CN111654910A - 一种基于神经网络的室内定位计算方法 - Google Patents
一种基于神经网络的室内定位计算方法 Download PDFInfo
- Publication number
- CN111654910A CN111654910A CN202010297169.3A CN202010297169A CN111654910A CN 111654910 A CN111654910 A CN 111654910A CN 202010297169 A CN202010297169 A CN 202010297169A CN 111654910 A CN111654910 A CN 111654910A
- Authority
- CN
- China
- Prior art keywords
- signal intensity
- neural network
- data
- indoor positioning
- area
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- 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
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
- H04B17/318—Received signal strength
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Quality & Reliability (AREA)
- Electromagnetism (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明涉及室内定位计算技术领域,且公开了一种基于神经网络的室内定位计算方法,方法步骤如下:建立室内地图,采集原始信号强度数据;信号强度数据清洗;建立基于Tensorflow的DNN神经网络分类算法模型;计算信号强度数据的特征向量,进行机器学习训练;神经网络预测,根据信号强度特征对终端位置进行分类,输出计算结果。本发明针对不同位置探针探测到终端发出的Wi‑Fi信号,通过基于信号强度阈值范围进行筛选,对信息进行预处理,输出信号强度的特征向量,然后结合神经网络对特征向量进行位置判断,有效地将信号强度特征和神经网络分类算法结合到一起,提高了室内定位技术的高效性、准确性和智能性。
Description
技术领域
本发明涉及室内定位计算领域,尤其涉及一种基于神经网络的室内定位计算方法。
背景技术
随着数据业务和多媒体业务的快速增加,人们对定位与导航的需求日益增大,尤其在复杂的室内环境,如机场大厅、展厅、仓库、超市、图书馆、地下停车场和矿井等环境中,常常需要确定移动终端或其持有者、设施与物品在室内的位置信息,但是受定位时间、定位精度以及复杂室内环境等条件的限制,比较完善的定位技术目前还无法很好地利用,目前常用的是使用三角定位方案,即利用2台或者2台以上的探测器在不同位置探测目标方位,然后运用三角几何原理确定目标的位置和距离。
但是上述定位方案的存在精度不高、难以优化的缺陷。
为解决上述问题,本申请中提出一种基于神经网络的室内定位计算方法。
发明内容
(一)发明目的
为解决背景技术中存在的技术问题,本发明提出一种基于神经网络的室内定位计算方法,本发明针对不同位置探针探测到终端发出的Wi-Fi信号,通过基于信号强度阈值范围进行筛选,对信息进行预处理,输出信号强度的特征向量,然后结合神经网络对特征向量进行位置判断,有效地将信号强度特征和神经网络分类算法结合到一起,提高了室内定位技术的高效性、准确性和智能性。
(二)技术方案
为解决上述问题,本发明提供了一种基于神经网络的室内定位计算方法,方法步骤如下:
S1:建立室内地图,采集原始信号强度数据;
S2:信号强度数据清洗;
S3:建立基于Tensorflow的DNN神经网络分类算法模型;
S4:计算信号强度数据的特征向量,进行机器学习训练;
S5:神经网络预测,根据信号强度特征对终端位置进行分类,输出计算结果。
优选的,S1中S1建立室内地图、采集原始数据具体步骤如下:
S1-1:确定室内平面图,划分网格区域;
S1-2:在需要定位的区域指定位置点部署Wi-Fi探针;
S1-3:通过Wi-Fi探针采集各个位置区域终端的信号强度。
优选的,S2中信号强度数据清洗具体步骤如下:
S2-1:去除原始数据中异常的、过大和过小的信号强度数据;
S2-2:根据配置,根据探针分组,求取单位时间内(如1分钟)各个探针探测到的各终端信号强度的平均值;
S2-3:使用区域ID标注各组数据来自的区域。
优选的,S3中立模型具体步骤如下:
S3-1:输入层定义特征列为不同区域、各个探针采集到的信号强度平均值;
S3-2:定义2个各含10节点的隐藏层;
S3-3:输出层定位为不同位置区域id。
优选的,S4具体步骤如下:
4-1:用特征向量V=(t1,t2,…,tn)表示信号强度特征,其中,为各个探针探测到的信号强度,定义V为分类器的输入数据;
S4-2:构建位置与信号强度特征的线性关系;
S4-3:对特征集中特征进行分类预测训练;
S4-4:设置训练步数,采用梯度下降法迭代优化拟合出最合适的位置与信号强度特征线性关系函数。
优选的,S5中具体步骤为:
S5-1:输入待预测的信号强度的特征向量;
S5-2:输出预测出来的区域ID结果。
本发明的上述技术方案具有如下有益的技术效果:
(1)本发明采用神经网络算法,可快速、准确的判断终端位置。
(2)采用神经网络算法使得定位计算有进化特性,随着模型训练、样本数据的增多、多样性的提升,迭代训练会使得模型的计算越来越准确。
(3)以区域信号强度作为特征、区域id作为输出结果,区域划分越细,定位计算的精度越高,可以视需求灵活选择。
(4)与冗长、复杂的三角定位算法相比,DNN神经网络分类算法不需要建立坐标系、确定各个探针的坐标点、不必进行复杂的函数计算,更简洁更方便。
附图说明
图1为本发明提出的一种基于神经网络的室内定位计算方法的流程图。
图2为本发明提出的一种基于神经网络的室内定位计算方法中信号强度数据清洗流程图。
图3为本发明提出的一种基于神经网络的室内定位计算方法中模型训练流程图。
图4为本发明提出的一种基于神经网络的室内定位计算方法中分类预测流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了,下面结合具体实施方式并参照附图,对本发明进一步详细说明。应该理解,这些描述只是示例性的,而并非要限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
如图1-4所示,本发明提出的一种基于神经网络的室内定位计算方法,方法步骤如下:
S1:建立室内地图,采集原始信号强度数据;
S2:信号强度数据清洗;
S3:建立基于Tensorflow的DNN神经网络分类算法模型;
S4:计算信号强度数据的特征向量,进行机器学习训练;
S5:神经网络预测,根据信号强度特征对终端位置进行分类,输出计算结果。
在一个可选的实施例中,S1中S1建立室内地图、采集原始数据具体步骤如下:
S1-1:确定室内平面图,划分网格区域;
S1-2:在需要定位的区域指定位置点部署Wi-Fi探针;
S1-3:通过Wi-Fi探针采集各个位置区域终端的信号强度。
在一个可选的实施例中,S2中信号强度数据清洗具体步骤如下:
S2-1:去除原始数据中异常的、过大和过小的信号强度数据;
S2-2:根据配置,根据探针分组,求取单位时间内(如1分钟)各个探针探测到的各终端信号强度的平均值;
S2-3:使用区域ID标注各组数据来自的区域。
在一个可选的实施例中,S3中立模型具体步骤如下:
S3-1:输入层定义特征列为不同区域、各个探针采集到的信号强度平均值;
S3-2:定义2个各含10节点的隐藏层;
S3-3:输出层定位为不同位置区域id。
在一个可选的实施例中,S4具体步骤如下:
4-1:用特征向量V=(t1,t2,…,tn)表示信号强度特征,其中,为各个探针探测到的信号强度,定义V为分类器的输入数据;
S4-2:构建位置与信号强度特征的线性关系;
S4-3:对特征集中特征进行分类预测训练;
S4-4:设置训练步数,采用梯度下降法迭代优化拟合出最合适的位置与信号强度特征线性关系函数。
在一个可选的实施例中,S5中具体步骤为:
S5-1:输入待预测的信号强度的特征向量;
S5-2:输出预测出来的区域ID结果。
本发明中,针对不同位置探针探测到终端发出的Wi-Fi信号,通过基于信号强度阈值范围进行筛选,对信息进行预处理,输出信号强度的特征向量,然后结合神经网络对特征向量进行位置判断,有效地将信号强度特征和神经网络分类算法结合到一起,提高了室内定位技术的高效性、准确性和智能性。
需要说明的是,举例实施对本发明做更详细的描述:
数据清洗流程具体步骤:
1. 过滤信号强度小于-80大于15的数据;
2.根据信号强度数据中的探针Mac、采集时间,以不同的探针、每分钟的时间范围进行分组计算信号强度平均值;
3. 对各个信号强度数据集比较各自的区域ID。
模型训练具体步骤如下:
1.对训练数据集进行切割,将信号强度作为特征向量和区域ID作为输出结果;
2. 定义2个各含10节点的隐藏层;
3. 定义输出结果数为区域数量;
3. 设置优化函数AdamOptimizer,学习步数为1000;
4. 进行模型训练。
神经网络分类模块具体步骤为:
1.输入待分类的信号强度数据;
2.构造信号强度的特征向量;
3. 输出分类的结果即区域ID。
应当理解的是,本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理,而不构成对本发明的限制。因此,在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。此外,本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
Claims (6)
1.一种基于神经网络的室内定位计算方法,其特征在于,方法步骤如下:
S1:建立室内地图,采集原始信号强度数据;
S2:信号强度数据清洗;
S3:建立基于Tensorflow的DNN神经网络分类算法模型;
S4:计算信号强度数据的特征向量,进行机器学习训练;
S5:神经网络预测,根据信号强度特征对终端位置进行分类,输出计算结果。
2.根据权利要求1所述的一种基于神经网络的室内定位计算方法,其特征在于,S1中S1建立室内地图、采集原始数据具体步骤如下:
S1-1:确定室内平面图,划分网格区域;
S1-2:在需要定位的区域指定位置点部署Wi-Fi探针;
S1-3:通过Wi-Fi探针采集各个位置区域终端的信号强度。
3.根据权利要求1所述的一种基于神经网络的室内定位计算方法,其特征在于,S2中信号强度数据清洗具体步骤如下:
S2-1:去除原始数据中异常的、过大和过小的信号强度数据;
S2-2:根据配置,根据探针分组,求取单位时间内(如1分钟)各个探针探测到的各终端信号强度的平均值;
S2-3:使用区域ID标注各组数据来自的区域。
4.根据权利要求1所述的一种基于神经网络的室内定位计算方法,其特征在于,S3中立模型具体步骤如下:
S3-1:输入层定义特征列为不同区域、各个探针采集到的信号强度平均值;
S3-2:定义2个各含10节点的隐藏层;
S3-3:输出层定位为不同位置区域id。
5.根据权利要求1所述的一种基于神经网络的室内定位计算方法,其特征在于,S4具体步骤如下:
4-1:用特征向量V=(t1,t2,…,tn)表示信号强度特征,其中,为各个探针探测到的信号强度,定义V为分类器的输入数据;
S4-2:构建位置与信号强度特征的线性关系;
S4-3:对特征集中特征进行分类预测训练;
S4-4:设置训练步数,采用梯度下降法迭代优化拟合出最合适的位置与信号强度特征线性关系函数。
6.根据权利要求1所述的一种基于神经网络的室内定位计算方法,其特征在于,S5中具体步骤为:
S5-1:输入待预测的信号强度的特征向量;
S5-2:输出预测出来的区域ID结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010297169.3A CN111654910A (zh) | 2020-04-15 | 2020-04-15 | 一种基于神经网络的室内定位计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010297169.3A CN111654910A (zh) | 2020-04-15 | 2020-04-15 | 一种基于神经网络的室内定位计算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111654910A true CN111654910A (zh) | 2020-09-11 |
Family
ID=72345640
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010297169.3A Pending CN111654910A (zh) | 2020-04-15 | 2020-04-15 | 一种基于神经网络的室内定位计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111654910A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105872981A (zh) * | 2016-03-30 | 2016-08-17 | 河海大学常州校区 | 基于信号合成和人工神经网络的室内定位方法 |
CN106535326A (zh) * | 2016-11-22 | 2017-03-22 | 上海斐讯数据通信技术有限公司 | 一种基于深度神经网络的WiFi定位方法及服务器 |
CN106793070A (zh) * | 2016-11-28 | 2017-05-31 | 上海斐讯数据通信技术有限公司 | 一种基于加强深度神经网络的WiFi定位方法及服务器 |
CN106792506A (zh) * | 2016-11-22 | 2017-05-31 | 上海斐讯数据通信技术有限公司 | 一种WiFi定位方法及服务器 |
CN110225460A (zh) * | 2019-06-05 | 2019-09-10 | 三维通信股份有限公司 | 一种基于深度神经网络的室内定位方法及装置 |
-
2020
- 2020-04-15 CN CN202010297169.3A patent/CN111654910A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105872981A (zh) * | 2016-03-30 | 2016-08-17 | 河海大学常州校区 | 基于信号合成和人工神经网络的室内定位方法 |
CN106535326A (zh) * | 2016-11-22 | 2017-03-22 | 上海斐讯数据通信技术有限公司 | 一种基于深度神经网络的WiFi定位方法及服务器 |
CN106792506A (zh) * | 2016-11-22 | 2017-05-31 | 上海斐讯数据通信技术有限公司 | 一种WiFi定位方法及服务器 |
CN106793070A (zh) * | 2016-11-28 | 2017-05-31 | 上海斐讯数据通信技术有限公司 | 一种基于加强深度神经网络的WiFi定位方法及服务器 |
CN110225460A (zh) * | 2019-06-05 | 2019-09-10 | 三维通信股份有限公司 | 一种基于深度神经网络的室内定位方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102521973B (zh) | 一种手机切换定位的道路匹配方法 | |
Petrovska et al. | Traffic congestion analysis visualisation tool | |
CN109949326A (zh) | 基于背包式三维激光点云数据的建筑物轮廓线提取方法 | |
CN109684384B (zh) | 一种轨迹数据时空密度分析系统及其分析方法 | |
CN106646338A (zh) | 一种快速精确的室内定位方法 | |
CN110232398A (zh) | 一种基于Canopy+Kmeans聚类的路网子区划分及其评估方法 | |
Kang et al. | Voxel-based extraction and classification of 3-D pole-like objects from mobile LiDAR point cloud data | |
CN111076096B (zh) | 燃气管网泄漏识别方法和装置 | |
CN110213710A (zh) | 一种基于随机森林的高性能室内定位方法、室内定位系统 | |
CN108616812A (zh) | 基于深度学习的移动设备定位及追踪系统及其使用方法 | |
CN112596049B (zh) | 一种提升无人机侦测准确率的方法 | |
CN111475746B (zh) | 兴趣点位置挖掘方法、装置、计算机设备和存储介质 | |
Zheng et al. | Background noise filtering and clustering with 3D LiDAR deployed in roadside of urban environments | |
CN107944628A (zh) | 一种路网环境下的聚集模式发现方法及系统 | |
CN111698774A (zh) | 基于多源信息融合的室内定位方法及装置 | |
CN111405461B (zh) | 一种优化等间隔指纹采样个数的无线室内定位方法 | |
CN113596989A (zh) | 一种用于智慧车间的室内定位方法及系统 | |
Li et al. | A two-phase clustering approach for urban hotspot detection with spatiotemporal and network constraints | |
Xu et al. | Traffic congestion forecasting in shanghai based on multi-period hotspot clustering | |
Minnikhanov et al. | Detection of traffic anomalies for a safety system of smart city | |
Bing et al. | Integrating semantic zoning information with the prediction of road link speed based on taxi GPS data | |
CN111654910A (zh) | 一种基于神经网络的室内定位计算方法 | |
CN116310894B (zh) | 一种基于无人机遥感的小样本小目标藏羚羊智能识别方法 | |
Angkhawey et al. | Detecting points of interest in a city from taxi gps with adaptive dbscan | |
Jafarlou et al. | Improving Fuzzy-logic based map-matching method with trajectory stay-point detection |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200911 |