CN110082716B - 一种医院复杂环境室内定位系统及定位方法 - Google Patents

一种医院复杂环境室内定位系统及定位方法 Download PDF

Info

Publication number
CN110082716B
CN110082716B CN201910354652.8A CN201910354652A CN110082716B CN 110082716 B CN110082716 B CN 110082716B CN 201910354652 A CN201910354652 A CN 201910354652A CN 110082716 B CN110082716 B CN 110082716B
Authority
CN
China
Prior art keywords
information
sample
training
module
data
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
CN201910354652.8A
Other languages
English (en)
Other versions
CN110082716A (zh
Inventor
胡俊峰
任鹏
余文文
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.)
Xuzhou Medical University
Original Assignee
Xuzhou Medical University
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 Xuzhou Medical University filed Critical Xuzhou Medical University
Priority to CN201910354652.8A priority Critical patent/CN110082716B/zh
Publication of CN110082716A publication Critical patent/CN110082716A/zh
Application granted granted Critical
Publication of CN110082716B publication Critical patent/CN110082716B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
    • G01S5/0257—Hybrid positioning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Abstract

一种医院复杂环境室内定位系统及定位方法，系统包括移动端、数据采集模块、数据融合模块、模型训练模块和目标定位模块。方法：构造神经网络训练模型；采集多源数据样本信息并融合得到样本数据，将样本数据分成训练样本和测试样本，利用深度全连接神经网络训练训练样本和测试样本，得到神经网络训练模型；室内定位；通过目标定位模块获取移动端的多源数据并传入神经网络模块中，得到三维坐标。该系统能快速、准确地进行室内目标定位，适用于医院复杂环境下楼层、楼梯、走廊、大堂及房间内等多区域的三维定位需求。该方法面向医院复杂环境，较单一的WiFi信号状态信息的定位技术精度更高，能有效提高医院复杂环境室内定位的鲁棒性和准确性。

Description

一种医院复杂环境室内定位系统及定位方法
技术领域
本发明涉及室内定位技术领域，具体涉及一种基于多源数据和深度学习的医院复杂环境室内定位方法。
背景技术
医院复杂环境室内定位技术一直是研究热点，随着电信基础设施的普及和推广，目前许多室内定位技术都以WiFi信号作为重要的定位源的，但传统的利用接收信号强度的定位方法有许多限制，环境等因素对精度有很大影响，如：医院环境人员流动量很大，人员频繁移动引起WiFi信号波动很大，导致定位精度下降。WiFi信道状态信息(ChannelStateInformation,CSI)是一种比接收信号强度更能描述WiFi信号传播本质的观测量，利用CSI进行室内定位研究已得到越来越多的关注。但CSI受限于信道估计的精度等因素，CSI值与真实信道情况存在一定偏差，实际应用于各类方法前需要进行预处理，以消除主要误差，但这样的误差对定位的结果依然存在影响。此外，在医院这种特殊环境下，对WiFi信号无法覆盖到的区域，很难进行精确定位。
发明内容
针对上述现有技术存在的问题，本发明提供一种医院复杂环境室内定位系统，该系统能快速、准确地进行室内目标定位，适用于医院复杂环境下楼层、楼梯、走廊、大堂及房间内部等多区域的三维定位需求。
为了实现上述目的，本发明提供一种医院复杂环境室内定位系统，包括移动端、数据采集模块、数据融合模块、模型训练模块和目标定位模块。
所述移动端的数量为多个，且遍布于医院区域的空间中，用于向数据采集模块发出样本信息；
所述数据采集模块用于采集移动端的多源数据样本信息，并将所采集的多源数据样本信息发送给数据融合模块；
所述数据融合模块用于将所接收的多源数据样本信息进行融合，组成有利于定位的特征的样本数据，并将样本数据按照设定的分割比例分成训练样本和测试样本，同时，将训练样本和测试样本发送给模型训练模块；
所述模型训练模块用于利用深度全连接神经网络训练所接收的训练样本和测试样本，并将得到的神经网络训练模型发送给目标定位模块；
所述目标定位模块用于获取移动端的多源数据并传入神经网络模块中，得到预测结果。
进一步，为了保证定位精度，所述多源数据样本信息包括WiFi信道状态信息、运动轨迹、医院地图信息、目标身份信息、当前时间信息、目标的任务以及当前位置信息。
为了能保证能较为全面地获得样本信息，以提高定位精度，所述WiFi信道状态信息包括WiFi信号强度RSSI和WiFi的MAC地址；所述运动轨迹包括行走方向
Figure GDA0004264261560000021
步长s和步数n；所述医院地图信息为三维平面地图离散化的矩阵数据M(x,y，z)；所述目标身份信息包括医生、护士、病人和其他人员信息ID；所述当前时间信息T包括年、月、日、时、周和当前季度信息；所述目标的任务包括检查、就诊和治疗任务；所述当前位置信息包括以医院地图信息为基准的三维平面坐标(Xt，Yt,Zt)。
进一步，为了提高定位精度，所述训练样本和测试样本的分割比例为U:V。一般来说，测试样本比例越小，结果就越好。因为训练样本比例大，包含的数据信息就越多。而在本方法中，在数据集较小的情况下(在万这个量级上)训练样本和测试样本的分割比例为2:1性能最佳，这样既可以让训练样本包含尽可能多的信息，同时也能使得测试样本含有参考价值。在数据集较大的情况下(在百万以上这个量级上)可以采取99:1的比例，因为即使拿出1％，也有一万之多，足够测试使用。其中训练样本是用来训练模型，通过尝试不同的超参数和使用训练集来训练不同的模型，确定神经网络中的权重参数，最后再通过测试集来评估模型的性能，并通过测试结果不断的迭代来改善模型的性能。
本系统中，数据采集模块能对遍布于医院区域空间中的若干个移动端进行多源数据样本信息收集，数据融合模块能对多源数据样本信息进行融合，并形成有利于定位的特征的样本数据，模型训练模块能利用样本数据形成神经网络训练模型，进而能得到与医院室内空间相匹配的数据库，在需要定位时，只需要目标定位模块获取待定位移动端发出的多源数据即能快速得到定位结果。数据融合模块的融合过程能获得能够代表目标位置或有实际含义且对预测目标位置占很大比重的特征向量，有利于神经网络训练模型的准确生成。该系统结构简单、定位速度快、定位精度高，适用于医院复杂环境下的室内定位需求。
针对上述现有技术存在的问题，本发明还提供一种医院复杂环境室内定位方法，该方法面向医院复杂环境，较单一的WiFi信号状态信息的定位技术精度更高，能有效提高医院复杂环境室内定位的鲁棒性和准确性。
本发明还提供了一种医院复杂环境室内定位方法，包括以下步骤：
步骤一：构造神经网络训练模型，具体包括如下步骤：
S1，通过数据采集模块采集遍布于医院的室内空间中的若干个移动端发出的多源数据样本信息；
S2，通过数据融合模块将多源数据[D1,D2,D3,…,D7]样本信息进行融合，其中D1到D7代表不同数据，组成有利于定位的特征的样本数据，并将样本数据按照设定的分割比例分成训练样本和测试样本；
S3，通过模型训练模块利用深度全连接神经网络训练训练样本和测试样本，得到神经网络训练模型；
步骤二：室内定位；
通过目标定位模块获取移动端的多源数据并传入神经网络模块中，得到三维坐标(Xt，Yt,Zt)。
进一步，为了保证定位精度，其特征在于，S1中的多源数据样本信息包括WiFi信道状态信息CSI、运动轨迹、医院地图信息、目标身份信息、当前时间信息、目标的任务以及当前位置信息。
进一步，为了能保证能较为全面地获得样本信息，以提高定位精度，所述WiFi信道状态信息包括WiFi信号强度D1-1：RSSI和WiFi的MAC地址D1-2：MAC；所述运动轨迹包括行走方向D2-1：
Figure GDA0004264261560000041
步长D2-2：s和步数D2-3：n；所述医院地图信息为三维平面地图离散化的矩阵数据D3：M(x,y，z)；所述目标身份信息包括医生、护士、病人和其他人员信息D4：ID；所述当前时间信息D5：T包括年、月、日、时、周和当前季度信息；所述目标的任务D6包括检查、就诊和治疗任务；所述当前位置信息包括以医院地图信息为基准的三维平面坐标D7：(Xt，Yt,Zt)。
进一步，为了提高定位精度，S2中训练样本和测试样本的分割比例为U:V。
进一步，为了得到有效的样本特征，在S2中，对于数值型特征[D1-1,D1-2,D2-1,D2-1,D2-3,D5,D7]全部转成维度相同的高维向量[D1,D2,D5,D7]，对于非数值型特征通过word2vertor转成数值型特征后再转成维度相同的高维向量[D3,D4,D6]，最后合成一个特征。
本方法面向医院复杂环境，通过遍布于医院区域空间的若干个移动端发出的多源数据样本信息先建立出神经网络训练模型，在需要定位时，将接收到的目标发出的多源数据样本信息传入到已建立好的神经网络训练模型中，即能快速准确地得到定位信息。在深度在深度学习的基础上结合多源数据实现室内目标定位，比基于单一的WiFi信号状态信息的定位技术精度更高，提高了医院复杂环境室内定位的鲁棒性和准确性。
附图说明
图1是本发明中的定位系统的原理框图；
图2是本发明中定位方法的流程简图；
图3是本发明中数据融合模块融合过程的示意图；
图4是本发明中定位方法的整体流程示意图。
具体实施方式
下面对本发明作进一步说明。
如图1所示，本发明提供了一种医院复杂环境室内定位系统，包括移动端、数据采集模块、数据融合模块、模型训练模块和目标定位模块：
所述移动端的数量为多个，且遍布于医院的室内空间中，用于向数据采集模块发出样本信息；
所述数据采集模块用于采集移动端的多源数据样本信息，并将所采集的多源数据样本信息发送给数据融合模块：
所述数据融合模块用于将所接收的多源数据样本信息进行融合，组成有利于定位的特征的样本数据，并将样本数据按照设定的分割比例分成训练样本和测试样本，同时，将训练样本和测试样本发送给模型训练模块；数据融合模块融合特征的准则是为了获得能够代表目标位置或有实际含义且对预测目标位置占很大比重的特征向量。
所述模型训练模块用于利用深度全连接神经网络训练所接收的训练样本和测试样本，并将得到的神经网络训练模型发送给目标定位模块；同时，模型训练模块将训练好的神经网络训练模型的权重w和偏置b保存到数据库中，神经网络训练模型的损失函数为交叉熵，激活函数为Relu。
所述交叉熵损失函数为:H(p,q)＝-∑p(x)logq(x),其中p(x)是横坐标的真实分布，q(x)为通过数据计算的估计概率，纵坐标交叉熵损失函数与之相同。
所述激活函数Relu为：
Figure GDA0004264261560000051
所述目标定位模块用于获取移动端的多源数据并传入神经网络模块中，得到预测结果。
为了保证定位精度，所述多源数据样本信息包括WiFi信道状态信息CSI、运动轨迹、医院地图信息、目标身份信息、当前时间信息、目标的任务以及当前位置信息。
为了能保证能较为全面地获得样本信息，以提高定位精度，所述WiFi信道状态信息包括WiFi信号强度RSSI和WiFi的MAC地址；所述运动轨迹包括行走方向
Figure GDA0004264261560000061
步长s和步数n；所述医院地图信息为三维平面地图离散化的矩阵数据M(x,y，z)；所述目标身份信息包括医生、护士、病人和其他人员信息ID；所述当前时间信息T包括年、月、日、时、周和当前季度信息等；所述目标的任务包括检查、就诊和治疗任务等；所述当前位置信息包括以医院地图信息为基准的三维平面坐标(Xt，Yt,Zt)。
所述运动轨迹计算方法为：
Figure GDA0004264261560000062
其中
Figure GDA0004264261560000063
为上一时刻位置，/>
Figure GDA0004264261560000064
为其对应的下一时刻位置。其中sID为具体用户的步长数据，可由初始阶段结合WiFi可视近距离环境下获得不同用户的步长数据，G用于表示行人的运动模式是否为上下楼状态，如果处在上下楼运动模式，G为1，否则为0；Fw为楼梯台阶的宽度，Fh为楼梯台阶的高度，Q等于1时表示上楼模式，Q等于-1时表示下楼模式。
所述当前时间信息T包括年、月、日、时、周和当前季度信息，主要基于医院环境的变换具有时间相似性，如固定目标人员(例如某外科医生)的一周活动安排是有一定规律的，为此可在深度神经网络模型中发挥其时间上辅助信息，增强模型的精度。
为了提高定位精度，所述训练样本和测试样本的分割比例为U:V。作为一种优选，所述训练样本和测试样本的分割比例为2：1。一般来说，测试样本比例越小，结果就越好。因为训练样本比例大，包含的数据信息就越多。而在本方法中，在数据集较小的情况下(在万这个量级上)训练样本和测试样本的分割比例为2:1性能最佳，这样既可以让训练样本包含尽可能多的信息，同时也能使得测试样本含有参考价值。在数据集较大的情况下(在百万以上这个量级上)可以采取99:1的比例，因为即使拿出1％，也有一万之多，足够测试使用。其中训练样本是用来训练模型，通过尝试不同的超参数和使用训练集来训练不同的模型，确定神经网络中的权重参数，最后再通过测试集来评估模型的性能，并通过测试结果不断的迭代来改善模型的性能。
数据采集模块能对遍布于医院室内空间中的若干个移动端进行多源数据样本信息收集，数据融合模块能对多源数据样本信息进行融合，并形成有利于定位的特征的样本数据，模型训练模块能利用样本数据形成神经网络训练模型，进而能得到与医院室内空间相匹配的数据库，在需要定位时，只需要目标定位模块获取待定位移动端发出的多源数据即能快速得到定位结果。该系统结构简单、定位速度快、定位精度高，适用于医院复杂环境下的室内定位需求。
如图2至图4所示，本发明还提供了一种医院复杂环境室内定位方法，包括以下步骤：
步骤一：构造神经网络训练模型，具体包括收下步骤：
S1，通过数据采集模块采集遍布于医院的室内空间中的若干个移动端发出的多源数据样本信息；
S2，通过数据融合模块将多源数据[D1,D2,D3,…,D7]样本信息进行融合，其中D1到D7代表不同数据，组成有利于定位的特征的样本数据，并将样本数据按照设定的分割比例分成训练样本和测试样本；
S3，通过模型训练模块利用深度全连接神经网络训练训练样本和测试样本，得到神经网络训练模型；
神经网络模前向传播算法计算公式如下：
Figure GDA0004264261560000071
其中，上标代表层数，a表示输入，b表示偏置项bias，，w表示权重，σ表示激活函数。
神经网络模型反向传播算法中，模型各层的权重和偏置项更新计算方法如下：
Figure GDA0004264261560000081
其中，
Figure GDA0004264261560000083
表示从L-1层第k个神经元到L层第j个神经元权重连接，/>
Figure GDA0004264261560000084
表示第L层第j个神经元的偏置，e表示学习率。
步骤二：室内定位；
通过目标定位模块获取移动端的多源数据并传入神经网络模块中，得到三维坐标(Xt，Yt,Zt)。
为了保证定位精度，S1中的多源数据样本信息包括WiFi信道状态信息CSI、运动轨迹、医院地图信息、目标身份信息、当前时间信息、目标的任务以及当前位置信息。
为了能保证能较为全面地获得样本信息，以提高定位精度，所述WiFi信道状态信息包括WiFi信号强度D1-1：RSSI和WiFi的MAC地址D1-2：MAC，这样能便于根据WiFi站点的坐标来标记楼层信息；所述运动轨迹包括行走方向D2-1：
Figure GDA0004264261560000082
步长D2-2：s和步数D2-3：n；所述医院地图信息为三维平面地图离散化的矩阵数据D3：M(x,y，z)；所述目标身份信息包括医生、护士、病人和其他人员信息D4：ID；所述当前时间信息D5：T包括年、月、日、时、周和当前季度信息等；所述目标的任务D6包括检查、就诊和治疗任务等；所述当前位置信息包括以医院地图信息为基准的三维平面坐标D7：(Xt，Yt,Zt)。
为了提高定位精度，S2中训练样本和测试样本的分割比例为U:V。作为一种优选，S2中练样本和测试样本的分割比例为2：1。
为了得到有效的样本特征，在S2中，对于数值型特征[D1-1,D1-2,D2-1,D2-1,D2-3,D5,D7]全部转成维度相同的高维向量[D1,D2,D5,D7]，对于非数值型特征通过word2vertor转成数值型特征后再转成维度相同的高维向量[D3,D4,D6]，最后合成一个特征。
本方法面向医院复杂环境，通过遍布于医院室内空间的若干个移动端发出的多源数据样本信息先建立出神经网络训练模型，在需要定位时，将接收到的目标发出的多源数据样本信息传入到已建立好的神经网络训练模型中，即能快速准确地得到定位信息。在深度在深度学习的基础上结合多源数据实现室内目标定位，比基于单一的WiFi信号状态信息的定位技术精度更高，提高了医院复杂环境室内定位的鲁棒性和准确性。

Claims (2)

1.一种医院复杂环境室内定位系统，其特征在于，包括移动端、数据采集模块、数据融合模块、模型训练模块和目标定位模块：
所述移动端的数量为多个，且遍布于医院区域内空间中，用于向数据采集模块发出样本信息；
所述数据采集模块用于采集移动端的多源数据样本信息，并将所采集的多源数据样本信息发送给数据融合模块；
所述数据融合模块用于将所接收的多源数据样本信息进行融合，组成有利于定位的特征的样本数据，并将样本数据按照设定的分割比例分成训练样本和测试样本，同时，将训练样本和测试样本发送给模型训练模块；
所述模型训练模块用于利用深度全连接神经网络训练所接收的训练样本和测试样本，并将得到的神经网络训练模型发送给目标定位模块；
所述目标定位模块用于获取移动端的多源数据并传入神经网络模块中，得到预测结果；
所述多源数据样本信息包括WiFi信道状态信息、运动轨迹、医院地图信息、目标身份信息、当前时间信息、目标的任务以及当前位置信息；
所述WiFi信道状态信息包括WiFi信号强度RSSI和WiFi的MAC地址；所述运动轨迹包括行走方向
Figure FDA0004264261550000011
步长s和步数n；所述医院地图信息为三维平面地图离散化的矩阵数据M(x,y，z)；所述目标身份信息包括医生、护士、病人和其他人员信息ID；所述当前时间信息T包括年、月、日、时、周和当前季度信息；所述目标的任务包括检查、就诊和治疗任务；所述当前位置信息包括以医院地图信息为基准的三维平面坐标(Xt，Yt,Zt)；
所述训练样本和测试样本的分割比例为U:V。
2.一种医院复杂环境室内定位方法，其特征在于，包括以下步骤：
步骤一：构造神经网络训练模型，具体包括如下步骤：
S1，通过数据采集模块采集遍布于医院的室内空间中的若干个移动端发出的多源数据样本信息；多源数据样本信息包括WiFi信道状态信息CSI、运动轨迹、医院地图信息、目标身份信息、当前时间信息、目标的任务以及当前位置信息；
所述WiFi信道状态信息包括WiFi信号强度D1-1：RSSI和WiFi的MAC地址D1-2：MAC；所述运动轨迹包括行走方向D2-1：
Figure FDA0004264261550000021
步长D2-2：s和步数D2-3：n；所述医院地图信息为三维平面地图离散化的矩阵数据D3：M(x,y，z)；所述目标身份信息包括医生、护士、病人和其他人员信息D4：ID；所述当前时间信息D5：T包括年、月、日、时、周和当前季度信息；所述目标的任务D6包括检查、就诊和治疗任务；所述当前位置信息包括以医院地图信息为基准的三维平面坐标D7：(Xt，Yt,Zt)；
S2，通过数据融合模块将多源数据[D1,D2,D3,…,D7]样本信息进行融合，其中D1到D7代表不同数据，组成有利于定位的特征的样本数据，并将样本数据按照设定的分割比例分成训练样本和测试样本；训练样本和测试样本的分割比例为U:V；
对于数值型特征[D1-1,D1-2,D2-1,D2-1,D2-3,D5,D7]全部转成维度相同的高维向量[D1,D2,D5,D7]，对于非数值型特征通过word2vertor转成数值型特征后再转成维度相同的高维向量[D3,D4,D6]，最后合成一个特征；
S3，通过模型训练模块利用深度全连接神经网络训练训练样本和测试样本，得到神经网络训练模型；
神经网络模前向传播算法计算公式如下：
Figure FDA0004264261550000022
其中，上标代表层数，a表示输入，b表示偏置项bias，w表示权重，σ表示激活函数；
神经网络模型反向传播算法中，模型各层的权重和偏置项更新计算方法如下：
Figure FDA0004264261550000031
其中，
Figure FDA0004264261550000032
表示从L-1层第k个神经元到L层第j个神经元权重连接，/>
Figure FDA0004264261550000033
表示第L层第j个神经元的偏置，e表示学习率；
步骤二：室内定位；
通过目标定位模块获取移动端的多源数据并传入神经网络模块中，得到三维坐标(Xt，Yt,Zt)。
CN201910354652.8A 2019-04-29 2019-04-29 一种医院复杂环境室内定位系统及定位方法 Active CN110082716B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910354652.8A CN110082716B (zh) 2019-04-29 2019-04-29 一种医院复杂环境室内定位系统及定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910354652.8A CN110082716B (zh) 2019-04-29 2019-04-29 一种医院复杂环境室内定位系统及定位方法

Publications (2)

Publication Number Publication Date
CN110082716A CN110082716A (zh) 2019-08-02
CN110082716B true CN110082716B (zh) 2023-07-11

Family

ID=67417689

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910354652.8A Active CN110082716B (zh) 2019-04-29 2019-04-29 一种医院复杂环境室内定位系统及定位方法

Country Status (1)

Country Link
CN (1) CN110082716B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110632554A (zh) * 2019-09-20 2019-12-31 深圳前海微众银行股份有限公司 基于联邦学习的室内定位方法、装置、终端设备及介质
CN110749861B (zh) * 2019-10-24 2022-06-17 哈尔滨工程大学 一种基于多假设深度的水底固定目标的三维定位方法
CN111044974B (zh) * 2020-03-18 2020-07-07 腾讯科技（深圳）有限公司 基于WiFi信号的室内定位方法和装置、存储介质
CN111464869B (zh) * 2020-04-21 2022-06-14 海信视像科技股份有限公司 一种运动位置检测方法、屏幕亮度调节方法及智能设备
CN111623778B (zh) * 2020-05-14 2023-09-12 成都众树信息科技有限公司 一种室内定位轨迹分析的方法及装置
CN112261718B (zh) * 2020-09-25 2022-09-27 上海汉佑电子科技有限公司 一种室内定位方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016068742A1 (ru) * 2014-10-28 2016-05-06 Инвенсенс Интернешнл, Инк. Способ и система позиционирования мобильного терминала внутри зданий
US9743253B2 (en) * 2015-08-27 2017-08-22 Glopos Fzc Method and arrangement for locating a mobile device
CN106802404B (zh) * 2017-01-18 2018-10-16 深圳大学 一种人体室内定位自动检测方法及系统
CN107046711B (zh) * 2017-02-21 2020-06-23 沈晓龙 一种室内定位的数据库建立方法和室内定位方法及装置
CN107102295A (zh) * 2017-04-13 2017-08-29 杭州电子科技大学 基于glmb滤波的多传感器tdoa无源定位方法
CN107635204B (zh) * 2017-09-27 2020-07-28 深圳大学 一种运动行为辅助的室内融合定位方法及装置、存储介质
CN108225304A (zh) * 2018-01-26 2018-06-29 青岛美吉海洋地理信息技术有限公司 基于多源传感器室内快速定位方法与系统
CN108490388B (zh) * 2018-03-13 2021-06-29 同济大学 一种基于uwb与vlc技术的多源联合室内定位方法
CN108882151A (zh) * 2018-07-02 2018-11-23 上海大学 基于csi信息区域化标注的室内定位方法

Also Published As

Publication number Publication date
CN110082716A (zh) 2019-08-02

Similar Documents

Publication Publication Date Title
CN110082716B (zh) 一种医院复杂环境室内定位系统及定位方法
CN108989976B (zh) 一种智慧教室内的指纹定位方法及系统
Ferris et al. Wifi-slam using gaussian process latent variable models.
Adege et al. An indoor and outdoor positioning using a hybrid of support vector machine and deep neural network algorithms
CN105911518A (zh) 机器人定位方法
CN107727095B (zh) 基于谱聚类和加权反向传播神经网络的3d室内定位方法
CN104394588B (zh) 基于Wi‑Fi指纹和多维尺度分析的室内定位方法
CN105120479B (zh) 终端间Wi-Fi信号的信号强度差异修正方法
CN111726765B (zh) 一种面向大规模复杂场景的wifi室内定位方法及系统
CN103220777A (zh) 一种移动设备定位系统
CN107607122B (zh) 面向室内定位的位置指纹库构建和动态更新方法
CN109348428A (zh) 一种蓝牙室内定位系统的指纹库快速构建方法
CN109327797A (zh) 基于WiFi网络信号的移动机器人室内定位系统
Cui et al. A robust mobile robot indoor positioning system based on Wi-Fi
CN106951735B (zh) 一种基于分层混合模型的信号肽及其切割位点的预测方法
CN110049441B (zh) 基于深度集成学习的WiFi室内定位方法
Banach et al. Novel techniques for a wireless motion capture system for the monitoring and rehabilitation of disabled persons for application in smart buildings
CN108810799A (zh) 一种基于线性判别分析的多楼层室内定位方法及系统
Abid et al. Improving indoor geomagnetic field fingerprinting using recurrence plot-based convolutional neural networks
Sun et al. Construction of hybrid dual radio frequency RSSI (HDRF-RSSI) fingerprint database and indoor location method
Mantoro et al. Extreme learning machine for user location prediction in mobile environment
Basiouny et al. Enhancing Wi-Fi fingerprinting for indoor positioning system using single multiplicative neuron and PCA algorithm
CN110135451A (zh) 一种基于点到线段集距离的航迹聚类方法
CN114444794A (zh) 基于双注意力图嵌入网络的出行意图预测方法
CN107124761B (zh) 融合pso和ss-elm的蜂窝网无线定位方法

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