CN110290466B - 楼层判别方法、装置、设备及计算机存储介质 - Google Patents
楼层判别方法、装置、设备及计算机存储介质 Download PDFInfo
- Publication number
- CN110290466B CN110290466B CN201910517319.4A CN201910517319A CN110290466B CN 110290466 B CN110290466 B CN 110290466B CN 201910517319 A CN201910517319 A CN 201910517319A CN 110290466 B CN110290466 B CN 110290466B
- Authority
- CN
- China
- Prior art keywords
- test point
- characteristic parameter
- floor
- matrix
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—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
- H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
-
- 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
Abstract
本发明实施例公开了一种楼层判别方法、装置、设备及计算机存储介质。该方法包括:获取待测建筑内设置的至少一个测试点的第一数据,并利用所述至少一个测试点的第一数据,确定第一特征参数矩阵,其中,所述待测建筑每层设置至少一个测试点;将所述第一特征参数矩阵输入训练好的DAE‑LSTM网络,确定所述至少一个测试点所对应的楼层。本发明各实施例的技术方案利用DAE网络从含有噪声的特征参数矩阵中提取特征值矩阵,提高楼层判别的精度,同时大大降低网络的复杂度以及网络训练的开销;引入LSTM网络对楼层进行判别,有效提升了楼层判别的精度。
Description
技术领域
本发明属于智能识别,尤其涉及一种楼层判别方法、装置、设备及计算机存储介质。
背景技术
随着位置服务(LBS)的需求的扩大,基于用户位置信息的相关技术得到了广泛应用和发展。由于人员流动、结构复杂、环境突发变化等等因素,导致建筑物内空间信号复杂多变。因此,建筑物定位主要采用无线通讯、基站定位、惯导定位等多种技术集成方法,从而实现人员、物体等在室内空间中的位置监控。
目前,建筑物楼层识别一般采用传感器采集相关信息,并通过网络模型对相关信息进行处理,以达到定位的目的;或者,从触发器接收到的信号中获取相关信息,对相关信息进行统计判断以达到定位的目的。
现有技术方法中采用传感器采集的数据相关度低,且楼层识别的精度也不高。
发明内容
本发明实施例提供一种楼层判别方法、装置、设备及计算机存储介质,能够提高数据相关度以及楼层识别精度。
一方面,本发明实施例提供一种楼层判别方法,方法包括:
获取待测建筑内设置的至少一个测试点的第一数据,并利用所述至少一个测试点的第一数据,确定第一特征参数矩阵,其中,所述待测建筑每层设置至少一个测试点;
将所述第一特征参数矩阵输入训练好的DAE-LSTM网络,确定所述至少一个测试点所对应的楼层。
另一方面,本发明实施例提供了一种楼层判别装置,装置包括:
第一特征参数获取模块,用于在线阶段获取待测建筑内设置的至少一个测试点的第一数据,并利用所述至少一个测试点的第一数据,确定第一特征参数矩阵,其中,所述待测建筑每层设置至少一个测试点;
楼层确定模块,用于将所述第一特征参数矩阵输入训练好的DAE-LSTM网络,确定所述至少一个测试点所对应的楼层。
再一方面,本发明实施例提供了一种楼层判别设备,设备包括:
处理器以及存储有计算机程序指令的存储器;
所述处理器执行所述计算机程序指令时实现如上任意一项所述的楼层判别方法。
再一方面,本发明实施例提供了一种计算机存储介质,所述计算机存储介质上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现如上任意一项所述楼层判别方法。
本发明实施例的楼层判别方法、装置、设备及计算机存储介质,包括:获取待测建筑内设置的至少一个测试点的第一数据,并利用所述至少一个测试点的第一数据,确定第一特征参数矩阵,其中,所述待测建筑每层设置至少一个测试点;将所述第一特征参数矩阵输入训练好的DAE-LSTM网络,确定所述至少一个测试点所对应的楼层。本申请文件利用DAE网络从含有噪声的特征参数矩阵中提取特征值矩阵,提高楼层判别的精度,同时大大降低网络的复杂度以及网络训练的开销;引入LSTM网络对楼层进行判别,有效提升了楼层判别的精度。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单的介绍,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是本发明一个实施例提供的一种楼层判别方法的结构示意图;
图2是本发明一个实施例提供的一种楼层判别方法的流程示意图;
图3是本发明一个实施例提供的不同楼层的信道状态差异示意图;
图4是本发明一个实施例中步骤S2的流程示意图;
图5是本发明一个实施例提供的DAE网络结构示意图;
图6是本发明一个实施例提供的LSTM网络结构示意图;
图7是本发明一个实施例提供的用于楼层判别的DAE-LSTM网络结构示意图;
图8是本发明另一个实施例提供的一种楼层判别方法的流程示意图;
图9是本发明一个实施例中步骤S4的流程示意图;
图10是本发明一个实施例中步骤S5的流程示意图;
图11是本发明一个实施例提供的RNN模型结构示意图;
图12是本发明一个实施例提供的LSTM模型结构示意图;
图13是本发明另一个实施例提供的一种楼层判别装置的结构示意图;
图14是本发明又一个实施例提供的一种楼层判别设备的结构示意图。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例,为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施例,对本发明进行进一步详细描述。应理解,此处所描述的具体实施例仅被配置为解释本发明,并不被配置为限定本发明。对于本领域技术人员来说,本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者设备不仅包括那些要素,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、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
为了解决现有技术问题,本发明实施例提供了一种楼层判别方法、装置、设备及计算机存储介质。在本申请的技术方案中,利用DAE网络实现从含有噪声的特征参数矩阵中提取特征值矩阵。一方面,噪声的去除对于楼层判别精度的提升有着很大的帮助。另一方面,将特征参数进一步抽象化为特征值不仅能够对楼层判别精度的提升有所帮助,而且也会大大降低网络的复杂度以及网络训练的开销。此外,利用LSTM网络基于特征值矩阵对用户所在楼层进行判别。引入LSTM网络能够充分利用不同特征值数据向量之间的空间相关性。相较于传统方法,LSTM能够提升楼层判别的精度。
下面首先对本发明实施例所提供的楼层判别方法进行介绍。
图1示出了本发明一个实施例提供的楼层判别方法的实现结构图。
本申请文件分为两个阶段:离线阶段和在线阶段。在离线阶段,基于用户在已知建筑物不同楼层的测试点上采集的第二信道特征参数以及公共参数表中的第二地理特征参数建立第二特征参数矩阵。其次,将建立好的第二特征参数矩阵作为输入数据输入初始DAE-LSTM网络进行网络训练。再次,在在线阶段,在待测建筑物楼层内采集第一信道特征参数以及调用公共参数表中的第一地理特征参数建立第一特征参数矩阵,然后将第一特征参数矩阵输入之前训练好的DAE-LSTM网络中进行楼层判断。最后,网络输出用户采集这批数据时所在的楼层。
在一个实施例中,参见图2,步骤S4(在线阶段)之前包括:
步骤S1:获取已知建筑内设置的至少一个测试点的第二数据和所述至少一个测试点所对应的楼层标签,其中,所述已知建筑每层设置至少一个测试点。
离线阶段,用户使用安装在手机上的专用数据采集软件在已知建筑物内的测试点进行第二信道特征参数的采集(采集的数据为用户所在位置接收信号的信道信息),其中,测试点的选择原则是让测试点尽可能平均分布于已知建筑的每一层内,且每层至少有一个测试点。在每个测试点上,要采集足够数量的数据以保证数据的充足与完备。此外,已知建筑物可以是一栋也可以是几栋。
第二数据包括离线阶段,在已知建筑物内采集的第二信道特征参数以及测试点所对应的楼层标签。
步骤S2:利用所述至少一个测试点的第二数据和所述至少一个测试点所对应的楼层标签,确定第二特征参数矩阵;
步骤S3:利用所述第二特征参数矩阵对初始DAE-LSTM网络进行训练,确定训练好的DAE-LSTM网络。
DAE(Denoising AutoEncoder,去噪自编码器)是一类接受损坏数据作为输入,并训练来预测原始未被损坏数据作为输入的自编码器。在本申请文件中,利用DAE来在带噪声的数据中提取特征参数。
LSTM(Long Short-Term Memory,长短期记忆网络)是一种时间递归神经网络,适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。在本申请文件中,利用LSTM来实现利用数据间的相互关系来对用户位置进行预测。
训练好的DAE-LSTM网络是通过测试点的第二数据和所述测试点所对应的楼层标签所构成的第二特征参数矩阵对初始DAE-LSTM网络进行训练获得的。其中,第二特征参数矩阵指通过第二数据、楼层标签及其对应的测试点的数目所构成的矩阵。
在一个实施例中,参见图3和图4,步骤S2包括:
步骤S21:获取至少一个测试点的第二信道特征参数及其对应的第二地理特征参数,以及所述至少一个测试点所对应的楼层标签,其中,所述第二地理特征参数包括第二基站ECI、第二基站地理位置以及第二基站与用户之间的距离中的至少一项;
步骤S22:以一个测试点的楼层标签、第二信道特征参数及其对应的第二地理特征参数作为一组向量,以及测试点的数目作为维度,构成第二特征参数矩阵。
图3提供了不同楼层的信道状态差异示意图,楼层判别方法的基础是建立在用户在不同楼层收到的信号特征(即信道特征参数)不同这个事实之上。具体来说,就是用户设备在低楼层一般会与距离较近的基站连接,因为相比于在高楼层的用户设备,低楼层的用户设备与基站之间的遮挡更多,因此较远基站发出的信号可能低于用户设备与基站连接建立的阈值,所以基站不会与用户设备连接。
当用户设备从室内的某一位置移动到另一位置时,一般情况下会发生变换服务信道的过程,即从一个话务信道转到另一个话务信道。切换成功是保证手机在通话过程中可以随便移动而保持通话连续的前提,是移动网络优势的主要体现。而发生小区切换的准则是根据基站到用户设备的部分下行参考信号强度来决定的。而用户位置在垂直方向上发生变化也会直接导致小区切换事件的发生。我们取这些参考信号作为区分楼层高低的信道特征参数。因此,第二信道特征参数指离线阶段用户在已知建筑物内通过手机采集的测试点的数据。
进一步,第二地理特征参数指根据第二信道特征参数在公共参数表中查找的与所述第二信道特征参数相对应的数据,通过第二地理特征参数的选取,可进一步提高楼层区分的精确度。第二基站ECI指所述测试点所属已知建筑所属的基站小区标识。第二基站地理位置指所述测试点所属已知建筑所属的基站的地理位置,至少包括基站的经纬度。第二基站与用户之间的距离指用户所在测试点与所述在测试点所属建筑所属的基站之间的距离。
根据上述参数,最终建立第二特征参数矩阵如下所示:
V=[v1,v2,…,vM]T
其中,
vi=[labeli,MRDi,ECIi,DBUi]
其中,
R为地球半径,lat=lat1-lat2,lon=lon1-lon2。lat1和lon1为UE的经纬度。lat2和lon2为基站的经纬度。在某测试点上未与用户设备相连的基站以及其对应参数统一设为一个缺省值向量ξ。
在一个实施例中,参见图5-7,步骤S3包括:
步骤S31:采用初始DAE网络去除所述第二特征参数矩阵的噪声信号,提取第二有效特征值矩阵;
步骤S32:将所述第二有效特征值矩阵输入所述初始LSTM网络,得到训练好的DAE-LSTM网络。
具体地,设置初始DAE网络,其用途为噪声去除及有效特征值提取,其网络结构如5所示。
DAE网络训练的准则是使得预设的损失函数最小,损失函数定义如下:
最终,当损失函数达到最小时,DAE网络训练完成,并输出特征值矩阵F。
将上述步骤中生成的特征值矩阵F输入到初始LSTM网络中。LSTM网络的用途数利用采集到数据之间的前后相关性对采集数据的未知进行判别。其网络结构如图6所示。
将特征值输入LSTM网络,其中间隐藏层输出为:
细胞状态输出为:
网络输出为:
最终,LSTM网络训练完成。训练好的模型如图7所示。
将DAE网络生成的特征值矩阵输入初始LSTM网络中进行训练。LSTM网络的作用是能够利用每条特征值数据之间内部的关联性对楼层进行判断。具体来说,就是用户设备在采集数据的时候位置的变化是有一定规律可言的。例如,进出A位置点的下一个位置点只可能是B或C,而不会是相距较远的D、E、F位置点。因此,利用这种数据间的前后相关关系可以对用户设备所在楼层位置的判断进行进一步的精确。
LSTM网络训练的原则与DAE相似,都是要将损失函数达到最小为止。最终,LATM网络训练完成。
图8示出了本发明一个实施例提供的楼层判别方法的流程示意图。
步骤S4:获取待测建筑内设置的至少一个测试点的第一数据,并利用所述至少一个测试点的第一数据,确定第一特征参数矩阵,其中,所述待测建筑每层设置至少一个测试点。
在线阶段,用户使用安装在手机上的专用数据采集软件在建筑物内的测试点进行第一信道特征参数的采集(采集的数据为用户所在位置接收信号的信道信息),其中,测试点的选择原则是让测试点尽可能平均分布于待测建筑的每一层内,且每层至少有一个测试点。在每个测试点上,要采集足够数量的数据以保证数据的充足与完备。此外,建筑物可以是一栋也可以是多栋。
第一数据包括在线阶段,在待测建筑物楼层内采集的第一信道特征参数以及通过调用公共参数表获得的第一地理特征参数,其中,所述第一信道特征参数与第一地理特征参数一一对应。第一特征参数矩阵指通过第一数据及其对应的测试点的数目所构成的矩阵。
步骤S5:将所述第一特征参数矩阵输入训练好的DAE-LSTM网络,确定所述至少一个测试点所对应的楼层。
本申请文件联合去噪自编码器(DAE)和长短期记忆网络(LSTM),实现利用含噪声数据对用户所在楼层进行识别。训练好的DAE-LSTM网络是指将离线阶段所获取的第二特征参数矩阵依次输入初始DAE网络和初始LSTM网络进行训练以获得的网络。
在一个实施例中,参见图9,步骤S4包括:
步骤S41:获取至少一个测试点的第一信道特征参数及其对应的第一地理特征参数,其中,所述第一地理特征参数包括第一基站ECI、第一基站地理位置以及第一基站与用户之间的距离中的至少一项;
步骤S42:以一个测试点的第一信道特征参数及其对应的第一地理特征参数作为一组向量,且以测试点的数目作为维度,构成第一特征参数矩阵。
第一信道特征参数指在线阶段用户在待测建筑物内通过手机采集的测试点的数据。
进一步,第一地理特征参数指根据第一信道特征参数在公共参数表中查找的与所述第一信道特征参数相对应的数据。第一基站ECI指所述测试点所属待测建筑物所属的基站小区标识。第一基站地理位置指所述测试点所属待测建筑物所属的基站的地理位置,至少包括基站的经纬度。第一基站与用户之间的距离指用户所在测试点与所述在测试点所属建筑物所属的基站之间的距离。
在一个实施例中,参见图10,步骤S5包括:
步骤S51:采用训练好的DAE网络去除所述第一特征参数矩阵的噪声信号,提取第一有效特征值矩阵;
步骤S52:将所述第一有效特征值矩阵输入训练好的LSTM网络,得到所述至少一个测试点所对应的楼层。
具体地,数据逐条输入进行判断所在楼层。整个训练好的LSTM网络的输入层神经元数目等于输入数据向量的维度数目,输出层神经元数目等于楼层数。而网络中间的各个隐藏层神经元数目是由网络设计者自行决定的,如果神经元数目过多会导致网络过于复杂;神经元数据太少会导致楼层识别不准确。
为有效的说明该文档,现将文档中涉及的所有参数及缩写罗列如下:
M 用户测量数据总条数
i 特征参数矩阵中第i条数据
t 在某一测试点数据测量次数
p 测试点编号
θ 待估计参数
UE 用户设备
DAE 去噪自编码器(Denoise Autoencoder)
LSTM 长短时记忆网络(Long Short-Term Memory)
ECI E-UTRAN小区标识(E-UTRAN cell identifier)
V 特征参数矩阵
MRD 测量报告数据
DBU 基站与用户间距离
Label 楼层标签
RSRP 参考信号接收功率(Reference Signal Receiving Power)
RSRQ 参考信号接收质量(Reference Signal Receiving Quality)
SINR 信号与干扰加噪声比(Signal to Interference plus Noise Ratio)
ξ 预设缺省值
W 权重矩阵
b 偏置系数
F 特征值矩阵
B 伯努利分布函数
φ 激活函数
U 权重矩阵
d 偏置系数
h 隐藏层输出
f 一条输入特征值数据
V 权重矩阵
i 数据条目数
c 细胞状态向量
o 输出向量
tanh 激活函数(双曲正切函数)。
此外,本申请还将专利文件“一种基于循环神经网络模型的LTE室内定位楼层判别方法”与本申请文件的主要区别点进行了分析,具体如下:
本申请文件与上述专利文件采用的网络不同,下面对两个网络进行对比分析。RNN(Recurrent Neural Network)和LSTM(Recurrent Neural Network),两者都是用来处理具有相关性的“序列到序列”问题的神经网络模型。典型的“序列到序列”问题有机器翻译、问答系统、自然语言处理、文档摘要生成等。二者的主要区别有以下几点:
1、模型搭建的原理不同
RNN神经网络是一种节点定向连接成环的人工神经网络。这种网络的内部状态可以展示动态时序行为。不同于前馈神经网络的是,RNN可以利用它内部的记忆来处理任意时序的输入序列,这让它可以更容易处理如不分段的手写识别、语音识别等。此外,网络模型在计算过程中体现过程动态特性,比前馈神经网络具有更强的动态行为和计算能力。
LSTM神经网络也是一种定向连接成环的人工神经网络。但与RNN不同的是LSTM更适合处理和预测时间序列中间隔和延迟相对较长的重要事件。LSTM神经网络模型的核心结构包括了几个判断信息有用与否的处理器(cell),有这些处理器来综合评定一个时刻输入的序列中的某个元素是否具有足够的影响力来“影响”此序列后续元素。如果是的话,就需要对此有影响力元素保存,而不是选择“遗忘”,反之则亦然。因此在原理上,LSTM网络模型具有更加复杂的结构以及更好地应对复杂序列的能力。
2、模型的结构不同
如图11所示,从结构上来看,RNN相较于传统的前馈神经网络模型,加入了是在层之间的神经元之间也建立的权连接。这样的数据可以在层间流动,随着序列的不断推进,前面的隐藏层将会影响后面的隐藏层。
LSTM为解决时间序列中间隔和延迟相对较长的重要事件遗忘问题,其结构相较于RNN来说加入了判断信息有用与否的单元结构,其中包括遗忘门、输入门和输出门。一个信息进入LSTM的网络当中,可以根据规则来判断是否有用。只有符合算法认证的信息才会留下,不符的信息则通过遗忘门被遗忘。
3、模型针对解决的问题不同
由于RNN的原理和结构相较于LSTM都要简单,因此RNN主要处理的是一些规律性较强、结构较简单的序列处理和预测问题。例如不分段的手写识别、语音识别等。
LSTM的结构则预示着它更适合学习和处理一些复杂序列的预测问题。例如翻译语言、控制机器人、图像分析、文档摘要、语音识别图像识别、手写识别、控制聊天机器人、预测疾病、点击率和股票、合成音乐等任务。
当然,这并不是说LSTM在各个方面都要胜于RNN。首先,LSTM虽然在处理复杂问题上要胜于RNN一筹,但是这种优势是以付出更多计算资源作为代价的,因此在处理较简单问题的时候,RNN可能在更短的时间内给出令人满意的答案。其次,由于LSTM模型在结构上加入更多的处理单元,这也意味着增加了更多的权重系数需要被训练,这也就增加了待解决问题的维度,从而也增加了找到问题最优解的难度。
在申请文件中针对的场景是校园内的教学楼,因此被默认为楼内的信号空间是较复杂多变的。这种复杂多变主要是由于人员流动、结构复杂、环境突发变化等等因素引发的。因此认为LSTM神经网络模型更适用于这种环境。
参见图13,本申请还提供了一种楼层判别装置,装置包括:
第一特征参数获取模块10,用于在线阶段获取待测建筑内设置的至少一个测试点的第一数据,并利用所述至少一个测试点的第一数据,确定第一特征参数矩阵,其中,所述待测建筑每层设置至少一个测试点;
楼层确定模块20,用于将所述第一特征参数矩阵输入训练好的DAE-LSTM网络,确定所述至少一个测试点所对应的楼层。
图14示出了本发明实施例提供的一种楼层判别的硬件结构示意图。
在一种楼层判别设备可以包括处理器301以及存储有计算机程序指令的存储器302。
具体地,上述处理器301可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,ASIC),或者可以被配置成实施本发明实施例的一个或多个集成电路。
存储器302可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器302可包括硬盘驱动器(Hard Disk Drive,HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus,USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器302可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器302可在综合网关容灾设备的内部或外部。在特定实施例中,存储器302是非易失性固态存储器。在特定实施例中,存储器302包括只读存储器(ROM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
处理器301通过读取并执行存储器302中存储的计算机程序指令,以实现上述实施例中的任意一种楼层判别方法。
在一个示例中,一种楼层判别设备还可包括通信接口303和总线310。其中,如图14所示,处理器301、存储器302、通信接口303通过总线310连接并完成相互间的通信。
通信接口303,主要用于实现本发明实施例中各模块、装置、单元和/或设备之间的通信。
总线310包括硬件、软件或两者,将在线数据流量计费设备的部件彼此耦接在一起。举例来说而非限制,总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线310可包括一个或多个总线。尽管本发明实施例描述和示出了特定的总线,但本发明考虑任何合适的总线或互连。
另外,结合上述实施例中的楼层判别方法,本发明实施例可提供一种计算机存储介质来实现。该计算机存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种楼层判别方法。
需要明确的是,本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本发明的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本发明的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本发明中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或系统。但是,本发明不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
以上所述,仅为本发明的具体实施方式,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的系统、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。应理解,本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种楼层判别方法,其特征在于,包括:
在线阶段获取待测建筑内设置的至少一个测试点的第一数据,并利用所述至少一个测试点的第一数据,确定第一特征参数矩阵,其中,所述待测建筑每层设置至少一个测试点;
将所述第一特征参数矩阵输入训练好的DAE-LSTM网络,确定所述至少一个测试点所对应的楼层;
所述将所述第一特征参数矩阵输入训练好的DAE-LSTM网络,确定所述至少一个测试点所对应的楼层包括:
采用训练好的DAE网络去除所述第一特征参数矩阵的噪声信号,提取第一有效特征值矩阵;
将所述第一有效特征值矩阵输入训练好的LSTM网络,得到所述至少一个测试点所对应的楼层;训练好的LSTM网络的输入层的神经元数目为第一有效特征值矩阵的维度数目。
2.根据权利要求1所述的方法,其特征在于,所述在线阶段获取待测建筑内设置的至少一个测试点的第一数据,并利用所述至少一个测试点的第一数据,确定第一特征参数矩阵包括:
获取至少一个测试点的第一信道特征参数及其对应的第一地理特征参数,其中,所述第一地理特征参数包括第一基站ECI、第一基站地理位置以及第一基站与用户之间的距离中的至少一项;
以一个测试点的第一信道特征参数及其对应的第一地理特征参数作为一组向量,且以测试点的数目作为维度,构成第一特征参数矩阵。
3.根据权利要求1所述的方法,其特征在于,所述在线阶段获取待测建筑内设置的至少一个测试点的第一数据,并利用所述至少一个测试点的第一数据,确定第一特征参数矩阵之前包括:
获取已知建筑内设置的至少一个测试点的第二数据和所述至少一个测试点所对应的楼层标签,其中,所述已知建筑每层设置至少一个测试点;
利用所述至少一个测试点的第二数据和所述至少一个测试点所对应的楼层标签,确定第二特征参数矩阵;
利用所述第二特征参数矩阵对初始DAE-LSTM网络进行训练,确定训练好的DAE-LSTM网络。
4.根据权利要求3所述的方法,其特征在于,所述利用所述至少一个测试点的第二数据和所述至少一个测试点所对应的楼层标签,确定第二特征参数矩阵包括:
获取至少一个测试点的第二信道特征参数及其对应的第二地理特征参数,以及所述至少一个测试点所对应的楼层标签,其中,所述第二地理特征参数包括第二基站ECI、第二基站地理位置以及第二基站与用户之间的距离中的至少一项;
以一个测试点的楼层标签、第二信道特征参数及其对应的第二地理特征参数作为一组向量,以及测试点的数目作为维度,构成第二特征参数矩阵。
5.根据权利要求4所述的方法,其特征在于,所述利用所述第二特征参数矩阵对初始DAE-LSTM网络进行训练,确定训练好的DAE-LSTM网络包括:
采用初始DAE网络去除所述第二特征参数矩阵的噪声信号,提取第二有效特征值矩阵;
将所述第二有效特征值矩阵输入初始LSTM网络,得到训练好的DAE-LSTM网络。
6.一种楼层判别装置,其特征在于,所述装置包括:
第一特征参数获取模块,用于在线阶段获取待测建筑内设置的至少一个测试点的第一数据,并利用所述至少一个测试点的第一数据,确定第一特征参数矩阵,其中,所述待测建筑每层设置至少一个测试点;
楼层确定模块,用于将所述第一特征参数矩阵输入训练好的DAE-LSTM网络,确定所述至少一个测试点所对应的楼层;
楼层确定模块,还用于采用训练好的DAE网络去除所述第一特征参数矩阵的噪声信号,提取第一有效特征值矩阵;
将所述第一有效特征值矩阵输入训练好的LSTM网络,得到所述至少一个测试点所对应的楼层;训练好的LSTM网络的输入层的神经元数目为第一有效特征值矩阵的维度数目。
7.一种楼层判别设备,其特征在于,所述设备包括:处理器以及存储有计算机程序指令的存储器;
所述处理器执行所述计算机程序指令时实现如权利要求1-5任意一项所述的楼层判别方法。
8.一种计算机存储介质,其特征在于,所述计算机存储介质上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现如权利要求1-5任意一项所述的楼层判别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910517319.4A CN110290466B (zh) | 2019-06-14 | 2019-06-14 | 楼层判别方法、装置、设备及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910517319.4A CN110290466B (zh) | 2019-06-14 | 2019-06-14 | 楼层判别方法、装置、设备及计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110290466A CN110290466A (zh) | 2019-09-27 |
CN110290466B true CN110290466B (zh) | 2021-07-09 |
Family
ID=68003821
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910517319.4A Active CN110290466B (zh) | 2019-06-14 | 2019-06-14 | 楼层判别方法、装置、设备及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110290466B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110933633B (zh) * | 2019-12-05 | 2020-10-16 | 武汉理工大学 | 一种基于csi指纹特征迁移的船载环境室内定位方法 |
CN111324600A (zh) * | 2020-02-04 | 2020-06-23 | 杭州电子科技大学 | 数据清洗方法及装置 |
CN115461740A (zh) * | 2020-06-02 | 2022-12-09 | 深圳市欢太科技有限公司 | 一种行为控制方法及装置、存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109151750A (zh) * | 2018-09-06 | 2019-01-04 | 哈尔滨工业大学 | 一种基于循环神经网络模型的lte室内定位楼层判别方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108696815B (zh) * | 2017-03-03 | 2021-02-26 | 中国移动通信集团贵州有限公司 | 用户设备的定位方法、装置和系统 |
CN107396322B (zh) * | 2017-08-28 | 2019-12-27 | 电子科技大学 | 基于路径匹配与编码译码循环神经网络的室内定位方法 |
CN109001722B (zh) * | 2018-05-30 | 2022-03-15 | 武汉理工大学 | 一种基于lstm模型的船舶航迹数据融合方法 |
CN109743683B (zh) * | 2018-12-03 | 2020-08-07 | 北京航空航天大学 | 一种采用深度学习融合网络模型确定手机用户位置的方法 |
CN109474887B (zh) * | 2018-12-05 | 2020-09-01 | 哈尔滨工业大学 | 基于lte信号的高低楼层区分方法 |
CN109829054A (zh) * | 2019-01-17 | 2019-05-31 | 齐鲁工业大学 | 一种文本分类方法及系统 |
-
2019
- 2019-06-14 CN CN201910517319.4A patent/CN110290466B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109151750A (zh) * | 2018-09-06 | 2019-01-04 | 哈尔滨工业大学 | 一种基于循环神经网络模型的lte室内定位楼层判别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110290466A (zh) | 2019-09-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10884112B2 (en) | Fingerprint positioning method and system in smart classroom | |
CN110290466B (zh) | 楼层判别方法、装置、设备及计算机存储介质 | |
CN110364144B (zh) | 一种语音识别模型训练方法及装置 | |
US20200128473A1 (en) | Frequency spectrum prediction method and apparatus for cognitive wireless network | |
CN112887902B (zh) | 一种基于高斯聚类与混合度量的WiFi指纹的室内定位方法 | |
CN108983204B (zh) | 一种无钥匙进入和无钥匙启动系统定位方法 | |
CN110460401B (zh) | 一种基于矩阵分解和粒子群优化聚类的协作频谱感知方法 | |
US20210326700A1 (en) | Neural network optimization | |
Canovas et al. | Detecting indoor/outdoor places using WiFi signals and AdaBoost | |
CN113779247A (zh) | 基于意图驱动的网络故障诊断方法及系统 | |
Zhao et al. | Gaussian processes for RSS fingerprints construction in indoor localization | |
CN111817803A (zh) | 一种基于相关系数和k-均值聚类算法的频谱感知方法、系统及计算机可读存储介质 | |
CN115546608A (zh) | 一种无人机数据链电磁干扰分类和威胁评估方法 | |
CN114268981A (zh) | 网络故障检测与诊断方法及系统 | |
CN114440858B (zh) | 移动机器人定位丢失检测方法、系统、设备及存储介质 | |
Shi et al. | WiFi-based activity recognition using activity filter and enhanced correlation with deep learning | |
Soro et al. | Performance comparison of indoor fingerprinting techniques based on artificial neural network | |
CN108696818B (zh) | Wi-Fi指纹定位的距离度量方法及系统 | |
Zhang et al. | Machine learning based protocol classification in unlicensed 5 GHz bands | |
CN114584230B (zh) | 一种基于对抗网络与长短期记忆网络的预测信道建模方法 | |
CN111343664A (zh) | 用户定位方法、装置、设备及介质 | |
CN112016539B (zh) | 信号识别方法、装置、电子设备与存储介质 | |
Malekzadeh et al. | Non-Gaussian BLE-based indoor localization via Gaussian sum filtering coupled with Wasserstein distance | |
CN113596757A (zh) | 一种基于集成宽度学习的快速高精度室内指纹定位方法 | |
CN111866742B (zh) | 一种基于WiFi的室内被动式定位方法 |
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 |