CN112533137B - 设备的定位方法、装置、电子设备及计算机存储介质 - Google Patents

设备的定位方法、装置、电子设备及计算机存储介质 Download PDF

Info

Publication number
CN112533137B
CN112533137B CN202011355897.1A CN202011355897A CN112533137B CN 112533137 B CN112533137 B CN 112533137B CN 202011355897 A CN202011355897 A CN 202011355897A CN 112533137 B CN112533137 B CN 112533137B
Authority
CN
China
Prior art keywords
signal
positioning
normalized
sample
grid
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
CN202011355897.1A
Other languages
English (en)
Other versions
CN112533137A (zh
Inventor
杨旭
郭嘉斌
孙鑫
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.)
Beijing Aibee Technology Co Ltd
Original Assignee
Beijing Aibee 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 Beijing Aibee Technology Co Ltd filed Critical Beijing Aibee Technology Co Ltd
Priority to CN202011355897.1A priority Critical patent/CN112533137B/zh
Publication of CN112533137A publication Critical patent/CN112533137A/zh
Application granted granted Critical
Publication of CN112533137B publication Critical patent/CN112533137B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • G01S5/10—Position of receiver fixed by co-ordinating a plurality of position lines defined by path-difference measurements, e.g. omega or decca systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Remote Sensing (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本申请提供了一种设备的定位方法、装置、电子设备及计算机存储介质，该方法包括：首先，获取设备接收的至少一个信号发射器发送的定位信号以及每一个定位信号对应的发送时间；然后，对每一个数据目录的长度进行归一化，得到每一个所述数据目录对应的归一化的数据目录；之后，对每一个归一化的数据目录中的每一个定位信号的信号强度进行归一化；最后，将每一个归一化的数据目录中的每一个定位信号的归一化的信号强度，按照每一个定位信号的发送时间的顺序输入定位模型，得到设备所处的目标网格；其中，目标网格为设备在多个网格中概率值最大的网格；网格用于反映设备的真实位置。从而达到提高对设备进行定位的过程中的适应性和鲁棒性的目的。

Description

设备的定位方法、装置、电子设备及计算机存储介质
技术领域
本申请涉及计算机技术领域，特别涉及一种设备的定位方法、装置、电子设备及计算机存储介质。
背景技术
随着人民生活的日益多样化，各种大型商场、超市、地下停车场、展会、机场和医院等公共场所的室内环境也更大更复杂，人们对于室内定位和导航的需求也更加强烈。
目前，通常利用信号发射器采用指纹匹配法对人们所使用的终端设备进行辅助定位。指纹匹配法需要采集导航定位地图中对应位置的信号发射器发送的信号，然后，采用K最近邻(K-NearestNeighbor，KNN)分类算法等进行信号强度匹配完成定位，但是，由于不同设备的终端不一致，从而在接收信号时存在着误差，以及连续的信号发射器发送的信号之间存在因果关系，从而导致设备适应性差，鲁棒性较低。
发明内容
有鉴于此，本申请提供一种设备的定位方法、装置、电子设备及计算机存储介质，提高对设备进行定位的过程中的适应性和鲁棒性。
本申请第一方面提供了一种设备的定位方法，包括：
获取设备接收的至少一个信号发射器发送的定位信号以及每一个所述定位信号对应的发送时间；
对每一个数据目录的长度进行归一化，得到每一个所述数据目录对应的归一化的数据目录；其中，一个所述数据目录由所述设备接收的所述信号发射器在同一个发送时间发送的所述定位信号组成；所述归一化的数据目录中包含当前场景下预设数量的信号发射器在同一个发送时间发送的所述定位信号；
对每一个所述归一化的数据目录中的每一个定位信号的信号强度进行归一化，得到所述每一个定位信号的归一化的信号强度；
将每一个所述归一化的数据目录中的每一个所述定位信号的归一化的信号强度，按照所述每一个所述定位信号的发送时间的顺序输入定位模型，得到所述设备所处的目标网格；其中，所述定位模型由多个训练样本设备实时获取至少一个训练样本信号发射器发送的定位信号、所述训练样本信号发射器发送的定位信号的发送时间和所述训练样本设备所处的真实网格对神经网络分类模型进行训练得到；所述目标网格为所述设备在多个网格中概率值最大的网格；所述网格用于反映所述设备的真实位置。
可选的，所述对每一个数据目录的长度进行归一化，得到每一个所述数据目录对应的归一化的数据目录，包括：
针对每一个所述数据目录，判断所述数据目录的长度是否小于所述当前场景下预设数量的信号发射器的数量；
若判断出所述数据目录的长度小于当前场景下预设数量的信号发射器的数量，则将每一个未在所述数据目录中的信号发射器发送的定位信号的信号强度，设置为预设的信号强度；
将每一个信号强度设置为预设的信号强度的定位信号加入所述数据目录。
可选的，所述对每一个所述归一化的数据目录中的每一个定位信号的信号强度进行归一化，得到所述每一个定位信号的归一化的信号强度，包括：
针对每一个所述归一化的数据目录中的每一个定位信号，利用所述定位信号所属的归一化的数据目录中的定位信号的信号强度的最大值和最小值，对所述定位信号的信号强度进行线性归一化计算，得到所述定位信号对应的信号强度的归一化的信号强度。
可选的，所述将每一个所述归一化的数据目录中的每一个所述定位信号的归一化的信号强度，按照所述每一个所述定位信号的发送时间的顺序输入定位模型，得到所述设备所处的目标网格之后，还包括：
利用所述设备所处的目标网格，在预设的真实位置与网格的对应关系表中查找得到所述设备所处的目标网格对应的真实位置，作为所述设备的真实位置。
可选的，所述定位模型的构建方法，包括：
对每一个样本数据目录的长度进行归一化，得到每一个所述样本数据目录对应的归一化的样本数据目录；其中，所述样本数据目录由训练样本设备接收的至少一个训练样本信号发射器在同一个发送时间发送的定位信号样本组成；所述样本数据目录对应的归一化的样本数据目录包含：训练场景下预设数量的训练样本信号发射器在同一个发送时间发送的每一个所述定位信号样本；
对每一个所述归一化的样本数据目录中的每一个定位信号样本的信号强度进行归一化，得到所述每一个定位信号样本的归一化的信号强度；
利用每一个所述归一化的样本数据目录中的所有定位信号样本的归一化的信号强度、和所述训练样本信号发射器的真实位置所处的网格，构建样本集；其中，所述样本集包括训练样本集；
将每一个所述训练样本集中的所述归一化的样本数据目录中的所有定位信号样本的归一化的信号强度，按照所述每一个由所述训练样本信号发射器发送的定位信号样本对应的发送时间的顺序输入至神经网络分类模型中，得到所述训练样本设备所处的预测网格，所述训练样本设备所处的预测网格为所述训练样本设备在多个网格中概率最大的网格；
利用每一个所述训练样本设备所处的预测网格、与所述训练样本设备的真实位置对应的网格之间的误差，对所述神经网络分类模型中的参数进行调整，直至调整后的所述神经网络分类模输出的训练样本设备所处的预测网格、与训练样本设备所处的预测网格的真实位置对应的网格之间的误差，满足预设的收敛条件，或直至对所述神经网络分类模型中的参数进行调整的次数达到最大迭代次数，将所述调整后的神经网络分类模型作为定位模型。
可选的，所述样本集还包括验证样本集，所述将所述调整后的神经网络分类模型作为定位模型之后，还包括：
利用所述验证样本集中的归一化的样本数据目录中的所有定位信号样本的归一化的信号强度，按照所述每一个由所述样本信号发射器发送的定位信号样本对应的发送时间的顺序输入至所述定位模型中，得到所述验证样本集中的验证样本设备所处的预测网格，所述验证样本设备所处的预测网格为所述设备在多个网格中概率值最大的网格；
根据所述验证样本集中的验证样本设备所处的预测网格、与所述验证样本设备的真实位置对应的网格之间的误差，判断所述定位模型是否达到预设的精度；
若所述定位模型的精度达到预设的精度，则结束对所述定位模型的训练；
若所述定位模型的精度没有达到预设的精度，则利用所述验证样本集中的每一个所述验证样本设备所处的预测网格、与所述验证样本设备的真实位置对应的网格之间的误差，对所述定位模型中的参数进行不断调整，直至调整后的所述定位模型的精度达到预设的精度。
在本申请第二方面提供了一种设备的定位装置，包括：
接收单元，用于获取设备接收的至少一个信号发射器发送的定位信号以及每一个所述定位信号对应的发送时间；
数据目录归一化单元，用于对每一个数据目录的长度进行归一化，得到每一个所述数据目录对应的归一化的数据目录；其中，一个所述数据目录由所述设备接收的所述信号发射器在同一个发送时间发送的所述定位信号组成；所述归一化的数据目录中包含当前场景下预设数量的信号发射器在同一个发送时间发送的所述定位信号；
信号强度归一化单元，用于对每一个所述归一化的数据目录中的每一个定位信号的信号强度进行归一化，得到所述每一个定位信号的归一化的信号强度；
处理单元，用于将每一个所述归一化的数据目录中的每一个所述定位信号的归一化的信号强度，按照所述每一个所述定位信号的发送时间的顺序输入定位模型，得到所述设备所处的目标网格；其中，所述定位模型由多个训练样本设备实时获取至少一个训练样本信号发射器发送的定位信号、所述训练样本信号发射器发送的定位信号的发送时间和所述训练样本设备所处的真实网格对神经网络分类模型进行训练得到；所述目标网格为所述设备在多个网格中概率值最大的网格；所述网格用于反映所述设备的真实位置。
可选的，所述数据目录归一化单元，包括：
第一判断单元，用于针对每一个所述数据目录，判断所述数据目录的长度是否小于所述当前场景下预设数量的信号发射器的数量；
设置单元，用于若所述第一判断单元判断出，所述数据目录的长度小于当前场景下预设数量的信号发射器的数量，则将每一个未在所述数据目录中的信号发射器发送的定位信号的信号强度，设置为预设的信号强度；
加入单元，用于将每一个信号强度设置为预设的信号强度的定位信号加入所述数据目录。
可选的，所述信号强度归一化单元，包括：
计算单元，用于针对每一个所述归一化的数据目录中的每一个定位信号，利用所述定位信号所属的归一化的数据目录中的定位信号的信号强度的最大值和最小值，对所述定位信号的信号强度进行线性归一化计算，得到所述定位信号对应的信号强度的归一化的信号强度。
可选的，所述设备的定位装置，还包括：
查找单元，用于利用所述设备所处的目标网格，在预设的真实位置与网格的对应关系表中查找得到所述设备所处的目标网格对应的真实位置，作为所述设备的真实位置。
可选的，所述定位模型的构建单元，包括：
样本数据目录归一化单元，用于对每一个样本数据目录的长度进行归一化，得到每一个所述样本数据目录对应的归一化的样本数据目录；其中，所述样本数据目录由训练样本设备接收的至少一个训练样本信号发射器在同一个发送时间发送的定位信号样本组成；所述样本数据目录对应的归一化的样本数据目录包含：训练场景下预设数量的训练样本信号发射器在同一个发送时间发送的每一个所述定位信号样本；
样本信号强度归一化单元，用于对每一个所述归一化的样本数据目录中的每一个定位信号样本的信号强度进行归一化，得到所述每一个定位信号样本的归一化的信号强度；
样本集构建单元，用于利用每一个所述归一化的样本数据目录中的所有定位信号样本的归一化的信号强度、和所述训练样本信号发射器的真实位置所处的网格，构建样本集；其中，所述样本集包括训练样本集；
第一输入单元，用于将每一个所述训练样本集中的所述归一化的样本数据目录中的所有定位信号样本的归一化的信号强度，按照所述每一个由所述训练样本信号发射器发送的定位信号样本对应的发送时间的顺序输入至神经网络分类模型中，得到所述训练样本设备所处的预测网格，所述训练样本设备所处的预测网格为所述训练样本设备在多个网格中概率最大的网格；
确定单元，用于利用每一个所述训练样本设备所处的预测网格、与所述训练样本设备的真实位置对应的网格之间的误差，对所述神经网络分类模型中的参数进行调整，直至调整后的所述神经网络分类模输出的训练样本设备所处的预测网格、与训练样本设备所处的预测网格的真实位置对应的网格之间的误差，满足预设的收敛条件，或直至对所述神经网络分类模型中的参数进行调整的次数达到最大迭代次数，将所述调整后的神经网络分类模型作为定位模型。
可选的，所述样本集还包括验证样本集，所述的设备的定位装置，还包括：
第二输入单元，用于利用所述验证样本集中的归一化的样本数据目录中的所有定位信号样本的归一化的信号强度，按照所述每一个由所述样本信号发射器发送的定位信号样本对应的发送时间的顺序输入至所述定位模型中，得到所述验证样本集中的验证样本设备在每一个网格内的概率值所处的预测网格，所述验证样本设备所处的预测网格为所述设备在多个网格中概率值最大的网格；
第二判断单元，用于根据所述验证样本集中的验证样本设备所处的预测网格、与所述验证样本设备的真实位置对应的网格之间的误差，判断所述定位模型是否达到预设的精度；
结束单元，用于若所述定位模型的精度达到预设的精度，则结束对所述定位模型的训练；
调整单元，用于若所述定位模型的精度没有达到预设的精度，则利用所述验证样本集中的每一个所述验证样本设备所处的预测网格、与所述验证样本设备的真实位置对应的网格之间的误差，对所述定位模型中的参数进行不断调整，直至调整后的所述定位模型的精度达到预设的精度。
本申请第三方面提供了一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如第一方面任意一项所述的方法。
本申请第四方面提供了一种计算机存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如第一方面任意一项所述的方法。
由以上方案可知，本申请提供的一种设备的定位方法、装置、电子设备及计算机存储介质中，该方法包括：首先，获取设备接收的至少一个信号发射器发送的定位信号以及每一个所述定位信号对应的发送时间；然后，对每一个数据目录的长度进行归一化，得到每一个所述数据目录对应的归一化的数据目录；其中，一个所述数据目录由所述设备接收的所述信号发射器在同一个发送时间发送的所述定位信号组成；所述归一化的数据目录中包含当前场景下预设数量的信号发射器在同一个发送时间发送的所述定位信号；再对每一个所述归一化的数据目录中的每一个定位信号的信号强度进行归一化，得到所述每一个定位信号的归一化的信号强度；将每一个所述归一化的数据目录中的每一个所述定位信号的归一化的信号强度，按照所述每一个所述定位信号的发送时间的顺序输入定位模型，得到所述设备所处的目标网格；其中，所述定位模型由多个训练样本设备实时获取至少一个训练样本信号发射器发送的定位信号、所述训练样本信号发射器发送的定位信号的发送时间和所述训练样本设备所处的真实网格对神经网络分类模型进行训练得到；所述目标网格为所述设备在多个网格中概率值最大的网格；所述网格用于反映所述设备的真实位置。从而达到提高对设备进行定位的过程中的适应性和鲁棒性的目的。
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，还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种设备的定位方法的具体流程图；
图2为本申请另一实施例提供的一种设备的定位方法的具体流程图；
图3为本申请另一实施例提供的一种定位模型的构建方法的具体流程图；
图4为本申请另一实施例提供的一种神经网络分类模型的示意图；
图5为本申请另一实施例提供的一种设备的定位装置的示意图；
图6为本申请另一实施例提供的一种实现设备的定位方法的电子设备的示意图。
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。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。
需要注意，本申请中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系，而术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本申请实施例提供了一种设备的定位方法，如图1所示，具体包括以下步骤：
S101、获取设备接收的至少一个信号发射器发送的定位信号以及每一个定位信号对应的发送时间。
其中，信号发射器可以是但不限于iBeacon，此处不做限定。
需要说明是，本申请提供的设备的定位方法可以应用于服务器，设备在接收到至少一个信号发射器发送的定位信号以及每一个定位信号对应的发送时间后，将接收到至少一个信号发射器发送的定位信号以及每一个定位信号对应的发送时间上传至服务器，由服务器获取设备接收的至少一个信号发射器发送的定位信号以及每一个定位信号对应的发送时间；本申请还可以应用于设备自身，设备实时接收的至少一个信号发射器发送的定位信号以及每一个定位信号对应的发送时间，在需要执行本申请中的设备的定位方法时，获取设备接收的至少一个信号发射器发送的定位信号以及每一个定位信号对应的发送时间。
具体的，在已经完成包含至少一个信号发射器部署的场景内，场景内的每一个信号发射器向设备连续发出针对设备的定位信号。设备实时接收场景内的每一个信号发射器发送的定位信号后，记录每一个接收成功的定位信号对应的发送时间。其在本申请提供的设备的定位方法应用于服务器时，在记录每一个接收成功的定位信号对应的发送时间后，将接收成功的至少一个信号发射器发送的定位信号以及每一个定位信号对应的发送时间上传至服务器，由服务器获取设备接收的至少一个信号发射器发送的定位信号以及每一个定位信号对应的发送时间；在本申请应用于设备自身时在需要执行本申请中的设备的定位方法时，获取设备接收成功的至少一个信号发射器发送的定位信号以及每一个定位信号对应的发送时间。
S102、对每一个数据目录的长度进行归一化，得到每一个数据目录对应的归一化的数据目录。
其中，一个数据目录由设备接收的信号发射器在同一个发送时间发送的定位信号组成；也就是说，将同一个发送时间的、来自不同的信号发生器的定位信号组成一个数据目录。归一化的数据目录中包含当前场景下预设数量的信号发射器在同一个发送时间发送的定位信号。预设数量可以是当前场景下所有的信号发射器的50％、80％、95％、100％等，此处不做限定。
需要说明的是，在每一个时间服务器都会收到由定位信号组成的数据目录，其中包含在当前时间收到的所有定位信号。但是，由于每一个信号发射器所发送的定位信号的覆盖范围不同，或是由于环境等因素影响，因此，会出现设备接收不到个别信号发射器发送的定位信号的情况，导致了数据目录中的定位信号的数量不一致，即数据目录中的长度不一致，由于后续需要将数据目录中的定位信号对应的信号强度输入至定位模型中，因此，为保证其精确度，需要对每一个数据目录的长度进行归一化，即保证每一个输入至定位模型的数据目录中的定位信号对应的信号强度的数量一致，也就是说使得输入至定位模型的每一个数据目录的长度保持一致。
具体的，对每一个数据目录的长度进行归一化，使得组成的数据目录包含当前场景下预设数量的信号发射器在同一个发送时间发送的每一个定位信号。
可选的，在本申请的另一实施例中，步骤S102的一种实施方式，如图2所示，包括：
S201、针对每一个数据目录，判断数据目录的长度是否小于当前场景下预设数量的信号发射器的数量。
具体的，若判断出所述数据目录的长度小于当前场景下预设数量的信号发射器的数量，则执行步骤S202。
S202、将每一个未在数据目录中的信号发射器发送的定位信号的信号强度，设置为预设的信号强度。
其中，预设的信号强度可以是由技术人员经过试验得出的一个强度值，也可以是在数据目录中的定位信号的信号强度的最小值，也可以是数据目录中的定位信号的信号强度的均值等，是可以根据实际的应用情况进行设置的，此处不做限定。
S203、将每一个信号强度设置为预设的信号强度的定位信号加入数据目录。
将每一个信号强度设置为预设的信号强度的定位信号加入数据目录后，每一个输入至定位模型的数据目录中的定位信号对应的信号强度的数量一致，也就是说使得输入至定位模型的每一个数据目录的长度保持一致，从而达到对信号目录进行归一化的目的。
S103、对每一个归一化的数据目录中的每一个定位信号的信号强度进行归一化，得到每一个定位信号的归一化的信号强度。
其中，定位信号中包括信号强度(Received Signal Strength Indicator，RSSI)。
需要说明的是，不同设备在接收得到信号发射器发送的定位信号时，得到信号强度会存在着误差，由于后续需要将定位信号的信号强度输入至定位模型中，因此，为保证其精确度，需要对每一个定位信号的信号强度进行归一化。对每一个定位信号的信号强度进行归一化的方式可以是最大值最小值归一化、也可以为均值方差归一化，此处不做限定。
可选的，在本申请的另一实施例中，步骤S103的一种实施方式，包括：
针对每一个归一化的数据目录中的每一个定位信号，利用定位信号所属的归一化的数据目录中的定位信号的信号强度的最大值和最小值，对定位信号的信号强度进行线性归一化计算，得到定位信号对应的信号强度的归一化的信号强度。
具体的，对定位信号的信号强度进行线性归一化计算的方式可以是，将每一个归一化的数据目录中的每一个定位信号分别输入至预设的计算公式中，从而得到每一个归一化的数据目录中的每一个定位信号对应的信号强度的归一化信号强度；其中，计算公式为：
rssi_new＝(rssi–min_rssi)/(max_rssi–min_rssi)；rssi为待计算归一化信号强度的定位信号，即每一个归一化的数据目录中的定位信号；min_rssi为归一化的数据目录中的所有的定位信号对应的信号强度的最小值；max_rssi为归一化的数据目录中的所有的定位信号对应的信号强度的最大值；rssi_new为定位信号对应的信号强度的归一化的信号强度。
S104、将每一个归一化的数据目录中的每一个定位信号的归一化的信号强度，按照每一个定位信号的发送时间的顺序输入定位模型，得到设备所处的目标网格。
其中，定位模型由多个训练样本设备实时获取至少一个训练样本信号发射器发送的定位信号、训练样本信号发射器发送的定位信号的发送时间和训练样本设备所处的真实网格对神经网络分类模型进行训练得到。目标网格为设备在多个网格中概率值最大的网格；网格用于反映设备的真实位置。
需要说明的是，将每一个归一化的数据目录中的每一个定位信号的归一化的信号强度，按照每一个定位信号的发送时间的顺序输入定位模型，最后输出的设备所处的目标网格为发送时间最晚的定位信号所指代的目标网格。
例如：归一化数据目录中有10个归一化的信号强度，那么按照发送时间顺序，前9个归一化的信号强度在定位模型中为第10个归一化的信号强度作为参考，从而使得最终输出的目标网格更加的准确。
可选的，在本申请的另一实施例中，在步骤S104之后的一种实施方式，包括：
利用设备所处的目标网格，在预设的真实位置与网格的对应关系表中查找得到设备所处的目标网格对应的真实位置，作为设备的真实位置。
需要说明的是，将已经完成信号发射器部署的场景划分为相同分辨率大小的多个网格，例如：64×64、100×100等，此处不做限定。每一个网格都代表着一个真实的位置的坐标信息，且会有着对应的标号。在对定位模型训练之前，将真实位置与网格之间建立一一对应关系，得到预设的真实位置与网格的对应关系表。
因此，在得到目标网格后，可以通过在真实位置与网格的对应关系表进行查找，得到设备的真实位置的坐标信息，最终将其作为设备的位置。
可选的，在本申请的另一实施例中，定位模型的构建方法的一种实施方式，如图3所示，包括：
S301、对每一个样本数据目录的长度进行归一化，得到每一个样本数据目录对应的归一化的样本数据目录。
其中，样本数据目录由训练样本设备接收的至少一个训练样本信号发射器在同一个发送时间发送的定位信号样本组成；样本数据目录对应的归一化的样本数据目录包含：训练场景下预设数量的训练样本信号发射器在同一个发送时间发送的每一个定位信号样本。
需要说明的是，在每一个时间都会收到由每一个训练样本信号发射器在同一个发送时间发送的定位信号样本组成的样本数据目录。由于每一个训练样本信号发射器所发送的定位信号样本的覆盖范围不同，或是由于环境等因素影响，因此，会出现设备接收不到个别训练样本信号发射器发送的定位信号样本的情况，导致了样本数据目录中的定位信号样本的数量不一致，即样本数据目录中的长度不一致，由于后续需要将样本数据目录中的定位信号样本对应的信号强度输入至神经网络分类模型中，因此，为保证其精确度，需要对每一个样本数据目录的长度进行归一化，即保证每一个输入至定位模型的数据目录中的定位信号对应的信号强度的数量一致，也就是说使得输入至定位模型的每一个数据目录的长度保持一致。
S302、对每一个归一化的样本数据目录中的每一个定位信号样本的信号强度进行归一化，得到每一个定位信号样本的归一化的信号强度。
需要说明的是，不同设备在接收得到样本信号发射器发送的定位信号样本时，得到信号强度会存在着误差，由于后续需要将定位信号样本的信号强度输入至神经网络分类模型中，因此，为保证其精确度，需要对每一个定位信号样本的信号强度进行归一化。
S303、利用每一个归一化的样本数据目录中的所有定位信号样本的归一化的信号强度、和训练样本信号发射器的真实位置所处的网格，构建样本集。
其中，样本集包括训练样本集。
具体的，将每一个归一化的样本数据目录中的所有定位信号样本的归一化的信号强度、和训练样本信号发射器的真实位置所处的网格，建立一一对应关系，并将其作为样本集。
S304、将每一个训练样本集中的归一化的样本数据目录中的所有定位信号样本的归一化的信号强度，按照每一个由训练样本信号发射器发送的定位信号样本对应的发送时间的顺序输入至神经网络分类模型中，得到训练样本设备所处的预测网格。
其中，训练样本设备所处的预测网格为训练样本设备在多个网格中概率最大的网格；神经网络分类模型可以参见图4，由TCN网络和全连接层组成，N为数据的长度，L为定位信号的数量，M为网格数量。
可以理解的是，神经网络分类模型可以直接输出得到训练样本设备所处的预测网格，同样也可以只输出训练样本设备在每一个网格中的概率，而将训练样本设备在多个网格中概率最大的网格作为训练样本设备所处的预测网格可以由其他单元来实现，此处不做限定。
S305、利用每一个训练样本设备所处的预测网格、与训练样本设备的真实位置对应的网格之间的误差，对神经网络分类模型中的参数进行调整。
具体的，可以采用交叉熵损失函数计算模型预测输出的分类结果和真实分类结果之间的误差，即每一个训练样本设备所处的预测网格、与训练样本设备的真实位置对应的网格之间的误差。其中，交叉熵损失函数计算公式为：
W表示交叉熵损失函数计算的误差结果，y表示真实分类概率，/>表示预测的分类概率。可以理解的是，误差越小，模型的精确度越高。
S306、判断调整后的神经网络分类模型是否满足预设条件。
其中，预设条件可以是调整后的神经网络分类模输出的训练样本设备所处的预测网格、与训练样本设备所处的预测网格的真实位置对应的网格之间的误差，满足预设的收敛条件；也可以是对神经网络分类模型中的参数进行调整的次数达到最大迭代次数，此处不做限定。
具体的，若判断出调整后的神经网络分类模型满足预设条件，则执行步骤S307；若判断出调整后的神经网络分类模型不满足预设条件，则返回执行步骤S305。
S307、将调整后的神经网络分类模型作为定位模型。
可选的，在本申请的另一实施例中，样本集中还可以包括验证样本集，在步骤S307之后的一种实施方式，包括：
利用验证样本集中的归一化的样本数据目录中的所有定位信号样本的归一化的信号强度，按照每一个由样本信号发射器发送的定位信号样本对应的发送时间的顺序输入至定位模型中，得到验证样本集中的验证样本设备所处的预测网格。
其中，验证样本设备所处的预测网格为设备在多个网格中概率值最大的网格；样本集中的验证样本集和训练样本集的数量关系，是可以自定义设置的，如将样本集平均分为两份，一份作为训练样本集，一份作为验证样本集；或将1/3作为验证样本集，2/3作为训练样本集等，此处不做限定。
根据验证样本集中的验证样本设备所处的预测网格、与验证样本设备的真实位置对应的网格之间的误差，判断定位模型是否达到预设的精度。
若定位模型的精度达到预设的精度，则结束对定位模型的训练。
若定位模型的精度没有达到预设的精度，则利用验证样本集中的每一个验证样本设备所处的预测网格、与验证样本设备的真实位置对应的网格之间的误差，对定位模型中的参数进行不断调整，直至调整后的定位模型的精度达到预设的精度。
由以上方案可知，本申请提供的一种设备的定位方法，首先，获取设备接收的至少一个信号发射器发送的定位信号以及每一个定位信号对应的发送时间；然后，对每一个数据目录的长度进行归一化，得到每一个数据目录对应的归一化的数据目录；再对每一个归一化的数据目录中的每一个定位信号的信号强度进行归一化，得到每一个定位信号的归一化的信号强度；将每一个归一化的数据目录中的每一个定位信号的归一化的信号强度，按照每一个定位信号的发送时间的顺序输入定位模型，得到设备所处的目标网格。其中，目标网格为设备在多个网格中概率值最大的网格；网格用于反映设备的真实位置。从而达到提高对设备进行定位的过程中的适应性和鲁棒性的目的。
本申请另一实施例提供了一种设备的定位装置，如图5所示，包括：
接收单元501，用于获取设备接收的至少一个信号发射器发送的定位信号以及每一个定位信号对应的发送时间。
数据目录归一化单元502，用于对每一个数据目录的长度进行归一化，得到每一个数据目录对应的归一化的数据目录。
其中，一个数据目录由设备接收的信号发射器在同一个发送时间发送的定位信号组成；归一化的数据目录中包含当前场景下预设数量的信号发射器在同一个发送时间发送的定位信号。
可选的，在本申请的另一实施例中，数据目录归一化单元502的一种实施方式，包括：
第一判断单元，用于针对每一个数据目录，判断数据目录的长度是否小于当前场景下预设数量的信号发射器的数量。
设置单元，用于若第一判断单元判断出，数据目录的长度小于当前场景下预设数量的信号发射器的数量，则将每一个未在数据目录中的信号发射器发送的定位信号的信号强度，设置为预设的信号强度。
加入单元，用于将每一个信号强度设置为预设的信号强度的定位信号加入数据目录。
本申请上述实施例公开的单元的具体工作过程，可参见对应的方法实施例内容，如图2所示，此处不再赘述。
信号强度归一化单元503，用于对每一个归一化的数据目录中的每一个定位信号的信号强度进行归一化，得到每一个定位信号的归一化的信号强度。
可选的，在本申请的另一实施例中，信号强度归一化单元503的一种实施方式，包括：
计算单元，用于针对每一个归一化的数据目录中的每一个定位信号，利用定位信号所属的归一化的数据目录中的定位信号的信号强度的最大值和最小值，对定位信号的信号强度进行线性归一化计算，得到定位信号对应的信号强度的归一化的信号强度。
本申请上述实施例公开的单元的具体工作过程，可参见对应的方法实施例内容，此处不再赘述。
可选的在申请的另一实施例中，设备的定位装置的一种实施方式，还包括：
查找单元，用于利用设备所处的目标网格，在预设的真实位置与网格的对应关系表中查找得到设备所处的目标网格对应的真实位置，作为设备的真实位置。
本申请上述实施例公开的单元的具体工作过程，可参见对应的方法实施例内容，此处不再赘述。
处理单元504，用于将每一个归一化的数据目录中的每一个定位信号的归一化的信号强度，按照每一个定位信号的发送时间的顺序输入定位模型，得到设备所处的目标网格。
其中，定位模型由多个训练样本设备实时获取至少一个训练样本信号发射器发送的定位信号、训练样本信号发射器发送的定位信号的发送时间和训练样本设备所处的真实网格对神经网络分类模型进行训练得到。目标网格为设备在多个网格中概率值最大的网格；网格用于反映设备的真实位置。
本申请上述实施例公开的单元的具体工作过程，可参见对应的方法实施例内容，如图1所示，此处不再赘述。
可选的，在本申请的另一实施例中，定位模型的构建单元的一种实施方式，包括：
样本数据目录归一化单元，用于对每一个样本数据目录的长度进行归一化，得到每一个样本数据目录对应的归一化的样本数据目录。
其中，样本数据目录由训练样本设备接收的至少一个训练样本信号发射器在同一个发送时间发送的定位信号样本组成；样本数据目录对应的归一化的样本数据目录包含：训练场景下预设数量的训练样本信号发射器在同一个发送时间发送的每一个定位信号样本。
样本信号强度归一化单元，用于对每一个归一化的样本数据目录中的每一个定位信号样本的信号强度进行归一化，得到每一个定位信号样本的归一化的信号强度。
样本集构建单元，用于利用每一个归一化的样本数据目录中的所有定位信号样本的归一化的信号强度、和训练样本信号发射器的真实位置所处的网格，构建样本集。
其中，样本集包括训练样本集。
第一输入单元，用于将每一个训练样本集中的归一化的样本数据目录中的所有定位信号样本的归一化的信号强度，按照每一个由训练样本信号发射器发送的定位信号样本对应的发送时间的顺序输入至神经网络分类模型中，得到训练样本设备所处的预测网格，训练样本设备所处的预测网格为训练样本设备在多个网格中概率最大的网格。
确定单元，用于利用每一个训练样本设备所处的预测网格、与训练样本设备的真实位置对应的网格之间的误差，对神经网络分类模型中的参数进行不断调整，直至调整后的神经网络分类模输出的训练样本设备所处的预测网格、与训练样本设备所处的预测网格的真实位置对应的网格之间的误差，满足预设的收敛条件，或直至对神经网络分类模型中的参数进行调整的次数达到最大迭代次数，将调整后的神经网络分类模型作为定位模型。
本申请上述实施例公开的单元的具体工作过程，可参见对应的方法实施例内容，如图3所示，此处不再赘述。
可选的，在本申请的另一实施例中，样本集还包括验证样本集，设备的定位装置，还包括：
第二输入单元，用于利用验证样本集中的归一化的样本数据目录中的所有定位信号样本的归一化的信号强度，按照每一个由样本信号发射器发送的定位信号样本对应的发送时间的顺序输入至定位模型中，得到验证样本集中的验证样本设备所处的预测网格，验证样本设备所处的预测网格为设备在多个网格中概率值最大的网格。
第二判断单元，用于根据验证样本集中的验证样本设备所处的预测网格、与验证样本设备的真实位置对应的网格之间的误差，判断定位模型是否达到预设的精度。
结束单元，用于若定位模型的精度达到预设的精度，则结束对定位模型的训练。
调整单元，用于若定位模型的精度没有达到预设的精度，则利用验证样本集中的每一个验证样本设备所处的预测网格、与验证样本设备的真实位置对应的网格之间的误差，对定位模型中的参数进行不断调整，直至调整后的定位模型的精度达到预设的精度。
本申请上述实施例公开的单元的具体工作过程，可参见对应的方法实施例内容，此处不再赘述。
由以上方案可知，本申请提供的一种设备的定位装置，接收单元501获取设备接收的至少一个信号发射器发送的定位信号以及每一个定位信号对应的发送时间；然后，数据目录归一化单元502对每一个数据目录的长度进行归一化，得到每一个数据目录对应的归一化的数据目录；信号强度归一化单元503再对每一个归一化的数据目录中的每一个定位信号的信号强度进行归一化，得到每一个定位信号的归一化的信号强度；处理单元504将每一个归一化的数据目录中的每一个定位信号的归一化的信号强度，按照每一个定位信号的发送时间的顺序输入定位模型，得到设备所处的目标网格，其中，目标网格为设备在多个网格中概率值最大的网格；网格用于反映设备的真实位置。从而达到提高对设备进行定位的过程中的适应性和鲁棒性的目的。
本申请另一实施例提供了一种电子设备，如图6所示，包括：
一个或多个处理器601。
存储装置602，其上存储有一个或多个程序。
当所述一个或多个程序被所述一个或多个处理器601执行时，使得所述一个或多个处理器601实现如上述实施例中任意一项所述的方法。
本申请另一实施例提供了一种计算机存储介质，其上存储有计算机程序，其中，计算机程序被处理器执行时实现如上述实施例中任意一项所述的方法。
在本申请公开的上述实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本公开的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本公开各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本公开的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，直播设备，或者网络设备等)执行本公开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-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (9)

1.一种设备的定位方法，其特征在于，包括：
获取设备接收的至少一个信号发射器发送的定位信号以及每一个所述定位信号对应的发送时间；
对每一个数据目录的长度进行归一化，得到每一个所述数据目录对应的归一化的数据目录；其中，一个所述数据目录由所述设备接收的所述信号发射器在同一个发送时间发送的所述定位信号组成；所述归一化的数据目录中包含当前场景下预设数量的信号发射器在同一个发送时间发送的所述定位信号；
针对每一个所述归一化的数据目录中的每一个定位信号，利用所述定位信号所属的归一化的数据目录中的定位信号的信号强度的最大值和最小值，对所述定位信号的信号强度进行线性归一化计算，得到所述定位信号对应的信号强度的归一化的信号强度；
将每一个所述归一化的数据目录中的每一个所述定位信号的归一化的信号强度，按照所述每一个所述定位信号的发送时间的顺序输入定位模型，得到所述设备所处的目标网格；其中，所述定位模型由多个训练样本设备实时获取至少一个训练样本信号发射器发送的定位信号、所述训练样本信号发射器发送的定位信号的发送时间和所述训练样本设备所处的真实网格对神经网络分类模型进行训练得到；所述目标网格为所述设备在多个网格中概率值最大的网格；所述网格用于反映所述设备的真实位置。
2.根据权利要求1所述的定位方法，其特征在于，所述对每一个数据目录的长度进行归一化，得到每一个所述数据目录对应的归一化的数据目录，包括：
针对每一个所述数据目录，判断所述数据目录的长度是否小于所述当前场景下预设数量的信号发射器的数量；
若判断出所述数据目录的长度小于当前场景下预设数量的信号发射器的数量，则将每一个未在所述数据目录中的信号发射器发送的定位信号的信号强度，设置为预设的信号强度；
将每一个信号强度设置为预设的信号强度的定位信号加入所述数据目录。
3.根据权利要求1所述的定位方法，其特征在于，所述将每一个所述归一化的数据目录中的每一个所述定位信号的归一化的信号强度，按照所述每一个所述定位信号的发送时间的顺序输入定位模型，得到所述设备所处的目标网格之后，还包括：
利用所述设备所处的目标网格，在预设的真实位置与网格的对应关系表中查找得到所述设备所处的目标网格对应的真实位置，作为所述设备的真实位置。
4.根据权利要求1所述的定位方法，其特征在于，所述定位模型的构建方法，包括：
对每一个样本数据目录的长度进行归一化，得到每一个所述样本数据目录对应的归一化的样本数据目录；其中，所述样本数据目录由训练样本设备接收的至少一个训练样本信号发射器在同一个发送时间发送的定位信号样本组成；所述样本数据目录对应的归一化的样本数据目录包含：训练场景下预设数量的训练样本信号发射器在同一个发送时间发送的每一个所述定位信号样本；
对每一个所述归一化的样本数据目录中的每一个定位信号样本的信号强度进行归一化，得到所述每一个定位信号样本的归一化的信号强度；
利用每一个所述归一化的样本数据目录中的所有定位信号样本的归一化的信号强度、和所述训练样本信号发射器的真实位置所处的网格，构建样本集；其中，所述样本集包括训练样本集；
将每一个所述训练样本集中的所述归一化的样本数据目录中的所有定位信号样本的归一化的信号强度，按照所述每一个由所述训练样本信号发射器发送的定位信号样本对应的发送时间的顺序输入至神经网络分类模型中，得到所述训练样本设备所处的预测网格，所述训练样本设备所处的预测网格为所述训练样本设备在多个网格中概率最大的网格；
利用每一个所述训练样本设备所处的预测网格、与所述训练样本设备的真实位置对应的网格之间的误差，对所述神经网络分类模型中的参数进行调整，直至调整后的所述神经网络分类模输出的训练样本设备所处的预测网格、与训练样本设备所处的预测网格的真实位置对应的网格之间的误差，满足预设的收敛条件，或直至对所述神经网络分类模型中的参数进行调整的次数达到最大迭代次数，将所述调整后的神经网络分类模型作为定位模型。
5.根据权利要求4所述的定位方法，其特征在于，所述样本集还包括验证样本集，所述将所述调整后的神经网络分类模型作为定位模型之后，还包括：
利用所述验证样本集中的归一化的样本数据目录中的所有定位信号样本的归一化的信号强度，按照所述每一个由所述样本信号发射器发送的定位信号样本对应的发送时间的顺序输入至所述定位模型中，得到所述验证样本集中的验证样本设备所处的预测网格，所述验证样本设备所处的预测网格为所述设备在多个网格中概率值最大的网格；
根据所述验证样本集中的验证样本设备所处的预测网格、与所述验证样本设备的真实位置对应的网格之间的误差，判断所述定位模型是否达到预设的精度；
若所述定位模型的精度达到预设的精度，则结束对所述定位模型的训练；
若所述定位模型的精度没有达到预设的精度，则利用所述验证样本集中的每一个所述验证样本设备所处的预测网格、与所述验证样本设备的真实位置对应的网格之间的误差，对所述定位模型中的参数进行不断调整，直至调整后的所述定位模型的精度达到预设的精度。
6.一种设备的定位装置，其特征在于，包括：
接收单元，用于获取设备接收的至少一个信号发射器发送的定位信号以及每一个所述定位信号对应的发送时间；
数据目录归一化单元，用于对每一个数据目录的长度进行归一化，得到每一个所述数据目录对应的归一化的数据目录；其中，一个所述数据目录由所述设备接收的所述信号发射器在同一个发送时间发送的所述定位信号组成；所述归一化的数据目录中包含当前场景下预设数量的信号发射器在同一个发送时间发送的所述定位信号；
信号强度归一化单元，用于针对每一个归一化的数据目录中的每一个定位信号，利用定位信号所属的归一化的数据目录中的定位信号的信号强度的最大值和最小值，对定位信号的信号强度进行线性归一化计算，得到定位信号对应的信号强度的归一化的信号强度；
处理单元，用于将每一个所述归一化的数据目录中的每一个所述定位信号的归一化的信号强度，按照所述每一个所述定位信号的发送时间的顺序输入定位模型，得到所述设备所处的目标网格；其中，所述定位模型由多个训练样本设备实时获取至少一个训练样本信号发射器发送的定位信号、所述训练样本信号发射器发送的定位信号的发送时间和所述训练样本设备所处的真实网格对神经网络分类模型进行训练得到；所述目标网格为所述设备在多个网格中概率值最大的网格；所述网格用于反映所述设备的真实位置。
7.根据权利要求6所述的定位装置，其特征在于，所述数据目录归一化单元，包括：
第一判断单元，用于针对每一个所述数据目录，判断所述数据目录的长度是否小于所述当前场景下预设数量的信号发射器的数量；
设置单元，用于若所述第一判断单元判断出，所述数据目录的长度小于当前场景下预设数量的信号发射器的数量，则将每一个未在所述数据目录中的信号发射器发送的定位信号的信号强度，设置为预设的信号强度；
加入单元，用于将每一个信号强度设置为预设的信号强度的定位信号加入所述数据目录。
8.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至5中任一所述的方法。
9.一种计算机存储介质，其特征在于，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至5中任一所述的方法。
CN202011355897.1A 2020-11-26 2020-11-26 设备的定位方法、装置、电子设备及计算机存储介质 Active CN112533137B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011355897.1A CN112533137B (zh) 2020-11-26 2020-11-26 设备的定位方法、装置、电子设备及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011355897.1A CN112533137B (zh) 2020-11-26 2020-11-26 设备的定位方法、装置、电子设备及计算机存储介质

Publications (2)

Publication Number Publication Date
CN112533137A CN112533137A (zh) 2021-03-19
CN112533137B true CN112533137B (zh) 2023-10-17

Family

ID=74994025

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011355897.1A Active CN112533137B (zh) 2020-11-26 2020-11-26 设备的定位方法、装置、电子设备及计算机存储介质

Country Status (1)

Country Link
CN (1) CN112533137B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103945533A (zh) * 2014-05-15 2014-07-23 济南嘉科电子技术有限公司 基于大数据的无线实时位置定位方法
CN104519571A (zh) * 2014-12-26 2015-04-15 北京工业大学 一种基于rss的室内定位方法
CN106488559A (zh) * 2016-11-22 2017-03-08 上海斐讯数据通信技术有限公司 一种基于能见度的室外定位方法及服务器
CN106507476A (zh) * 2016-11-22 2017-03-15 上海斐讯数据通信技术有限公司 一种WiFi定位方法及服务器及定位模型构建方法
CN109756842A (zh) * 2019-02-19 2019-05-14 山东大学 基于注意力机制的无线室内定位方法及系统
WO2019128552A1 (zh) * 2017-12-29 2019-07-04 Oppo广东移动通信有限公司 信息推送方法、装置、终端及存储介质
WO2019136946A1 (zh) * 2018-01-15 2019-07-18 中山大学 基于深度学习的弱监督显著性物体检测的方法及系统
CN110730433A (zh) * 2019-10-16 2020-01-24 北京爱笔科技有限公司 一种基于iBeacon的室内定位方法、装置及系统
CN111654818A (zh) * 2020-06-29 2020-09-11 青岛歌尔智能传感器有限公司 蓝牙定位方法、移动终端及存储介质
CN111757258A (zh) * 2020-07-06 2020-10-09 江南大学 一种复杂室内信号环境下的自适应定位指纹库构建方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140357291A1 (en) * 2013-06-03 2014-12-04 Nokia Corporation Method and apparatus for signal-based positioning
US11039414B2 (en) * 2017-11-21 2021-06-15 International Business Machines Corporation Fingerprint data pre-process method for improving localization model

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103945533A (zh) * 2014-05-15 2014-07-23 济南嘉科电子技术有限公司 基于大数据的无线实时位置定位方法
CN104519571A (zh) * 2014-12-26 2015-04-15 北京工业大学 一种基于rss的室内定位方法
CN106488559A (zh) * 2016-11-22 2017-03-08 上海斐讯数据通信技术有限公司 一种基于能见度的室外定位方法及服务器
CN106507476A (zh) * 2016-11-22 2017-03-15 上海斐讯数据通信技术有限公司 一种WiFi定位方法及服务器及定位模型构建方法
WO2019128552A1 (zh) * 2017-12-29 2019-07-04 Oppo广东移动通信有限公司 信息推送方法、装置、终端及存储介质
WO2019136946A1 (zh) * 2018-01-15 2019-07-18 中山大学 基于深度学习的弱监督显著性物体检测的方法及系统
CN109756842A (zh) * 2019-02-19 2019-05-14 山东大学 基于注意力机制的无线室内定位方法及系统
CN110730433A (zh) * 2019-10-16 2020-01-24 北京爱笔科技有限公司 一种基于iBeacon的室内定位方法、装置及系统
CN111654818A (zh) * 2020-06-29 2020-09-11 青岛歌尔智能传感器有限公司 蓝牙定位方法、移动终端及存储介质
CN111757258A (zh) * 2020-07-06 2020-10-09 江南大学 一种复杂室内信号环境下的自适应定位指纹库构建方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于Pearson相关系数的快速虚拟网格匹配定位算法;郝德华;关维国;邹林杰;焦萌;;计算机应用(03);全文 *

Also Published As

Publication number Publication date
CN112533137A (zh) 2021-03-19

Similar Documents

Publication Publication Date Title
US20150081583A1 (en) Confirming delivery location using radio fingerprinting
He et al. Chameleon: Survey-free updating of a fingerprint database for indoor localization
CN112218330B (zh) 定位方法及通信装置
CN111935820B (zh) 基于无线网络的定位实现方法及相关设备
CN104185270A (zh) 室内定位方法、系统和定位平台
CN109522895B (zh) 兴趣点位置校验方法、装置、服务器和计算机可读介质
CN109429330B (zh) 室内定位方法、装置、设备和介质
CN102395200A (zh) 无线传感器网络中节点定位方法及装置
CN114189806B (zh) 一种生成无线信号指纹数据库的方法、装置及电子设备
CN112039861B (zh) 风险识别方法、装置、电子设备和计算机可读存储介质
CN111741525B (zh) 定位指纹的更新方法、装置、存储介质和电子设备
CN112235807B (zh) Tdoa监测系统的组网方法、装置、设备与介质
CN112533137B (zh) 设备的定位方法、装置、电子设备及计算机存储介质
KR102052519B1 (ko) 저전력 블루투스 기반의 실내 측위 방법 및 장치
KR20120132908A (ko) 액세스 포인트를 이용한 위치 측정 방법 및 그 장치
CN114666734B (zh) 一种深度学习射频信号指纹识别算法的定位方法和装置
US20160174147A1 (en) Access point selection for mobile device positioning
KR101858935B1 (ko) 위치기반 o2o 아이템 인식에 기반한 무선랜 핑거프린트 라벨링 장치 및 라벨링 방법
CN109889977A (zh) 一种基于高斯回归的蓝牙定位方法、装置、设备和系统
CN111182455B (zh) 一种室内定位方法、装置、计算机设备及存储介质
CN113132910B (zh) 位置检测方法、装置、电子设备和计算机可读介质
CN113009415B (zh) 动态功率定位方法及其动态功率定位系统
CN109788431B (zh) 一种基于相邻节点组的蓝牙定位方法、装置、设备和系统
CN113050033B (zh) 功率定位方法及其功率定位装置
CN111726743A (zh) 一种基于在线学习的wifi定位方法及系统

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