CN110519704A - 一种基于时间约束的信号稀疏表示模型的定位方法及系统 - Google Patents
一种基于时间约束的信号稀疏表示模型的定位方法及系统 Download PDFInfo
- Publication number
- CN110519704A CN110519704A CN201910806398.0A CN201910806398A CN110519704A CN 110519704 A CN110519704 A CN 110519704A CN 201910806398 A CN201910806398 A CN 201910806398A CN 110519704 A CN110519704 A CN 110519704A
- Authority
- CN
- China
- Prior art keywords
- signal
- client
- site
- sparse
- current location
- 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
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
-
- 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
- H04W4/029—Location-based management or tracking services
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种基于时间约束的信号稀疏表示模型的定位方法及系统,方法包括:获取客户在网点当前位置的信号;基于客户在网点当前位置的信号,以及经过时间约束因子优化的信号稀疏表示模型,获得客户在网点的当前位置信息。本发明能够根据客户当前位置的信号以及经过时间约束因子优化的信号稀疏表示模型准确定位到客户当前在网点的准确位置,便于后续对客户行为进行准确分析。
Description
技术领域
本发明涉及信号处理技术领域,尤其涉及一种基于时间约束的信号稀疏表示模型的定位方法及系统。
背景技术
目前客户在银行网点办理业务的时间平均来说相对较久,在等待办理业务的时间内,客户有时会在等待区等待,有时会在体验区体验银行推出的产品。由此可以看出,在客户等待办理业务的时间内,如果能够知道每个客户在银行网点的具体位置,对分析挖掘客户的潜在业务能力有一定的帮助。
因此,如何有效的定位客户在银行网点的具体位置,是一项亟待解决的问题。
发明内容
有鉴于此,本发明提供了一种基于时间约束的信号稀疏表示模型的定位方法,能够有效的定位到客户在银行网点的具体位置。
本发明提供了一种基于时间约束的信号稀疏表示模型的定位方法,包括:
获取客户在网点当前位置的信号;
基于所述客户在网点当前位置的信号,以及经过时间约束因子优化的信号稀疏表示模型,获得所述客户在网点的当前位置信息。
优选地,所述方法还包括:
基于获得的所述客户在网点的当前位置信息对客户的行为进行分析,输出客户行为分析结果。
优选地,所述在获取客户在网点当前位置的信号前,还包括:
收集网点已知坐标的不同位置上的信号强度;
基于已知坐标的不同位置,以及对应的信号强度构建信号指纹库。
优选地,所述方法还包括:
基于所述信号指纹库,通过模拟客户在网点的路径,构建信号稀疏表示模型;
在所述信号稀疏表示模型中添加时间约束因子对所述信号稀疏表示模型进行优化,得到优化后的信号稀疏表示模型。
一种基于时间约束的信号稀疏表示模型的定位系统,包括:
获取模块,用于获取客户在网点当前位置的信号;
定位模块,用于基于所述客户在网点当前位置的信号,以及经过时间约束因子优化的信号稀疏表示模型,获得所述客户在网点的当前位置信息。
优选地,所述系统还包括:
分析模块,用于基于获得的所述客户在网点的当前位置信息对客户的行为进行分析,输出客户行为分析结果。
优选地,所述系统还包括:
信息收集模块,用于收集网点已知坐标的不同位置上的信号强度;
指纹库构建模块,用于基于已知坐标的不同位置,以及对应的信号强度构建信号指纹库。
优选地,所述系统还包括:
模型构建模块,用于基于所述信号指纹库,通过模拟客户在网点的路径,构建信号稀疏表示模型;
优化模型模块,用于在所述信号稀疏表示模型中添加时间约束因子对所述信号稀疏表示模型进行优化,得到优化后的信号稀疏表示模型。
综上所述,本发明公开了一种基于时间约束的信号稀疏表示模型的定位方法,当需要准确定位客户在网点的位置时,首先获取客户在网点当前位置的信号,然后基于客户在网点当前位置的信号,以及经过时间约束因子优化的信号稀疏表示模型,获得客户在网点的当前位置信息。本发明能够根据客户当前位置的信号以及经过时间约束因子优化的信号稀疏表示模型准确定位到客户当前在网点的准确位置,便于后续对客户行为进行准确分析。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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为本发明公开的一种基于时间约束的信号稀疏表示模型的定位方法实施例1的方法流程图;
图2为本发明公开的一种基于时间约束的信号稀疏表示模型的定位方法实施例2的方法流程图;
图3为本发明公开的一种基于时间约束的信号稀疏表示模型的定位系统实施例1的结构示意图;
图4为本发明公开的一种基于时间约束的信号稀疏表示模型的定位系统实施例2的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,为本发明公开的一种基于时间约束的信号稀疏表示模型的定位方法实施例1的方法流程图,所述方法可以包括以下步骤:
S101、获取客户在网点当前位置的信号;
当客户进入银行网点,需要对客户在网点的具体位置进行准确定位时,首先获取到客户在银行网点当前位置的信号。
具体的,在获取客户在网点当前位置的信号时,可以通过客户在进入网点时领取的排队号码牌获取到。其中,排队号码牌预先需要进行特殊的处理和制作,使得号码牌可以进行无线信号的收集与存储,并在激活后能够进行信号的发送。
S102、基于客户在网点当前位置的信号,以及经过时间约束因子优化的信号稀疏表示模型,获得客户在网点的当前位置信息。
当获取到客户在网点当前位置的信号后,进一步根据经过时间约束因子优化的信号稀疏表示模型,在模型中确定出与客户在网点当前位置的信号强度近似的信号强度值,并根据近似的信号强度值在模型中对应的位置来确定客户在网点的当前位置。
需要说明的是,稀疏表示是指在给定的超完备字典中用尽可能少的原子来表示信号,可以获得信号更为简洁的表示方式,从而更容易地获取信号中所蕴含的信息,更方便进一步对信号进行加工处理。
综上所述,在上述实施例中,当需要准确定位客户在网点的位置时,首先获取客户在网点当前位置的信号,然后基于客户在网点当前位置的信号,以及经过时间约束因子优化的信号稀疏表示模型,获得客户在网点的当前位置信息。本发明能够根据客户当前位置的信号以及经过时间约束因子优化的信号稀疏表示模型准确定位到客户当前在网点的准确位置,便于后续对客户行为进行准确分析。
如图2所示,为本发明公开的一种基于时间约束的信号稀疏表示模型的定位方法实施例2的方法流程图,所述方法可以包括以下步骤:
S201、收集网点已知坐标的不同位置上的信号强度;
S202、基于已知坐标的不同位置,以及对应的信号强度构建信号指纹库;
S203、基于信号指纹库,通过模拟客户在网点的路径,构建信号稀疏表示模型;
S204、在信号稀疏表示模型中添加时间约束因子对信号稀疏表示模型进行优化,得到优化后的信号稀疏表示模型;
S205、获取客户在网点当前位置的信号;
S206、基于客户在网点当前位置的信号,以及经过时间约束因子优化的信号稀疏表示模型,获得客户在网点的当前位置信息;
S207、基于获得的客户在网点的当前位置信息对客户的行为进行分析,输出客户行为分析结果。
具体的,在上述实施例中,稀疏表示是近年来关于图像识别、计算机视觉等领域的研究热点,它通过尽可能少的非0系数表示原始信号的主要信息,从而使信号处理的求解过程变得更加简单容易。在信号处理领域,稀疏表示的一个重要应用就是压缩采样。
解决稀疏问题包括基函数字典矩阵ψ的选取和稀疏问题的求解算法。一般的字典ψ都是过完备字典,满足正交等性质;对于稀疏问题的求解算法,由于稀疏表示的本质是凸问题的求解,因此可以直接使用如内点法的一般性解决凸优化问题的算法去求解,但是普通的算法并不能很好地解决稀疏性问题,所以,针对稀疏求解的特殊性,提出如GP算法、IST算法、ALM算法去求解稀疏问题,这些算法一方面解决了稀疏问题的求解,也同时推动了稀疏表示在实际问题中的应用。
稀疏表示的数学模型大致如下:对一个一维离散信号x,它由有限长的实值组成,可以看作是在RM空间的M×1维的列向量,元素为x[n],n=1,2,…,M。在RM空间的任何信号都可以用N×1维的正交基向的线性组合表示,则x表示为x=ψθ。
把向量作为列向量形成M×N的正交基字典矩阵任意信号x都可以表示为(1-1)
其中θ是加权系数构成的N×1的列向量。显然,x和θ是同一个信号的等价表示,x是信号在实域的表示,θ是信号在ψ域的表示。上式中要求N>M,根据线性代数的知识可知,稀疏方程有无穷多组的解,根据稀疏的条件,可以在所有的可行解中挑出非零元素最少的解,也就是满足稀疏性。于是得到如下的数学模型(1-2):
min||x||0 s.t. x=ψθ (1-2)
目标函数中为零范数约束,是NP难题,Terry证明,在一定条件下,零范数问题与一范数问题是等价的,于是上述模型转化为(1-3):
min||x||1 s.t. x=ψθ (1-3)
现有的信号稀疏表示方法可以分为正交基稀疏表示和冗余字典稀疏表示两类。因为时域内的非稀疏自然信号在通过某些变换域的转变,可以转化为稀疏的。正交基稀疏表示利用了信号的这一特性,主要是将信号投影到正交变换基函数上,得到稀疏或近似稀疏的变换向量。
当用正交基不能稀疏表示信号时,就可以用冗余函数取代基函数,来对信号进行稀疏表示。超完备的冗余函数也被称之为冗余字典,其中的元素被称为字典原子。字典的选择应该是符合被重构信号的结构,信号的稀疏逼近过程就是从构建的冗余字典中找到与原始信号具有最佳线性组合的K项原子。因为在实际定位时,在设计的实验场景中收集得到的采样指纹点的个数总是远远大于测试点的个数,所以本发明的信号指纹库采用冗余字典来构建。
在本发明中,采用冗余字典的方法构建信号指纹库。具体的过程如下,在离线训练阶段,假设场景中总共有M个AP(Access Point,能发射信号的设备,一般是路由器),并且在场景中N个已知坐标点,即指纹点上采集AP的RSS(Received Signal Strength,无线信号强度)值,这样可以得到一个M*N的矩阵ψ∈RM×N。通常RSS采集的指纹点个数远大于AP的数量,因此指纹采集得到的矩阵在列向量具有冗余性,可作为下一步稀疏表示的冗余字典,记为
即 表示第i个AP在第j个指纹点上观测的信号强度值,每个列向量表示第j个位置(xj,yj)上观测得到的M个AP的线号强度值,将信号强度及其位置称为场景指纹,记为在具体的实验中,如果在此位置上,没有收到某个AP的RSS值,则把RSS的值设为-100dBm,这样可以保证指纹数据的完整性。因为收集的指纹点个数会远大于在测试阶段收集到的位置点个数,所以信号指纹库可以作为稀疏表示算法中的冗余字典。
接着需要采集客户的行为轨迹上的信号强度。测试信号Yt代表排队号码牌在第t个位置点收集到的所有AP发射的信号强度值,表示如式(1-5):
Yt=[yt1,yt2,...ytM]T (1-5)
其中yti表示在第t个时间点收集到第i个AP发射的RSS值,M为AP的个数。
为了得到信号指纹库和实际测试信号之间的匹配关系,可以通过稀疏表示算法去求解,由式(1-6)可以求解得到θ,θ是即是稀疏表示的稀疏向量解,就是用非常少的非0系数表示信号Y,Y见式(1-5),ψ是所有指纹点的信号强度数据库,这里θ中的第i个元素,对应着ψ中的第i列信号强度值,相当于对应第i个坐标值。因此通过求解θ,就可以估计位置。
在测试阶段,采集一段连续信号Υ,将Υ平均分成n段,即得Υ=[Y1,...,Yn],Yt=[yt1,yt2,...ytM]T,t=1,...,T代表在第t个时间点所有M个AP信号强度值的向量。这样通过式(1-7)可以得到就可以得到Υ中每列信号的位置信息,从而实现所有位置的定位。在本发明中可以采用CVX工具包来解式(1-7)。
其中表示Υ的稀疏表示矩阵,θt=[θt1,...,θTN]T∈RN是Yt的稀疏表示向量;是的最优估计。考虑实际信号强度可表示为其他,尤其是周围位置的信号强度的线性组合,因此引入稀疏系数的非负性和线性组合的约束
一旦获得了观测信号在指纹冗余字典上的稀疏表示系数则可以利用指纹信号强度的位置信息估计观测信号的位置,见式(1-8):
其中(xn,yn)为在位置点n的坐标值,r是非零稀疏表示系数的阈值,大于r的稀疏表示系数对应的指纹信号是认为与当前观测信号相关的指纹点。通过上面的位置估计最终实现了基于稀疏表示的定位。
通过研究发现,目前很多匹配算法的定位结果并没有考虑到连续性问题,得到的效果图并不是一条连续的线,但是一般人在行走时都会是连续的。对于测试阶段行走路径上收集到的RSS数据,相邻的位置点信号强度应不会相差太大,即对于每个路径点,它的上一步与下一步的路径点之间的距离相差不会很大。对于一条连续行走的路径,可以知道路径的波动不会超出一定的范围,而现有的定位算法,很多情况下都不能保证点与点之间距离在很小的范围内,容易出现特别大的波动,导致定位结果效果很差。
所以,本发明在稀疏表示算法的基础上添加时间约束条件。对于同一个AP对应的信号值,行走中的上一点位置与下一点的位置对应的信号信息相差应该比较小,相应的坐标点的距离相差不会特别大,对于时间连续的观测Υ=[Y1,...,YT],由于其数据的连续性决定了其稀疏表示系数也具有时间上的连续性,因此,本发明对(1-7)中的稀疏表示模型引入时间连续性的约束。具体地,对于时间上相邻观测对应的稀疏系数θt和θt+1,希望具有连续性,即||θt-θt+1||F 2要小,从而可以构造如下矩阵,T见式(1-9)
在稀疏表示模型添加时间约束性之后,模型见式(1-10):
其中λ1是平衡稀疏项和时间连续性约束项的参数,最后根据上式求解出得到最终的定位估计。
最后根据(1-11)算出位置坐标值:
由于式(1-10)是一个比较复杂的模型,直接求解比较困难,因此,可以采用ADMM的方法进行模型的求解。
当获得客户在网点的当前位置信息后,还可以进一步根据获得的客户在网点的当前位置信息对客户的行为进行分析,例如,根据客户在网点的当前位置信息可以分析出客户当前是在等待区还是在体验区,当分析出客户当前是在体验区时,产品相关人员可以及时的前往体验区为客户进行相关介绍,进而实现对客户的精准营销。
综上所述,本发明能够根据客户当前位置的信号以及经过时间约束因子优化的信号稀疏表示模型准确定位到客户当前在网点的准确位置,并根据获得的客户在网点的当前位置信息对客户的行为进行分析,根据行为分析结果能够实现对客户的精准营销。
如图3所示,为本发明公开的一种基于时间约束的信号稀疏表示模型的定位系统实施例1的结构示意图,所述系统可以包括以下步骤:
获取模块301,用于获取客户在网点当前位置的信号;
当客户进入银行网点,需要对客户在网点的具体位置进行准确定位时,首先获取到客户在银行网点当前位置的信号。
具体的,在获取客户在网点当前位置的信号时,可以通过客户在进入网点时领取的排队号码牌获取到。其中,排队号码牌预先需要进行特殊的处理和制作,使得号码牌可以进行无线信号的收集与存储,并在激活后能够进行信号的发送。
定位模块302,用于基于客户在网点当前位置的信号,以及经过时间约束因子优化的信号稀疏表示模型,获得客户在网点的当前位置信息。
当获取到客户在网点当前位置的信号后,进一步根据经过时间约束因子优化的信号稀疏表示模型,在模型中确定出与客户在网点当前位置的信号强度近似的信号强度值,并根据近似的信号强度值在模型中对应的位置来确定客户在网点的当前位置。
需要说明的是,稀疏表示是指在给定的超完备字典中用尽可能少的原子来表示信号,可以获得信号更为简洁的表示方式,从而更容易地获取信号中所蕴含的信息,更方便进一步对信号进行加工处理。
综上所述,在上述实施例中,当需要准确定位客户在网点的位置时,首先获取客户在网点当前位置的信号,然后基于客户在网点当前位置的信号,以及经过时间约束因子优化的信号稀疏表示模型,获得客户在网点的当前位置信息。本发明能够根据客户当前位置的信号以及经过时间约束因子优化的信号稀疏表示模型准确定位到客户当前在网点的准确位置,便于后续对客户行为进行准确分析。
如图4所示,为本发明公开的一种基于时间约束的信号稀疏表示模型的定位系统实施例2的结构示意图,所述系统可以包括以下步骤:
信息收集模块401,用于收集网点已知坐标的不同位置上的信号强度;
指纹库构建模块402,用于基于已知坐标的不同位置,以及对应的信号强度构建信号指纹库;
模型构建模块403,用于基于信号指纹库,通过模拟客户在网点的路径,构建信号稀疏表示模型;
优化模型模块404,用于在信号稀疏表示模型中添加时间约束因子对信号稀疏表示模型进行优化,得到优化后的信号稀疏表示模型;
获取模块405,用于获取客户在网点当前位置的信号;
定位模块406,用于基于客户在网点当前位置的信号,以及经过时间约束因子优化的信号稀疏表示模型,获得客户在网点的当前位置信息;
分析模块407,用于基于获得的客户在网点的当前位置信息对客户的行为进行分析,输出客户行为分析结果。
具体的,在上述实施例中,稀疏表示是近年来关于图像识别、计算机视觉等领域的研究热点,它通过尽可能少的非0系数表示原始信号的主要信息,从而使信号处理的求解过程变得更加简单容易。在信号处理领域,稀疏表示的一个重要应用就是压缩采样。
解决稀疏问题包括基函数字典矩阵ψ的选取和稀疏问题的求解算法。一般的字典ψ都是过完备字典,满足正交等性质;对于稀疏问题的求解算法,由于稀疏表示的本质是凸问题的求解,因此可以直接使用如内点法的一般性解决凸优化问题的算法去求解,但是普通的算法并不能很好地解决稀疏性问题,所以,针对稀疏求解的特殊性,提出如GP算法、IST算法、ALM算法去求解稀疏问题,这些算法一方面解决了稀疏问题的求解,也同时推动了稀疏表示在实际问题中的应用。
稀疏表示的数学模型大致如下:对一个一维离散信号x,它由有限长的实值组成,可以看作是在RM空间的M×1维的列向量,元素为x[n],n=1,2,…,M。在RM空间的任何信号都可以用N×1维的正交基向的线性组合表示,则x表示为x=ψθ。
把向量作为列向量形成M×N的正交基字典矩阵任意信号x都可以表示为(1-1)
其中θ是加权系数构成的N×1的列向量。显然,x和θ是同一个信号的等价表示,x是信号在实域的表示,θ是信号在ψ域的表示。上式中要求N>M,根据线性代数的知识可知,稀疏方程有无穷多组的解,根据稀疏的条件,可以在所有的可行解中挑出非零元素最少的解,也就是满足稀疏性。于是得到如下的数学模型(1-2):
min||x||0 s.t. x=ψθ (1-2)
目标函数中为零范数约束,是NP难题,Terry证明,在一定条件下,零范数问题与一范数问题是等价的,于是上述模型转化为(1-3):
min||x||1 s.t. x=ψθ (1-3)
现有的信号稀疏表示方法可以分为正交基稀疏表示和冗余字典稀疏表示两类。因为时域内的非稀疏自然信号在通过某些变换域的转变,可以转化为稀疏的。正交基稀疏表示利用了信号的这一特性,主要是将信号投影到正交变换基函数上,得到稀疏或近似稀疏的变换向量。
当用正交基不能稀疏表示信号时,就可以用冗余函数取代基函数,来对信号进行稀疏表示。超完备的冗余函数也被称之为冗余字典,其中的元素被称为字典原子。字典的选择应该是符合被重构信号的结构,信号的稀疏逼近过程就是从构建的冗余字典中找到与原始信号具有最佳线性组合的K项原子。因为在实际定位时,在设计的实验场景中收集得到的采样指纹点的个数总是远远大于测试点的个数,所以本发明的信号指纹库采用冗余字典来构建。
在本发明中,采用冗余字典的方法构建信号指纹库。具体的过程如下,在离线训练阶段,假设场景中总共有M个AP(Access Point,能发射信号的设备,一般是路由器),并且在场景中N个已知坐标点,即指纹点上采集AP的RSS(Received Signal Strength,无线信号强度)值,这样可以得到一个M*N的矩阵ψ∈RM×N。通常RSS采集的指纹点个数远大于AP的数量,因此指纹采集得到的矩阵在列向量具有冗余性,可作为下一步稀疏表示的冗余字典,记为
即 表示第i个AP在第j个指纹点上观测的信号强度值,每个列向量表示第j个位置(xj,yj)上观测得到的M个AP的线号强度值,将信号强度及其位置称为场景指纹,记为在具体的实验中,如果在此位置上,没有收到某个AP的RSS值,则把RSS的值设为-100dBm,这样可以保证指纹数据的完整性。因为收集的指纹点个数会远大于在测试阶段收集到的位置点个数,所以信号指纹库可以作为稀疏表示算法中的冗余字典。
接着需要采集客户的行为轨迹上的信号强度。测试信号Yt代表排队号码牌在第t个位置点收集到的所有AP发射的信号强度值,表示如式(1-5):
Yt=[yt1,yt2,...ytM]T (1-5)
其中yti表示在第t个时间点收集到第i个AP发射的RSS值,M为AP的个数。
为了得到信号指纹库和实际测试信号之间的匹配关系,可以通过稀疏表示算法去求解,由式(1-6)可以求解得到θ,θ是即是稀疏表示的稀疏向量解,就是用非常少的非0系数表示信号Y,Y见式(1-5),ψ是所有指纹点的信号强度数据库,这里θ中的第i个元素,对应着ψ中的第i列信号强度值,相当于对应第i个坐标值。因此通过求解θ,就可以估计位置。
在测试阶段,采集一段连续信号Υ,将Υ平均分成n段,即得Υ=[Y1,...,Yn],Yt=[yt1,yt2,...ytM]T,t=1,...,T代表在第t个时间点所有M个AP信号强度值的向量。这样通过式(1-7)可以得到就可以得到Υ中每列信号的位置信息,从而实现所有位置的定位。在本发明中可以采用CVX工具包来解式(1-7)。
其中表示Υ的稀疏表示矩阵,θt=[θt1,...,θTN]T∈RN是Yt的稀疏表示向量;是的最优估计。考虑实际信号强度可表示为其他,尤其是周围位置的信号强度的线性组合,因此引入稀疏系数的非负性和线性组合的约束
一旦获得了观测信号在指纹冗余字典上的稀疏表示系数则可以利用指纹信号强度的位置信息估计观测信号的位置,见式(1-8):
其中(xn,yn)为在位置点n的坐标值,r是非零稀疏表示系数的阈值,大于r的稀疏表示系数对应的指纹信号是认为与当前观测信号相关的指纹点。通过上面的位置估计最终实现了基于稀疏表示的定位。
通过研究发现,目前很多匹配算法的定位结果并没有考虑到连续性问题,得到的效果图并不是一条连续的线,但是一般人在行走时都会是连续的。对于测试阶段行走路径上收集到的RSS数据,相邻的位置点信号强度应不会相差太大,即对于每个路径点,它的上一步与下一步的路径点之间的距离相差不会很大。对于一条连续行走的路径,可以知道路径的波动不会超出一定的范围,而现有的定位算法,很多情况下都不能保证点与点之间距离在很小的范围内,容易出现特别大的波动,导致定位结果效果很差。
所以,本发明在稀疏表示算法的基础上添加时间约束条件。对于同一个AP对应的信号值,行走中的上一点位置与下一点的位置对应的信号信息相差应该比较小,相应的坐标点的距离相差不会特别大,对于时间连续的观测Υ=[Y1,...,YT],由于其数据的连续性决定了其稀疏表示系数也具有时间上的连续性,因此,本发明对(1-7)中的稀疏表示模型引入时间连续性的约束。具体地,对于时间上相邻观测对应的稀疏系数θt和θt+1,希望具有连续性,即||θt-θt+1||F 2要小,从而可以构造如下矩阵,T见式(1-9)
在稀疏表示模型添加时间约束性之后,模型见式(1-10):
其中λ1是平衡稀疏项和时间连续性约束项的参数,最后根据上式求解出得到最终的定位估计。
最后根据(1-11)算出位置坐标值:
由于式(1-10)是一个比较复杂的模型,直接求解比较困难,因此,可以采用ADMM的方法进行模型的求解。
当获得客户在网点的当前位置信息后,还可以进一步根据获得的客户在网点的当前位置信息对客户的行为进行分析,例如,根据客户在网点的当前位置信息可以分析出客户当前是在等待区还是在体验区,当分析出客户当前是在体验区时,产品相关人员可以及时的前往体验区为客户进行相关介绍,进而实现对客户的精准营销。
综上所述,本发明能够根据客户当前位置的信号以及经过时间约束因子优化的信号稀疏表示模型准确定位到客户当前在网点的准确位置,并根据获得的客户在网点的当前位置信息对客户的行为进行分析,根据行为分析结果能够实现对客户的精准营销。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种基于时间约束的信号稀疏表示模型的定位方法,其特征在于,包括:
获取客户在网点当前位置的信号;
基于所述客户在网点当前位置的信号,以及经过时间约束因子优化的信号稀疏表示模型,获得所述客户在网点的当前位置信息。
2.根据权利要求1所述的方法,其特征在于,还包括:
基于获得的所述客户在网点的当前位置信息对客户的行为进行分析,输出客户行为分析结果。
3.根据权利要求2所述的方法,其特征在于,所述在获取客户在网点当前位置的信号前,还包括:
收集网点已知坐标的不同位置上的信号强度;
基于已知坐标的不同位置,以及对应的信号强度构建信号指纹库。
4.根据权利要求3所述的方法,其特征在于,还包括:
基于所述信号指纹库,通过模拟客户在网点的路径,构建信号稀疏表示模型;
在所述信号稀疏表示模型中添加时间约束因子对所述信号稀疏表示模型进行优化,得到优化后的信号稀疏表示模型。
5.一种基于时间约束的信号稀疏表示模型的定位系统,其特征在于,包括:
获取模块,用于获取客户在网点当前位置的信号;
定位模块,用于基于所述客户在网点当前位置的信号,以及经过时间约束因子优化的信号稀疏表示模型,获得所述客户在网点的当前位置信息。
6.根据权利要求5所述的系统,其特征在于,还包括:
分析模块,用于基于获得的所述客户在网点的当前位置信息对客户的行为进行分析,输出客户行为分析结果。
7.根据权利要求6所述的系统,其特征在于,还包括:
信息收集模块,用于收集网点已知坐标的不同位置上的信号强度;
指纹库构建模块,用于基于已知坐标的不同位置,以及对应的信号强度构建信号指纹库。
8.根据权利要求7所述的系统,其特征在于,还包括:
模型构建模块,用于基于所述信号指纹库,通过模拟客户在网点的路径,构建信号稀疏表示模型;
优化模型模块,用于在所述信号稀疏表示模型中添加时间约束因子对所述信号稀疏表示模型进行优化,得到优化后的信号稀疏表示模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910806398.0A CN110519704B (zh) | 2019-08-28 | 2019-08-28 | 一种基于时间约束的信号稀疏表示模型的定位方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910806398.0A CN110519704B (zh) | 2019-08-28 | 2019-08-28 | 一种基于时间约束的信号稀疏表示模型的定位方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110519704A true CN110519704A (zh) | 2019-11-29 |
CN110519704B CN110519704B (zh) | 2021-06-15 |
Family
ID=68628815
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910806398.0A Active CN110519704B (zh) | 2019-08-28 | 2019-08-28 | 一种基于时间约束的信号稀疏表示模型的定位方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110519704B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013055959A1 (en) * | 2011-10-11 | 2013-04-18 | Qualcomm Incorporated | System and/or method for pedestrian navigation |
CN104519571A (zh) * | 2014-12-26 | 2015-04-15 | 北京工业大学 | 一种基于rss的室内定位方法 |
CN105916202A (zh) * | 2016-06-20 | 2016-08-31 | 天津大学 | 一种概率性的WiFi室内定位指纹库构建方法 |
US20160349349A1 (en) * | 2015-05-27 | 2016-12-01 | Samsung Electronics Co., Ltd. | Method and electronic device identifying indoor location |
CN108668249A (zh) * | 2018-07-10 | 2018-10-16 | 北京物资学院 | 一种移动终端室内定位方法及装置 |
CN109413575A (zh) * | 2018-12-04 | 2019-03-01 | 重庆邮电大学 | 一种室内定位的自适应ap布局方法 |
CN109461033A (zh) * | 2018-11-12 | 2019-03-12 | 中国银行股份有限公司 | 一种客户行为的分析方法及装置 |
-
2019
- 2019-08-28 CN CN201910806398.0A patent/CN110519704B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013055959A1 (en) * | 2011-10-11 | 2013-04-18 | Qualcomm Incorporated | System and/or method for pedestrian navigation |
CN104519571A (zh) * | 2014-12-26 | 2015-04-15 | 北京工业大学 | 一种基于rss的室内定位方法 |
US20160349349A1 (en) * | 2015-05-27 | 2016-12-01 | Samsung Electronics Co., Ltd. | Method and electronic device identifying indoor location |
CN105916202A (zh) * | 2016-06-20 | 2016-08-31 | 天津大学 | 一种概率性的WiFi室内定位指纹库构建方法 |
CN108668249A (zh) * | 2018-07-10 | 2018-10-16 | 北京物资学院 | 一种移动终端室内定位方法及装置 |
CN109461033A (zh) * | 2018-11-12 | 2019-03-12 | 中国银行股份有限公司 | 一种客户行为的分析方法及装置 |
CN109413575A (zh) * | 2018-12-04 | 2019-03-01 | 重庆邮电大学 | 一种室内定位的自适应ap布局方法 |
Non-Patent Citations (1)
Title |
---|
JIAPENG LI,等: "Two Indoor Location Algorithms Based on Sparse Fingerprint library", 《2018 IEEE》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110519704B (zh) | 2021-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107358293B (zh) | 一种神经网络训练方法及装置 | |
CN111310707B (zh) | 基于骨骼的图注意力网络动作识别方法及系统 | |
Feichtinger | Advances in Gabor analysis | |
Allen et al. | Signal analysis: time, frequency, scale, and structure | |
CN1977261B (zh) | 用于字序列处理的方法和系统 | |
CN106372051B (zh) | 一种专利地图的可视化方法和系统 | |
CN111932529B (zh) | 一种图像分类分割方法、装置及系统 | |
CN105469063B (zh) | 鲁棒的人脸图像主成分特征提取方法及识别装置 | |
Golomb et al. | Hierarchical inference of binary neutron star mass distribution and equation of state with gravitational waves | |
CN109086664B (zh) | 一种动静态融合的多态手势识别方法 | |
CN103473559A (zh) | 基于nsct域合成核的sar图像变化检测方法 | |
CN106503631A (zh) | 一种人群分析方法及计算机设备 | |
CN114037003A (zh) | 问答模型的训练方法、装置及电子设备 | |
CN111488892A (zh) | 样本数据生成方法及装置 | |
JP2022500728A (ja) | 条件付き敵対的生成ネットワークに基づいて画像を合成する方法および関連機器 | |
CN110141211B (zh) | 一种基于经验模态分解的稳态视觉诱发电位的分类方法 | |
Zhou et al. | Hierarchical palmprint feature extraction and recognition based on multi‐wavelets and complex network | |
Fränti et al. | Averaging GPS segments competition 2019 | |
Peng et al. | Stochastic simulation of velocity pulses of near-fault ground motions based on multivariate copula modeling | |
CN113886615A (zh) | 一种基于多粒度联想学习的手绘图像实时检索方法 | |
CN103778439B (zh) | 基于动态时空信息挖掘的人体轮廓重构方法 | |
CN110519704A (zh) | 一种基于时间约束的信号稀疏表示模型的定位方法及系统 | |
Voss et al. | Densities of shortest path lengths in spatial stochastic networks | |
CN110519705A (zh) | 一种基于信号稀疏表示模型的定位方法及系统 | |
CN110505573A (zh) | 一种基于空间约束的信号稀疏表示模型的定位方法及系统 |
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 |