CN110418278A - 一种基于进化神经网络的三维定位系统 - Google Patents

一种基于进化神经网络的三维定位系统 Download PDF

Info

Publication number
CN110418278A
CN110418278A CN201910674951.XA CN201910674951A CN110418278A CN 110418278 A CN110418278 A CN 110418278A CN 201910674951 A CN201910674951 A CN 201910674951A CN 110418278 A CN110418278 A CN 110418278A
Authority
CN
China
Prior art keywords
terminal device
running fix
data
fix terminal
neural network
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.)
Granted
Application number
CN201910674951.XA
Other languages
English (en)
Other versions
CN110418278B (zh
Inventor
尹燕福
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN201910674951.XA priority Critical patent/CN110418278B/zh
Publication of CN110418278A publication Critical patent/CN110418278A/zh
Application granted granted Critical
Publication of CN110418278B publication Critical patent/CN110418278B/zh
Active 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
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
    • 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
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • 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
    • H04W4/024—Guidance services
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Neurology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Physiology (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)
  • Navigation (AREA)

Abstract

本发明公开了一种基于进化神经网络的三维定位系统，该系统包括：一个或多个移动定位终端设备、通信网络、服务器硬件和软件、一个或多个应用终端硬件和软件；所述移动定位终端设备根据用户操作使用的实际需要固定在待定位对象上，使得所述移动定位终端设备随着待定位对象的移动而移动，且所述移动定位终端设备包括卫星定位器、传感器、无线通信器、控制单元、存储器、供电系统、壳体。本发明基于进化神经网络的深度学习和自我迭代特性，自动消除定位对象和装置个体差异导致的系统性定位误差，且无需针对特定室内空间事先建立特征指纹图谱，在应急场景下比现有技术具有更强的适用性。

Description

一种基于进化神经网络的三维定位系统
技术领域
本发明涉及定位技术领域，具体为一种基于进化神经网络的三维定位系统。
背景技术
以北斗和GPS为代表的卫星定位导航技术已经广泛应用，但卫星定位导航技术通常适用于户外空间，在室内、地下等无卫星定位信号的空间内则难以实现有效定位。
统计数据表明，近年来在消防救援行动中牺牲的消防员中，在受困3小时后被找到的占40.1％。在危及消防员安全的突发情况发生后，如能快速定位消防员位置，将为抢救消防人员生命争取宝贵时间，这体现了室内定位技术对于保障消防救援人员生命安全的重要意义。
现有技术中，室内定位主要包括两大技术类型：基于惯性传感器的定位技术、基于无线电信号分析的定位技术。
基于惯性传感器的定位技术，通常要求将惯性传感器固定在定位对象的特定位置上，而后在模拟使用情景中采集传感器输出数据和定位对象位置数据，通过数据拟合等算法建立传感器输出数据到定位对象位置数据的计算模型；而后在真实使用环境中利用模拟情景中建立的预设计算模型，将真实使用环境中采集的传感器数据作为预设计算模型的输入，并将该预设计算模型输出的关于定位数据的预测值作为定位对象位置数据的输出值。基于惯性传感器的定位技术在实际应用中存在的主要问题是：模拟情景无法完全覆盖复杂真实环境可能遇到的所有情况，且定位对象个体本身存在身高、动作幅度、佩带方式、使用习惯等方面的差异，且传感器个体本身存在测量输出值的精度差异，导致预设计算模型输出的定位对象的位置预测值与实际值存在难以控制的误差，并且现有技术没有提供能够消除由于个体差异导致的系统性误差的有效方法。
基于无线电信号分析的定位技术，通常在需要定位的室内空间附近设置至少2个位置已知的基准定位点，在基准定位点设置无线电信号收发装置，在待定位对象上设置无线电信号收发装置，测量待定位对象的无线电信号收发装置与各基准定位点无线电信号收发装置之间的无线电信号传输用时、信号强度等信号特征数值，利用这些特征数值通过差分定位等算法解算出待定位对象的位置数据。基于无线电信号分析的定位技术在实际应用中存在的主要问题是：由于电磁波在复杂室内空间中传播存在散射衰减和多径效应，同一组无线电信号收发装置即使在相对位置完全相同的情况下，位于不同室内空间环境中的信号特征测量数值也存在很大差异，故难以在与室内空间结构相关的信息完全缺失的情形下，得到适用于任意室内空间结构的室内定位解算方法。现有技术通常要事先采集无线电收发装置在待定位室内空间内不同位置的无线电信号特征数值，建立与具体空间位置对应的无线电信号特征数值分布的指纹图谱，而后在应用过程中实时测量无线电信号特征数值，基于指纹特征匹配等算法解算出待定位对象的位置数据。基于无线电信号指纹图谱或其他传感器数值指纹图谱的室内定位技术存在的主要问题是：事先普遍采集所有室内空间内的指纹图谱数据成本高昂，且事故灾害现场的空间结构破坏等不确定因素可能会显著改变空间内部的指纹图谱分布，现有技术没有提供能够纠正事故灾害导致空间内部无线电信号传播特性随机变化造成的定位偏差或定位失效问题的有效方法。
发明内容
本发明的目的在于提供一种基于进化神经网络的三维定位系统，该系统包括：一个或多个移动定位终端设备、通信网络、服务器硬件和软件、一个或多个应用终端硬件和软件；所述移动定位终端设备根据用户操作使用的实际需要固定在待定位对象上，使得所述移动定位终端设备随着待定位对象的移动而移动，且所述移动定位终端设备包括卫星定位器、传感器、无线通信器、控制单元、存储器、供电系统、壳体；
所述通信网络用于实现所述移动定位终端设备、所述服务器硬件和软件、所述应用终端硬件和软件之间的数据传输；
所述服务器硬件和软件用于接收并分析所述移动定位终端设备发送的数据，且自动利用各所述移动定位终端设备发送的数据为各所述移动定位终端设备分别建立一一对应的、个性化的神经网络模型，且随着各所述移动定位终端设备发送的数据的不断积累，所述移动定位终端设备对应的各神经网络模型的持续的迭代完善；
所述应用终端硬件和软件用于接收各所述移动定位终端设备的实时位置数据，并基于这些数据输出所述移动定位终端设备在三维空间中所在位置的视图，该视图是人眼可读的，视图表现形态可以是静态的或动态的，从而帮助所述应用终端硬件和软件的用户快速确定携带所述移动定位终端设备的人员所处的位置；
按照不同的工况，区分启动模式(M0)，以及第一工作模式(M1)、第二工作模式(M2)、第三工作模式(M3)3种工作模式分别实现三维定位；
启动模式(M0)是所述移动定位终端设备加电启动后进入的默认模式，完成系统初始化操作；
第一工作模式(M1)的使用环境特征是：所述移动定位终端设备包含的卫星定位器能够实时输出符合精度阈值要求的三维定位数据，或者具备其他实时定位手段可确定所述移动定位终端设备的三维位置；
第二工作模式(M2)的使用环境特征是：所述移动定位终端设备包含的卫星定位器由于进入室内空间等复杂环境，定位信号受到遮挡、屏蔽、干扰等原因，其卫星定位器不能解算三维定位数据或解算的定位数据不符合精度阈值要求；并且其传感器测量值的时间序列特征，与该地理位置周边的、处在第一工作模式(M1)下的其他所述移动定位终端设备的同型传感器测量值的时间序列特征不存在稳定的同步关系；
第三工作模式(M3)的使用环境特征是：所述移动定位终端设备包含的卫星定位器由于进入车辆、航空器等交通工具内部，定位信号受到遮挡、屏蔽、干扰等原因，其卫星定位器不能解算三维定位数据或解算的定位数据不符合精度阈值要求；但其传感器测量值的时间序列特征，与该地理位置周边的、处在第一工作模式(M1)下的其他所述移动定位终端设备的同型传感器测量值的时间序列特征存在稳定的同步关系。
优选的，在所述启动模式(M0)下，按照以下步骤进行初始化操作：
所述移动定位终端设备A实时判定其卫星定位器能否输出符合精度阈值要求的三维定位数据；若其卫星定位器能够输出符合精度阈值要求的三维定位数据，或者通过其他实时定位手段确定了所述移动定位终端设备A的三维位置，则进入第一工作模式(M1)；若其卫星定位器既不能输出符合精度阈值要求的三维定位数据，也不能通过其他实时定位手段确定所述移动定位终端设备A的三维位置，则所述移动定位终端设备A进入循环等待状态，直至其卫星定位器能够输出符合精度阈值要求的三维定位数据，或者通过其他实时定位手段确定所述移动定位终端设备A的三维位置。
优选的，在所述第一工作模式(M1)下，按照以下步骤进行定位操作：
a1)所述移动定位终端设备A实时判定其卫星定位器能否输出符合精度阈值要求的三维定位数据；若其卫星定位器能够输出符合精度阈值要求的三维定位数据，则使用其卫星定位器输出的三维定位数据作为第一工作模式(M1)下的定位输出数据，并基于卫星定位器接收的卫星授时数据对所述移动定位终端设备内置时钟的时间进行实时校准；若其卫星定位器不能输出符合精度阈值要求的三维定位数据，则进入第二工作模式(M2)；
a2)所述移动定位终端设备A按照预设的时间间隔x，在其存储器中记录当前时刻(记为t)的下列信息集合：
(1.1)所述移动定位终端设备A的内置时钟在t时刻输出的系统时间；
(1.2)所述移动定位终端设备A的卫星定位器在t时刻输出的三维定位数据
(1.3)所述移动定位终端设备A的各传感器自(t-x)时刻到t时刻的时间区间内各传感指标的测量值(如该时间区间内对同一传感指标Sn进行了多次测量，则取该传感指标Sn各次测量结果的平均值作为Sn在t时刻记录的数值)；
(1.4)所述移动定位终端设备在t时刻的工作模式M1；
a3)所述移动定位终端设备A按照预设的时间间隔y1，通过其无线通信器探测位于附近的、身份校验通过的其他所述移动定位终端设备B1～Bn；若能探测到附近的、身份校验通过的其他所述移动定位终端设备，则对于每一个其他所述移动定位终端设备B1～Bn，互相交换彼此的最新记载的m条存储器数据；
a4)所述移动定位终端设备A按照预设的时间间隔y2，判定其无线通信器是否能够对外连通身份校验通过的远端数据收发节点C1～Cn；若其无线通信器能够对外连通身份校验通过的远端数据收发节点C1～Cn，则将其存储器中尚未标记为发送成功状态的数据集合发送至远端数据收发节点C1～Cn，而后将远端数据收发节点确认收到的数据条目标记为发送成功的状态；若其无线通信器不能对外连通任何一个身份校验通过的远端数据收发节点，则不做任何数据操作；
a5)所述服务器硬件和软件将各所述移动定位终端设备发送的数据集合进行持久化存储，并将数据集合中包含的所述移动定位终端设备唯一身份识别码A对应的t时刻的三维定位数据作为该所述移动定位终端设备A的t时刻三维定位坐标；
a6)建立具有进化特性的神经网络，所述服务器硬件和软件需构建的神经网络NA具有以下特征：
使用的神经网络区别于现有技术常用的、固定拓扑的神经网络，无需人工预设神经网络的隐藏层数量、各层神经元数量、神经元之间的初始拓扑关系等超参数，而采用拓扑自主进化的神经网络算法，从神经网络的构建算法的根本机理上为生成结构更优的神经网络提供了可能性，解决了其他神经网络构建技术无法解决的、神经网络模型的预测精度可能随机陷入“局部最优”而无法达到“全局最优”的问题；
NA的输入层是：所述移动定位终端设备A的t时刻的第一工作模式(M1)数据项(1.3)，即t时刻的各传感器的各测量值NA的输出层是：其中与是所述移动定位终端设备A的卫星定位器在(t-x)时刻和t时刻输出的三维定位数据；
NA的隐藏层数量、各隐藏层神经元数量、神经元之间的拓扑关系等超参数，以及神经网络的其他参数，均由神经网络算法通过机器学习自主优化；
所述服务器硬件和软件通过对神经网络NA的若干回合训练迭代，使得训练后的神经网络NA的输出值与实际值的拟合精度小于或等于预设的精度阈值ε；将训练得到的神经网络NA作为该所述移动定位终端设备A在第二工作模式(M2)下的最新的、个性化的三维定位数据解算模型，并将该神经网络NA的定义通过所述通信网络推送至所述移动定位终端设备A，作为其第二工作模式(M2)下本地三维定位输出数据的解算模型。
优选的，在所述第二工作模式(M2)下，按照以下步骤进行定位操作：
b1)所述移动定位终端设备A实时判定其卫星定位器能否输出符合精度阈值要求的三维定位数据；若其卫星定位器能够输出符合精度阈值要求的三维定位数据，则进入第一工作模式(M1)；若其卫星定位器不能输出符合精度阈值要求的三维定位数据，则继续保持第二工作模式(M2)；
b2)所述移动定位终端设备A按照预设的时间间隔x，在其存储器中记录当前时刻(记为t)的下列信息集合：
(2.1)所述移动定位终端设备A的内置时钟在t时刻输出的系统时间；
(2.2)所述移动定位终端设备A的各传感器自(t-x)时刻到t时刻的时间区间内各传感指标的测量值如该时间区间内对同一传感指标Sn进行了多次测量，则取该传感指标Sn各次测量结果的平均值作为Sn在t时刻记录的数值；
(2.3)所述移动定位终端设备A在t时刻的工作模式M2；
b3)所述移动定位终端设备A按照预设的时间间隔y1，通过其无线通信器探测位于附近的、身份校验通过的其他所述移动定位终端设备B1～Bn；若能探测到附近的、身份校验通过的其他所述移动定位终端设备，则对于每一个其他所述移动定位终端设备B1～Bn，互相交换彼此的最新记载的m条存储器数据，并将同一时刻的B1～Bn的传感器数据与A的传感器数据进行比对分析并判断时间同步关系，通常采用预先训练好的神经网络NB，将同一时刻的两组数据作为神经网络NB的输入，将稳定同步关系的是非判断结论的预测值实数R∈[0，1]作为神经网络的输出，若存在一个或多个Bsync处于第一工作模式(M1)且与A存在稳定的同步关系，则A进入第三工作模式(M3)，并将各Bsync的唯一身份识别码写入己方存储器；若不能探测到处于第一工作模式(M1)且与A存在稳定的同步关系的Bsync，则A继续保持第二工作模式(M2)；
b4)所述移动定位终端设备A按照预设的时间间隔y2，判定其无线通信器是否能够对外连通身份校验通过的远端数据收发节点C1～Cn；若其无线通信器能够对外连通身份校验通过的远端数据收发节点C1～Cn，则将其存储器中尚未标记为发送成功状态的数据集合，即附加采集该数据的所述移动定位终端设备的唯一身份识别码发送至远端数据收发节点C1～Cn，而后将远端数据收发节点确认收到的数据条目标记为发送成功的状态；若其无线通信器不能对外连通任何一个身份校验通过的远端数据收发节点，则不做任何数据操作；
b5)所述服务器硬件和软件将各所述移动定位终端设备发送的数据集合进行持久化存储，并对于数据集合中包含的各所述移动定位终端设备唯一身份识别码对应的第二工作模式(M2)数据，提取该所述移动定位终端设备A对应的个性化三维定位数据解算神经网络NA，将A的t时刻的第二工作模式(M2)数据项作为神经网络NA的输入，神经网络NA的输出即是从(t-x)时刻到t时刻的时间区间内三维定位数据的差值的预测值向量并将与(t-x)时刻的三维定位数据相加，即得到t时刻的三维定位数据的预测值作为该所述移动定位终端设备的t时刻三维定位坐标。
优选的，在所述第三工作模式(M3)下，按照以下步骤进行定位操作：
c1)所述移动定位终端设备A实时判定其卫星定位器能否输出符合精度阈值要求的三维定位数据；若其卫星定位器能够输出符合精度阈值要求的三维定位数据，则进入第一工作模式(M1)；若其卫星定位器不能输出符合精度阈值要求的三维定位数据，则继续保持第三工作模式(M3)；
c2)所述移动定位终端设备A按照预设的时间间隔x，在其存储器中记录当前时刻，记为t的下列信息集合：
(3.1)所述移动定位终端设备A的内置时钟在t时刻输出的系统时间；
(3.2)所述移动定位终端设备A的各传感器自(t-x)时刻到t时刻的时间区间内各传感指标的测量值(如该时间区间内对同一传感指标Sn进行了多次测量，则取该传感指标Sn各次测量结果的平均值作为Sn在t时刻记录的数值)；
(3.3)所述移动定位终端设备A在t时刻的工作模式M3；
(3.4)所述移动定位终端设备A存储器记载的、处于第一工作模式(M1)且与A存在稳定的同步关系的、其他所述移动定位终端设备Bsync的唯一身份识别码的集合；
c3)所述移动定位终端设备A按照预设的时间间隔y1，通过其无线通信器探测位于附近的、身份校验通过的其他所述移动定位终端设备B1～Bn；若能探测到附近的、身份校验通过的其他所述移动定位终端设备，则对于每一个其他所述移动定位终端设备B1～Bn，互相交换彼此的最新记载的m条存储器数据，并将同一时刻的B1～Bn的传感器数据与A的传感器数据进行比对分析并判断时间同步关系，通常采用预先训练好的神经网络NB，将同一时刻的两组数据作为神经网络NB的输入，将稳定同步关系的是非判断结论的预测值实数R∈[0，1]作为神经网络的输出，若存在一个或多个Bsync处于第一工作模式(M1)且与A存在稳定的同步关系，则A继续保持第三工作模式(M3)，并将各Bsync的唯一身份识别码写入己方存储器；若不能探测到处于第一工作模式(M1)且与A存在稳定的同步关系的Bsync，则A进入第二工作模式(M2)；
c4)所述移动定位终端设备A按照预设的时间间隔y2，判定其无线通信器是否能够对外连通身份校验通过的远端数据收发节点C1～Cn，通常为所述服务器硬件和软件；若其无线通信器能够对外连通身份校验通过的远端数据收发节点C1～Cn，则将其存储器中尚未标记为发送成功状态的数据集合，既附加采集该数据的所述移动定位终端设备的唯一身份识别码发送至远端数据收发节点C1～Cn，而后将远端数据收发节点确认收到的数据条目标记为发送成功的状态；若其无线通信器不能对外连通任何一个身份校验通过的远端数据收发节点，则不做任何数据操作；
c5)所述服务器硬件和软件将各所述移动定位终端设备发送的数据集合进行持久化存储，并对于数据集合中包含的各所述移动定位终端设备唯一身份识别码对应的第三工作模式数据，从A的t时刻的第三工作模式(M3)数据项(3.4)中，通过计算机算法选定同步匹配度最高的第一工作模式(M1)的终端设备Bsync-max，采用预先训练好的神经网络NB，将同一时刻的Bsync和A的两组传感器测量数据作为神经网络NB的输入，将稳定同步关系的是非判断结论的预测值实数R∈[0，1]作为神经网络的输出，将使得NB输出值最大的Bsync选定为Bsync-max，并将终端设备B的(t-x)时刻到t时刻的时间区间内卫星定位器输出的三维定位数据向量与的差值的向量与终端设备A的(t-x)时刻的三维定位数据向量相加，即得到t时刻的终端设备A的三维定位数据的预测值作为终端设备A的t时刻三维定位坐标。
优选的，所述移动定位终端设备包括卫星定位器或其他类型的高精度定位装置、可选传感器，既下列加速度传感器、磁传感器、气压传感器、温度传感器、重力传感器中一个或多个传感器任意组合，无线通信器、控制单元、存储器、供电系统、壳体，且所述移动定位终端设备执行相关动作，实现定位功能；所述移动定位终端设备加电启动且进入第一工作模式(M1)，若不发生断电或人为强制重新启动的情形，则所述移动定位终端设备自动识别所处的工作环境，并在第一工作模式(M1)、第二工作模式(M2)、第三工作模式(M3)间自动切换，实现各种工况下的连续定位，自动校准；
所述移动定位终端设备使用的传感器是按需配置的，并不限定于某种具有一个或多个传感器的特定组合，具体实施时可根据具体使用环境的特点，选取一个或多个传感器用于采集所述移动定位终端设备所处位置的相关信息，进而应用所述基于进化神经网络的三维定位系统，实现所述移动定位终端设备的位置计算；所述移动定位终端设备作为一种面向可穿戴设计的便携装置，所述移动定位终端设备在待定位对象上的安装位置是任意选定的，具体实施时根据待定位对象的使用习惯、或待定位对象所在组织机构的标准规范相对固定即可，可以自动适应每个待定位对象个体对于所述移动定位终端设备的具体安装位置和使用习惯，并自动优化用于计算定位的神经网络，随着使用数据的积累，逐渐提高定位精度；
所述移动定位终端设备在向远端数据收发节点C1～Cn传输尚未发送的数据时，考虑到其存储器中可能已经积累了大量的尚未发送的数据，在尚未发送的数据中，优先发送距当前时间最近的数据，从而保证应用层面尽可能优先获得所述移动定位终端设备的、最新的定位数据。
优选的，所述移动定位终端设备之间，设置若干个数据收发节点作为数据存储转发的中继节点，并用所述通信网络实现上述各节点间的互联互通，且即便所述通信网络临时发生中断，各中继节点仍以自身存储器容量上限为限最大限度保存各所述移动定位终端设备发送的数据，每当所述通信网络恢复通信能力，则向数据的接收方所在方向传递尚未发送的数据，所述服务器硬件和软件对数据进行统一的去重和归集存储，从而在系统层面实现最大限度的数据采集能力；
进一步建立神经网络NC，以所述移动定位终端设备上某一种传感器传感指标的测量值为输出，以所述移动定位终端设备上除该种传感器以外的其他传感器传感指标的测量值为输入；通过对NC的训练和优化，可以找到某一种传感器传感指标与除该种传感器以外的其他传感器传感指标的相对稳定的相关关系，从而在实际应用中，通过比对NC输出的预测值和该种传感器实际输出的传感指标得出关于NC预测值与实际测量值的偏离度的量化判断指标，对于偏离指标超出正常阈值的传感器，可发出故障预警，帮助及时发现和修复出现故障征兆的所述移动定位终端设备，从而为持续保证定位精度提供有效的措施。
优选的，满足具体应用需求的所述应用终端硬件和软件，其上运行计算机指令，计算机指令被处理器运行时，完成以下步骤：通过所述通信网络，接收各移动定位终端设备的实时位置数据，并基于这些数据，输出各移动定位终端设备在三维空间中所在位置的视图，该视图是人眼可读的，该视图的表现形态可以是静态的或动态的、二维的或三维的，从而帮助计算机可读存储介质的用户快速确定携带移动定位终端设备的人员所处的位置；计算机可读存储介质在输出移动定位终端设备在三维空间中所在位置的视图的基础上，可更进一步地将某个所述计算机可读存储介质与某个所述移动定位终端设备建立一一对应的关联关系，从而可以将该所述移动定位终端设备的实时位置，视为该计算机可读存储介质的实时位置，从而该所述计算机可读存储介质可以更进一步地输出：该所述计算机可读存储介质的位置、与用户任意指定的另一所述移动定位终端设备的位置，以及反映这两个位置在三维空间中的相对位置关系的、人眼可读的视图；并在该计算机可读存储介质上，进一步地输出从该所述计算机可读存储介质当前位置，到用户指定的另一所述移动定位终端设备位置的机动路线等引导提示信息，从而对持有该计算机可读存储介质的用户提供导航信息，使其尽快到达用户指定的另一所述移动定位终端设备所在的位置。
与现有技术相比，本发明的有益效果是：本发明基于进化神经网络的深度学习和自我迭代特性，自动消除定位对象和装置个体差异导致的系统性定位误差，且无需针对特定室内空间事先建立特征指纹图谱，在应急场景下比现有技术具有更强的适用性。
附图说明
图1为本发明实施例典型操作环境示意图；
图2为本发明启动模式(M0)的工作原理示意图；
图3为本发明第一工作模式(M1)的工作原理示意图；
图4为本发明第二工作模式(M2)的工作原理示意图；
图5为本发明第三工作模式(M3)的工作原理示意图；
图6为本发明启动模式(M0)、第一工作模式(M1)、第二工作模式(M2)、第三工作模式(M3)的转换方式示意图；
图7为本发明实施例进化神经网络的NEAT算法将两个神经网络基因组进行杂交的过程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合具体实施例，对本发明进行进一步详细说明。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。
实施例1
如图1所示，基于进化神经网络的三维定位系统，采用以下技术方案：
预先搭建一定位系统，该系统包括：一个或多个移动定位终端设备、通信网络、服务器硬件和软件、一个或多个应用终端硬件和软件；
所述移动定位终端设备根据用户操作使用的实际需要固定在待定位对象上，使得所述移动定位终端设备随着待定位对象的移动而移动，且所述移动定位终端设备包括卫星定位器(或其他类型的高精度定位装置)、可选传感器(一个或多个传感器的按需任意组合，例如：加速度传感器、磁传感器、气压传感器、温度传感器、重力传感器等)、无线通信器、控制单元、存储器、供电系统、壳体；
所述通信网络用于实现所述移动定位终端设备、所述服务器硬件和软件、所述应用终端硬件和软件之间的数据传输；
所述服务器硬件和软件用于接收并分析所述移动定位终端设备发送的数据，且自动利用各所述移动定位终端设备发送的数据为各所述移动定位终端设备分别建立一一对应的、个性化的神经网络模型，且随着各所述移动定位终端设备发送的数据的不断积累，自动完成所述移动定位终端设备对应的各神经网络模型的持续的迭代完善(即持续进化)，且基于持续自我进化的、个性化的神经网络分别计算各所述移动定位终端设备的实时位置，从而实现所述移动定位终端设备的定位精度的持续提升；
所述应用终端硬件和软件用于接收各所述移动定位终端设备的实时位置数据，并基于这些数据输出所述移动定位终端设备在三维空间中所在位置的视图，该视图是人眼可读的，视图表现形态可以是静态的或动态的，从而帮助所述应用终端硬件和软件的用户快速确定携带所述移动定位终端设备的人员所处的位置。
基于本发明提出的技术方案，按照不同的工况，区分启动模式(M0)，以及第一工作模式(M1)、第二工作模式(M2)、第三工作模式(M3)3种工作模式分别实现三维定位：
启动模式(M0)是所述移动定位终端设备加电启动后进入的默认模式，完成系统初始化操作；
第一工作模式(M1)的使用环境特征是：所述移动定位终端设备包含的卫星定位器能够实时输出符合精度阈值要求的三维定位数据，或者具备其他实时定位手段可确定所述移动定位终端设备的三维位置；
第二工作模式(M2)的使用环境特征是：所述移动定位终端设备包含的卫星定位器由于进入室内空间等复杂环境，定位信号受到遮挡、屏蔽、干扰等原因，其卫星定位器不能解算三维定位数据或解算的定位数据不符合精度阈值要求；并且其传感器测量值的时间序列特征，与该地理位置周边的、处在第一工作模式(M1)下的其他所述移动定位终端设备的同型传感器测量值的时间序列特征不存在稳定的同步关系；
第三工作模式(M3)的使用环境特征是：所述移动定位终端设备包含的卫星定位器由于进入车辆、航空器等交通工具内部，定位信号受到遮挡、屏蔽、干扰等原因，其卫星定位器不能解算三维定位数据或解算的定位数据不符合精度阈值要求；但其传感器测量值的时间序列特征，与该地理位置周边的、处在第一工作模式(M1)下的其他所述移动定位终端设备(通常为交通工具自身固定安装的所述移动定位终端，或者是靠近车窗等卫星定位信号强度充足位置的人员携行的所述移动定位终端)的同型传感器测量值的时间序列特征存在稳定的同步关系。
在启动模式(M0)下，如图2所示，按照以下步骤进行初始化操作：
所述移动定位终端设备A实时判定其卫星定位器能否输出符合精度阈值要求的三维定位数据；若其卫星定位器能够输出符合精度阈值要求的三维定位数据，或者通过其他实时定位手段确定了所述移动定位终端设备A的三维位置，则进入第一工作模式(M1)；若其卫星定位器既不能输出符合精度阈值要求的三维定位数据，也不能通过其他实时定位手段确定所述移动定位终端设备A的三维位置，则所述移动定位终端设备A进入循环等待状态，直至其卫星定位器能够输出符合精度阈值要求的三维定位数据，或者通过其他实时定位手段确定所述移动定位终端设备A的三维位置。
在第一工作模式(M1)下，如图3所示，按照以下步骤进行定位操作：
a1)所述移动定位终端设备A实时判定其卫星定位器能否输出符合精度阈值要求的三维定位数据；若其卫星定位器能够输出符合精度阈值要求的三维定位数据，则使用其卫星定位器输出的三维定位数据作为第一工作模式(M1)下的定位输出数据，并基于卫星定位器接收的卫星授时数据对所述移动定位终端设备内置时钟的时间进行实时校准；若其卫星定位器不能输出符合精度阈值要求的三维定位数据，则进入第二工作模式(M2)；
a2)所述移动定位终端设备A按照预设的时间间隔x，在其存储器中记录当前时刻(记为t)的下列信息集合：
(1.1)所述移动定位终端设备A的内置时钟在t时刻输出的系统时间；
(1.2)所述移动定位终端设备A的卫星定位器在t时刻输出的三维定位数据
(1.3)所述移动定位终端设备A的各传感器自(t-x)时刻到t时刻的时间区间内各传感指标的测量值(如该时间区间内对同一传感指标Sn进行了多次测量，则取该传感指标Sn各次测量结果的平均值作为Sn在t时刻记录的数值)；
(1.4)所述移动定位终端设备在t时刻的工作模式M1(即第一工作模式)；
a3)所述移动定位终端设备A按照预设的时间间隔y1，通过其无线通信器探测位于附近的、身份校验通过的其他所述移动定位终端设备B1～Bn；若能探测到附近的、身份校验通过的其他所述移动定位终端设备，则对于每一个其他所述移动定位终端设备B1～Bn，互相交换彼此的最新记载的m条存储器数据；
a4)所述移动定位终端设备A按照预设的时间间隔y2，判定其无线通信器是否能够对外连通身份校验通过的远端数据收发节点C1～Cn(通常为所述服务器硬件和软件)；若其无线通信器能够对外连通身份校验通过的远端数据收发节点C1～Cn，则将其存储器中尚未标记为发送成功状态的数据集合(附加采集该数据的所述移动定位终端设备的唯一身份识别码)发送至远端数据收发节点C1～Cn，而后将远端数据收发节点确认收到的数据条目标记为发送成功的状态；若其无线通信器不能对外连通任何一个身份校验通过的远端数据收发节点，则不做任何数据操作；
a5)所述服务器硬件和软件将各所述移动定位终端设备发送的数据集合进行持久化存储，并将数据集合中包含的所述移动定位终端设备唯一身份识别码A对应的t时刻的三维定位数据作为该所述移动定位终端设备A的t时刻三维定位坐标；
a6)建立具有进化特性的神经网络，具体方法为：
训练数据集的自动选取：所述服务器硬件和软件按照预设的时间间隔z和预设的数据分析数量n，采取一定的代表性采样策略(例如，将不同季节时间段或气温区间的数据作为代表性策略，以自动适应传感器件在各种工况下的响应特性差异)，分别从积累的各所述移动定位终端设备发送的数据集合的全集中，自动提取每一个所述移动定位终端设备A在第一工作模式(M1)下的时间连续的上报数据(如上报数据不足n条则全部提取)作为机器学习的训练数据集；
神经网络拓扑和参数的自动训练迭代优化：本发明使用的神经网络区别于现有技术常用的、固定拓扑的神经网络，无需人工预设神经网络的隐藏层数量、各层神经元数量、神经元之间的初始拓扑关系等超参数，而采用拓扑自主进化的神经网络算法(例如，增强拓扑神经演化算法，即NEURO EVOLUTION OF AUGMENTING TOPOLOGIES[NEAT])，从神经网络的构建算法的根本机理上为生成结构更优的神经网络提供了可能性，解决了其他神经网络构建技术无法解决的、神经网络模型的预测精度可能随机陷入“局部最优”而无法达到“全局最优”的问题；
传统的神经网络演化方法中，在网络进化开始前，网络结构就会被选定；常规网络结构采用3层网络(输入层-隐含层-输出层)，隐含层的每一个节点与输入输出的每一个节点相连；通过具有较好表现(适应度值高)的神经网络权重结构的繁殖、交叉、变异等手段，演化算法搜索了整个网络权值空间；因此这种固定拓扑结构的演化方法仅仅只是优化了网络结构的权重；然而并不只是网络结构的权重影响着网络的性能，网络的拓扑结构也对整个神经网络有着重大的影响；实验证明同时进化网络权重与网络拓扑结构能够简化网络结构，加快运算速度，提高输出精度；本实施例中，利用一种新型的演化学习方法：增强拓扑神经演化算法(NEURO EVOLUTION OF AUGMENTING TOPOLOGIES[NEAT])，利用它在进化网络权重的同时保持网络结构的最简化；
NEAT算法的思想借鉴于遗传算法，所以整个算法结构也与遗传算法类似；首先需要对神经网络结构进行基因的编码操作，之后再经过基因的繁殖、突变与杂交，得到新的一代个体；最后需要对所有新得到的个体进行种群保护，防止创新的个体在潜力发挥出来之前由于适应度值低而被淘汰；
本实施例在第一工作模式(M1)下，所述服务器硬件和软件需构建的神经网络NA具有以下特征：
NA的输入层是：所述移动定位终端设备A的t时刻的第一工作模式(M1)数据项(1.3)，即t时刻各传感器的各测量值
NA的输出层是：其中与是所述移动定位终端设备A的卫星定位器在(t-x)时刻和t时刻输出的三维定位数据；
NA的隐藏层数量、各隐藏层神经元数量、神经元之间的拓扑关系等超参数，以及神经网络的其他参数，均由NEAT算法通过机器学习自主优化，具体方法为：a6-1)NA的初始节点输入输出定义：将所述移动定位终端设备A的t时刻的第一工作模式(M1)数据项(1.3)，即t时刻各传感器的各测量值作为NA的输入节点；
将作为NA的输出节点，节点输入输出定义的数据结构如下表所示：
a6-2)网络结构的基因编码：NEAT算法的遗传编码方案的目的是便于两个神经网络结构之间的基因杂交，因此基因组采用网络连接的线性化表示，每个基因组表示一个特定的网络结构；这个特定的基因组中包含一系列的连接基因列表(connection genes)；每一个连接基因列表表示一组连接；连接中包括连接的创新编号(innovation number)、连接的输入节点编号(in-node number)、输出节点编号(out-node number)、连接标志位(enable bit)与连接权重(connection weight)；连接标志位用于标志此连接是否失效，连接的创新编号用于找到对应的基因，网络结构的基因编码的数据结构如下表所示：
连接的创新编号 输入节点编号 输出节点编号 连接标志位 连接权重
m 1 n+1 1 0.5
m+1 1 n+2 1 0.5
m+2 1 n+3 1 0.5
m+3 1 n+4 1 0.5
m+4 2 n+4 1 0.5
m+5 n+4 n+1 1 0.5
m+6 n+4 n+2 1 0.5
m+7 n+4 n+3 1 0.5
…… …… …… …… ……
a6-3)神经网络基因突变操作：在NEAT算法中的突变分为网络结构的突变和连接权重的突变；连接权重的突变与传统的神经网络算法一致；网络结构的突变分为两种，一种是添加节点突变(Mutate Add Node)，另一种是添加两个节点之间的连接突变(Mutate AddConnection)；
添加节点突变中，一个现有的网络连接被断开，插入一个新生成的节点，并且节点突变后对神经网络系统输入输出不能产生改变；算法设定由于突变节点所产生的两个新的连接中新节点与之前连接的输入节点之间的权重设为1，而新节点与之前连接的输出节点之间的权重沿袭之前的连接的权重；
在连接突变中，在两个现有无连接的节点之间，产生一个新的连接；系统将判断是否给予新的创新编号；同时将会产生一个符合正态分布的随机数值作为权重；
a6-4)神经网络基因杂交操作：由于突变，在NEAT算法中的代表神经网络结构的基因组会逐渐扩大；不同结构基因组大小不一定相同；在同一位置也有可能是不同的连接；随着不断的进化，最终会形成众多具有不同拓扑结构和权重的基因组；因此在杂交过程中需要一类信息用以精确地分辨某一个基因应该与其他基因组的哪一个基因匹配；这一类信息就是每个基因的历史来源，如果两个基因组拥有同样的历史来源，即使它们可能有不一样的网络权重，也一定表示它们具有一样的网络结构；因为它们都具有相同的来自在之前祖先的基因(即未突变之前的结构，或者未杂交之前的结构)；因此所有的系统需要知道这些基因的历史来源；
NEAT算法中，通过创新编号来标记一个基因的历史来源；系统确切地知道具有相同创新编号的基因相互匹配；为了详细地描述一个创新，需要在算法中具备以下信息：
创新编号，突变类型(节点/连接突变)，输入节点编号，输出节点编号，节点编号，节点类型；
一个通过结构突变产生的连接基因，系统搜索已有历史创新编号，判断是否为已有的连接，没有发现已有相同的连接，系统才会按序分配一个新的连接基因，同时更新全局创新表，全局创新表的数据结构如下表所示：
图7展示了NEAT算法将两个基因组进行杂交的过程；每个基因的顶部所示编号表示这个基因的创新编号(innovation number)，创新编号具备历史标记功能，用以确定每个连接基因的最原始的连接，同时创新编号只能被增加不能被取消，连接基因创新编号唯一对应着特定的连接的输入节点与输出节点；杂交过程中，那些在基因组中拥有相同创新编号的基因被称为匹配的基因；那些在基因组内不能匹配的基因被称为脱落基因(disjointgenes)，那些超过基因组创新编号的基因被为过量基因(excess genes)；上述严格的创新编号命名规则设定，用以保证不同网络结构的神经网络能够共用一套创新编号；在后续操作中，只要这些基因组杂交，其后代将继承每个相同基因的创新编号；创新编号始终不会改变；因此，对每一个基因的历史渊源，系统都可以被追根溯源；
如图7所示，图中使用利用创新编号对不同拓扑结构的神经网络进行基因组的杂交，虽然父代1和父代2看起来在结构上截然不同，但是它们创新编号数字却标志着哪些基因是相互匹配的；不需要任何的拓扑分析，仅仅借助创新编号，结合父代们结构上相同与不同之处的网络结构可以很方便地生成；
a6-5)通过种群对基因进行保护：形成物种的主要目的在于细分种群，种群内的基因组自相竞争，而不是与基因组的全集竞争；这种方法将保护新诞生的创新拓扑网络在一个较小威胁的环境下生存，它们将有时间通过不断竞争优化自身结构；具体解决办法是将基因组的全集划分为若干个种群，将具有类似的拓扑结构的网络个体划分在同一个物种中；这项任务演变成为了一个拓扑匹配的问题；创新编号作为历史标记信息，再一次提供了有效的解决方案；
在两个基因组之间的脱落基因和过剩基因的数目代表了两个基因组之间的差距；不相交的两个基因之间的脱落基因越多，表示两个基因组之间共同进化的时间越少，它们之间的兼容性也越小；因此，可以通过测量不同基因组之间的距离δ划分种群；通过脱落基因的数目E与过剩基因的数目D的线性组合，再加上匹配基因的平均权重就得到了两个基因组之间的距离：
式中参数c1、c2和c3表示各个量之间的相对重要程度，N表示在基因组中神经网络个体拥有的最多基因数目，用于单位化距离δ，即把两个基因组的距离控制在0-1之间；
为了方便动态设置种群之间的兼容性距离阈值δt，需要实时测量基因组的距离δ；在第一代中，由于没有种群存在，NEAT算法会把随机生成的第一个个体放入该种群；接下来的每一个个体将按照以下规则放入种群：当一个个体生成之后会和第一个种群的随机选定的个体对比兼容性距离阈值δt，而这个被选定的个体将会作为这个种群的永久代表；如果这个个体与永久个体的距离小于阈值距离，这个个体将归于这个种群；如果大于这个种群的阈值距离，NEAT算法将会建立一个新的种群容纳这个个体，并将按出现顺序赋予种群标号；之后的每一个个体都将与每个种群的代表个体计算距离，并决定归属哪一个种群或者新建一个种群；随着个体的进化，个体出现多样性，形成的种群逐渐增多；但NEAT算法规定了在基因组全集中的种群数，所以这里需要采用动态阈值限定种群数目，当现有种群数较少，适当拉大阈值，产生更多的种群，每个种群个体数目将降低；当种群数超过限定数目时，减低阈值，让每个种群拥有更多的个体，同时种群数减少；
NEAT算法划分种群的主要目的在于限定个体只能与同一个种群内相近的个体进行竞争；作为一种遗传迭代演化机制，NEAT算法必须保护新产生的种群；这些种群带有基因上的创新性与潜力，但初期种群个体适应度值较低，因此NEAT算法采用显式适应度共享(explicit fitness sharing)机制保护新生种群；这种机制要求同一个种群的个体共同分享适应度值；每个个体的共享适应度值按照下列公式计算：
其中N表示每一代总的人口中的个体数；fi表示每个个体与环境交互之后得到的适应度值；sh(x)为一个分段函数；当个体的距离δ小于阀值δt时，sh(x)为1，当距离δ大于阀值δt时，sh(x)为0；对某一个种群而言，种群内个体数增加得越多，个体的适应度值越低；这有效限制了一些暂时拥有较好适应度值得种群大范围的繁殖；同时小规模的种群所受限制较小，被鼓励发展，这样基因组的全集能够很好地体现多样性；
NEAT算法规定一个种群在经历多代的进化后，仍然在适应度值上没有得到提高，系统将会淘汰掉这个种群，除非这个种群拥有总人口中的最高适应度值的个体；
a6-6)迭代演化方法：NEAT算法设定基因组全集的个体在进化起始阶段拥有统一的网络结构，为了保持网络结构的最小化，所有的网络只包含输入节点与输出节点，中间不含有隐含层节点，即输入节点直接与输出节点相连；新的结构通过基因的突变与杂交被逐步引入；只有那些拥有高适应度值的个体能够存活下来；换言之，在NEAT算法中所有的神经结构都是公平的；由于个体的结构简单，需要搜索的空间维度数少；搜索速度比固定拓扑结构的神经网络更快；简单的初始结构与较少的搜索维度给了NEAT算法更多的优势；
本实施例在第一工作模式(M1)下，所述服务器硬件和软件通过NEAT算法对神经网络NA的若干回合训练迭代，使得训练后的神经网络NA的输出值与实际值的拟合精度(即NA的误差函数输出值)小于或等于预设的精度阈值ε；将训练得到的神经网络NA作为该所述移动定位终端设备A在第二工作模式(M2)下的最新的、个性化的三维定位数据解算模型，并将该神经网络NA的定义通过所述通信网络推送至所述移动定位终端设备A，作为其第二工作模式(M2)下本地三维定位输出数据的解算模型。
在第二工作模式(M2)下，如图4所示，按照以下步骤进行定位操作：
b1)所述移动定位终端设备A实时判定其卫星定位器能否输出符合精度阈值要求的三维定位数据；若其卫星定位器能够输出符合精度阈值要求的三维定位数据，则进入第一工作模式(M1)；若其卫星定位器不能输出符合精度阈值要求的三维定位数据，则继续保持第二工作模式(M2)；
b2)所述移动定位终端设备A按照预设的时间间隔x，在其存储器中记录当前时刻(记为t)的下列信息集合：
(2.1)所述移动定位终端设备A的内置时钟在t时刻输出的系统时间；
(2.2)所述移动定位终端设备A的各传感器自(t-x)时刻到t时刻的时间区间内各传感指标的测量值(如该时间区间内对同一传感指标Sn进行了多次测量，则取该传感指标Sn各次测量结果的平均值作为Sn在t时刻记录的数值)；
(2.3)所述移动定位终端设备A在t时刻的工作模式M2(即第二工作模式)；
b3)所述移动定位终端设备A按照预设的时间间隔y1，通过其无线通信器探测位于附近的、身份校验通过的其他所述移动定位终端设备B1～Bn；若能探测到附近的、身份校验通过的其他所述移动定位终端设备，则对于每一个其他所述移动定位终端设备B1～Bn，互相交换彼此的最新记载的m条存储器数据，并将同一时刻的B1～Bn的传感器数据与A的传感器数据进行比对分析并判断时间同步关系(通常采用预先训练好的神经网络NB，将同一时刻的两组数据作为神经网络NB的输入，将稳定同步关系的是非判断结论的预测值实数R∈[0，1]作为神经网络的输出)，若存在一个或多个Bsync处于第一工作模式(M1)且与A存在稳定的同步关系，则A进入第三工作模式(M3)，并将各Bsync的唯一身份识别码写入己方存储器；若不能探测到处于第一工作模式(M1)且与A存在稳定的同步关系的Bsync，则A继续保持第二工作模式(M2)；
b4)所述移动定位终端设备A按照预设的时间间隔y2，判定其无线通信器是否能够对外连通身份校验通过的远端数据收发节点C1～Cn(通常为所述服务器硬件和软件)；若其无线通信器能够对外连通身份校验通过的远端数据收发节点C1～Cn，则将其存储器中尚未标记为发送成功状态的数据集合(附加采集该数据的所述移动定位终端设备的唯一身份识别码)发送至远端数据收发节点C1～Cn，而后将远端数据收发节点确认收到的数据条目标记为发送成功的状态；若其无线通信器不能对外连通任何一个身份校验通过的远端数据收发节点，则不做任何数据操作；
b5)所述服务器硬件和软件将各所述移动定位终端设备发送的数据集合进行持久化存储，并对于数据集合中包含的各所述移动定位终端设备唯一身份识别码(例如A)对应的第二工作模式(M2)数据，提取该所述移动定位终端设备A对应的个性化三维定位数据解算神经网络NA，将A的t时刻的第二工作模式(M2)数据项(2.2)(即t时刻各传感器的各测量值)作为神经网络NA的输入，神经网络NA的输出即是从(t-x)时刻到t时刻的时间区间内三维定位数据的差值的预测值向量并将与(t-x)时刻的三维定位数据相加，即得到t时刻的三维定位数据的预测值作为该所述移动定位终端设备的t时刻三维定位坐标。
在第三工作模式(M3)下，如图5所示，按照以下步骤进行定位操作：
c1)所述移动定位终端设备A实时判定其卫星定位器能否输出符合精度阈值要求的三维定位数据；若其卫星定位器能够输出符合精度阈值要求的三维定位数据，则进入第一工作模式(M1)；若其卫星定位器不能输出符合精度阈值要求的三维定位数据，则继续保持第三工作模式(M3)；
c2)所述移动定位终端设备A按照预设的时间间隔x，在其存储器中记录当前时刻(记为t)的下列信息集合：
(3.1)所述移动定位终端设备A的内置时钟在t时刻输出的系统时间；
(3.2)所述移动定位终端设备A的各传感器自(t-x)时刻到t时刻的时间区间内各传感指标的测量值(如该时间区间内对同一传感指标Sn进行了多次测量，则取该传感指标Sn各次测量结果的平均值作为Sn在t时刻记录的数值)；
(3.3)所述移动定位终端设备A在t时刻的工作模式M3(即第三工作模式)；
(3.4)所述移动定位终端设备A存储器记载的、处于第一工作模式(M1)且与A存在稳定的同步关系的、其他所述移动定位终端设备Bsync的唯一身份识别码的集合；
c3)所述移动定位终端设备A按照预设的时间间隔y1，通过其无线通信器探测位于附近的、身份校验通过的其他所述移动定位终端设备B1～Bn；若能探测到附近的、身份校验通过的其他所述移动定位终端设备，则对于每一个其他所述移动定位终端设备B1～Bn，互相交换彼此的最新记载的m条存储器数据，并将同一时刻的B1～Bn的传感器数据与A的传感器数据进行比对分析并判断时间同步关系(通常采用预先训练好的神经网络NB，将同一时刻的两组数据作为神经网络NB的输入，将稳定同步关系的是非判断结论的预测值实数R∈[0，1]作为神经网络的输出)，若存在一个或多个Bsync处于第一工作模式(M1)且与A存在稳定的同步关系，则A继续保持第三工作模式(M3)，并将各Bsync的唯一身份识别码写入己方存储器；若不能探测到处于第一工作模式(M1)且与A存在稳定的同步关系的Bsync，则A进入第二工作模式(M2)；
c4)所述移动定位终端设备A按照预设的时间间隔y2，判定其无线通信器是否能够对外连通身份校验通过的远端数据收发节点C1～Cn(通常为所述服务器硬件和软件)；若其无线通信器能够对外连通身份校验通过的远端数据收发节点C1～Cn，则将其存储器中尚未标记为发送成功状态的数据集合(附加采集该数据的所述移动定位终端设备的唯一身份识别码)发送至远端数据收发节点C1～Cn，而后将远端数据收发节点确认收到的数据条目标记为发送成功的状态；若其无线通信器不能对外连通任何一个身份校验通过的远端数据收发节点，则不做任何数据操作；
c5)所述服务器硬件和软件将各所述移动定位终端设备发送的数据集合进行持久化存储，并对于数据集合中包含的各所述移动定位终端设备唯一身份识别码(例如A)对应的第三工作模式数据，从A的t时刻的第三工作模式(M3)数据项(3.4)中，通过计算机算法选定同步匹配度最高的第一工作模式(M1)的终端设备Bsync-max(例如，采用预先训练好的神经网络NB，将同一时刻的Bsync和A的两组传感器测量数据作为神经网络NB的输入，将稳定同步关系的是非判断结论的预测值实数R∈[0，1]作为神经网络的输出，将使得NB输出值最大的Bsync选定为Bsync-max)，并将终端设备B的(t-x)时刻到t时刻的时间区间内卫星定位器输出的三维定位数据向量与的差值的向量与终端设备A的(t-x)时刻的三维定位数据向量相加，即得到t时刻的终端设备A的三维定位数据的预测值作为终端设备A的t时刻三维定位坐标。
实施例二：提供了一种移动定位终端设备，即实施例一所述基于进化神经网络的三维定位方法涉及的所述移动定位终端设备，根据用户操作使用的实际需要，将所述移动定位终端设备固定在待定位对象上，使得所述移动定位终端设备随着待定位对象的移动而移动，且所述移动定位终端设备包括卫星定位器(或其他类型的高精度定位装置)、可选传感器(一个或多个传感器的按需任意组合，例如：加速度传感器、磁传感器、气压传感器、温度传感器、重力传感器等)、无线通信器、控制单元、存储器、供电系统、壳体，且所述移动定位终端设备按照实施例一所述的基于进化神经网络的三维定位方法，执行相关动作，实现定位功能。
实施例三：提供了一种基于进化神经网络的三维定位应用系统，即采用实施例一所述基于进化神经网络的三维定位方法的所述服务器硬件和软件，用于接收并分析实施例二所述移动定位终端设备发送的数据，并按照实施例一所述的基于进化神经网络的三维定位方法，执行相关动作，计算、存储、输出各实施例二所述移动定位终端设备的实时位置，并实现实施例二所述移动定位终端设备的定位精度的持续提升。
实施例四：提供了一种计算机可读存储介质，即利用实施例一所述基于进化神经网络的三维定位方法，能够满足具体应用需求的所述应用终端硬件和软件，其上运行计算机指令，所述计算机指令被处理器运行时，完成以下步骤：通过实施例一所述通信网络，接收各实施例二所述移动定位终端设备的实时位置数据，并基于这些数据，输出各实施例二所述移动定位终端设备在三维空间中所在位置的视图，该视图是人眼可读的，该视图的表现形态可以是静态的或动态的、二维的或三维的，从而帮助所述计算机可读存储介质的用户快速确定携带实施例二所述移动定位终端设备的人员所处的位置。
以上所述，仅为本发明较佳的具体实施方式，但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，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (8)

1.一种基于进化神经网络的三维定位系统，其特征在于：该系统包括：一个或多个移动定位终端设备、通信网络、服务器硬件和软件、一个或多个应用终端硬件和软件；所述移动定位终端设备根据用户操作使用的实际需要固定在待定位对象上，使得所述移动定位终端设备随着待定位对象的移动而移动，且所述移动定位终端设备包括卫星定位器、传感器、无线通信器、控制单元、存储器、供电系统、壳体；
所述通信网络用于实现所述移动定位终端设备、所述服务器硬件和软件、所述应用终端硬件和软件之间的数据传输；
所述服务器硬件和软件用于接收并分析所述移动定位终端设备发送的数据，且自动利用各所述移动定位终端设备发送的数据为各所述移动定位终端设备分别建立一一对应的、个性化的神经网络模型，且随着各所述移动定位终端设备发送的数据的不断积累，所述移动定位终端设备对应的各神经网络模型的持续的迭代完善；
所述应用终端硬件和软件用于接收各所述移动定位终端设备的实时位置数据，并基于这些数据输出所述移动定位终端设备在三维空间中所在位置的视图，该视图是人眼可读的，视图表现形态可以是静态的或动态的，从而帮助所述应用终端硬件和软件的用户快速确定携带所述移动定位终端设备的人员所处的位置；
按照不同的工况，区分启动模式(M0)，以及第一工作模式(M1)、第二工作模式(M2)、第三工作模式(M3)3种工作模式分别实现三维定位；
启动模式(M0)是所述移动定位终端设备加电启动后进入的默认模式，完成系统初始化操作；
第一工作模式(M1)的使用环境特征是：所述移动定位终端设备包含的卫星定位器能够实时输出符合精度阈值要求的三维定位数据，或者具备其他实时定位手段可确定所述移动定位终端设备的三维位置；
第二工作模式(M2)的使用环境特征是：所述移动定位终端设备包含的卫星定位器由于进入室内空间等复杂环境，定位信号受到遮挡、屏蔽、干扰等原因，其卫星定位器不能解算三维定位数据或解算的定位数据不符合精度阈值要求；并且其传感器测量值的时间序列特征，与该地理位置周边的、处在第一工作模式(M1)下的其他所述移动定位终端设备的同型传感器测量值的时间序列特征不存在稳定的同步关系；
第三工作模式(M3)的使用环境特征是：所述移动定位终端设备包含的卫星定位器由于进入车辆、航空器等交通工具内部，定位信号受到遮挡、屏蔽、干扰等原因，其卫星定位器不能解算三维定位数据或解算的定位数据不符合精度阈值要求；但其传感器测量值的时间序列特征，与该地理位置周边的、处在第一工作模式(M1)下的其他所述移动定位终端设备的同型传感器测量值的时间序列特征存在稳定的同步关系。
2.根据权利要求1所述的一种基于进化神经网络的三维定位系统，其特征在于：在所述启动模式(M0)下，按照以下步骤进行初始化操作：
所述移动定位终端设备A实时判定其卫星定位器能否输出符合精度阈值要求的三维定位数据；若其卫星定位器能够输出符合精度阈值要求的三维定位数据，或者通过其他实时定位手段确定了所述移动定位终端设备A的三维位置，则进入第一工作模式(M1)；若其卫星定位器既不能输出符合精度阈值要求的三维定位数据，也不能通过其他实时定位手段确定所述移动定位终端设备A的三维位置，则所述移动定位终端设备A进入循环等待状态，直至其卫星定位器能够输出符合精度阈值要求的三维定位数据，或者通过其他实时定位手段确定所述移动定位终端设备A的三维位置。
3.根据权利要求1所述的一种基于进化神经网络的三维定位系统，其特征在于：在所述第一工作模式(M1)下，按照以下步骤进行定位操作：
a1)所述移动定位终端设备A实时判定其卫星定位器能否输出符合精度阈值要求的三维定位数据；若其卫星定位器能够输出符合精度阈值要求的三维定位数据，则使用其卫星定位器输出的三维定位数据作为第一工作模式(M1)下的定位输出数据，并基于卫星定位器接收的卫星授时数据对所述移动定位终端设备内置时钟的时间进行实时校准；若其卫星定位器不能输出符合精度阈值要求的三维定位数据，则进入第二工作模式(M2)；
a2)所述移动定位终端设备A按照预设的时间间隔x，在其存储器中记录当前时刻(记为t)的下列信息集合：
(1.1)所述移动定位终端设备A的内置时钟在t时刻输出的系统时间；
(1.2)所述移动定位终端设备A的卫星定位器在t时刻输出的三维定位数据
(1.3)所述移动定位终端设备A的各传感器自(t-x)时刻到t时刻的时间区间内各传感指标的测量值(如该时间区间内对同一传感指标Sn进行了多次测量，则取该传感指标Sn各次测量结果的平均值作为Sn在t时刻记录的数值)；
(1.4)所述移动定位终端设备在t时刻的工作模式M1；
a3)所述移动定位终端设备A按照预设的时间间隔y1，通过其无线通信器探测位于附近的、身份校验通过的其他所述移动定位终端设备B1～Bn；若能探测到附近的、身份校验通过的其他所述移动定位终端设备，则对于每一个其他所述移动定位终端设备B1～Bn，互相交换彼此的最新记载的m条存储器数据；
a4)所述移动定位终端设备A按照预设的时间间隔y2，判定其无线通信器是否能够对外连通身份校验通过的远端数据收发节点C1～Cn；若其无线通信器能够对外连通身份校验通过的远端数据收发节点C1～Cn，则将其存储器中尚未标记为发送成功状态的数据集合发送至远端数据收发节点C1～Cn，而后将远端数据收发节点确认收到的数据条目标记为发送成功的状态；若其无线通信器不能对外连通任何一个身份校验通过的远端数据收发节点，则不做任何数据操作；
a5)所述服务器硬件和软件将各所述移动定位终端设备发送的数据集合进行持久化存储，并将数据集合中包含的所述移动定位终端设备唯一身份识别码A对应的t时刻的三维定位数据Pt＝(Xt，Yt，Zt)，作为该所述移动定位终端设备A的t时刻三维定位坐标；
a6)建立具有进化特性的神经网络，所述服务器硬件和软件需构建的神经网络NA具有以下特征：
使用的神经网络区别于现有技术常用的、固定拓扑的神经网络，无需人工预设神经网络的隐藏层数量、各层神经元数量、神经元之间的初始拓扑关系等超参数，而采用拓扑自主进化的神经网络算法，从神经网络的构建算法的根本机理上为生成结构更优的神经网络提供了可能性，解决了其他神经网络构建技术无法解决的、神经网络模型的预测精度可能随机陷入“局部最优”而无法达到“全局最优”的问题；
NA的输入层是：所述移动定位终端设备A的t时刻的第一工作模式(M1)数据项(1.3)，即t时刻的各传感器的各测量值NA的输出层是：其中与是所述移动定位终端设备A的卫星定位器在(t-x)时刻和t时刻输出的三维定位数据；
NA的隐藏层数量、各隐藏层神经元数量、神经元之间的拓扑关系等超参数，以及神经网络的其他参数，均由神经网络算法通过机器学习自主优化；
所述服务器硬件和软件通过对神经网络NA的若干回合训练迭代，使得训练后的神经网络NA的输出值与实际值的拟合精度小于或等于预设的精度阈值ε；将训练得到的神经网络NA作为该所述移动定位终端设备A在第二工作模式(M2)下的最新的、个性化的三维定位数据解算模型，并将该神经网络NA的定义通过所述通信网络推送至所述移动定位终端设备A，作为其第二工作模式(M2)下本地三维定位输出数据的解算模型。
4.根据权利要求1所述的一种基于进化神经网络的三维定位系统，其特征在于：在所述第二工作模式(M2)下，按照以下步骤进行定位操作：
b1)所述移动定位终端设备A实时判定其卫星定位器能否输出符合精度阈值要求的三维定位数据；若其卫星定位器能够输出符合精度阈值要求的三维定位数据，则进入第一工作模式(M1)；若其卫星定位器不能输出符合精度阈值要求的三维定位数据，则继续保持第二工作模式(M2)；
b2)所述移动定位终端设备A按照预设的时间间隔x，在其存储器中记录当前时刻(记为t)的下列信息集合：
(2.1)所述移动定位终端设备A的内置时钟在t时刻输出的系统时间；
(2.2)所述移动定位终端设备A的各传感器自(t-x)时刻到t时刻的时间区间内各传感指标的测量值如该时间区间内对同一传感指标Sn进行了多次测量，则取该传感指标Sn各次测量结果的平均值作为Sn在t时刻记录的数值；
(2.3)所述移动定位终端设备A在t时刻的工作模式M2；
b3)所述移动定位终端设备A按照预设的时间间隔y1，通过其无线通信器探测位于附近的、身份校验通过的其他所述移动定位终端设备B1～Bn；若能探测到附近的、身份校验通过的其他所述移动定位终端设备，则对于每一个其他所述移动定位终端设备B1～Bn，互相交换彼此的最新记载的m条存储器数据，并将同一时刻的B1～Bn的传感器数据与A的传感器数据进行比对分析并判断时间同步关系，通常采用预先训练好的神经网络NB，将同一时刻的两组数据作为神经网络NB的输入，将稳定同步关系的是非判断结论的预测值实数R∈[0，1]作为神经网络的输出，若存在一个或多个Bsync处于第一工作模式(M1)且与A存在稳定的同步关系，则A进入第三工作模式(M3)，并将各Bsync的唯一身份识别码写入己方存储器；若不能探测到处于第一工作模式(M1)且与A存在稳定的同步关系的Bsync，则A继续保持第二工作模式(M2)；
b4)所述移动定位终端设备A按照预设的时间间隔y2，判定其无线通信器是否能够对外连通身份校验通过的远端数据收发节点C1～Cn；若其无线通信器能够对外连通身份校验通过的远端数据收发节点C1～Cn，则将其存储器中尚未标记为发送成功状态的数据集合，即附加采集该数据的所述移动定位终端设备的唯一身份识别码发送至远端数据收发节点C1～Cn，而后将远端数据收发节点确认收到的数据条目标记为发送成功的状态；若其无线通信器不能对外连通任何一个身份校验通过的远端数据收发节点，则不做任何数据操作；
b5)所述服务器硬件和软件将各所述移动定位终端设备发送的数据集合进行持久化存储，并对于数据集合中包含的各所述移动定位终端设备唯一身份识别码对应的第二工作模式(M2)数据，提取该所述移动定位终端设备A对应的个性化三维定位数据解算神经网络NA，将A的t时刻的第二工作模式(M2)数据项作为神经网络NA的输入，神经网络NA的输出即是从(t-x)时刻到t时刻的时间区间内三维定位数据的差值的预测值向量并将与(t-x)时刻的三维定位数据相加，即得到t时刻的三维定位数据的预测值作为该所述移动定位终端设备的t时刻三维定位坐标。
5.根据权利要求1所述的一种基于进化神经网络的三维定位系统，其特征在于：在所述第三工作模式(M3)下，按照以下步骤进行定位操作：
c1)所述移动定位终端设备A实时判定其卫星定位器能否输出符合精度阈值要求的三维定位数据；若其卫星定位器能够输出符合精度阈值要求的三维定位数据，则进入第一工作模式(M1)；若其卫星定位器不能输出符合精度阈值要求的三维定位数据，则继续保持第三工作模式(M3)；
c2)所述移动定位终端设备A按照预设的时间间隔x，在其存储器中记录当前时刻，记为t的下列信息集合：
(3.1)所述移动定位终端设备A的内置时钟在t时刻输出的系统时间；
(3.2)所述移动定位终端设备A的各传感器自(t-x)时刻到t时刻的时间区间内各传感指标的测量值(如该时间区间内对同一传感指标Sn进行了多次测量，则取该传感指标Sn各次测量结果的平均值作为Sn在t时刻记录的数值)；
(3.3)所述移动定位终端设备A在t时刻的工作模式M3；
(3.4)所述移动定位终端设备A存储器记载的、处于第一工作模式(M1)且与A存在稳定的同步关系的、其他所述移动定位终端设备Bsync的唯一身份识别码的集合；
c3)所述移动定位终端设备A按照预设的时间间隔y1，通过其无线通信器探测位于附近的、身份校验通过的其他所述移动定位终端设备B1～Bn；若能探测到附近的、身份校验通过的其他所述移动定位终端设备，则对于每一个其他所述移动定位终端设备B1～Bn，互相交换彼此的最新记载的m条存储器数据，并将同一时刻的B1～Bn的传感器数据与A的传感器数据进行比对分析并判断时间同步关系，通常采用预先训练好的神经网络NB，将同一时刻的两组数据作为神经网络NB的输入，将稳定同步关系的是非判断结论的预测值实数R∈[0，1]作为神经网络的输出，若存在一个或多个Bsync处于第一工作模式(M1)且与A存在稳定的同步关系，则A继续保持第三工作模式(M3)，并将各Bsync的唯一身份识别码写入己方存储器；若不能探测到处于第一工作模式(M1)且与A存在稳定的同步关系的Bsync，则A进入第二工作模式(M2)；
c4)所述移动定位终端设备A按照预设的时间间隔y2，判定其无线通信器是否能够对外连通身份校验通过的远端数据收发节点C1～Cn，通常为所述服务器硬件和软件；若其无线通信器能够对外连通身份校验通过的远端数据收发节点C1～Cn，则将其存储器中尚未标记为发送成功状态的数据集合，既附加采集该数据的所述移动定位终端设备的唯一身份识别码发送至远端数据收发节点C1～Cn，而后将远端数据收发节点确认收到的数据条目标记为发送成功的状态；若其无线通信器不能对外连通任何一个身份校验通过的远端数据收发节点，则不做任何数据操作；
c5)所述服务器硬件和软件将各所述移动定位终端设备发送的数据集合进行持久化存储，并对于数据集合中包含的各所述移动定位终端设备唯一身份识别码对应的第三工作模式数据，从A的t时刻的第三工作模式(M3)数据项(3.4)中，通过计算机算法选定同步匹配度最高的第一工作模式(M1)的终端设备Bsync-max，采用预先训练好的神经网络NB，将同一时刻的Bsync和A的两组传感器测量数据作为神经网络NB的输入，将稳定同步关系的是非判断结论的预测值实数R∈[0，1]作为神经网络的输出，将使得NB输出值最大的Bsync选定为Bsync-max，并将终端设备B的(t-x)时刻到t时刻的时间区间内卫星定位器输出的三维定位数据向量与的差值的向量与终端设备A的(t-x)时刻的三维定位数据向量相加，即得到t时刻的终端设备A的三维定位数据的预测值作为终端设备A的t时刻三维定位坐标。
6.根据权利要求1所述的一种基于进化神经网络的三维定位系统，其特征在于：所述移动定位终端设备包括卫星定位器或其他类型的高精度定位装置、可选传感器，既下列加速度传感器、磁传感器、气压传感器、温度传感器、重力传感器中一个或多个传感器任意组合，无线通信器、控制单元、存储器、供电系统、壳体，且所述移动定位终端设备执行相关动作，实现定位功能；所述移动定位终端设备加电启动且进入第一工作模式(M1)，若不发生断电或人为强制重新启动的情形，则所述移动定位终端设备自动识别所处的工作环境，并在第一工作模式(M1)、第二工作模式(M2)、第三工作模式(M3)间自动切换，实现各种工况下的连续定位，自动校准；
所述移动定位终端设备使用的传感器是按需配置的，并不限定于某种具有一个或多个传感器的特定组合，具体实施时可根据具体使用环境的特点，选取一个或多个传感器用于采集所述移动定位终端设备所处位置的相关信息，进而应用所述基于进化神经网络的三维定位系统，实现所述移动定位终端设备的位置计算；所述移动定位终端设备作为一种面向可穿戴设计的便携装置，所述移动定位终端设备在待定位对象上的安装位置是任意选定的，具体实施时根据待定位对象的使用习惯、或待定位对象所在组织机构的标准规范相对固定即可，可以自动适应每个待定位对象个体对于所述移动定位终端设备的具体安装位置和使用习惯，并自动优化用于计算定位的神经网络，随着使用数据的积累，逐渐提高定位精度；
所述移动定位终端设备在向远端数据收发节点C1～Cn传输尚未发送的数据时，考虑到其存储器中可能已经积累了大量的尚未发送的数据，在尚未发送的数据中，优先发送距当前时间最近的数据，从而保证应用层面尽可能优先获得所述移动定位终端设备的、最新的定位数据。
7.根据权利要求1所述的一种基于进化神经网络的三维定位系统，其特征在于：所述移动定位终端设备之间，设置若干个数据收发节点作为数据存储转发的中继节点，并用所述通信网络实现上述各节点间的互联互通，且即便所述通信网络临时发生中断，各中继节点仍以自身存储器容量上限为限最大限度保存各所述移动定位终端设备发送的数据，每当所述通信网络恢复通信能力，则向数据的接收方所在方向传递尚未发送的数据，所述服务器硬件和软件对数据进行统一的去重和归集存储，从而在系统层面实现最大限度的数据采集能力；
进一步建立神经网络NC，以所述移动定位终端设备上某一种传感器传感指标的测量值为输出，以所述移动定位终端设备上除该种传感器以外的其他传感器传感指标的测量值为输入；通过对NC的训练和优化，可以找到某一种传感器传感指标与除该种传感器以外的其他传感器传感指标的相对稳定的相关关系，从而在实际应用中，通过比对NC输出的预测值和该种传感器实际输出的传感指标得出关于NC预测值与实际测量值的偏离度的量化判断指标，对于偏离指标超出正常阈值的传感器，可发出故障预警，帮助及时发现和修复出现故障征兆的所述移动定位终端设备，从而为持续保证定位精度提供有效的措施。
8.根据权利要求1所述的一种基于进化神经网络的三维定位系统，其特征在于：满足具体应用需求的所述应用终端硬件和软件，其上运行计算机指令，计算机指令被处理器运行时，完成以下步骤：通过所述通信网络，接收各移动定位终端设备的实时位置数据，并基于这些数据，输出各移动定位终端设备在三维空间中所在位置的视图，该视图是人眼可读的，该视图的表现形态可以是静态的或动态的、二维的或三维的，从而帮助计算机可读存储介质的用户快速确定携带移动定位终端设备的人员所处的位置；计算机可读存储介质在输出移动定位终端设备在三维空间中所在位置的视图的基础上，可更进一步地将某个所述计算机可读存储介质与某个所述移动定位终端设备建立一一对应的关联关系，从而可以将该所述移动定位终端设备的实时位置，视为该计算机可读存储介质的实时位置，从而该所述计算机可读存储介质可以更进一步地输出：该所述计算机可读存储介质的位置、与用户任意指定的另一所述移动定位终端设备的位置，以及反映这两个位置在三维空间中的相对位置关系的、人眼可读的视图；并在该计算机可读存储介质上，进一步地输出从该所述计算机可读存储介质当前位置，到用户指定的另一所述移动定位终端设备位置的机动路线等引导提示信息，从而对持有该计算机可读存储介质的用户提供导航信息，使其尽快到达用户指定的另一所述移动定位终端设备所在的位置。
CN201910674951.XA 2019-07-25 2019-07-25 一种基于进化神经网络的三维定位系统 Active CN110418278B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910674951.XA CN110418278B (zh) 2019-07-25 2019-07-25 一种基于进化神经网络的三维定位系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910674951.XA CN110418278B (zh) 2019-07-25 2019-07-25 一种基于进化神经网络的三维定位系统

Publications (2)

Publication Number Publication Date
CN110418278A true CN110418278A (zh) 2019-11-05
CN110418278B CN110418278B (zh) 2021-11-09

Family

ID=68363040

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910674951.XA Active CN110418278B (zh) 2019-07-25 2019-07-25 一种基于进化神经网络的三维定位系统

Country Status (1)

Country Link
CN (1) CN110418278B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111313943A (zh) * 2020-02-20 2020-06-19 东南大学 深度学习辅助的大规模天线阵列下的三维定位方法及装置
CN111539514A (zh) * 2020-04-16 2020-08-14 北京百度网讯科技有限公司 用于生成神经网络的结构的方法和装置
US20220035045A1 (en) * 2021-02-05 2022-02-03 Beijing Baidu Netcom Science Technology Co., Ltd. Ephemeris data processing method, electronic device and storage medium
US20220120917A1 (en) * 2020-10-21 2022-04-21 Idciti.Com Apparatus and method for generating gnss signal

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU5620398A (en) * 1996-12-26 1998-07-31 Ksi Inc. Communications localization system
CN101871782A (zh) * 2010-05-19 2010-10-27 北京航空航天大学 基于set2fnn的gps/mems-ins组合导航系统定位误差预测方法
CN102711247A (zh) * 2012-07-06 2012-10-03 济南大学 一种免锚节点的三维无线传感器网络物理定位方法
CN106912105A (zh) * 2017-03-08 2017-06-30 哈尔滨理工大学 基于pso_bp神经网络的三维定位方法
CN107390246A (zh) * 2017-07-06 2017-11-24 电子科技大学 一种基于遗传神经网络的gps/ins组合导航方法
CN108632764A (zh) * 2018-04-02 2018-10-09 浙江大学 一种多传感器选择性量测数据融合估计算法
CN108955676A (zh) * 2018-08-01 2018-12-07 东南大学 深海潜器导航系统和用于深海潜器状态切换的数据融合方法
CN109239654A (zh) * 2018-08-21 2019-01-18 中国人民解放军战略支援部队信息工程大学 基于神经网络的时差定位结果纠偏方法
US10271040B1 (en) * 2018-08-09 2019-04-23 Alive 3D Dynamic angle viewing system
CN109948791A (zh) * 2017-12-21 2019-06-28 河北科技大学 利用遗传算法优化bp神经网络的方法及其在定位中的应用

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU5620398A (en) * 1996-12-26 1998-07-31 Ksi Inc. Communications localization system
CN101871782A (zh) * 2010-05-19 2010-10-27 北京航空航天大学 基于set2fnn的gps/mems-ins组合导航系统定位误差预测方法
CN102711247A (zh) * 2012-07-06 2012-10-03 济南大学 一种免锚节点的三维无线传感器网络物理定位方法
CN106912105A (zh) * 2017-03-08 2017-06-30 哈尔滨理工大学 基于pso_bp神经网络的三维定位方法
CN107390246A (zh) * 2017-07-06 2017-11-24 电子科技大学 一种基于遗传神经网络的gps/ins组合导航方法
CN109948791A (zh) * 2017-12-21 2019-06-28 河北科技大学 利用遗传算法优化bp神经网络的方法及其在定位中的应用
CN108632764A (zh) * 2018-04-02 2018-10-09 浙江大学 一种多传感器选择性量测数据融合估计算法
CN108955676A (zh) * 2018-08-01 2018-12-07 东南大学 深海潜器导航系统和用于深海潜器状态切换的数据融合方法
US10271040B1 (en) * 2018-08-09 2019-04-23 Alive 3D Dynamic angle viewing system
CN109239654A (zh) * 2018-08-21 2019-01-18 中国人民解放军战略支援部队信息工程大学 基于神经网络的时差定位结果纠偏方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
S. LI等: "A Recurrent Neural Network for Inter-Localization of Mobile Phones", 《WCCI 2012 IEEE WORLD CONGRESS ON COMPUTATIONALLNTELIIGENCE》 *
胡郁葱等: "基于BP神经网络的车辆定位融合模型", 《华南理工大学学报》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111313943A (zh) * 2020-02-20 2020-06-19 东南大学 深度学习辅助的大规模天线阵列下的三维定位方法及装置
CN111539514A (zh) * 2020-04-16 2020-08-14 北京百度网讯科技有限公司 用于生成神经网络的结构的方法和装置
CN111539514B (zh) * 2020-04-16 2023-06-06 北京百度网讯科技有限公司 用于生成神经网络的结构的方法和装置
US20220120917A1 (en) * 2020-10-21 2022-04-21 Idciti.Com Apparatus and method for generating gnss signal
US20220035045A1 (en) * 2021-02-05 2022-02-03 Beijing Baidu Netcom Science Technology Co., Ltd. Ephemeris data processing method, electronic device and storage medium

Also Published As

Publication number Publication date
CN110418278B (zh) 2021-11-09

Similar Documents

Publication Publication Date Title
CN110418278A (zh) 一种基于进化神经网络的三维定位系统
Hilsenbeck et al. Graph-based data fusion of pedometer and WiFi measurements for mobile indoor positioning
CN102724751B (zh) 一种基于非现场勘测的无线室内定位方法
CN108141943A (zh) 用于自动化的照明器材位置映射的系统和方法
CN105938189B (zh) 多人协作式楼层定位方法和系统
CN106415305B (zh) 定位误差半径确定
CN101981527A (zh) 对异步分布式系统中的时钟进行同步
CN101711390A (zh) 用于宽区域监视的有限数量传感器的合理布置的方法
CN106612217A (zh) 使用机器可读代码来测试通信网络的系统和方法
CN102223711B (zh) 一种基于遗传算法的无线传感器网络节点定位方法
CN107508632A (zh) 一种同路由光缆故障定位方法和装置
CN108650245A (zh) 基于增强现实技术的物联网系统及运行方法
EP2758796A1 (en) Method for reconstructing the map of an environment surrounding a wireless device and wireless device implementing such method
CN106886467B (zh) 基于分组-综合多目标进化的多任务测试优选方法
Khruahong et al. Multi-level indoor navigation ontology for high assurance location-based services
Zimmerman et al. Market‐based frequency domain decomposition for automated mode shape estimation in wireless sensor networks
Singh et al. Optimized localization using naked mole‐rat algorithm in dynamic wireless sensor networks
Jourdan Wireless sensor network planning with application to UWB localization in GPS-denied environments
Sun et al. Multi-robot range-only SLAM by active sensor nodes for urban search and rescue
Fernández Pérez et al. Decentralized innovation marking for neural controllers in embodied evolution
Peña-Rios et al. A type-2 fuzzy logic based system for augmented reality visualisation of georeferenced data
KR101466668B1 (ko) 위치정보 분류방법 및 이를 위한 장치
Vasin et al. Autonomous indoor 3D navigation
Petrova et al. Modelling of location detection for indoor navigation systems
Arpaia et al. Ant-search strategy based on likelihood trail intensity modification for multiple-fault diagnosis in sensor networks

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