CN112040401B - 室内定位方法、装置、电子设备和存储介质 - Google Patents

室内定位方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN112040401B
CN112040401B CN202010889416.9A CN202010889416A CN112040401B CN 112040401 B CN112040401 B CN 112040401B CN 202010889416 A CN202010889416 A CN 202010889416A CN 112040401 B CN112040401 B CN 112040401B
Authority
CN
China
Prior art keywords
rss
data
model
information
labeled
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
Application number
CN202010889416.9A
Other languages
English (en)
Other versions
CN112040401A (zh
Inventor
邹晶
周英能
肖婷
张啸宇
史晶
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.)
China Mobile Communications Group Co Ltd
China Mobile Hangzhou Information Technology Co Ltd
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Hangzhou Information Technology Co Ltd
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 China Mobile Communications Group Co Ltd, China Mobile Hangzhou Information Technology Co Ltd filed Critical China Mobile Communications Group Co Ltd
Priority to CN202010889416.9A priority Critical patent/CN112040401B/zh
Publication of CN112040401A publication Critical patent/CN112040401A/zh
Application granted granted Critical
Publication of CN112040401B publication Critical patent/CN112040401B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • 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)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明实施例涉及通信领域，公开了一种室内定位方法、装置、电子设备和存储介质。室内定位方法包括：获取定位区域的接收信号强度RSS信息，其中，所述接收信号强度RSS信息由有标签RSS数据和无标签RSS数据组成；将所述有标签RSS数据和所述无标签RSS数据进行数据处理得到混合数据；对所述混合数据，通过预先搭建的学生模型进行训练并更新所述学生模型的参数；根据所述学生模型的参数，采用参数加权平均算法更新预先搭建的教师模型的参数；获取待测的RSS信息，通过所述更新完成后的教师模型，得到预测的二维坐标。应用在室内环境中，以获取用户所处位置。

Description

室内定位方法、装置、电子设备和存储介质
技术领域
本发明实施例涉及通信领域，特别涉及一种室内定位方法、装置、电子设备和存储介质。
背景技术
随着移动互联网的飞速扩张以及智能终端设备的普及，基于移动设备的室内定位技术也随之得到发展。目前主流的基于WiFi指纹的室内定位方法主要包括两个阶段：离线建库阶段和在线定位阶段。离线建库阶段，需要在室内事先确定好的一些参考点，采集该参考点多个接入点接收信号强度(Received Signal Strength，RSS)信息，构建指纹数据库；在线定位阶段，得到一个用户待测的RSS信息后，根据已有的指纹数据库，将待测的RSS信息与指纹数据库中所有参考点的RSS信息进行比对预测，确定用户所处位置。
然而，现有技术在模型预测时，单个模型的定位效果往往差于结合多个模型预测得到的结果，但训练较多的模型又会让训练变慢，而且模型参数量也会随着模型数量急剧上升。
发明内容
本发明实施方式的目的在于提供一种室内定位方法、装置、电子设备和存储介质，能够仅通过单个模型达到多个模型集成的效果，构建了较为稳定精简的模型，提升了模型的定位效果。
为解决上述技术问题，本发明的实施方式提供了一种室内定位方法、装置、电子设备和存储介质，包括：获取定位区域的接收信号强度RSS信息，其中，所述接收信号强度RSS信息由有标签RSS数据和无标签RSS数据组成；将所述有标签RSS数据和所述无标签RSS数据进行数据处理得到混合数据；对所述混合数据，通过预先搭建的学生模型进行训练并更新所述学生模型的参数；根据所述学生模型的参数，采用参数加权平均算法更新预先搭建的教师模型的参数；获取待测的RSS信息，通过所述更新完成后的教师模型，得到预测的二维坐标。
本发明的实施方式还提供了一种室内定位装置，包括：
采集模块，用于获取定位区域的接收信号强度RSS信息，其中，所述接收信号强度RSS信息由有标签RSS数据和无标签RSS数据组成；
处理模块，用于将所述采集模块获得的所述有标签RSS数据和所述无标签RSS数据进行数据处理得到混合数据；
定位模块，包含学生模型和教师模型，用于将所述处理模块获得的所述混合数据，通过预先搭建的学生模型进行训练并更新所述学生模型的参数，根据所述学生模型的参数，采用参数加权平均算法更新预先搭建的教师模型的参数，获取待测的RSS信息，通过所述更新完成后的教师模型，得到预测的二维坐标。
本发明的实施方式还提供了一种电子设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行以上所述的室内定位方法。
本发明的实施方式还提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现以上所述的室内定位方法。
本发明实施方式相对于现有技术而言，引入学生模型和教师模型，学生模型对混合数据进行训练并更新自身参数，根据学生模型参数，采用参数加权平均算法对教师模型的参数进行更新，充分利用了训练过程中参数的变化情况，仅通过单个教师模型达到多个模型集成的效果，避免引入多模型训练的高复杂性与高参数量，构建了较为稳定精简的模型，提升了模型的定位效果。
另外，本发明实施方式提供的室内定位方法，所述获取定位区域的接收信号强度RSS信息，包括：将所述定位区域划分为网格，记录所述网格中每个格点的序号及二维坐标；获取所述网格中每个格点的RSS信息，并将所述每个格点的RSS信息与所述格点序号对应，得到有标签RSS数据；通过众包方式在所述定位区域内随机获取RSS信息，得到无标签RSS数据。离线时获取定位区域内每个格点的有标签RSS数据，在线时通过众包方式随机获取定位区域内大量无标签RSS数据，减少了离线建库对标签数据的需求，从而降低离线建库的工作量。
另外，本发明实施方式提供的室内定位方法，所述将所述有标签RSS数据和所述无标签RSS数据进行数据处理得到混合数据，包括：统计所述有标签RSS数据和所述无标签RSS数据中接入点的MAC地址种类数，并为每个MAC地址标上序号；将所述有标签RSS数据和所述无标签RSS数据按照所述MAC地址序号分布进行排列，得到RSS向量；对所述RSS向量进行标准化处理，得到标准化后的有标签RSS数据和无标签RSS数据；为所述标准化后的无标签RSS数据打上标签信息；将所述标准化后的有标签RSS数据和所述打上标签信息后的无标签RSS数据混合乱序排列并划分批次，得到混合数据。为每条无标签数据打上标签信息，这种方式让模型能够更多地学习到有效的特征信息，使得能精准做出单类别预测的特征更加凸显，而混合类别预测的特征逐渐弱化。
另外，本发明实施方式提供的室内定位方法，所述对所述混合数据，通过预先搭建的学生模型进行训练并更新所述学生模型的参数之前，搭建学生模型和教师模型，包括：搭建两个多层全连接网络，其中层数为大于1的自然数，隐层维度为非零自然数；在所述两个多层全连接网络后分别连接一个维度为N的全连接层作为分类层，得到学生模型和教师模型，其中，N为非零自然数，所述学生模型和所述教师模型的模型结构一致，初始参数为随机初始化参数。通过深度学习模型可以充分地提取训练数据的特征，使得后续模型训练效果更好。
另外，本发明实施方式提供的室内定位方法，所述对所述混合数据，通过预先搭建的学生模型进行训练并更新所述学生模型的参数，包括：获取所述预先搭建的学生模型的L2正则化代价函数；根据所述混合数据和所述预先搭建的学生模型，获取分类交叉熵代价函数；根据所述混合数据和预先搭建的教师模型，获取一致性代价函数；将所述正则化代价函数、分类交叉熵代价函数和一致性代价函数相加得到所述学生模型的代价函数；根据梯度下降算法和所述学生模型的代价函数，更新所述学生模型的参数。采用混合数据完成模型训练，既能避免模型对离线有标签数据过拟合，也能增强离线有标签数据与在线无标签数据的联系性，减弱了在线预测时数据分布不一致导致的负面影响。
另外，本发明实施方式提供的室内定位方法，所述根据所述学生模型的参数，采用参数加权平均算法通过以下公式更新预先搭建的教师模型的参数：
Figure BDA0002656476460000031
其中，其中
Figure BDA0002656476460000032
为t时刻学生模型的参数，
Figure BDA0002656476460000033
为t时刻教师模型的参数，α为权重。通过参数加权平均算法对教师模型的参数进行更新，充分利用了训练过程中参数的变化情况，达到模型集成的效果。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。
图1是本发明的第一实施方式提供的一种室内定位方法的流程图；
图2是本发明的第二实施方式提供的一种室内定位方法的流程图；
图3是本发明的第三实施方式提供的一种室内定位方法的流程图；
图4是本发明的第四实施方式提供的一种室内定位方法的流程图；
图5是本发明的第五实施方式提供的一种室内定位方法的流程图；
图6是本发明的第六实施方式提供的一种室内定位方法的流程图；
图7是本发明的第七实施方式提供的一种室内定位装置的结构示意图；
图8是本发明的第八实施方式提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的各实施方式进行详细的阐述。然而，本领域的普通技术人员可以理解，在本发明各实施方式中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请所要求保护的技术方案。以下各个实施例的划分是为了描述方便，不应对本发明的具体实现方式构成任何限定，各个实施例在不矛盾的前提下可以相互结合相互引用。
本发明的第一实施方式涉及一种室内定位方法。具体流程如图1所示，包括：
步骤101，获取定位区域的接收信号强度RSS信息，其中，接收信号强度RSS信息由有标签RSS数据和无标签RSS数据组成。
步骤102，将有标签RSS数据和无标签RSS数据进行数据处理得到混合数据。
步骤103，对混合数据，通过预先搭建的学生模型进行训练并更新学生模型的参数。
步骤104，根据学生模型的参数，采用参数加权平均算法更新预先搭建的教师模型的参数。
在本实施方式中，步骤104采用参数加权平均算法通过以下公式更新预先搭建的教师模型的参数：
Figure BDA0002656476460000041
其中，
Figure BDA0002656476460000042
为t时刻学生模型的参数，
Figure BDA0002656476460000043
为t时刻教师模型的参数，α为权重。
步骤105，获取待测的RSS信息，通过更新完成后的教师模型，得到预测的二维坐标。
在本实施方式中，教师模型是否更新完成根据学生模型是否收敛来判断，即学生模型收敛后，教师模型就更新完成。
本发明的实施方式相对于现有技术而言，引入学生模型和教师模型，学生模型对混合数据进行训练并更新自身参数，根据学生模型参数，采用参数加权平均算法对教师模型的参数进行更新，充分利用了训练过程中参数的变化情况，仅通过单个教师模型达到多个模型集成的效果，避免引入多模型训练的高复杂性与高参数量，构建了较为稳定精简的模型，提升了模型的定位效果。
本发明的第二实施方式涉及一种室内定位方法，该方法与本发明的第一实施方式提供的室内定位方法基本相同，其区别在于，如图2所示，步骤101包括：
步骤201，将定位区域划分为网格，记录网格中每个格点的序号及二维坐标；
在本实施方式中，将定位区域划分为网格，网格间距可以根据实际环境、指纹库的需要和定位精度自行设定。
步骤202，获取网格中每个格点的RSS信息，并将每个格点的RSS信息与格点序号对应，得到有标签RSS数据；
在本实施方式中，步骤202可以通过采集者持手机或其他移动设备站在每个格点上采集RSS信息，对于采集到的每个格点的RSS信息，其对应的标签就是格点序号。
步骤203，通过众包方式在定位区域内随机获取RSS信息，得到无标签RSS数据。
在本实施方式中，步骤203是通过位于定位区域内的普通用户随机获取RSS信息，该普通用户可以静止在定位区域内某一位置，也可以在定位区域内处于运动状态。
需要说明的是，步骤202和步骤203中，若没有获取到定位区域内某一位置的RSS信息，则将该位置处的RSS信息设置为-110。由于在获取定位区域内某一位置的RSS信息时，距离接入点越近，RSS信息值越大，距离接入点越远，RSS信息值越小。距离接入点特别远，几乎测不到的情况下，获取到的RSS信息值一般为-110，因此，将未获取到定位区域内某一位置的RSS信息值设定为-110。
本发明的实施方式相对于现有技术而言，在实现第一实施方式带来的有益效果基础上，引入半监督思想，离线时获取定位区域内每个格点的有标签RSS数据，在线时通过众包方式随机获取定位区域内大量无标签RSS数据，减少了离线建库对标签数据的需求，从而降低离线建库的工作量。
本发明的第三实施方式涉及一种室内定位方法，该方法与本发明的第一实施方式提供的室内定位方法基本相同，其区别在于，如图3所示，步骤102包括：
步骤301，统计有标签RSS数据和无标签RSS数据中接入点的MAC地址种类数，并为每个MAC地址标上序号。
在本实施方式中，步骤301是将有标签RSS数据和无标签RSS数据中所有接入点不同的MAC地址的总数量进行统计。
步骤302，将有标签RSS数据和无标签RSS数据按照所述MAC地址序号分布进行排列，得到RSS向量。
步骤303，对RSS向量进行标准化处理，得到标准化后的有标签RSS数据和无标签RSS数据。
在本实施方式中，不对具体的标准化处理方法进行限定，在实际使用过程中可以使用任何现有的标准化处理方法进行操作，此处不做赘述。
步骤304，为标准化后的无标签RSS数据打上标签信息。
在本实施方式中，步骤304为标准化后的无标签RSS数据打上标签信息，该标签信息应该区别于有标签RSS数据的标签信息。
步骤305，将标准化后的有标签RSS数据和所述打上标签信息后的无标签RSS数据混合乱序排列并划分批次，得到混合数据。
在本实施方式中，步骤305将混合数据划分批次，每一批次的数据数量可以自行设定，一般设定为16的倍数，例如，可以设定32个数据为一个批次。
本发明的实施方式相对于现有技术而言，在实现第一实施方式带来的有益效果基础上，为每条无标签RSS数据打上标签信息，这种方式让模型能够更多地学习到有效的特征信息，使得能精准做出单类别预测的特征，即能指向某一个位置的特征，更加凸显，而混合类别预测的特征，即能指向多个位置的特征，逐渐弱化。进一步地，对混合数据进行标准化处理，有助于提升模型的训练效果，同时使得训练数据和测试数据的分布一致，提升模型的定位效果。
本发明的第四实施方式涉及一种室内定位方法，该方法与本发明的第一实施方式提供的室内定位方法基本相同，其区别在于，如图4所示，在步骤103之前还包括：
步骤401，搭建两个多层全连接网络，其中层数为大于1的自然数，隐层维度为非零自然数。
步骤402，在两个多层全连接网络后分别连接一个维度为N的全连接层作为分类层，得到学生模型和教师模型，其中，N为非零自然数，学生模型和教师模型的模型结构一致，初始参数为随机初始化参数。
需要说明的是，本实施方式不对步骤401和402的具体执行位置进行限定，在本实施方式中，为了便于理解以步骤401和402在步骤101之后，步骤102之前执行为例进行说明。
本发明实施方式相对于现有技术而言，在实现第一实施方式带来的有益效果基础上，通过构建多层深度学习模型充分提取训练数据的特征，使得后续模型的训练效果更好，有助于提升模型的定位效果。
本发明的第五实施方式涉及一种室内定位方法，该方法与本发明的第一实施方式提供的室内定位方法基本相同，其区别在于，如图5所示，步骤103包括：
步骤501，获取预先搭建的学生模型的L2正则化代价函数。
在本实施方式中，步骤501通过以下公式计算L2正则化代价函数δregular：
Figure BDA0002656476460000071
步骤502，根据混合数据和预先搭建的学生模型，获取分类交叉熵代价函数。
在本实施方式中，步骤502通过将混合数据输入到学生模型中，得到学生模型对混合数据预测的分类标签信息pstu，其中，分类标签信息pstu由有标签RSS数据的分类标签信息和无标签RSS数据的分类标签信息组成。通过以下公式计算分类标签信息中有标签RSS数据的分类交叉熵代价函数δclassify：
Figure BDA0002656476460000072
其中，Ilabel为有标签RSS数据的条数，
Figure BDA0002656476460000073
为有标签RSS数据的分类标签信息，qlabel为有标签数据的概率分布。
步骤503，根据混合数据和预先搭建的教师模型，获取一致性代价函数。
在本实施方式中，步骤503通过将混合数据输入到教师模型中，得到教师模型对混合数据预测的分类标签信息ptea，通过以下公式计算教师模型对混合数据预测的分类标签信息ptea和学生模型对混合数据预测的分类标签信息pstu之间的差异性，表示为一致性代价函数δconsist：
Figure BDA0002656476460000074
Figure BDA0002656476460000075
其中，I为混合数据的条数。
步骤504，将正则化代价函数、分类交叉熵代价函数和一致性代价函数相加得到学生模型的代价函数。
步骤505，根据梯度下降算法和学生模型的代价函数，更新学生模型的参数。
本发明实施方式相对于现有技术而言，在实现第一实施方式带来的有益效果基础上，采用混合数据完成模型训练，既能避免模型对离线有标签数据过拟合，也能增强离线有标签数据与在线无标签数据的联系性，减弱了在线预测时数据分布不一致导致的负面影响，提模型定位效果。
本发明的第六实施方式涉及一种室内定位方法，该方法与本发明的第一实施方式提供的室内定位方法基本相同，其区别在于，如图6所示，步骤105包括：
步骤601，将待测的RSS信息转换成标准化后的RSS向量。
在本实施方式中，步骤601的具体操作按照步骤301，302，303的操作执行得到标准化后的RSS向量。
步骤602，对标准化后的RSS向量，通过更新完成后的教师模型，得到预测的格点序号。
步骤603，将预测的格点序号映射到对应的二维坐标上，得到预测的二维坐标。
本发明实施方式相对于现有技术而言，在实现第一实施方式带来的有益效果基础上，通过更新完成后的单个教师模型对待测的RSS信息进行预测得到二维坐标，解决了现有技术中单个模型定位效果较差的问题。
本发明的第七实施方式涉及一种室内定位装置，如图7所示，包括：
采集模块701，用于获取定位区域的接收信号强度RSS信息，其中，接收信号强度RSS信息由有标签RSS数据和无标签RSS数据组成；
处理模块702，用于将采集模块获得的有标签RSS数据和无标签RSS数据进行数据处理得到混合数据；
定位模块703，包含学生模型和教师模型，用于将处理模块获得的混合数据，通过预先搭建的学生模型进行训练并更新学生模型的参数，根据学生模型的参数，采用参数加权平均算法更新预先搭建的教师模型的参数，获取待测的RSS信息，通过更新完成后的教师模型，得到预测的二维坐标。
本发明第八实施方式涉及一种电子设备，如图8所示，包括：
至少一个处理器801；以及，
与所述至少一个处理器801通信连接的存储器802；其中，
所述存储器802存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器801执行，以使所述至少一个处理器801能够执行本发明第一至第六实施方式所述的室内定位方法。
其中，存储器和处理器采用总线方式连接，总线可以包括任意数量的互联的总线和桥，总线将一个或多个处理器和存储器的各种电路连接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。经处理器处理的数据通过天线在无线介质上进行传输，进一步，天线还接收数据并将数据传送给处理器。
处理器负责管理总线和通常的处理，还可以提供各种功能，包括定时，外围接口，电压调节、电源管理以及其他控制功能。而存储器可以被用于存储处理器在执行操作时所使用的数据。
本发明第八实施方式涉及一种计算机可读存储介质，存储有计算机程序。计算机程序被处理器执行时实现上述方法实施例。
即，本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域的普通技术人员可以理解，上述各实施方式是实现本发明的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本发明的精神和范围。

Claims (10)

1.一种室内定位方法，其特征在于，包括：
获取定位区域的接收信号强度RSS信息，其中，所述接收信号强度RSS信息由有标签RSS数据和无标签RSS数据组成，所述标签为所述定位区域被划分为网格后，所述网格中每个格点的序号；
为所述无标签RSS数据打上标签信息，所述标签信息为区别于有标签RSS数据的标签，并将所述有标签RSS数据和打上标签信息后的无标签RSS数据进行数据处理得到混合数据；
对所述混合数据，通过预先搭建的学生模型进行训练并更新所述学生模型的参数；
根据所述学生模型的参数，采用参数加权平均算法更新预先搭建的教师模型的参数；
获取待测的RSS信息，通过所述更新完成后的教师模型，得到预测的二维坐标。
2.根据权利要求1所述的室内定位方法，其特征在于，所述获取定位区域的接收信号强度RSS信息，包括：
将所述定位区域划分为网格，记录所述网格中每个格点的序号及二维坐标；
获取所述网格中每个格点的RSS信息，并将所述每个格点的RSS信息与所述格点序号对应，得到有标签RSS数据；
通过众包方式在所述定位区域内随机获取RSS信息，得到无标签RSS数据。
3.根据权利要求1所述的室内定位方法，其特征在于，所述将所述有标签RSS数据和打上标签信息后的无标签RSS数据进行数据处理得到混合数据，包括：
统计所述有标签RSS数据和所述打上标签信息后的无标签RSS数据中接入点的MAC地址种类数，并为每个MAC地址标上序号；
将所述有标签RSS数据和所述打上标签信息后的无标签RSS数据按照所述MAC地址序号分布进行排列，得到RSS向量；
对所述RSS向量进行标准化处理，并将所述标准化处理后RSS向量中的有标签RSS数据和打上标签信息后的无标签RSS数据混合乱序排列并划分批次，得到混合数据。
4.根据权利要求1所述的室内定位方法，其特征在于，所述对所述混合数据，通过预先搭建的学生模型进行训练并更新所述学生模型的参数之前，搭建学生模型和教师模型，包括：
搭建两个多层全连接网络，其中，层数为大于1的自然数，隐层维度为非零自然数；
在所述两个多层全连接网络后分别连接一个维度为N的全连接层作为分类层，得到学生模型和教师模型，其中，N为非零自然数，所述学生模型和所述教师模型的模型结构一致，初始参数为随机初始化参数。
5.根据权利要求1所述的室内定位方法，其特征在于，所述对所述混合数据，通过预先搭建的学生模型进行训练并更新所述学生模型的参数，包括：
获取所述预先搭建的学生模型的L2正则化代价函数；
根据所述混合数据和所述预先搭建的学生模型，获取分类交叉熵代价函数；
根据所述混合数据和预先搭建的教师模型，获取一致性代价函数；
将所述正则化代价函数、分类交叉熵代价函数和一致性代价函数相加得到所述学生模型的代价函数；
根据梯度下降算法和所述学生模型的代价函数，更新所述学生模型的参数。
6.根据权利要求1所述的室内定位方法，其特征在于，所述根据所述学生模型的参数，采用参数加权平均算法通过以下公式更新预先搭建的教师模型的参数：
Figure FDA0003677270490000021
其中，
Figure FDA0003677270490000022
为t时刻学生模型的参数，
Figure FDA0003677270490000023
为t时刻教师模型的参数，α为权重。
7.根据权利要求1所述的室内定位方法，其特征在于，所述获取待测的RSS信息，通过所述更新完成后的教师模型，得到预测的二维坐标，包括：
将待测的RSS信息转换成标准化后的RSS向量；
对所述标准化后的RSS向量，通过更新完成后的教师模型，得到预测的格点序号；
将所述预测的格点序号映射到对应的二维坐标上，得到预测的二维坐标。
8.一种室内定位装置，其特征在于，包括：
采集模块，用于获取定位区域的接收信号强度RSS信息，其中，所述接收信号强度RSS信息由有标签RSS数据和无标签RSS数据组成，所述标签为所述定位区域被划分为网格后，所述网格中每个格点的序号；
处理模块，用于为所述无标签RSS数据打上标签信息，所述标签信息为区别于有标签RSS数据的标签，并将所述有标签RSS数据和打上标签信息后的无标签RSS数据进行数据处理得到混合数据；
定位模块，包含学生模型和教师模型，用于将所述处理模块获得的所述混合数据，通过预先搭建的学生模型进行训练并更新所述学生模型的参数，根据所述学生模型的参数，采用参数加权平均算法更新预先搭建的教师模型的参数，获取待测的RSS信息，通过所述更新完成后的教师模型，得到预测的二维坐标。
9.一种电子设备，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的室内定位方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的室内定位方法。
CN202010889416.9A 2020-08-28 2020-08-28 室内定位方法、装置、电子设备和存储介质 Active CN112040401B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010889416.9A CN112040401B (zh) 2020-08-28 2020-08-28 室内定位方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010889416.9A CN112040401B (zh) 2020-08-28 2020-08-28 室内定位方法、装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN112040401A CN112040401A (zh) 2020-12-04
CN112040401B true CN112040401B (zh) 2022-09-13

Family

ID=73586930

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010889416.9A Active CN112040401B (zh) 2020-08-28 2020-08-28 室内定位方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN112040401B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113916231A (zh) * 2021-09-28 2022-01-11 上海浦东发展银行股份有限公司 移动设备定位导航方法、装置、移动设备及存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2004305877B2 (en) * 2003-09-26 2010-09-23 Institut National De La Recherche Scientifique (Inrs) Method and system for indoor geolocation using an impulse response fingerprinting technique
CA2442950A1 (en) * 2003-09-26 2005-03-26 Chahe Nerguizian Method and system for indoor geolocation using an impulse response fingerprinting technique
KR101921228B1 (ko) * 2011-09-23 2019-02-13 알엑스 네트웍스 아이엔씨. 모바일 장치의 지오-레퍼런스 기반한 포지셔닝
US10545231B2 (en) * 2017-06-02 2020-01-28 Apple Inc. Compressing radio maps using different compression models
US20190188533A1 (en) * 2017-12-19 2019-06-20 Massachusetts Institute Of Technology Pose estimation

Also Published As

Publication number Publication date
CN112040401A (zh) 2020-12-04

Similar Documents

Publication Publication Date Title
CN110222330B (zh) 语义识别方法及装置、存储介质、计算机设备
CN109858476B (zh) 标签的扩充方法和电子设备
CN108460427A (zh) 一种分类模型训练方法、装置以及分类方法及装置
CN111079780A (zh) 空间图卷积网络的训练方法、电子设备及存储介质
CN110598869B (zh) 基于序列模型的分类方法、装置、电子设备
CN110457677A (zh) 实体关系识别方法及装置、存储介质、计算机设备
CN113298152B (zh) 模型训练方法、装置、终端设备及计算机可读存储介质
CN113128536A (zh) 无监督学习方法、系统、计算机设备及可读存储介质
CN112766402A (zh) 算法选择方法、装置和电子设备
CN110232131A (zh) 基于创意标签的创意素材搜索方法及装置
CN112040401B (zh) 室内定位方法、装置、电子设备和存储介质
CN114881129A (zh) 一种模型训练方法、装置、电子设备及存储介质
CN113657087B (zh) 信息的匹配方法及装置
CN112418924B (zh) 基于大数据和云计算的广告推送方法及人工智能平台
CN114692889A (zh) 用于机器学习算法的元特征训练模型
CN112861934A (zh) 一种嵌入式终端的图像分类方法、装置及嵌入式终端
CN111597336A (zh) 训练文本的处理方法、装置、电子设备及可读存储介质
CN113837268B (zh) 确定轨迹点状态的方法、装置、设备和介质
CN112597764B (zh) 文本分类方法及装置、存储介质、电子装置
CN114005015A (zh) 模型训练方法、电子设备和计算机可读存储介质
CN112559589A (zh) 一种远程测绘数据处理方法及系统
CN113239034A (zh) 一种基于人工智能的大数据资源整合方法、系统及云平台
CN114581761A (zh) 遥感图像识别方法、装置、设备和计算机可读存储介质
US11257228B1 (en) Method for image registration
CN116310648B (zh) 模型训练方法、人脸识别方法、电子设备和存储介质

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