访问热度相同；同时为模拟路径提供起始点和终止点参考；
步骤1.3：模拟路径访问训练；
模拟路径是指在选取的两个家居对象之间模拟创建一条访问路径，每一次模拟路径访问训练都在路径经过的区域积累访问热度；模拟路径经过的中心位置累加热度最大，而两侧靠近模拟路径中心由近到远累加热度值逐渐减少；
步骤1.4：将可访问区域、热点活动区域及模拟路径访问训练结果平滑滤波，形成访问热度地图；
利用核函数产生一个二维的权值矩阵，这个矩阵中所有的权值相加等于1，以可访问区域的某一点、热点活动区域的某一点或模拟路径的某一点为中心，将其周边点同权值矩阵对应起来，则该点的滤波后的访问热度等于其周边点的访问热度同权值相乘的总和，形成访问热度地图；
步骤1.5：将访问热度地图映射到家居平面布置图中，得到家居平面访问热度地图；
步骤1.6：家居平面访问热度地图网格化采样处理，对家居平面访问热度地图进行图像压缩。
3.根据权利要求1所述的用于人员位置追踪的智能家居中PIR传感器布局方法，其特征在于，所述步骤2.1中PIR传感器可部署空间编码的具体步骤如下：
步骤2.1.1：读取压缩处理后的家居平面访问热度地图并进行灰度处理，得到代表不同区域访问热度的热度采样点组成的二维图像数据矩阵，该矩阵的各个索引对应网格化处理后家居平面访问热度地图中的各个网格点；
步骤2.1.2：设置一个用来存储二维图像数据矩阵索引的PIR传感器可部署空间编码数组，并设定PIR传感器可部署空间像素阈值；
步骤2.1.3：根据二维图像数据矩阵中不同点的像素值判断该点是否为PIR传感器的可部署点：若二维图像数据矩阵中的点的像素值大于像素阈值，则该点为PIR传感器可部署点，否则该点为PIR传感器不可部署点；
步骤2.1.4：PIR传感器可部署点位置存储及编码；
按照根据二维图像数据矩阵的数据读取顺序，将PIR传感器可部署点的索引依次存入PIR传感器可部署空间编码数组，即完成PIR传感器可部署空间编码；PIR传感器可部署空间编码数组的索引值代表PIR传感器可部署点的编码值，PIR传感器可部署空间编码数组的索引对应的数组元素代表该PIR传感器可部署点的位置坐标，PIR传感器可部署空间编码数组的大小代表PIR传感器可部署点的数量。
4.根据权利要求1所述的用于人员位置追踪的智能家居中PIR传感器布局方法，其特征在于，所述步骤2.2中家居平面访问热度地图中的热度采样点位置编码具体方法是：根据二维图像数据矩阵的数据读取顺序，将家居平面访问热度地图中的热度采样点的索引依次存入热度采样点编码数组，即完成热度采样点编码；热度采样点编码数组的索引值代表热度采样点的编码值，热度采样点编码数组的索引对应的数组元素代表该热度采样点的位置坐标，热度采样点编码数组的大小代表热度采样点的数量。
5.根据权利要求1所述的用于人员位置追踪的智能家居中PIR传感器布局方法，其特征在于，所述步骤2.3中确定PIR传感器布局的最优目标函数，具体步骤如下：
步骤2.3.1：将热度采样点对应的二维图像数据矩阵中可访问热度区域的像素值范围均匀分段以划分热度等级，采用递减加分策略确定家居平面访问热度地图中每一热度采样点的热度等级，即每被PIR传感器感应区覆盖一次，则热度等级下降一级，且覆盖次数不多于采样点的热度等级；
步骤2.3.2：以热度等级为权值按照得分规则计算所有PIR传感器获得的覆盖得分，并以所有热度采样点的覆盖得分的总分为目标函数；
所述得分规则为每被PIR传感器感应区覆盖一次，则热度等级下降一级，且覆盖次数不多于采样点的热度等级；
步骤2.3.3：根据部署PIR传感器的数量，设置PIR传感器重叠层数阈值：PIR传感器数量少于10时，该阈值设为2，PIR传感器数量大于等于10时，该阈值设为PIR传感器数量的五分之一；
步骤2.3.4：确定PIR传感器布局的最优目标函数、约束条件及惩罚函数；
所述最优目标函数的约束条件为热度采样点被PIR传感器感应区覆盖的次数超过该点热度等级或者超过设置的PIR传感器重叠层数阈值；
所述惩罚函数为热度采样点的热度等级的平方值；
所述约束条件为热度采样点被PIR传感器感应区覆盖的次数超过该点热度等级或者超过设置的PIR传感器重叠层数阈值。
6.根据权利要求1所述的用于人员位置追踪的智能家居中PIR传感器布局方法，其特征在于，所述步骤2.4.4.4中通过判断记录当前最优布局方案已经出现的次数的变量同变量阈值大小关系，决定不同的交叉变异策略，具体步骤如下：
步骤2.4.4.4.1：根据新种群个体适应度函数值在单个种群范围内对个体进行交叉操作；
创建四个维度与原种群数据矩阵相同的数据矩阵；在单个种群范围内按照个体PIR传感器布局方案的适应度函数值对种群个体进行排序，将种群个体两个为一个体组依次进行分组；判断记录当前最优布局方案已经出现次数的变量是否大于变量阈值：若是，则个体组交叉概率统一设为0.9，否则采用自适应交叉算子作为个体组的交叉概率，即个体组的交叉概率同个体组中较大的个体适应度函数值用正弦函数关联；
个体组的交叉操作采用双点线性交叉，即在个体组内随机选中两个PIR传感器布局方案的染色体的中间编码段，依次对该编码段内的相同编码点的PIR传感器编码进行线性替换，替换后的两个PIR传感器编码取值在原两个PIR传感器编码值之间；交叉操作完成之后，将所有个体存入新的种群数据矩阵；
步骤2.4.4.4.2：计算交叉操作产生的新种群个体的适应度函数值：同步骤2.4.4.1操作；
步骤2.4.4.4.3：根据新种群个体适应度函数值在单个种群范围内对个体进行变异操作；
创建四个维度与原种群数据矩阵相同的数据矩阵；种群个体变异概率统一设为0.5；判断记录当前最优布局方案已经出现次数的变量是否大于变量阈值：若大于，对个体PIR传感器布局方案的PIR传感器编码进行随机变异操作，否则对个体PIR传感器布局方案中的PIR传感器实际位置进行位移变异操作；
随机变异操作：随机选中个体PIR传感器布局方案的染色体编码点，对该点的PIR传感器编码用一个随机产生的在PIR传感器可部署空间编码范围内的实数替代；
位移变异操作：随机选中个体PIR传感器布局方案的染色体编码点，找出该点的PIR传感器编码对应的实际位置，随机选择上下左右四个位移方向，位移幅度用正弦函数同该PIR传感器布局方案的适应度函数值关联；变异操作完成之后，将所有个体存入新的种群数据矩阵；
步骤2.4.4.4.4：计算变异操作产生的新种群个体的适应度函数值：同步骤2.4.4.1操作。
CN201510789222.0A 2015-09-25 2015-11-17 一种用于人员位置追踪的智能家居中pir传感器布局方法 Expired - Fee Related CN105447570B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510789222.0A CN105447570B (zh) 2015-09-25 2015-11-17 一种用于人员位置追踪的智能家居中pir传感器布局方法

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN201510617464 2015-09-25
CN2015106174641 2015-09-25
CN201510789222.0A CN105447570B (zh) 2015-09-25 2015-11-17 一种用于人员位置追踪的智能家居中pir传感器布局方法

Publications (2)

Publication Number Publication Date
CN105447570A CN105447570A (zh) 2016-03-30
CN105447570B true CN105447570B (zh) 2017-10-13

Family

ID=55557725

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510789222.0A Expired - Fee Related CN105447570B (zh) 2015-09-25 2015-11-17 一种用于人员位置追踪的智能家居中pir传感器布局方法

Country Status (1)

Country Link
CN (1) CN105447570B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106227059A (zh) * 2016-10-08 2016-12-14 三星电子（中国）研发中心 基于室内三维模型的智能家居控制方法和设备
CN107976685B (zh) * 2017-11-20 2021-11-19 北京航空航天大学 一种基于物联网的红外传感器室内人体目标跟踪系统
CN108954485B (zh) * 2018-07-25 2021-08-31 浙江工业大学 一种利用旋转加热头的节能加热系统及方法
CN111355642B (zh) * 2018-12-24 2021-04-16 美的集团股份有限公司 一种分布式的设备条件判断方法及系统
CN113111426B (zh) * 2021-05-12 2024-02-09 佛山市祥源家具制造有限公司 家具布局方法、装置、电子设备及存储介质
CN114881400B (zh) * 2022-03-24 2023-08-25 武汉敏声新技术有限公司 一种baw滤波器自动布局方法及相关设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1790430A (zh) * 2004-12-15 2006-06-21 上海乐金广电电子有限公司 无源红外传感器的初期检测信号的切断装置
CN201374110Y (zh) * 2009-03-19 2009-12-30 东莞盛世科技电子实业有限公司 多功能无线家庭防盗报警系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140244001A1 (en) * 2013-02-25 2014-08-28 Qualcomm Incorporated Controlling many different devices from a smart controller

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1790430A (zh) * 2004-12-15 2006-06-21 上海乐金广电电子有限公司 无源红外传感器的初期检测信号的切断装置
CN201374110Y (zh) * 2009-03-19 2009-12-30 东莞盛世科技电子实业有限公司 多功能无线家庭防盗报警系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
PIR Sensors Deployment with the Accessible Priority in Smart Home Using Genetic Algorithm;Dan Yang等;《International Journal of Distributed Sensor》;20150101;第11卷;第2-9页 *

Also Published As

Publication number Publication date
CN105447570A (zh) 2016-03-30

Similar Documents

Publication Publication Date Title
CN105447570B (zh) 一种用于人员位置追踪的智能家居中pir传感器布局方法
Munroe et al. Land use policy and landscape fragmentation in an urbanizing region: Assessing the impact of zoning
Jiang et al. Prediction of ecological pressure on resource-based cities based on an RBF neural network optimized by an improved ABC algorithm
CN105630968B (zh) 面向Cassandra的分布式可扩展四叉树索引方法
Downing et al. Climate change and food insecurity: Toward a sociology and geography of vulnerability
CN112001415A (zh) 一种基于对抗网络的位置差分隐私保护方法
CN107067091A (zh) 一种基于蚁群优化算法的城市生态用地空间规划模型
Liu et al. Regional land-use allocation with a spatially explicit genetic algorithm
CN110033312A (zh) 房价预测模型的生成方法、装置、设备及存储介质
CN107070687A (zh) 基于集成神经网络的wifi定位方法
Zhang High-rise and high-density compact urban form: The development of Hong Kong
CN102184328A (zh) 一种土地利用演化ca模型转换规则优化方法
CN109117982A (zh) 一种基于深度学习与特征组合的房价预测方法
Zhang et al. Modeling urban growth by the use of a multiobjective optimization approach: Environmental and economic issues for the Yangtze watershed, China
Booth et al. Modeling aesthetics to support an ecosystem services approach for natural resource management decision making
CN108984995A (zh) 一种计算数值模拟的生态园林景观设计方法
Xia et al. Optimization of residential urban-block morphology based on its synthetic effects on indoor and outdoor natural lighting environments
CN109165835A (zh) 传统村落乡村性的测算方法及装置
CN109388873A (zh) 基于山地微地形温度的园林景观规划方法
Wu et al. [Retracted] Application of Neural Network Model Based on Multispecies Evolutionary Genetic Algorithm to Planning and Design of Diverse Plant Landscape
Rogowska Territorial development capacity of small towns–Evidence from Poland
CN110264010B (zh) 新型乡村电力饱和负荷预测方法
CN110113815A (zh) 一种改进的基于iwo的无线传感器网络定位方法
CN115841042A (zh) 一种基于韧性理论构建的城市生态韧性三维评价方法
Liao et al. Prediction of near-view scenic beauty in artificial stands of Hinoki (Chamaecyparis obtusa S. et Z.)

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20171013

CF01 Termination of patent right due to non-payment of annual fee