CN111194004B - 基站指纹定位方法、装置和系统、计算机可读存储介质 - Google Patents
基站指纹定位方法、装置和系统、计算机可读存储介质 Download PDFInfo
- Publication number
- CN111194004B CN111194004B CN201811355975.0A CN201811355975A CN111194004B CN 111194004 B CN111194004 B CN 111194004B CN 201811355975 A CN201811355975 A CN 201811355975A CN 111194004 B CN111194004 B CN 111194004B
- Authority
- CN
- China
- Prior art keywords
- fingerprint
- base station
- terminal
- grid
- reference acquisition
- 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
-
- 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
-
- 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
- G01S5/0252—Radio frequency fingerprinting
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开一种基站指纹定位方法、装置和系统、计算机可读存储介质。该基站指纹定位方法包括:获取终端采集数据,其中,所述终端采集数据为终端采集的基站信号数据;采用预定指纹特征提取网络对终端采集数据进行处理生成终端指纹特征向量;在数据库中找出欧式距离与终端指纹特征向量最近的两个指纹特征向量;将所述三个指纹特征向量输入预定位置网格计算网络模型,获取终端的位置网格。本发明通过将平面地图网格化,通过神经网络模型建立网格与多指纹特征的关联关系,提高了定位的鲁棒性和准确性。
Description
技术领域
本发明涉及终端定位领域,特别涉及一种基站指纹定位方法、装置和系统、计算机可读存储介质。
背景技术
指纹定位是一种基于特征识别技术的无线定位方法,通常是通过采集可测量的无线信号特征集,生成指纹特征并和相关位置信息建立关联关系保存于数据库中,在定位时候通过匹配指纹特征进行定位。神经网络深度学习在特征识别领域中有广泛应用。
发明内容
申请人发现:相关技术基站指纹定位采用指纹特征查询匹配的方式,需先确定好要匹配的信号特征,采用近邻匹配或模式识别的方法,但容易受到信号干扰,终端移动等影响,导致指纹匹配失败或粗粒度匹配的位置与实际位置有较大的误差。
鉴于以上技术问题中的至少一项,本发明提供了一种基站指纹定位方法、装置和系统、计算机可读存储介质,提高了定位的鲁棒性和准确性。
根据本发明的一个方面,提供一种基站指纹定位方法,包括:
获取终端采集数据,其中,所述终端采集数据为终端采集的基站信号数据;
采用预定指纹特征提取网络对终端采集数据进行处理生成终端指纹特征向量;
在数据库中找出欧式距离与终端指纹特征向量最近的两个指纹特征向量;
将所述三个指纹特征向量输入预定位置网格计算网络模型,获取终端的位置网格。
在本发明的一些实施例中,所述基站指纹定位方法还包括:
将平面地图划分为n×m个的网格,其中,n和m均为大于1的自然数,n为网格总列数,m为网格总行数;
采用位置网格(i,j)标识每个网格的位置,其中,i为所述网格的列数,j为所述网格的行数,1≤i≤n,1≤j≤m。
在本发明的一些实施例中,所述基站指纹定位方法还包括:通过位置网格计算网络对参考采集点数据迭代训练,获取预定位置网格计算网络模型,其中,所述预定位置网格计算网络模型包含指纹特征向量和位置网格的对应关系。
在本发明的一些实施例中,所述通过位置网格计算网络对参考采集点数据迭代训练包括:
获取参考采集点的指纹特征向量和参考采集点的位置网格;
采用特征向量欧式距离接近的三个参考采集点的指纹特征向量作为输入,采用第三个参考采集点的位置网格作为目标输出,通过位置网格计算网络对参考采集点数据进行迭代训练。
在本发明的一些实施例中,所述获取参考采集点的指纹特征向量和参考采集点的位置网格包括:
获取参考采集点数据,其中,所述参考采集点数据包括参考采集点设备采集的基站信号数据和参考采集点的位置网格;
对参考采集点数据进行归一化处理;
采用预定指纹特征提取网络对归一化处理后的参考采集点数据进行非监督特征学习生成指纹特征向量;
保存指纹特征向量和参考采集点的位置网格的对应关系。
在本发明的一些实施例中,指纹特征提取网络为多层神经网络。
在本发明的一些实施例中,位置网格计算网络为多层神经网络。
在本发明的一些实施例中,所述基站信号数据包括小区标识、信号强度、到达时间、功率时延中的至少一项。
根据本发明的另一方面,提供一种基站指纹定位装置,包括:
终端采集数据获取模块,用于获取终端采集数据,其中,所述终端采集数据为终端采集的基站信号数据;
终端特征向量生成模块,用于采用预定指纹特征提取网络对终端采集数据进行处理生成终端指纹特征向量;
终端位置网格获取模块,用于在数据库中找出欧式距离与终端指纹特征向量最近的两个指纹特征向量;将所述三个指纹特征向量输入预定位置网格计算网络模型,获取终端的位置网格。
在本发明的一些实施例中,所述基站指纹定位装置用于执行实现如上述任一实施例所述的基站指纹定位方法的操作。
根据本发明的另一方面,提供一种基站指纹定位装置,包括:
存储器,用于存储指令;
处理器,用于执行所述指令,使得所述基站指纹定位装置执行实现如上述任一实施例所述的基站指纹定位方法的操作。
根据本发明的另一方面,提供一种基站指纹定位系统,包括:
终端,用于采集基站信号数据,并将所述基站信号数据作为终端采集数据发送给基站指纹定位装置;
基站指纹定位装置,为如上述任一实施例所述的基站指纹定位装置。
在本发明的一些实施例中,所述基站指纹定位系统还包括:
参考采集点设备,用于采集基站信号数据和参考采集点的位置网格,并将基站信号数据和参考采集点的位置网格作为终端采集数据发送给基站指纹定位装置。
根据本发明的另一方面,提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述指令被处理器执行时实现如上述任一实施例所述的基站指纹定位方法。
本发明通过将平面地图网格化,通过神经网络模型建立网格与多指纹特征的关联关系,提高了定位的鲁棒性和准确性。
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为本发明基站指纹定位方法一些实施例的示意图。
图2为本发明基站指纹定位方法另一些实施例的示意图。
图3为本发明基站指纹定位方法一些具体实施例的示意图。
图4为本发明基站指纹定位装置一些实施例的示意图。
图5为本发明基站指纹定位装置另一些实施例的示意图。
图6为本发明基站指纹定位系统一些实施例的示意图。
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。以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例,本领域普通技术人员在没有作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。
除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为授权说明书的一部分。
在这里示出和讨论的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它示例可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
图1为本发明基站指纹定位方法一些实施例的示意图。优选的,本实施例可由本发明基站指纹定位装置或本发明基站指纹定位系统执行。该方法包括以下步骤:
步骤11,获取终端采集数据,其中,所述终端采集数据为终端采集的基站信号数据。
在本发明的一些实施例中,所述基站信号数据是终端采集并上传给本发明基站指纹定位装置的。
在本发明的一些实施例中,所述基站信号数据可以包括小区标识、信号强度、到达时间、功率时延等基站信号参数中的至少一项。
步骤12,采用预定指纹特征提取网络对终端采集数据进行处理生成终端指纹特征向量。
在本发明的一些实施例中,指纹特征提取网络可以为多层神经网络。
步骤13,在数据库中找出欧式距离与终端指纹特征向量最近的两个指纹特征向量。
步骤14,将所述三个指纹特征向量输入预定位置网格计算网络模型,获取终端的位置网格(即终端近似位置坐标)。
在本发明的一些实施例中,位置网格计算网络可以为多层神经网络。
基于本发明上述实施例提供的基站指纹定位方法,通过将平面地图网格化,通过神经网络模型建立网格与多指纹特征的关联关系,提高了定位的鲁棒性和准确性。
图2为本发明基站指纹定位方法另一些实施例的示意图。图3为本发明基站指纹定位方法一些具体实施例的示意图。优选的,本实施例可由本发明基站指纹定位装置或本发明基站指纹定位系统执行。如图2所示,该方法包括以下步骤:
步骤20,平面地图的网格化处理。
在本发明的一些实施例中,步骤20可以包括:
步骤201,将平面地图划分为n×m个的网格,其中,n和m均为大于1的自然数,n为网格总列数,m为网格总行数。
在本发明的一些实施例中,步骤21可以包括:将地图经纬度转换为X,Y坐标,将X,Y坐标内区域分成n×m个网格。
在本发明的一些实施例中,每个格子标识为(i,j)的格子大小可以根据定位精度需要决定。
例如:根据定位精度要求,网格大小可以设置为成100m*100m或50m*50m等。
在本发明的一些实施例中,终端位置属于某一个网格。
在本发明的一些实施例中,参考采集点位置属于某一个网格。
步骤202,采用位置网格(i,j)标识每个网格的位置,其中,i为所述网格的列数,j为所述网格的行数,1≤i≤n,1≤j≤m。本发明上述实施例采用两个网格自然数i,j标识网格位置。
在本发明的一些实施例中,网格以坐标自然数编号,比如某个格子的标识为(6,7)。
步骤21,进行预定位置网格计算网络模型的训练。
在本发明的一些实施例中,如图3所示,图2实施例的步骤21可以包括:
步骤211,获取参考采集点数据,其中,所述参考采集点数据包括参考采集点设备采集的基站信号数据和参考采集点的位置网格。
在本发明的一些实施例中,所述参考采集点数据是参考采集点设备采集并上传给本发明基站指纹定位装置的。
在本发明的一些实施例中,所述基站信号数据可以包括小区标识(Cell)、信号强度、到达时间、功率时延等基站信号参数中的至少一项。
步骤212,对参考采集点数据进行归一化处理。
在本发明的一些实施例中,如图3所示,步骤212可以包括:采用独热编码(onehot编码)来实现对参考采集点数据的归一化处理。
步骤213,采用预定指纹特征提取网络对归一化处理后的参考采集点数据进行非监督特征学习(无监督深度学习)生成指纹特征向量;并保存指纹特征向量和参考采集点的位置网格的对应关系。
在本发明的一些实施例中,如图3所示,指纹特征提取网络可以为多层神经网络,所述多层神经网络可以包括多个隐藏层。
步骤214,通过位置网格计算网络对参考采集点数据迭代训练,获取预定位置网格计算网络模型,其中,所述预定位置网格计算网络模型包含指纹特征向量和位置网格的对应关系。
在本发明的一些实施例中,步骤214可以包括:采用特征向量欧式距离相对较接近的三个参考采集点(V1、V2和V3)的指纹特征向量作为输入,采用第三个参考采集点V3的位置网格作为目标输出,通过位置网格计算网络对参考采集点数据进行迭代训练,以获取预定位置网格计算网络模型,其中,所述预定位置网格计算网络模型包含指纹特征向量和位置网格的对应关系。
在本发明的一些实施例中,如图3所示,位置网格计算网络可以为多层神经网络,所述多层神经网络可以包括多个隐藏层。
步骤22,对终端进行基站指纹定位。
在本发明的一些实施例中,如图3所示,图2实施例的步骤22可以包括:
步骤221,获取终端采集数据,其中,所述终端采集数据为终端采集的基站信号数据。
在本发明的一些实施例中,所述基站信号数据是终端采集并上传给本发明基站指纹定位装置的。
在本发明的一些实施例中,所述基站信号数据可以包括小区标识、信号强度、到达时间、功率时延等基站信号参数中的至少一项。
步骤222,对终端采集数据进行归一化处理。
在本发明的一些实施例中,如图3所示,步骤222可以包括:采用独热编码(onehot编码)来实现对终端采集数据的归一化处理。
步骤223,采用预定指纹特征提取网络对归一化处理后的终端采集数据进行处理,以生成终端指纹特征向量。
在本发明的一些实施例中,如图3所示,指纹特征提取网络可以为多层神经网络。
步骤224,在数据库中找出欧式距离与终端指纹特征向量最近的两个指纹特征向量;将所述三个指纹特征向量输入预定位置网格计算网络模型,获取终端的位置网格(即终端近似位置坐标)。
本发明上述实施例基于深度学习的基站指纹定位方法,针对相关技术基站指纹定位存在的特征匹配率不高导致定位误差的技术问题问题,通过将平面地图网格化,以两个自然数标识网格,由无监督深度学习根据小区标识、信号强度、功率时延等归一化参数获得无线信号特征向量,并对特征向量和终端位置、网格自然数进行神经网络深度学习,通过迭代训练的网络模型可以获得指纹特征向量与网格自然数之间的隐含关联关系。
本发明上述实施例采用无监督深度学习能提取出更多的指纹特征。
本发明上述实施例采用地图网格化,通过神经网络模型建立网格与多指纹特征的关联关系,从而提高了定位的鲁棒性和定位准确性。
在本发明的一些实施例中,步骤25或步骤11中,终端实时采集的基站指纹特征(与参考点指纹接近)也可以用于网络模型训练,以进一步提高模型的准确度。
图4为本发明基站指纹定位装置一些实施例的示意图。如图4所示,所述基站指纹定位装置可以包括终端采集数据获取模块41、终端特征向量生成模块42和终端位置网格获取模块43,其中:
终端采集数据获取模块41,用于获取终端采集数据,其中,所述终端采集数据为终端采集的基站信号数据。
终端特征向量生成模块42,用于采用预定指纹特征提取网络对终端采集数据进行处理生成终端指纹特征向量。
终端位置网格获取模块43,用于在数据库中找出欧式距离与终端指纹特征向量最近的两个指纹特征向量;将所述三个指纹特征向量输入预定位置网格计算网络模型,获取终端的位置网格。
在本发明的一些实施例中,所述基站指纹定位装置用于执行实现如上述任一实施例(图1-图3任一实施例)所述的基站指纹定位方法的操作。
在本发明的一些实施例中,如图4所示,所述基站指纹定位装置还可以包括网格化处理模块44,其中:
网格化处理模块44,用于将平面地图划分为n×m个的网格,其中,n和m均为大于1的自然数,n为网格总列数,m为网格总行数;采用位置网格(i,j)标识每个网格的位置。
在本发明的一些实施例中,如图4所示,所述基站指纹定位装置还可以包括模型训练模块45,其中:
模型训练模块45,用于获取参考采集点数据,其中,所述参考采集点数据包括参考采集点设备采集的基站信号数据和参考采集点的位置网格;对参考采集点数据进行归一化处理;采用预定指纹特征提取网络对归一化处理后的参考采集点数据进行非监督特征学习(无监督深度学习)生成指纹特征向量;并保存指纹特征向量和参考采集点的位置网格的对应关系;采用特征向量欧式距离相对较接近的三个参考采集点(V1、V2和V3)的指纹特征向量作为输入,采用第三个参考采集点V3的位置网格作为目标输出,通过位置网格计算网络对参考采集点数据进行迭代训练,以获取预定位置网格计算网络模型,其中,所述预定位置网格计算网络模型包含指纹特征向量和位置网格的对应关系。
基于本发明上述实施例提供的基站指纹定位装置,是一种基于深度学习的基站指纹定位装置,针对相关技术基站指纹定位存在的特征匹配率不高导致定位误差的技术问题问题,本发明上述实施例通过将平面地图网格化,以两个自然数标识网格,由无监督深度学习根据小区标识、信号强度、功率时延等归一化参数获得无线信号特征向量,并对特征向量和终端位置、网格自然数进行神经网络深度学习,通过迭代训练的网络模型可以获得指纹特征向量与网格自然数之间的隐含关联关系。
图5为本发明基站指纹定位装置另一些实施例的示意图。如图5所示,所述基站指纹定位装置可以包括存储器51和处理器52,其中:
存储器51,用于存储指令。
处理器52,用于执行所述指令,使得所述基站指纹定位装置执行实现如上述任一实施例(图1-图3任一实施例)所述的基站指纹定位方法的操作。
本发明上述实施例可以采用无监督深度学习能提取出更多的指纹特征。
本发明上述实施例采用地图网格化,可以通过神经网络模型建立网格与多指纹特征的关联关系,从而提高了定位的鲁棒性和定位准确性。
本发明上述实施例中,终端实时采集的基站指纹特征(与参考点指纹接近)也可以用于网络模型训练,以进一步提高模型的准确度。
图6为本发明基站指纹定位系统一些实施例的示意图。如图6所示,所述基站指纹定位装置可以包括至少一个终端61、至少一个参考采集点设备62和基站指纹定位装置63,其中:
终端61,用于采集基站信号数据,并将所述基站信号数据作为终端采集数据发送给基站指纹定位装置。
参考采集点设备62,用于采集基站信号数据和参考采集点的位置网格,并将基站信号数据和参考采集点的位置网格作为终端采集数据发送给基站指纹定位装置。
基站指纹定位装置63,用于将平面地图划分为n×m个的网格(n,m为自然数),其中,每个格子标识为(i,j),每个格子大小可以根据定位精度需要决定(比如10m*10m),终端位置属于某个网格;将3个参考点指纹特征向量(特征向量欧式距离相对较近)作为输入和第3个参考点的位置网格作为目标输出,对采集的数据迭代训练,获得指纹特征向量与网格自然数之间的隐含关联关系的计算网络模型;通过指纹特征提取网络对终端采集数据生成特征向量,在数据库中找出欧式距离最近的2个指纹特征向量,将3个向量作为位置网格计算网络的输入,获得终端的位置网格(即终端近似位置坐标)。
在本发明的一些实施例中,基站指纹定位装置63可以为如上述任一实施例(例如图4或图5实施例)所述的基站指纹定位装置。
在本发明的一些实施例中,基站指纹定位装置63可以设置与基站。
基于本发明上述实施例提供的基站指纹定位系统,可以通过将平面地图网格化,以两个自然数标识网格,由无监督深度学习根据小区标识、信号强度、功率时延等归一化参数获得无线信号特征向量,并对特征向量和终端位置、网格自然数进行神经网络深度学习,通过迭代训练的网络模型可以获得指纹特征向量与网格自然数之间的隐含关联关系。
本发明上述实施例可以采用无监督深度学习能提取出更多的指纹特征。
本发明上述实施例采用地图网格化,可以通过神经网络模型建立网格与多指纹特征的关联关系,从而提高了定位的鲁棒性和定位准确性。
本发明上述实施例中,终端实时采集的基站指纹特征(与参考点指纹接近)也可以用于网络模型训练,以进一步提高模型的准确度。
根据本发明的另一方面,提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述指令被处理器执行时实现如上述任一实施例(图1-图3任一实施例)所述的基站指纹定位方法。
基于本发明上述实施例提供的计算机可读存储介质,可以通过将平面地图网格化,以两个自然数标识网格,由无监督深度学习根据小区标识、信号强度、功率时延等归一化参数获得无线信号特征向量,并对特征向量和终端位置、网格自然数进行神经网络深度学习,通过迭代训练的网络模型可以获得指纹特征向量与网格自然数之间的隐含关联关系。
本发明上述实施例可以采用无监督深度学习能提取出更多的指纹特征。
本发明上述实施例采用地图网格化,可以通过神经网络模型建立网格与多指纹特征的关联关系,从而提高了定位的鲁棒性和定位准确性。
本发明上述实施例中,终端实时采集的基站指纹特征(与参考点指纹接近)也可以用于网络模型训练,以进一步提高模型的准确度。
在上面所描述的基站指纹定位装置可以实现为用于执行本申请所描述功能的通用处理器、可编程逻辑控制器(PLC)、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件或者其任意适当组合。
至此,已经详细描述了本发明。为了避免遮蔽本发明的构思,没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述,完全可以明白如何实施这里公开的技术方案。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
本发明的描述是为了示例和描述起见而给出的,而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本发明的原理和实际应用,并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。
Claims (11)
1.一种基站指纹定位方法,其特征在于,包括:
通过位置网格计算网络对参考采集点数据迭代训练,获取预定位置网格计算网络模型,其中,所述预定位置网格计算网络模型包含指纹特征向量和位置网格的对应关系;
获取终端采集数据,其中,所述终端采集数据为终端采集的基站信号数据;
采用预定指纹特征提取网络对终端采集数据进行处理生成终端指纹特征向量;
在数据库中找出欧式距离与终端指纹特征向量最近的两个指纹特征向量;
将三个指纹特征向量输入预定位置网格计算网络模型,获取终端的位置网格,其中,所述三个指纹特征向量包括终端指纹特征向量和欧式距离与终端指纹特征向量最近的两个指纹特征向量;
其中,所述通过位置网格计算网络对参考采集点数据迭代训练包括:
获取参考采集点的指纹特征向量和参考采集点的位置网格;
采用特征向量欧式距离接近的三个参考采集点的指纹特征向量作为输入,采用所述三个参考采集点中任意一个参考采集点的位置网格作为目标输出,通过位置网格计算网络对参考采集点数据进行迭代训练。
2.根据权利要求1所述的基站指纹定位方法,其特征在于,还包括:
将平面地图划分为n×m个的网格,其中,n和m均为大于1的自然数,n为网格总列数,m为网格总行数;
采用位置网格(i,j)标识每个网格的位置,其中,i为所述网格的列数,j为所述网格的行数,1≤i≤n,1≤j≤m。
3.根据权利要求1或2所述的基站指纹定位方法,其特征在于,所述获取参考采集点的指纹特征向量和参考采集点的位置网格包括:
获取参考采集点数据,其中,所述参考采集点数据包括参考采集点设备采集的基站信号数据和参考采集点的位置网格;
对参考采集点数据进行归一化处理;
采用预定指纹特征提取网络对归一化处理后的参考采集点数据进行非监督特征学习生成参考采集点的指纹特征向量;
保存参考采集点指纹特征向量和参考采集点的位置网格的对应关系。
4.根据权利要求1或2所述的基站指纹定位方法,其特征在于,
指纹特征提取网络为多层神经网络;
和/或,
位置网格计算网络为多层神经网络。
5.根据权利要求1或2所述的基站指纹定位方法,其特征在于,
所述基站信号数据包括小区标识、信号强度、到达时间、功率时延中的至少一项。
6.一种基站指纹定位装置,其特征在于,包括:
模型训练模块,用于通过位置网格计算网络对参考采集点数据迭代训练,获取预定位置网格计算网络模型,其中,所述预定位置网格计算网络模型包含指纹特征向量和位置网格的对应关系;
终端采集数据获取模块,用于获取终端采集数据,其中,所述终端采集数据为终端采集的基站信号数据;
终端特征向量生成模块,用于采用预定指纹特征提取网络对终端采集数据进行处理生成终端指纹特征向量;
终端位置网格获取模块,用于在数据库中找出欧式距离与终端指纹特征向量最近的两个指纹特征向量;将三个指纹特征向量输入预定位置网格计算网络模型,获取终端的位置网格,其中,所述三个指纹特征向量包括终端指纹特征向量和欧式距离与终端指纹特征向量最近的两个指纹特征向量;
其中,模型训练模块,用于获取参考采集点的指纹特征向量和参考采集点的位置网格;采用特征向量欧式距离接近的三个参考采集点的指纹特征向量作为输入,采用所述三个参考采集点中任意一个参考采集点的位置网格作为目标输出,通过位置网格计算网络对参考采集点数据进行迭代训练。
7.根据权利要求6所述的基站指纹定位装置,其特征在于,所述基站指纹定位装置用于执行实现如权利要求1-5中任一项所述的基站指纹定位方法的操作。
8.一种基站指纹定位装置,其特征在于,包括:
存储器,用于存储指令;
处理器,用于执行所述指令,使得所述基站指纹定位装置执行实现如权利要求1-5中任一项所述的基站指纹定位方法的操作。
9.一种基站指纹定位系统,其特征在于,包括:
终端,用于采集基站信号数据,并将所述基站信号数据作为终端采集数据发送给基站指纹定位装置;
基站指纹定位装置,为如权利要求6-8中任一项所述的基站指纹定位装置。
10.根据权利要求9所述的基站指纹定位系统,其特征在于,还包括:
参考采集点设备,用于采集基站信号数据和参考采集点的位置网格,并将基站信号数据和参考采集点的位置网格作为终端采集数据发送给基站指纹定位装置。
11.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述指令被处理器执行时实现如权利要求1-5中任一项所述的基站指纹定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811355975.0A CN111194004B (zh) | 2018-11-15 | 2018-11-15 | 基站指纹定位方法、装置和系统、计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811355975.0A CN111194004B (zh) | 2018-11-15 | 2018-11-15 | 基站指纹定位方法、装置和系统、计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111194004A CN111194004A (zh) | 2020-05-22 |
CN111194004B true CN111194004B (zh) | 2021-04-06 |
Family
ID=70709062
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811355975.0A Active CN111194004B (zh) | 2018-11-15 | 2018-11-15 | 基站指纹定位方法、装置和系统、计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111194004B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115022961B (zh) * | 2021-12-31 | 2023-06-02 | 荣耀终端有限公司 | 定位方法及设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103916820A (zh) * | 2014-03-31 | 2014-07-09 | 浙江大学 | 基于接入点稳定度的无线室内定位方法 |
CN105792353A (zh) * | 2016-03-14 | 2016-07-20 | 中国人民解放军国防科学技术大学 | 群智感知式WiFi信号指纹辅助的图像匹配室内定位方法 |
CN105916201A (zh) * | 2016-06-07 | 2016-08-31 | 天津大学 | 一种基于rss欧氏距离拟合的knn指纹定位方法 |
US9473903B1 (en) * | 2015-11-06 | 2016-10-18 | International Business Machines Corporation | WiFi-fingerprint based indoor localization map |
CN106792507A (zh) * | 2016-11-22 | 2017-05-31 | 上海斐讯数据通信技术有限公司 | 一种基于网络数据的WiFi定位方法及服务器 |
CN107064913A (zh) * | 2017-03-10 | 2017-08-18 | 上海斐讯数据通信技术有限公司 | 一种基于深度学习的无线定位方法及系统 |
CN108445443A (zh) * | 2018-02-07 | 2018-08-24 | 武汉大学 | 一种基于knn的指纹点聚类方法 |
CN108650626A (zh) * | 2018-05-18 | 2018-10-12 | 华南师范大学 | 一种基于泰森多边形的指纹定位算法 |
-
2018
- 2018-11-15 CN CN201811355975.0A patent/CN111194004B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103916820A (zh) * | 2014-03-31 | 2014-07-09 | 浙江大学 | 基于接入点稳定度的无线室内定位方法 |
US9473903B1 (en) * | 2015-11-06 | 2016-10-18 | International Business Machines Corporation | WiFi-fingerprint based indoor localization map |
CN105792353A (zh) * | 2016-03-14 | 2016-07-20 | 中国人民解放军国防科学技术大学 | 群智感知式WiFi信号指纹辅助的图像匹配室内定位方法 |
CN105916201A (zh) * | 2016-06-07 | 2016-08-31 | 天津大学 | 一种基于rss欧氏距离拟合的knn指纹定位方法 |
CN106792507A (zh) * | 2016-11-22 | 2017-05-31 | 上海斐讯数据通信技术有限公司 | 一种基于网络数据的WiFi定位方法及服务器 |
CN107064913A (zh) * | 2017-03-10 | 2017-08-18 | 上海斐讯数据通信技术有限公司 | 一种基于深度学习的无线定位方法及系统 |
CN108445443A (zh) * | 2018-02-07 | 2018-08-24 | 武汉大学 | 一种基于knn的指纹点聚类方法 |
CN108650626A (zh) * | 2018-05-18 | 2018-10-12 | 华南师范大学 | 一种基于泰森多边形的指纹定位算法 |
Also Published As
Publication number | Publication date |
---|---|
CN111194004A (zh) | 2020-05-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110287873B (zh) | 基于深度神经网络的非合作目标位姿测量方法、系统及终端设备 | |
Julca-Aguilar et al. | Symbol detection in online handwritten graphics using faster R-CNN | |
CN114022900A (zh) | 检测模型的训练方法、检测方法、装置、设备和介质 | |
CN112766229B (zh) | 基于注意力机制的人脸点云图像智能识别系统及方法 | |
CN109426828B (zh) | 点云分类方法、装置、设备及存储介质 | |
CN110598603A (zh) | 人脸识别模型获取方法、装置、设备和介质 | |
CN104199842A (zh) | 一种基于局部特征邻域信息的相似图片检索方法 | |
CN105631929A (zh) | 点云精简方法及系统 | |
US11721229B2 (en) | Question correction method, device, electronic equipment and storage medium for oral calculation questions | |
CN109255339B (zh) | 基于自适应深度森林人体步态能量图的分类方法 | |
CN116152611B (zh) | 一种多级多尺度点云补全方法、系统、设备及存储介质 | |
CN112819073A (zh) | 分类网络训练、图像分类方法、装置和电子设备 | |
CN103235791B (zh) | 一种基于秩次的指纹匹配优化定位方法 | |
CN111194004B (zh) | 基站指纹定位方法、装置和系统、计算机可读存储介质 | |
CN105469402A (zh) | 基于空间形状上下文特征的汽车零件识别方法 | |
CN111126358A (zh) | 人脸检测方法、装置、存储介质及设备 | |
CN108496174B (zh) | 用于面部识别的方法和系统 | |
CN117849193A (zh) | 钕铁硼烧结的裂纹损伤在线监测方法 | |
WO2016037848A1 (en) | Image recognition using descriptor pruning | |
CN114022684B (zh) | 人体姿态估计方法及装置 | |
Kumar et al. | Kernel approach for similarity measure in latent fingerprint recognition | |
CN115311553A (zh) | 目标检测方法、装置、电子设备及存储介质 | |
CN113743382B (zh) | 一种货架陈列检测方法、装置及系统 | |
CN113537309B (zh) | 一种对象识别方法、装置及电子设备 | |
Yang et al. | Intelligent digitization of substation one-line diagrams based on computer vision |
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 |