CN112312305B - 一种自适应定位方法以及装置 - Google Patents
一种自适应定位方法以及装置 Download PDFInfo
- Publication number
- CN112312305B CN112312305B CN202011182294.6A CN202011182294A CN112312305B CN 112312305 B CN112312305 B CN 112312305B CN 202011182294 A CN202011182294 A CN 202011182294A CN 112312305 B CN112312305 B CN 112312305B
- Authority
- CN
- China
- Prior art keywords
- base station
- grid
- map
- sequence
- probability
- 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
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
- H04W64/003—Locating users or terminals or network equipment for network management purposes, e.g. mobility management locating network equipment
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W88/00—Devices specially adapted for wireless communication networks, e.g. terminals, base stations or access point devices
- H04W88/08—Access point devices
Abstract
本发明公开了一种自适应定位方法以及装置,该方法包括:根据预先划分的地图网格、预先采集的多个打点位置及在打点位置上接收到的基站信息,构建初始网格基站概率矩阵和构建网格邻接矩阵;根据初始网格基站概率矩阵、网格邻接矩阵以及所述打点位置,采用流行学习算法进行低维映射,构建扩展网格基站概率矩阵;根据通信设备在当前位置接收到的基站信息及扩展网格基站概率矩阵,从地图网格中选取多个候选网格;根据各个候选网格的基站概率向量,确定一待定位地图网格对应的基站组合对通信设备进行定位;该方法充分考虑了网络接收到基站信号概率的分布,有效剔除噪音干扰数据,同时实现了基站定位数据的扩展,适用于不断变化的动态环境的位置定位。
Description
技术领域
本发明涉及定位技术领域,尤其涉及一种自适应定位方法以及装置。
背景技术
随着移动通信的快速发展,位置定位已经成为当前用户出行的热门研究领域。传统的方法是采用机器学习的方法来训练为基站信号分布定位模型,然后采用基站信号分布定位模型确定出的基站组合对用户进行定位,但是,基站信号分布定位模型容易受到基站信号传播受到噪音干扰影响、或者由于运营商对基站资源进行配置等问题,使得基站组合可能出现不一致,从而导致模型失效。因此,提供一种可自适应不断变化的动态环境的基站定位方法是本领域亟待解决的技术问题。
发明内容
针对上述问题,本发明的目的在于提供一种自适应定位方法以及装置,其充分考虑了网络接收到基站信号概率的分布,有效剔除噪音干扰数据,同时实现了基站定位库的扩展,适用于不断变化的动态环境的位置定位。
第一方面,本发明实施例提供了一种自适应定位方法,包括:
根据预先划分的地图网格、预先采集的通信设备的多个打点位置以及所述通信设备在多个所述打点位置上接收到的基站信息,构建初始网格基站概率矩阵;其中,所述基站信息包括基站组合及相应的基站概率;
根据所述地图网格,构建网格邻接矩阵;
根据所述初始网格基站概率矩阵、所述网格邻接矩阵以及所述打点位置,采用流行学习算法进行低维映射,构建扩展网格基站概率矩阵;其中,所述扩展网格基站概率矩阵的每一行表示一个地图网格的基站概率向量;
根据所述通信设备在当前位置接收到的基站信息以及所述扩展网格基站概率矩阵,从所述地图网格中选取多个候选网格;
根据各个所述候选网格的基站概率向量,确定一待定位地图网格;
采用所述待定位地图网格对应的基站组合对所述通信设备进行定位。
作为上述方案的优选,所述根据预先划分的地图网格、预先采集的通信设备的打点位置以及所述通信设备在所述打点位置上接收到的基站信息,构建初始网格基站概率矩阵,包括:
根据所述打点位置的经纬度信息,确定所述打点位置所在的地图网格;
将所述打点位置接收到的基站信息设置为所述打点位置所在的地图网格的基站信息,并构建所述初始网格基站概率矩阵;其中,所述初始网格基站概率矩阵包括各个所述地图网格接收到的每一个基站的基站概率。
作为上述方案的优选,所述根据所述地图网格,构建网格邻接矩阵,包括:
将相邻的两个所述地图网格的邻接关系设置为1,将不相邻的两个所述地图网格的邻接关系设置为0;
根据各个所述地图网格之间的邻接关系,构建所述网格邻接矩阵。
作为上述方案的优选,所述根据所述初始网格基站概率矩阵、所述网格邻接矩阵以及所述打点位置,采用流行学习算法进行低维映射,构建扩展网格基站概率矩阵,包括:
根据所述初始网格基站概率矩阵,获得基站序列;其中,所述基站序列中每一个元素与所述地图网格一一对应;所述基站序列的每一个元素包括对应的地图网格接收到的基站的序号;
根据所述的打点位置,获得位置序列;所述位置序列中每一个元素与所述地图网格一一对应;所述位置序列的每一个元素包括对应的地图网格的经纬度信息;
根据所述基站序列、所述位置序列和所述网格邻接矩阵,采用流行学习算法进行低维映射,构建所述扩展网格基站概率矩阵。
作为上述方案的优选,所述根据所述初始网格基站概率矩阵,获得基站序列,包括:
根据所述初始网格基站概率矩阵,获得初始基站序列X={X1,X2,…,XN};其中,N表示打点位置的个数,Xi表示第i个网格的基站组合,i=1,2,…,N;
从所述初始基站序列X中提取出Nl个带标签的基站组合,得到第一基站序列;
设定采集到Tp个无标签的基站组合,得到第二基站序列;
作为上述方案的优选,所述根据所述的打点位置,获得位置序列,包括:
根据所述的打点位置,获得初始位置序列L={l1,l2,…,lN};其中,li表示第i个网格的经纬度;
从所述初始位置序列L中提取出Nl个带标签的位置信息,得到第一位置序列;
设定采集到Tp个无标签的位置信息,得到第二位置序列;
作为上述方案的优选,所述根据所述基站序列、所述位置序列和所述网格邻接矩阵,采用流行学习算法进行低维映射,构建所述扩展网格基站概率矩阵,包括:
根据所述基站序列X′、所述位置序列L′,采用流行学习算法进行低维空间与打点位置的最小值拟合,得到位置拟合函数:
根据所述位置拟合函数和所述网格邻接矩阵,构建位置修正函数:
其中,W(i,j)表示地图网格i和地图网格j之间的位置邻接关系,W(i,j)=1表示地图网格i与地图网格j相邻,W(i,j)=0表示地图网格i与地图网格j不相邻;γ表示修正值;
假设所述位置修正函数求解出的低维映射为qi和qj;其中,i,j=1,2,…,Nl;qi、qj分别表示第i、j个地图网格;
根据所述低维映射qi和qj,通过目标函数(3)求解所述修正值γ;
γ=cos(Di,Dj) (3)
其中,Di,Dj分别表示第i、j个地图网格的基站概率向量;
将求解出的修正值γ更新到所述位置修正函数(2)进行求解,得出最终的低维映射;
根据最终的低维映射对应的地图网格的基站概率向量,构建所述扩展网格基站概率矩阵。
作为上述方案的优选,所述根据所述通信设备在当前位置接收到的基站信息以及所述扩展网格基站概率矩阵,从所述地图网格中选取多个候选网格,包括:
将所述通信设备在当前位置接收到的基站组合与所述扩展网格基站概率矩阵的每一行进行匹配;
当所述扩展网格基站概率矩阵的第k行中与所述通信设备在当前位置接收到的基站组合对应的基站概率均大于零时,确定将所述扩展网格基站概率矩阵的第k行对应地图网格记录为候选网格。
作为上述方案的优选,所述根据各个所述候选网格的基站概率向量,确定一待定位地图网格,包括:
将所述通信设备在当前位置接收到的基站组合中最大信号强度对应的基站作为主基站,并赋权值为w1;
将所述通信设备在当前位置接收到的基站组合中其余基站作为从属基站,并赋权值为w2;其中,w1+w2×n=1,w1≥w2×n,n表示从属基站的个数;
根据公式W=w1×P1+w2×P2…+W2×Pn,计算各个所述候选网格的综合基站概率;
其中,Pi表示基站i在对应候选网格范围内接收到的基站概率;i,j=1,2,…,n;
选取最大综合基站概率对应的候选网格作为待定位地图网格。
第二方面,本发明实施例提供了一种自适应定位装置,包括:
网格基站概率矩阵构建模块,用于根据预先划分的地图网格、预先采集的通信设备的多个打点位置以及所述通信设备在多个所述打点位置上接收到的基站信息,构建初始网格基站概率矩阵;其中,所述基站信息包括基站组合及相应的基站概率;
网格邻接矩阵构建模块,用于根据所述地图网格,构建网格邻接矩阵;
扩展网格基站概率矩阵构建模块,用于根据所述初始网格基站概率矩阵、所述网格邻接矩阵以及所述打点位置,采用流行学习算法进行低维映射,构建扩展网格基站概率矩阵;其中,所述扩展网格基站概率矩阵的每一行表示一个地图网格的基站概率向量;
第一网格选取模块,用于根据所述通信设备在当前位置接收到的基站信息以及所述扩展网格基站概率矩阵,从所述地图网格中选取多个候选网格;
第二网格选取模块,用于根据各个所述候选网格的基站概率向量,确定一待定位地图网格;
定位模块,用于采用所述待定位地图网格对应的基站组合对所述通信设备进行定位。
相对于现有技术,本发明实施例的有益效果在于:所述自适应定位方法包括:根据预先划分的地图网格、预先采集的通信设备的多个打点位置以及所述通信设备在多个所述打点位置上接收到的基站信息,构建初始网格基站概率矩阵;其中,所述基站信息包括基站组合及相应的基站概率;根据所述地图网格,构建网格邻接矩阵;根据所述初始网格基站概率矩阵、所述网格邻接矩阵以及所述打点位置,采用流行学习算法进行低维映射,构建扩展网格基站概率矩阵;其中,所述扩展网格基站概率矩阵的每一行表示一个地图网格的基站概率向量;根据所述通信设备在当前位置接收到的基站信息以及所述扩展网格基站概率矩阵,从所述地图网格中选取多个候选网格;根据各个所述候选网格的基站概率向量,确定一待定位地图网格;采用所述待定位地图网格对应的基站组合对所述通信设备进行定位;上述方法充分考虑了网络接收到基站信号概率的分布,有效剔除噪音干扰数据,同时实现了基站定位库的扩展,适用于不断变化的动态环境的位置定位,能有效提高定位精度。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施方式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方式,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是本发明实施例提供的自适应定位方法的流程图;
图2是本发明实施例提供的自适应定位装置的示意框图。
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。
请参阅图1,本发明第一实施例提供了一种自适应定位方法,包括:
S1:根据预先划分的地图网格、预先采集的通信设备的多个打点位置以及所述通信设备在多个所述打点位置上接收到的基站信息,构建初始网格基站概率矩阵;其中,所述基站信息包括基站组合及相应的基站概率;
S2:根据所述地图网格,构建网格邻接矩阵;
S3:根据所述初始网格基站概率矩阵、所述网格邻接矩阵以及所述打点位置,采用流行学习算法进行低维映射,构建扩展网格基站概率矩阵;其中,所述扩展网格基站概率矩阵的每一行表示一个地图网格的基站概率向量;
S4:根据所述通信设备在当前位置接收到的基站信息以及所述扩展网格基站概率矩阵,从所述地图网格中选取多个候选网格;
S5:根据各个所述候选网格的基站概率向量,确定一待定位地图网格;
S6:采用所述待定位地图网格对应的基站组合对所述通信设备进行定位。
上述方法其充分考虑了网络接收到基站信号概率的分布,有效剔除噪音干扰数据,同时实现了基站定位库的扩展,适用于不断变化的动态环境的位置定位,能有效提高定位精度。
在一种可选的实施例中,S1:根据预先划分的地图网格、预先采集的通信设备的打点位置以及所述通信设备在所述打点位置上接收到的基站信息,构建初始网格基站概率矩阵,包括:
根据所述打点位置的经纬度信息,确定所述打点位置所在的地图网格;
将所述打点位置接收到的基站信息设置为所述打点位置所在的地图网格的基站信息,并构建所述初始网格基站概率矩阵;其中,所述初始网格基站概率矩阵包括各个所述地图网格接收到的每一个基站的基站概率。
在一个N×N通信设备会自动记录每一个点的GPS位置、当前位置接收到的基站组合,基于上述的信息,将GPS位置对应到每一个地图网格中,可计算每一个地图网格接收到每一个基站的基站概率。例如以手机作为通信设备为例进行说明,在手机开通GPS,通过地图找到划定的任意一个地图网格的范围,在该地图网格范围内进行位置打点,例如打点100次,并查看100次打点的过程中,每一次打点位置接收到的基站信息,并通过对上述接受到的基站信息进行统计,以划分为9个地图网格、该区域共设有8个基站为例,可以建立如下表所示的初始网格基站概率矩阵:
在一种可选的实施例中,S2:根据所述地图网格,构建网格邻接矩阵,包括:
将相邻的两个所述地图网格的邻接关系设置为1,将不相邻的两个所述地图网格的邻接关系设置为0;
根据各个所述地图网格之间的邻接关系,构建所述网格邻接矩阵。
以划分出9个地图网格为例,则所述网格邻接矩阵可表示为下表所示:
网格 | 网格1 | 网格2 | 网格3 | 网格4 | 网格5 | 网格6 | 网格7 | 网格8 | 网格9 |
网格1 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
网格2 | 1 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 |
网格3 | 0 | 1 | 0 | 1 | 0 | 0 | 0 | 0 | 00 |
网格4 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 0 | |
网格5 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 0 |
网格6 | 0 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 0 |
网格7 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 1 | 0 |
网格8 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 1 |
网格9 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 |
在一种可选的实施例中,S3:根据所述初始网格基站概率矩阵、所述网格邻接矩阵以及所述打点位置,采用流行学习算法进行低维映射,构建扩展网格基站概率矩阵,包括:
根据所述初始网格基站概率矩阵,获得基站序列;其中,所述基站序列中每一个元素与所述地图网格一一对应;所述基站序列的每一个元素包括对应的地图网格接收到的基站的序号;
根据所述的打点位置,获得位置序列;所述位置序列中每一个元素与所述地图网格一一对应;所述位置序列的每一个元素包括对应的地图网格的经纬度信息;
根据所述基站序列、所述位置序列和所述网格邻接矩阵,采用流行学习算法进行低维映射,构建所述扩展网格基站概率矩阵。
在一种可选的实施例中,所述根据所述初始网格基站概率矩阵,获得基站序列,包括:
根据所述初始网格基站概率矩阵,获得初始基站序列X={X1,X2,…,XN};其中,N表示打点位置的个数,Xi表示第i个网格的基站组合,i=1,2,…,N;
从所述初始基站序列X中提取出Nl个带标签的基站组合,得到第一基站序列;
设定采集到Tp个无标签的基站组合,得到第二基站序列;
在一种可选的实施例中,所述根据所述的打点位置,获得位置序列,包括:
根据所述的打点位置,获得初始位置序列L={l1,l2,…,lN};其中,li表示第i个网格的经纬度;
从所述初始位置序列L中提取出Nl个带标签的位置信息,得到第一位置序列;
设定采集到Tp个无标签的位置信息,得到第二位置序列;
在一种可选的实施例中,所述根据所述基站序列、所述位置序列和所述网格邻接矩阵,采用流行学习算法进行低维映射,构建所述扩展网格基站概率矩阵,包括:
根据所述基站序列X′、所述位置序列L′,采用流行学习算法进行低维空间与打点位置的最小值拟合,得到位置拟合函数:
根据所述位置拟合函数和所述网格邻接矩阵,构建位置修正函数:
其中,W(i,j)表示地图网格i和地图网格j之间的位置邻接关系,W(i,j)=1表示地图网格i与地图网格j相邻,W(i,j)=0表示地图网格i与地图网格j不相邻;γ表示修正值;
假设所述位置修正函数求解出的低维映射为qi和qj;其中,i,j=1,2,…,Nl;qi、qj分别表示第i、j个地图网格;
根据所述低维映射qi和qj,通过目标函数(3)求解所述修正值γ;
γ=cos(Di,Dj) (3)
其中,Di,Dj分别表示第i、j个地图网格的基站概率向量;
将求解出的修正值γ更新到所述位置修正函数(2)进行求解,得出最终的低维映射;
根据最终的低维映射对应的地图网格的基站概率向量,构建所述扩展网格基站概率矩阵。
在本发明实施例中,以基站概率大于0作为对应地图网格范围内可用于定位的基站选取条件;根据所述初始网格基站概率矩阵,可以获得对应于每一个网格的初始基站序列X={X1,X2,…,XN};Xi表示第i个网格的基站组合,该基站组合中各个基站的基站概率均大于0;根据所述的打点位置,获得初始位置序列L={l1,l2,…,lN};其中,li表示第i个网格的经纬度。例如在所述初始网格基站概率矩阵中网格1的基站组合X1={1,3,4,5,9,10},1,3,4,5,9,10表示基站的编号;对应位置信息l1={网格1经度,网格2纬度}。如果上述存在Nl个带标签数据,则可以得到带标签信息和
由于无线信号容易受到环境的干扰,用户有可能到同一个位置的时候收到了与上述初始基站序列X={X1,X2,…,XN}不一致的基站序列,除了基站序列,还有用户在每一个位置上对应的时间戳。为了后面计算的方便,假设采集到的用户的Tp个基站组合和序列对应的时间戳由于基站组合已经发生变化,因此采用现有的数据库无法预测用户的位置信息,在本发明实施中,假设用户对应的位置其中Lu的每一个元素设置为一个随机数,作为一个没有标签的位置信息。综上可以的到一个综合有标签和无标签所采集到的基站组合:
根据基站组合的邻近关系,采用流形学习算法实现低维空间与真实位置信息的最小值进行拟合:
结合地图网格的邻接关系,将上述拟合函数修改为位置修正函数:
其中,W(i,j)表示地图网格i和地图网格j之间的位置邻接关系,W(i,j)=1表示地图网格i与地图网格j相邻,W(i,j)=0表示地图网格i与地图网格j不相邻。位置修正函数的第一部分考虑考虑数据平滑性的目标函数,第二部分是低维空间与真实位置信息的拟合误差。
γ是一个修正值,根据基站在每一个网格中出现的概率确定,可通过初始网格基站概率矩阵计算得出。
例如,设定初始网格基站概率矩阵为:
网格 | 基站1 | 基站2 | 基站3 | 基站4 | 基站5 |
网格1 | 0 | 0 | 0 | 0 | 0 |
网格2 | 0.073718 | 0.019231 | 0.054487 | 0 | 0 |
网格3 | 0.143411 | 0.151163 | 0.069767 | 0 | 0.007752 |
网格4 | 0 | 0 | 0 | 0.166667 | 0.076577 |
网格5 | 0 | 0 | 0 | 0.16129 | 0.112903 |
网格6 | 0.150407 | 0.03252 | 0 | 0 | 0 |
网格7 | 0.017413 | 0 | 0 | 0.039801 | 0 |
网格8 | 0 | 0 | 0 | 0.01004 | 0 |
假如某两组基站组合通过流形学习LE算法求解的低维映射,得到qi为地图网格2,qj为地图网格3,那么γ通过地图网格2的基站概率向量D2和地图网格3的基站概率向量D3的向量相似度求出γ=cos(D2,D3)。通过公式2的位置修正函数可以实现对实现了基站定位指纹库的扩展,在位置拟合逼近的过程中,考虑了位置接收到基站概率的相似性,以此对无标签的位置信息进行了更好的约束。
在一种可选的实施例中,S4:根据所述通信设备在当前位置接收到的基站信息以及所述扩展网格基站概率矩阵,从所述地图网格中选取多个候选网格,包括:
将所述通信设备在当前位置接收到的基站组合与所述扩展网格基站概率矩阵的每一行进行匹配;
当所述扩展网格基站概率矩阵的第k行中与所述通信设备在当前位置接收到的基站组合对应的基站概率均大于零时,确定将所述扩展网格基站概率矩阵的第k行对应地图网格记录为候选网格。
在一种可选的实施例中,S5:根据各个所述候选网格的基站概率向量,确定一待定位地图网格,包括:
将所述通信设备在当前位置接收到的基站组合中最大信号强度对应的基站作为主基站,并赋权值为w1;
将所述通信设备在当前位置接收到的基站组合中其余基站作为从属基站,并赋权值为w2;其中,w1+w2×n=1,w1≥w2×n,n表示从属基站的个数;
根据公式W=w1×P1+w2×P2…+W2×Pn,计算各个所述候选网格的综合基站概率;其中,Pi表示基站i在对应候选网格范围内接收到的基站概率;i,j=1,2,…,n;
选取最大综合基站概率对应的候选网格作为待定位地图网格。
在本发明实施例中,以扩展网格基站概率矩阵为下表为例进行说明:
网格 | 基站1 | 基站2 | 基站3 | 基站4 | 基站5 |
网格1 | 0 | 0 | 0 | 0 | 0 |
网格2 | 0.073718 | 0.019231 | 0.054487 | 0 | 0 |
网格3 | 0.143411 | 0.151163 | 0.069767 | 0 | 0.007752 |
网格4 | 0 | 0 | 0 | 0.166667 | 0.076577 |
网格5 | 0 | 0 | 0 | 0.16129 | 0.112903 |
网格6 | 0.150407 | 0.03252 | 0 | 0 | 0 |
网格7 | 0.017413 | 0 | 0 | 0.039801 | 0 |
网格8 | 0 | 0 | 0 | 0.01004 | 0 |
在对基站定位指纹库进行扩充的基础上,采用KNN算法选择最接近的3个地图网格,作为候选网格;然后根据各个地图网格接收不同的基站概率确定用户所在的地图网格。例如:用户接收到的基站组合为{基站1,基站2,基站3}(用户接收的基站组合根据实际情况设定,本发明实施例采用3个基站进行说明),基站1是主基站,用户的通信设备接收到到主基站的信号强度最强。根据KNN算法,找到了网格2,网格3和网格6一共3个候选网格。由于主基站在用户定位过程中的重要性较大,因此,对主基站设置的重要性高一些。通过赋权对主基站和其余从属基站赋权,其中,主基站赋权w1,从属基站赋权w2,w1+w2×n=1,w1≥w2×n,n表示从属基站的个数;在本发明实施例,基站1可以赋权0.5,基站2赋权0.25,基站3赋权0.25。
根据公式(4),计算各个候选网格的综合基站概率;
W=w1×P1+w2×P2…+W2×Pn (4)
其中,Pi表示基站i在对应候选网格范围内接收到的基站概率;i,j=1,2,…,n;
通过对比3个候选网格的综合基站概率W,选取最大的W对应的地图网格所接收到的基站组合作为最终的定位基站。
相对于现有技术,本发明实施例的有益效果在于:
1、本方实施例所述的自适应定位方法充分考虑了网络接收到基站信号概率的分布,实现了定位数据库扩充,同时在获得无标签的物理位置坐标的基础上,结合流形学习算法,将无标签的高维向量数据点映射为低维映射位置坐标点。在进行位置逼近的过程中,考虑了位置接收到基站概率的相似性,以此对无标签位置进行了更好的约束;通过接收到某种基站的概率计算地图网格之间的相似度,其实是利用物理空间的相同或者相近位置上的网格接收到基站概率具有相似性的特点,能够剔除噪音数据,提升数据的可信度。
(2)利用了带标签的位置信息的先验性,包括:位置邻接关系和接收到某各基站的基站概率,能够更好的反映低维映射的特征,适用于不断变化的动态环境的位置定位,能有效提高定位精度。
请参阅图2,本发明第二实施例提供了一种自适应定位装置,包括:
网格基站概率矩阵构建模块1,用于根据预先划分的地图网格、预先采集的通信设备的多个打点位置以及所述通信设备在多个所述打点位置上接收到的基站信息,构建初始网格基站概率矩阵;其中,所述基站信息包括基站组合及相应的基站概率;
网格邻接矩阵构建模块2,用于根据所述地图网格,构建网格邻接矩阵;
扩展网格基站概率矩阵构建模块3,用于根据所述初始网格基站概率矩阵、所述网格邻接矩阵以及所述打点位置,采用流行学习算法进行低维映射,构建扩展网格基站概率矩阵;其中,所述扩展网格基站概率矩阵的每一行表示一个地图网格的基站概率向量;
第一网格选取模块4,用于根据所述通信设备在当前位置接收到的基站信息以及所述扩展网格基站概率矩阵,从所述地图网格中选取多个候选网格;
第二网格选取模块5,用于根据各个所述候选网格的基站概率向量,确定一待定位地图网格;
定位模块6,用于采用所述待定位地图网格对应的基站组合对所述通信设备进行定位。
在一种可选的实施例中,所述网格基站概率矩阵构建模块1包括:
位置确定单元,用于根据所述打点位置的经纬度信息,确定所述打点位置所在的地图网格;
概率矩阵构建单元,用于将所述打点位置接收到的基站信息设置为所述打点位置所在的地图网格的基站信息,并构建所述初始网格基站概率矩阵;其中,所述初始网格基站概率矩阵包括各个所述地图网格接收到的每一个基站的基站概率。
在一种可选的实施例中,所述网格邻接矩阵构建模块2包括:
邻接关系确认单元,用于将相邻的两个所述地图网格的邻接关系设置为1,将不相邻的两个所述地图网格的邻接关系设置为0;
邻接矩阵构建单元,用于根据各个所述地图网格之间的邻接关系,构建所述网格邻接矩阵。
在一种可选的实施例中,所述扩展网格基站概率矩阵构建模块3包括:
基站序列建立单元,用于根据所述初始网格基站概率矩阵,获得基站序列;其中,所述基站序列中每一个元素与所述地图网格一一对应;所述基站序列的每一个元素包括对应的地图网格接收到的基站的序号;
位置序列建立单元,用于根据所述的打点位置,获得位置序列;所述位置序列中每一个元素与所述地图网格一一对应;所述位置序列的每一个元素包括对应的地图网格的经纬度信息;
概率矩阵扩展单元,用于根据所述基站序列、所述位置序列和所述网格邻接矩阵,采用流行学习算法进行低维映射,构建所述扩展网格基站概率矩阵。
在一种可选的实施例中,所述基站序列建立单元包括:
初始基站序列获得单元,用于根据所述初始网格基站概率矩阵,获得初始基站序列X={X1,X2,…,XN};其中,N表示打点位置的个数,Xi表示第i个网格的基站组合,i=1,2,…,N;
基站标签数据提取单元,用于从所述初始基站序列X中提取出Nl个带标签的基站组合,得到第一基站序列;
基站无标签数据获取单元,用于设定采集到Tp个无标签的基站组合,得到第二基站序列;
在一种可选的实施例中,所述位置序列建立单元包括:
初始位置序列获得单元,用于根据所述的打点位置,获得初始位置序列L={l1,l2,…,lN};其中,li表示第i个网格的经纬度;
位置标签数据提取单元,用于从所述初始位置序列L中提取出Nl个带标签的位置信息,得到第一位置序列;
位置无标签数据提取单元,用于设定采集到Tp个无标签的位置信息,得到第二位置序列;
在一种可选的实施例中,所述概率矩阵扩展单元包括:
位置拟合单元,用于根据所述基站序列X′、所述位置序列L′,采用流行学习算法进行低维空间与打点位置的最小值拟合,得到位置拟合函数:
位置修正单元,用于根据所述位置拟合函数和所述网格邻接矩阵,构建位置修正函数:
其中,W(i,j)表示地图网格i和地图网格j之间的位置邻接关系,W(i,j)=1表示地图网格i与地图网格j相邻,W(i,j)=0表示地图网格i与地图网格j不相邻;γ表示修正值;
低维映射设定单元,用于假设所述位置修正函数求解出的低维映射为qi和qj;其中,i,j=1,2,…,Nl;qi、qj分别表示第i、j个地图网格;
修正值求解单元,用于根据所述低维映射qi和qj,通过目标函数(3)求解所述修正值γ;
γ=cos(Di,Dj) (3)
其中,Di,Dj分别表示第i、j个地图网格的基站概率向量;
修正函数求解单元,用于将求解出的修正值γ更新到所述位置修正函数(2)进行求解,得出最终的低维映射;
矩阵扩展单元,用于根据最终的低维映射对应的地图网格的基站概率向量,构建所述扩展网格基站概率矩阵。
在一种可选的实施例中,所述第一网格选取模块4包括:
基站组合匹配单元,用于将所述通信设备在当前位置接收到的基站组合与所述扩展网格基站概率矩阵的每一行进行匹配;
候选网格选取单元,用于当所述扩展网格基站概率矩阵的第k行中与所述通信设备在当前位置接收到的基站组合对应的基站概率均大于零时,确定将所述扩展网格基站概率矩阵的第k行对应地图网格记录为候选网格。
在一种可选的实施例中,所述第二网格选取模块5包括:
第一赋权单元,用于将所述通信设备在当前位置接收到的基站组合中最大信号强度对应的基站作为主基站,并赋权值为w1;
第二赋权单元,用于将所述通信设备在当前位置接收到的基站组合中其余基站作为从属基站,并赋权值为w2;其中,w1+w2×n=1,w1≥w2×n,n表示从属基站的个数;
综合基站概率计算单元,用于根据公式W=w1×P1+w2×P2…+W2×Pn,计算各个所述候选网格的综合基站概率;
其中,Pi表示基站i在对应候选网格范围内接收到的基站概率;i,j=1,2,…,n;
网格选取单元,用于选取最大综合基站概率对应的候选网格作为待定位地图网格。
相对于现有技术,本发明实施例的有益效果在于:所述自适应定位方法包括:根据预先划分的地图网格、预先采集的通信设备的多个打点位置以及所述通信设备在多个所述打点位置上接收到的基站信息,构建初始网格基站概率矩阵;其中,所述基站信息包括基站组合及相应的基站概率;根据所述地图网格,构建网格邻接矩阵;根据所述初始网格基站概率矩阵、所述网格邻接矩阵以及所述打点位置,采用流行学习算法进行低维映射,构建扩展网格基站概率矩阵;其中,所述扩展网格基站概率矩阵的每一行表示一个地图网格的基站概率向量;根据所述通信设备在当前位置接收到的基站信息以及所述扩展网格基站概率矩阵,从所述地图网格中选取多个候选网格;根据各个所述候选网格的基站概率向量,确定一待定位地图网格;采用所述待定位地图网格对应的基站组合对所述通信设备进行定位;上述方法充分考虑了网络接收到基站信号概率的分布,有效剔除噪音干扰数据,同时实现了基站定位库的扩展,适用于不断变化的动态环境的位置定位,能有效提高定位精度。
需说明的是,以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外,本发明提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (9)
1.一种自适应定位方法,其特征在于,包括:
根据预先划分的地图网格、预先采集的通信设备的多个打点位置以及所述通信设备在多个所述打点位置上接收到的基站信息,构建初始网格基站概率矩阵;其中,所述基站信息包括基站组合及相应的基站概率;记录每一个点的GPS位置、当前位置接收到的基站组合,基于上述的信息,将GPS位置对应到每一个地图网格中,可计算每一个地图网格接收到每一个基站的概率,作为相应基站概率;
根据所述地图网格,构建网格邻接矩阵;
根据所述初始网格基站概率矩阵、所述网格邻接矩阵以及所述打点位置,采用流行学习算法进行低维映射,构建扩展网格基站概率矩阵;其中,所述扩展网格基站概率矩阵的每一行表示一个地图网格的基站概率向量;
根据所述通信设备在当前位置接收到的基站信息以及所述扩展网格基站概率矩阵,从所述地图网格中选取多个候选网格;
根据各个所述候选网格的基站概率向量,确定一待定位地图网格;
采用所述待定位地图网格对应的基站组合对所述通信设备进行定位;
所述根据所述地图网格,构建网格邻接矩阵,包括:
将相邻的两个所述地图网格的邻接关系设置为1,将不相邻的两个所述地图网格的邻接关系设置为0;
根据各个所述地图网格之间的邻接关系,构建所述网格邻接矩阵。
2.如权利要求1所述的自适应定位方法,其特征在于,所述根据预先划分的地图网格、预先采集的通信设备的打点位置以及所述通信设备在所述打点位置上接收到的基站信息,构建初始网格基站概率矩阵,包括:
根据所述打点位置的经纬度信息,确定所述打点位置所在的地图网格;
将所述打点位置接收到的基站信息设置为所述打点位置所在的地图网格的基站信息,并构建所述初始网格基站概率矩阵;其中,所述初始网格基站概率矩阵包括各个所述地图网格接收到的每一个基站的基站概率。
3.如权利要求1所述的自适应定位方法,其特征在于,所述根据所述初始网格基站概率矩阵、所述网格邻接矩阵以及所述打点位置,采用流行学习算法进行低维映射,构建扩展网格基站概率矩阵,包括:
根据所述初始网格基站概率矩阵,获得基站序列;其中,所述基站序列中每一个元素与所述地图网格一一对应;所述基站序列的每一个元素包括对应的地图网格接收到的基站的序号;
根据所述的打点位置,获得位置序列;所述位置序列中每一个元素与所述地图网格一一对应;所述位置序列的每一个元素包括对应的地图网格的经纬度信息;
根据所述基站序列、所述位置序列和所述网格邻接矩阵,采用流行学习算法进行低维映射,构建所述扩展网格基站概率矩阵。
4.如权利要求3所述的自适应定位方法,其特征在于,所述根据所述初始网格基站概率矩阵,获得基站序列,包括:
根据所述初始网格基站概率矩阵,获得初始基站序列X={X1,X2,…,XN};其中,N表示打点位置的个数,Xi表示第i个网格的基站组合,i=1,2,…,N;
从所述初始基站序列X中提取出Nl个带标签的基站组合,得到第一基站序列;
设定采集到Tp个无标签的基站组合,得到第二基站序列;
6.如权利要求5所述的自适应定位方法,其特征在于,所述根据所述基站序列、所述位置序列和所述网格邻接矩阵,采用流行学习算法进行低维映射,构建所述扩展网格基站概率矩阵,包括:
根据所述基站序列X′、所述位置序列L′,采用流行学习算法进行低维空间与打点位置的最小值拟合,得到位置拟合函数:
根据所述位置拟合函数和所述网格邻接矩阵,构建位置修正函数:
其中,W(i,j)表示地图网格i和地图网格j之间的位置邻接关系,W(i,j)=1表示地图网格i与地图网格j相邻,W(i,j)=0表示地图网格i与地图网格j不相邻;γ表示修正值;
假设所述位置修正函数求解出的低维映射为qi和qj;其中,i,j=1,2,…,Nl;qi、qj分别表示第i、j个地图网格;
根据所述低维映射qi和qj,通过目标函数(3)求解所述修正值γ;
γ=cos(Di,Dj) (3)
其中,Di,Dj分别表示第i、j个地图网格的基站概率向量;
将求解出的修正值γ更新到所述位置修正函数(2)进行求解,得出最终的低维映射;
根据最终的低维映射对应的地图网格的基站概率向量,构建所述扩展网格基站概率矩阵。
7.如权利要求1所述的自适应定位方法,其特征在于,所述根据所述通信设备在当前位置接收到的基站信息以及所述扩展网格基站概率矩阵,从所述地图网格中选取多个候选网格,包括:
将所述通信设备在当前位置接收到的基站组合与所述扩展网格基站概率矩阵的每一行进行匹配;
当所述扩展网格基站概率矩阵的第k行中与所述通信设备在当前位置接收到的基站组合对应的基站概率均大于零时,确定将所述扩展网格基站概率矩阵的第k行对应地图网格记录为候选网格。
8.如权利要求1所述的自适应定位方法,其特征在于,所述根据各个所述候选网格的基站概率向量,确定一待定位地图网格,包括:
将所述通信设备在当前位置接收到的基站组合中最大信号强度对应的基站作为主基站,并赋权值为w1;
将所述通信设备在当前位置接收到的基站组合中其余基站作为从属基站,并赋权值为w2;其中,w1+w2×n=1,w1≥w2×n,n表示从属基站的个数;
根据公式W=w1×P1+w2×P2…+W2×Pn,计算各个所述候选网格的综合基站概率;
其中,Pi表示基站i在对应候选网格范围内接收到的基站概率;i,j=1,2,…,n;
选取最大综合基站概率对应的候选网格作为待定位地图网格。
9.一种自适应定位装置,其特征在于,包括:
网格基站概率矩阵构建模块,用于根据预先划分的地图网格、预先采集的通信设备的多个打点位置以及所述通信设备在多个所述打点位置上接收到的基站信息,构建初始网格基站概率矩阵;其中,所述基站信息包括基站组合及相应的基站概率;记录每一个点的GPS位置、当前位置接收到的基站组合,基于上述的信息,将GPS位置对应到每一个地图网格中,可计算每一个地图网格接收到每一个基站的概率,作为相应基站概率;
网格邻接矩阵构建模块,用于根据所述地图网格,构建网格邻接矩阵;
扩展网格基站概率矩阵构建模块,用于根据所述初始网格基站概率矩阵、所述网格邻接矩阵以及所述打点位置,采用流行学习算法进行低维映射,构建扩展网格基站概率矩阵;其中,所述扩展网格基站概率矩阵的每一行表示一个地图网格的基站概率向量;
第一网格选取模块,用于根据所述通信设备在当前位置接收到的基站信息以及所述扩展网格基站概率矩阵,从所述地图网格中选取多个候选网格;
第二网格选取模块,用于根据各个所述候选网格的基站概率向量,确定一待定位地图网格;
定位模块,用于采用所述待定位地图网格对应的基站组合对所述通信设备进行定位;
所述网格邻接矩阵构建模块包括:
邻接关系确认单元,用于将相邻的两个所述地图网格的邻接关系设置为1,将不相邻的两个所述地图网格的邻接关系设置为0;
邻接矩阵构建单元,用于根据各个所述地图网格之间的邻接关系,构建所述网格邻接矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011182294.6A CN112312305B (zh) | 2020-10-29 | 2020-10-29 | 一种自适应定位方法以及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011182294.6A CN112312305B (zh) | 2020-10-29 | 2020-10-29 | 一种自适应定位方法以及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112312305A CN112312305A (zh) | 2021-02-02 |
CN112312305B true CN112312305B (zh) | 2023-03-17 |
Family
ID=74331779
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011182294.6A Active CN112312305B (zh) | 2020-10-29 | 2020-10-29 | 一种自适应定位方法以及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112312305B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012089966A (ja) * | 2010-10-18 | 2012-05-10 | Mitsubishi Electric Corp | 無線通信システム及び無線通信端末局 |
EP2492707A1 (en) * | 2011-02-28 | 2012-08-29 | Mitsubishi Electric R&D Centre Europe B.V. | Method for determining a map of an area associated to a base station |
CN104301995A (zh) * | 2013-07-19 | 2015-01-21 | 中国电信股份有限公司 | 混合定位方法和装置 |
CN104837116A (zh) * | 2015-05-11 | 2015-08-12 | 广州杰赛科技股份有限公司 | 用户出行数据检测方法和系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015109514A (ja) * | 2013-12-03 | 2015-06-11 | 株式会社東芝 | 位置算出方法、位置算出プログラムおよび位置算出装置 |
-
2020
- 2020-10-29 CN CN202011182294.6A patent/CN112312305B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012089966A (ja) * | 2010-10-18 | 2012-05-10 | Mitsubishi Electric Corp | 無線通信システム及び無線通信端末局 |
EP2492707A1 (en) * | 2011-02-28 | 2012-08-29 | Mitsubishi Electric R&D Centre Europe B.V. | Method for determining a map of an area associated to a base station |
CN104301995A (zh) * | 2013-07-19 | 2015-01-21 | 中国电信股份有限公司 | 混合定位方法和装置 |
CN104837116A (zh) * | 2015-05-11 | 2015-08-12 | 广州杰赛科技股份有限公司 | 用户出行数据检测方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112312305A (zh) | 2021-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111479231B (zh) | 一种用于毫米波大规模mimo系统的室内指纹定位方法 | |
CN102752851B (zh) | 室内定位指纹库的指纹信息收集方法及系统 | |
CN103200520B (zh) | 一种利用Wi-Fi的移动终端快速精确定位方法 | |
CN105338619A (zh) | 定位方法及装置 | |
CN105825242A (zh) | 基于混合网格分层聚类的集群通信终端轨迹实时异常检测方法与系统 | |
CN105101406A (zh) | 一种基于无线强度的室内定位方法及系统 | |
CN104755952A (zh) | 用以优化及简化平面布局图上的接入点放置的方法 | |
CN109640262B (zh) | 一种基于混合指纹的定位方法及系统、设备、存储介质 | |
CN104540221A (zh) | 基于半监督sde算法的wlan室内定位方法 | |
CN113239952B (zh) | 一种基于空间尺度注意力机制和矢量地图的航空图像地理定位方法 | |
CN106027693B (zh) | 基于ip地址的定位方法及装置 | |
CN114189809A (zh) | 基于卷积神经网络与高维5g观测特征的室内定位方法 | |
CN111854732A (zh) | 一种基于数据融合和宽度学习的室内指纹定位方法 | |
CN110049441B (zh) | 基于深度集成学习的WiFi室内定位方法 | |
CN104683953B (zh) | 基于SimRank相似组合邻近图构建的室内WLAN定位组网方法 | |
CN106470435A (zh) | 识别WiFi群的方法及系统 | |
CN112312305B (zh) | 一种自适应定位方法以及装置 | |
CN109426813B (zh) | 基于模糊聚类及神经网络模型的遥感图像自定义兴趣点提取方法 | |
CN106792527A (zh) | 一种位置数据处理方法、装置和计算设备 | |
CN112616184B (zh) | 基于多基站信道状态信息融合的移动设备位置估计方法 | |
CN106922017A (zh) | 定位方法以及终端 | |
CN112488151A (zh) | 一种半监督的基于流形学习的位置指纹库构建方法 | |
CN111782980A (zh) | 地图兴趣点的挖掘方法、装置、设备及存储介质 | |
CN111651484B (zh) | 基于语义轨迹相似度移动对象伴随关系的分析方法和装置 | |
CN112953695A (zh) | 一种分布式mimo系统的导频分配方法及系统 |
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 |