CN112218237A - 一种基于神经网络算法的高精度室内定位系统 - Google Patents
一种基于神经网络算法的高精度室内定位系统 Download PDFInfo
- Publication number
- CN112218237A CN112218237A CN202011210518.XA CN202011210518A CN112218237A CN 112218237 A CN112218237 A CN 112218237A CN 202011210518 A CN202011210518 A CN 202011210518A CN 112218237 A CN112218237 A CN 112218237A
- Authority
- CN
- China
- Prior art keywords
- neural network
- positioning
- precision indoor
- positioning system
- algorithm
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 40
- 238000004891 communication Methods 0.000 claims abstract description 13
- 238000003062 neural network model Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims abstract description 3
- 230000008569 process Effects 0.000 claims abstract description 3
- 230000008859 change Effects 0.000 abstract description 4
- 238000013461 design Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009435 building construction Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- H04W4/025—Services making use of location information using location based information parameters
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了高精度室内定位系统技术领域的一种基于神经网络算法的高精度室内定位系统，该高精度室内定位系统包括待定位目标物体物体、多个定位装置、用于通信协调控制和神经网络的推理算法的电力载波中央处理单元CCO、路由器、因特网、用于对定位神经网络模型进行训练的远程服务器以及用户终端手机或电脑，所述高精度室内定位系统的工作流程如下：所述电力载波中央处理单元CCO协调多个参考定位装置轮流发送固定功率(6dbm)固定长度(1000字节)无线定位信号，该高精度室内定位系统在定位时通过采用不断更新的数据来训练神经网络以反映环境的变化，提高了时间和空间定位的精度，同时大大节省时间和成本。
Description
技术领域
本发明涉及高精度室内定位系统技术领域，具体为一种基于神经网络算法的高精度室内定位系统。
背景技术
当前的很多无线室内定位系统主要采用单纯无线的方式来实现，主要包括WiFi，Zigbee，Bluetooth，UWB等，WiFi定位主要采用的搜集附近 WiFi路由器的方式，然后使用这些随机搜索到的路由器作为参考点，所以具有很大的随意性，特别是如果搜索到的WiFi路由器属于别的拥有者，而且距离比较远的话，定位的结果会很不理想甚至到上百米的误差；而采用 Zigbee/Bluetooth定位都需要在室内事先测量、选择、布置和安装许多不同位置的参考节点(往往达数百个)，这对于新的建筑施工来说是一个很大的工程耗时耗力，如果是旧的仓库改造更是周期长成本高，而且以后很难改动做任何新的设计，而采用UWB的定位目标所需要的功耗很高，而且这种协议尚未被大规模采用，所以大多数场合并不适用。
但是现有的室内定位系统在定位时，不便采用不断更新的数据来训练神经网络以反映环境的变化，并且不能以此提高时间和空间定位的精度。
本发明设计了基于电力载波和无线混合通信芯片的高精度室内定位系统以解决上述问题。
发明内容
本发明的目的在于提供一种基于神经网络算法的高精度室内定位系统，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种基于神经网络算法的高精度室内定位系统，该高精度室内定位系统包括待定位目标物体物体、多个定位装置、用于通信协调控制和神经网络的推理算法的电力载波中央处理单元CCO、路由器、因特网、用于对定位神经网络模型进行训练的远程服务器以及用户终端手机或电脑；
所述高精度室内定位系统的工作流程如下：
所述电力载波中央处理单元CCO协调多个参考定位装置轮流发送固定功率(6dbm)固定长度(1000字节)无线定位信号，每次发送无线信号的装置将自身坐标，以及除发送无线信号之外的所有其余的参考定位装置将接收到的波峰功率平均值以及自身的坐标数据均送至远程服务器进行神经网络训练；
所述电力载波中央处理单元CCO周期性从远程服务器下载训练过的最新的定位神经网络模型用于定位推理；
所述待定位目标物体通过无线模块周期性发送默认固定功率(6dbm)固定长度(1000字节)数据包；
所述多个参考定位装置收到该数据包后，记录下接收到的波峰功率平均值和相应的待定位目标物体的MAC ID及时间；
所述多个参考定位装置将待定位目标物体MAC ID、波峰功率平均值、接收时间点和自身的MAC ID发送至电力载波中央处理单元CCO；
所述电力载波中央处理单元CCO将同一时间点每次发送无线信号的装置将自身坐标，以及除发送无线信号之外的所有其余的参考定位装置将接收到的波峰功率平均值以及自身的坐标数据送入定位神经网络模型进行定位推理，并将结果送至远程服务器；
所述远程服务器将待定位目标物体物体的定位数据发送至用户终端手机或电脑，并记录数据至数据库。
优选的，所述定位神经网络模型包括输入层、隐藏层和输出层。
优选的，所述输入层输入各个参考定位装置的空间坐标和各个定位装置接收到的相应无线信号波峰功率的平均值，所述隐藏层为中间层，所述输出层输出各个参考定位装置的坐标。
优选的，所述输出层输出各个参考定位装置的坐标用于反向传播算法来训练神经网络，且在神经网络用于推理时输出层则为待定位目标物体的空间坐标位置。
优选的，所述远程服务器可实现神经网络训练算法和定位数据库。
与现有技术相比，本发明的有益效果是：该高精度室内定位系统在定位时通过采用不断更新的数据来训练神经网络以反映环境的变化，提高了时间和空间定位的精度，同时大大节省时间和成本。
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述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为该发明的定位神经网络的数据模型以及输入输出说明；
图2为该发明的室内定位系统的算法和工作流程；
图3为该发明基于电力载波和无线混合通信芯片的高精度室内定位系统的框图。
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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1至图3，本发明提供一种基于神经网络算法的高精度室内定位系统技术方案：该高精度室内定位系统包括待定位目标物体物体、多个定位装置、用于通信协调控制和神经网络的推理算法的电力载波中央处理单元CCO、路由器、因特网、用于对定位神经网络模型进行训练的远程服务器以及用户终端手机或电脑；
定位神经网络模型包括输入层、隐藏层和输出层；输入层输入各个参考定位装置的空间坐标和各个定位装置接收到的相应无线信号波峰功率的平均值，隐藏层为中间层，输出层输出各个参考定位装置的坐标；输出层输出各个参考定位装置的坐标用于反向传播算法来训练神经网络，且在神经网络用于推理时输出层则为待定位目标物体的空间坐标位置；远程服务器可实现神经网络训练算法和定位数据库。
定位神经网络模型如图1所示：
输入信号为待定位目标或参考定位装置发出无线定位信号数据包后各个参考定位装置收到的相应无线信号波峰功率的平均值以及该参考定位装置的位置坐标，因此输入节点的数目取决于该电力载波网络协调范围内的参考定位装置的数目；中间层为隐藏层，而输出层在神经网络训练时为发出无线定位信号的参考定位装置的位置，用于反向传播算法来训练神经网络；而在神经网络用于推理时输出层则为待定位目标的空间坐标位置。
高精度室内定位系统的工作流程如图2和图3所示：
(1)利用各个定位装置现有的固定位置信息来训练定位神经网络。电力载波中央处理单元CCO指定该CCO协调区域内的多个定位装置(轮流按固定时间间隔(如每10分钟)同一时间点通过本装置上的无线通信模块周期性发送默认固定功率(6dbm)固定长度(1000字节)数据包，其余电力载波和无线混合通信芯片定位装置接收到该信号后将信号强度，自身位置信息和接收到信号时间点等信息送至CCO；CCO将所有数据包括发送定位无线信号的定位装置的位置，MAC ID、其余定位装置接收到的该定位无线信号的强度，时间点等信息通过路由器和因特网发送至远程服务器；远程服务器采用反向传播算法 (BP)对定位神经网络进行训练；
(2)CCO定期(如每10分钟)从远程服务器下载一次训练好的神经网络系数到本地，用于本地的神经网络定位推理；
(3)待定位目标物体通过待定位目标物体上的无线通信模块周期性发送默认固定功率(6dbm)固定长度(1000字节)数据包；
(4)多个定位装置接收到该数据包后，记录下接收到的波峰功率平均值和相应待定位目标物体的MAC ID和接收数据时间点；
(5)多个定位装置将待定位目标物体的MAC ID、波峰功率平均值、接收时间点和其自身的MAC ID一起发送至本电力线网络的电力载波中央处理单元CCO；
(6)电力载波中央处理单元CCO(106)将多个定位装置同一时间点从同一待定位目标物体接收到的波峰功率平均值送入该装置内训练好的神经网络进行推理运算，将计算好的定位结果连同待定位目标的MAC ID、时间点等信息通过路由器和因特网发送至远程服务器；
(7)远程服务器将定位结果发送至用户终端手机或电脑，并保存该定位目标的定位信息至数据库。
其中，多个参考定位装置即为电力载波和无线混合通信芯片定位装置，且电力载波和无线混合通信芯片定位装置安装在插座上。
如图3所示：图3即为基于电力载波和无线混合通信芯片的高精度室内定位的工作流程，且基于电力载波和无线混合通信芯片的高精度室内定位系统为现有技术。
该发明通过采用如图3所示的基于电力载波和无线混合通信芯片的高精度室内定位，在此基础上通过采用不断更新的数据来训练神经网络以反映环境的变化，提高了时间和空间定位的精度，同时大大节省时间和成本。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (5)
1.一种基于神经网络算法的高精度室内定位系统，其特征在于：该高精度室内定位系统包括待定位目标物体物体、多个定位装置、用于通信协调控制和神经网络的推理算法的电力载波中央处理单元CCO、路由器、因特网、用于对定位神经网络模型进行训练的远程服务器以及用户终端手机或电脑；
所述高精度室内定位系统的工作流程如下：
所述电力载波中央处理单元CCO协调多个参考定位装置轮流发送固定功率(6dbm)固定长度(1000字节)无线定位信号，每次发送无线信号的装置将自身坐标，以及除发送无线信号之外的所有其余的参考定位装置将接收到的波峰功率平均值以及自身的坐标数据均送至远程服务器进行神经网络训练；
所述电力载波中央处理单元CCO周期性从远程服务器下载训练过的最新的定位神经网络模型用于定位推理；
所述待定位目标物体通过无线模块周期性发送默认固定功率(6dbm)固定长度(1000字节)数据包；
所述多个参考定位装置收到该数据包后，记录下接收到的波峰功率平均值和相应的待定位目标物体的MACID及时间；
所述多个参考定位装置将待定位目标物体MACID、波峰功率平均值、接收时间点和自身的MACID发送至电力载波中央处理单元CCO；
所述电力载波中央处理单元CCO将同一时间点每次发送无线信号的装置将自身坐标，以及除发送无线信号之外的所有其余的参考定位装置将接收到的波峰功率平均值以及自身的坐标数据送入定位神经网络模型进行定位推理，并将结果送至远程服务器；
所述远程服务器将待定位目标物体物体的定位数据发送至用户终端手机或电脑，并记录数据至数据库。
2.根据权利要求1所述的一种基于神经网络算法的高精度室内定位系统，其特征在于：所述定位神经网络模型包括输入层、隐藏层和输出层。
3.根据权利要求2所述的一种基于神经网络算法的高精度室内定位系统，其特征在于：所述输入层输入各个参考定位装置的空间坐标和各个定位装置接收到的相应无线信号波峰功率的平均值，所述隐藏层为中间层，所述输出层输出各个参考定位装置的坐标。
4.根据权利要求3所述的一种基于神经网络算法的高精度室内定位系统，其特征在于：所述输出层输出各个参考定位装置的坐标用于反向传播算法来训练神经网络，且在神经网络用于推理时输出层则为待定位目标物体的空间坐标位置。
5.根据权利要求1所述的一种基于神经网络算法的高精度室内定位系统，其特征在于：所述远程服务器可实现神经网络训练算法和定位数据库。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011210518.XA CN112218237A (zh) | 2020-11-03 | 2020-11-03 | 一种基于神经网络算法的高精度室内定位系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011210518.XA CN112218237A (zh) | 2020-11-03 | 2020-11-03 | 一种基于神经网络算法的高精度室内定位系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112218237A true CN112218237A (zh) | 2021-01-12 |
Family
ID=74058057
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011210518.XA Pending CN112218237A (zh) | 2020-11-03 | 2020-11-03 | 一种基于神经网络算法的高精度室内定位系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112218237A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114339994A (zh) * | 2022-03-17 | 2022-04-12 | 杭州优智联科技有限公司 | 一种片内执行机器学习算法的uwb芯片及方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN106792562A (zh) * | 2017-02-16 | 2017-05-31 | 南京大学 | 基于反向传播神经网络模型的室内无线网络定位方法 |
| CN107770860A (zh) * | 2017-10-12 | 2018-03-06 | 贵州大学 | 一种基于神经网络改进算法的WiFi室内定位系统及定位方法 |
| CN111683339A (zh) * | 2020-07-17 | 2020-09-18 | 杨俊杰 | 基于电力载波和无线混合通信芯片的高精度室内定位系统 |
-
2020
- 2020-11-03 CN CN202011210518.XA patent/CN112218237A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN106792562A (zh) * | 2017-02-16 | 2017-05-31 | 南京大学 | 基于反向传播神经网络模型的室内无线网络定位方法 |
| CN107770860A (zh) * | 2017-10-12 | 2018-03-06 | 贵州大学 | 一种基于神经网络改进算法的WiFi室内定位系统及定位方法 |
| CN111683339A (zh) * | 2020-07-17 | 2020-09-18 | 杨俊杰 | 基于电力载波和无线混合通信芯片的高精度室内定位系统 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114339994A (zh) * | 2022-03-17 | 2022-04-12 | 杭州优智联科技有限公司 | 一种片内执行机器学习算法的uwb芯片及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Pathirana et al. | Node localization using mobile robots in delay-tolerant sensor networks | |
| Wang et al. | Mobility based energy efficient and multi-sink algorithms for consumer home networks | |
| CN111511080A (zh) | 一种基于蓝牙mesh的照明控制方法及相关系统 | |
| CN109257197A (zh) | 一种物联网终端升级方法、装置、系统、终端及存储介质 | |
| CN107767618A (zh) | 基于物联网的无线环境监测系统 | |
| CN107328916B (zh) | 一种有效的土壤环境监测系统 | |
| CN103281777A (zh) | 一种基于WiFi的差分定位方法 | |
| CN103889020A (zh) | 一种基于动态路由的无线传感网络系统及其方法 | |
| CN107770860A (zh) | 一种基于神经网络改进算法的WiFi室内定位系统及定位方法 | |
| Park et al. | The implementation of indoor location system to control ZigBee home network | |
| Taruna et al. | Distance based energy efficient selection of nodes to cluster head in homogeneous wireless sensor networks | |
| CN112218237A (zh) | 一种基于神经网络算法的高精度室内定位系统 | |
| CN112954727B (zh) | 一种隧道无线传感网络通信方法及系统 | |
| Tlili et al. | The Internet of Things enabling communication technologies, applications and challenges: a survey | |
| CN102186258B (zh) | 基于线形长距离的无线传感器网络的通信协议方法 | |
| CN201974925U (zh) | 基于物联网的远程火灾监测报警系统 | |
| CN101730113B (zh) | 基于Zigbee技术的可重构无线测控网络平台 | |
| CN101374155B (zh) | 无线网状网中对客户节点定位的方法及一种无线网状网系统 | |
| CN103957031B (zh) | 基于线形无线传感器网络的跳频与定位功能的实现方法 | |
| Ma et al. | Research on localization technology in wireless sensor networks | |
| Debdas et al. | Smart Farming using IoT and LoRaWAN | |
| Onibonoje et al. | Digimesh-based design of a wireless monitoring network for environmental factors affecting granary system | |
| Song et al. | ZigBee based wireless sensor networks for service robot intelligent space | |
| CN106358149B (zh) | 基于无线网络测距的动态粒子群监控方法 | |
| CN105259955A (zh) | 一种基于林业物联网的苗木种植智能管控系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210112 |