CN112995902A - 一种远距离广域网定位方法、装置、设备及存储介质 - Google Patents
一种远距离广域网定位方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112995902A CN112995902A CN202110105394.7A CN202110105394A CN112995902A CN 112995902 A CN112995902 A CN 112995902A CN 202110105394 A CN202110105394 A CN 202110105394A CN 112995902 A CN112995902 A CN 112995902A
- Authority
- CN
- China
- Prior art keywords
- target
- positioning
- data
- area
- random forest
- 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.)
- Granted
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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本申请公开一种远距离广域网定位方法、装置、设备及存储介质,本申请通过在目标点接收目标信号强度指示数据;利用分类算法确定所述目标信号强度指示数据所对应的目标区域块;从预设随机森林定位模型集中确定所述目标区域块所对应的目标随机森林定位模型,所述预设随机森林定位模型集为每个区域块所对应的随机森林定位模型的集合;利用所述目标随机森林定位模型对所述目标信号强度指示数据进行定位分析,得到所述目标点的定位数据,可以实现远距离广域网的高精度定位,同时提高定位效率。
Description
技术领域
本发明涉及定位领域,尤其涉及一种远距离广域网定位方法、装置、设备及存储介质。
背景技术
随着物联网不断发展,基于设备位置信息的应用也越来越多,例如智慧牧场中动物的跟踪等。目前主流定位技术大部分基于GNSS(Global Navigation Satellite System,全球导航卫星系统)、蓝牙、GSM(Global System for Mobile communications,全球移动通信系统)基站、LoRa通信。但是现有技术中当存在物体遮挡时,GNSS无法在室内使用;蓝牙覆盖范围小,无法实现大范围的定位;GSM定位设备功耗高;LoRa(远距离广域网)通信技术是一种基于扩频技术的远距离低功耗传输方案,但目前,利用LoRa通信进行定位存在定位精度差、计算量大的问题。
发明内容
为了解决上述技术问题,本发明提供一种远距离广域网定位方法、装置、设备及存储介质,可以实现远距离广域网的高精度定位,同时提高定位效率。
为了达到上述申请的目的,本申请提供了一种远距离广域网定位方法,该方法包括:
在目标点接收目标信号强度指示数据;
利用分类算法确定所述目标信号强度指示数据所对应的目标区域块;
从预设随机森林定位模型集中确定所述目标区域块所对应的目标随机森林定位模型,所述预设随机森林定位模型集为每个区域块所对应的随机森林定位模型的集合;
利用所述目标随机森林定位模型对所述目标信号强度指示数据进行定位分析,得到所述目标点的定位数据。
另一方面,本申请还提供一种远距离广域网定位装置,该装置可以包括:
信号接收模块,用于在目标点接收目标信号强度指示数据;
区域确定模块,用于利用分类算法确定所述目标信号强度指示数据所对应的目标区域块;
模型确定模块,用于从预设随机森林定位模型集中确定所述目标区域块所对应的目标随机森林定位模型,所述预设随机森林定位模型集为每个区域块所对应的随机森林定位模型的集合;
定位分析模块,用于利用所述目标随机森林定位模型对所述目标信号强度指示数据进行定位分析,得到所述目标点的定位数据。
另一方面,本申请还提供远距离广域网定位设备,该设备可以包括处理器和存储器,所述存储器中存储有至少一条指令或至少一段程序,所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现上述的远距离广域网定位方法。
另外,本申请还提供一种存储介质,该存储介质中存储有至少一条指令或至少一段程序,所述至少一条指令或所述至少一段程序由处理器加载并执行以实现上述任意一项的远距离广域网定位方法。
实施本申请,具有如下有益效果:
本申请通过在目标点接收目标信号强度指示数据;利用分类算法确定所述目标信号强度指示数据所对应的目标区域块;从预设随机森林定位模型集中确定所述目标区域块所对应的目标随机森林定位模型,所述预设随机森林定位模型集为每个区域块所对应的随机森林定位模型的集合;利用所述目标随机森林定位模型对所述目标信号强度指示数据进行定位分析,得到所述目标点的定位数据,可以实现远距离广域网的高精度定位,同时提高定位效率。
附图说明
为了更清楚地说明本申请的技术方案,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申请的一些实施例,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它附图。
图1为本申请实施例提供的一种远距离广域网定位的应用场景示意图;
图2为本申请实施例提供的一种远距离广域网定位的流程示意图;
图3为本申请实施例提供的一种确定目标信号强度指示数据所对应的目标区域块的流程示意图;
图4为本申请实施例提供的一种利用目标随机森林定位模型进行定位分析的流程示意图;
图5为本申请另一实施例提供的一种远距离广域网定位的流程示意图;
图6为本申请实施例提供的一种对目标区域进行分块的流程示意图;
图7为本申请实施例提供的一种目标区域分块的示意图;
图8为本申请实施例提供的一种利用分类算法确定目标信号强度指示数据所对应的目标区域块的流程示意图;
图9为本申请另一实施例提供的一种远距离广域网定位的流程示意图;
图10为本申请实施例提供的一种远距离广域网定位装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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他实施例,都应当属于本申请保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为了实现本申请的技术方案,让更多的工程技术工作者容易了解和应用本申请,将结合具体的实施例,进一步阐述本申请的工作原理。
本申请可应用于定位领域,利用设置多个远距离广域网锚节点,对一片区域进行信号覆盖,目标点通过接收多个远距离广域网锚节点的信号强度指示数据,并对该多个远距离广域网锚节点的信号强度指示数据进行分析,对目标点进行定位。请参阅图1,图1是本申请实施例提供的一种远距离广域网定位的应用场景示意图。如图1所示,该应用场景中预先设置有多个远距离广域网锚节点1,图1中有9个锚节点1、4个建筑物2和一个目标点3,在一片定位区域内的任意位置(室内外均可),根据目标点3接收的多个远距离广域网锚节点1发送的信号强度指示数据,确定目标点所在的目标区域块,再由目标点所在的目标区域块对目标点的信号强度指示数据进行定位分析,得到目标点的高精度定位数据。
以下介绍本申请一种远距离广域网定位方法的实施例,图2为本申请实施例提供的一种远距离广域网定位方法的流程示意图,本说明书提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。具体的,如图2所示,该方法可以包括:
S101:在目标点接收目标信号强度指示数据。
具体的,目标点处于多个远距离广域网锚节点发射信号的覆盖范围内,目标点在一个位置会接收到多个远距离广域网锚节点发射的信号,例如,在2km×2km方圆的区域中,设置有9个远距离广域网锚节点,目标点位于该2km×2km方圆的区域中,目标点可以接收到9个远距离广域网锚节点发射的信号强度指示数据,并且目标点的9个信号强度指示数据会根据目标点位置的不同进行改变。
S103:利用分类算法确定目标信号强度指示数据所对应的目标区域块。
具体的,分类算法是预先对已知信号强度指示数据类别标签的定位数据样本进行训练,得到分类器,利用该分类器对目标信号强度指示数据进行分类,确定目标点所在的目标区域块。分类算法的种类多样,如NBC(Naive Bayesian Classifier,朴素贝叶斯分类)算法、LR(Logistic Regress,逻辑回归)算法、ID3(Iterative Dichotomiser 3迭代二叉树3代)决策树算法、C4.5决策树算法、C5.0决策树算法、SVM(Support Vector Machine,支持向量机)算法、K-NN(K-Nearest Neighbor,K值最近邻居)算法、ANN(Artificial NeuralNetwork,人工神经网络)算法等。
以K-NN分类法为例,如图3所示,利用分类算法确定目标信号强度指示数据所对应的目标区域块可以包括:
S1031:计算第二数量个样本点的信号强度指示数据和目标点的信号强度指示数据的差异数据,得到第二数量个差异数据。
具体的,第二数量个样本点的信号强度指示数据和目标点的信号强度指示数据的差异数据是指样本点和目标点的信号强度指标数据在属性特征上的差异数据。
S1033:从第二数量个差异数据中确定目标差异数据。
S1035:确定目标差异数据所对应的样本点,并将目标差异数据所对应的样本点作为第一目标样本点。
S1037:计算第一目标样本点的平均坐标值。
S1039:基于第一目标样本点的平均坐标值确定目标信号强度指示数据所对应的目标区域块。
具体的,可以将样本点和目标点的信号强度指数数据的欧几里得距离作为差异数据,根据与目标点的信号强度指示数据属性相近的k个样本点的位置计算目标点的位置,具体计算过程如下:
首先,第二数量取E,计算E个样本点的信号强度指示数据和目标点的信号强度指示数据的欧几里得距离,计算公式如下:
其中,i为第i个样本点,j为样本点或目标点的第j个属性,M为样本点或目标点的第M个属性,RSSIj指目标点上第j个锚节点的RSSI(Received Signal StrengthIndication,接收的信号强度指示)数据,fingerRSSIi,j指第i个样本点上第j个锚节点的RSSI数据。
该实施例中通过计算第二数量个样本点的信号强度指示数据和目标点的信号强度指示数据的差异数据,得到第二数量个差异数据,从第二数量个差异数据中确定目标差异数据,再确定目标差异数据所对应的样本点,并将目标差异数据所对应的样本点作为第一目标样本点,计算第一目标样本点的平均坐标值,最后基于第一目标样本点的平均坐标值确定目标信号强度指示数据所对应的目标区域块,即可以确定出目标点所在的目标区域块。
S105:从预设随机森林定位模型集中确定目标区域块所对应的目标随机森林定位模型。
具体的,预设随机森林定位模型集是指每个区域块对应的随机森林定位模型的集合。利用分类算法先确定目标点所在的目标区域块,由每个区域块和随机森林定位模型的对应关系可以确定目标随机森林定位模型。
S107:利用目标随机森林定位模型对目标信号强度指示数据进行定位分析,得到目标点的定位数据。
具体的,将目标信号强度指示数据输入目标随机森林定位模型,目标随机森林定位模型对目标信号强度指示数据进行定位分析,可以得到目标点的定位数据。
上述实施例通过在目标点接收目标信号强度指示数据,再利用分类算法确定目标信号指示数据所对应的目标区域块,从预设随机森林定位模型集中确定目标区域块对应的目标随机森林定位模型,最后利用目标随机森林定位模型对目标信号强度指示数据进行定位分析,得到目标点的定位数据,可以实现远距离广域网的高精度定位,并且先进行目标区域块的确定,再利用目标区域块对应的随机森林定位模型确定目标点的定位数据,可以提高定位效率。
在一些实施例中,如图4所示,利用目标随机森林定位模型对目标信号强度指示数据进行定位分析,得到目标点的定位数据可以包括:
S1071:利用目标随机森林定位模型中的多个决策树对目标信号强度指示数据进行定位决策,得到目标点的多个定位数据。
具体的,目标随机森林定位模型中的森林由多个决策树组成,并且每一棵决策树之间没有关联。利用目标随机森林定位模型中的多个决策树对目标信号强度指示数据进行定位决策,每个决策树得到的定位数据也是不相关定位数据。
S1073:基于目标随机森林定位模型中的多数投票机制从目标点的多个定位数据中确定目标定位数据,将目标定位数据作为目标点的定位数据。
具体的,基于目标随机森林定位模型中的多数投票机制从目标点的多个定位数据中确定目标定位数据,该目标定位数据可以是最多票数类别的定位数据,也可以是类别之一的定位数据。
该实施例中利用目标随机森林定位模型对目标信号强度指示数据进行定位分析,得到目标点的多个定位数据,是通过目标随机森林定位模型中的多个决策树对目标信号强度指示数据进行定位决策,得到目标点的多个定位数据,再基于目标随机森林定位模型中的多数投票机制从目标点的多个定位数据中确定目标定位数据,由于目标随机森林定位模型对应的是目标区域块,利用目标随机森林定位模型分析得到目标点的定位数据,可以在提高远距离广域网定位精度的同时,大大减少计算量,提高定位效率。
在另外的实施例中,如图5所示,在目标点接收目标信号强度指示数据之前,该方法还可以包括:
S1001:将目标区域分成多个区域块。
具体的,目标区域是指远距离广域网的覆盖区域,目标区域内预先设置有多个远距离广域网锚节点。多个区域块可以是任意形状,优选规则的方形。
S1003:在每个区域块中获取第一数量个样本点对应的定位数据和对应的信号强度指示数据。
具体的,可以先采集目标区域中多点的信号强度指示数据和对应的定位数据,由此得到样本集,再从样本集中通过重采样的方式产生每个区域块对应的第一数量个样本点对应的定位数据和对应的信号强度指示数据。重采样是对样本集中的数据进行内插,得到精度更细密的样本点的方式。其中,第一数量是指训练每个区域块对应的随机森林定位模型所设置的训练样本的数量,每个区域块对应的训练样本可以数量相同,也可以数量不同,例如,每个区域块为相等面积的方形区域块时,可以设置每个区域块的训练样本数量相同。
S1005:多次对第一数量个样本点对应的定位数据和对应的信号强度指示数据进行定位训练,得到每个区域块所对应的多个决策树。
具体的,对一个区域块的第一数量个样本点对应的定位数据和对应的信号强度指示数据进行定位训练,确定该区域块对应的决策树的最佳分割点,由最佳分割点确定决策树。重复多次对一个区域块的第一数量个样本点对应的定位数据和对应的信号强度指示数据进行定位训练的步骤,可以得到多个决策树,该多个决策树为该区域块对应的多个决策树,决策树的数量与重复的次数相同。重复次数越多,决策树的个数越多,后续步骤中得到的随机森林定位模型进行定位分析时越精确,但重复次数太多,会增加计算量,优选的,设置重复次数为样本集中样本总数的5%,可以保证定位分析精度的同时,减少计算量。
S1007:基于每个区域块所对应的多个决策树确定每个区域块所对应的随机森林定位模型。
具体的,由一个区域块对应的多个决策树可以确定该区域块对应的随机森林定位模型。每个区域块的决策树数量与重复定位训练的次数相同,因此,每个区域块的决策树数量可以相同。
S1009:将每个区域块所对应的随机森林定位模型作为预设随机森林定位模型集。
上述实施例通过将目标区域分成多个区域块,在每个区域块中获取第一数量个样本点对应的定位数据和对应的信号强度指示数据,多次对第一数量个样本点对应的定位数据和对应的信号强度指示数据进行定位训练,得到每个区域块所对应的多个决策树,基于每个区域块所对应的多个决策树确定每个区域块所对应的随机森林定位模型,可以提高每个区域块对应的随机森林定位模型进行定位时的精度,并且减少计算量。
在一些实施例中,如图6所示,将目标区域分成多个区域块可以包括:
S10011:将目标区域分为第一层目标区域和第二层目标区域。
具体的,第一层目标区域的区域范围包含第二层目标区域的区域范围。第一层目标区域可以构成目标区域,而第二层目标区域是目标区域的部分区域。
S10013:将第一层目标区域和第二层目标区域各自分为多个区域块。
具体的,第二层目标区域的多个区域块为第一层目标区域中任意组合区域块的边界区域。如图7所示,第一层目标区域是指下层区域(如图7中空白部分所示),将下层区域分为多个区域块,例如,分为等面积的方形,第二层目标区域是指上层区域(如图7中阴影部分所示),第二层区域包含第一层区域中区域块与区域块的交界,由于,当目标点71出现在第一层区域中区域块与区域块的交界位置时,分类算法可能会将目标点算成属于相邻的区域块,而目标区域块和相邻区域块各自对应的随机森林定位模型算出的定位数据是不同的,使用错误随机森林定位模型算出的定位数据会造成精度变差。因此,当目标点71出现在第一层区域块中区域块与区域块的交界时,确定相应的第二层区域(阴影区域)的区域块作为目标区域块,可以提高定位精度。
在将目标区域分为两层目标区域的实施例中,如图8所示,利用分类算法确定目标信号强度指示数据所对应的目标区域块可以包括:
S1032:利用分类算法确定目标信号强度指示数据所对应的区域块。
具体的,利用分类算法确定目标信号强度指示数据所对应的区域块,可以先计算第二数量个样本点的信号强度指示数据和目标点的信号强度指示数据的差异数据,得到第二数量个差异数据,从第二数量个差异数据中确定目标差异数据,确定目标差异数据所对应的样本点,并将目标差异数据所对应的样本点作为第一目标样本点,计算第一目标样本点的平均坐标值,基于第一目标样本点的平均坐标值确定第一层目标区域中对应的区域块。
S1034:判断目标信号强度指示数据所对应的区域块是否为第一层目标区域中任意组合区域块的边界区域。
具体的,预先设置第一层目标区域中任意组合区域块的边界区域范围,再判断目标信号强度指示数据所对应的区域块是否为第一层目标区域中任意组合区域块的边界区域。
S1036:若是,将目标信号强度指示数据所对应的第二层目标区域中的区域块作为目标信号强度指示数据所对应的目标区域块。
S1038:若否,将目标信号强度指示数据所对应的第一层目标区域中的区域块作为目标信号强度指示数据所对应的目标区域块。
这一实施例中,通过判断目标信号强度指示数据所对应的区域块是否为第一层目标区域中任意组合区域块的边界区域,确定目标信号强度指示数据所对应的最恰当的目标区域块,基于该目标区域块得到的随机森林定位模型分析出的定位数据,更为精确。
在另外的实施例中,如图9所示,该方法可以包括:
S301:在目标点接收目标信号强度指示数据。
S3031:计算第二数量个样本点的信号强度指示数据和目标点的信号强度指示数据的差异数据,得到第二数量个差异数据。
S3033:从第二数量个差异数据中确定目标差异数据。
S3035:确定目标差异数据所对应的样本点,并将目标差异数据所对应的样本点作为第一目标样本点。
S3037:判断第一目标样本点中每个样本点所对应的差异数据是否大于预设差异数据。
S3039:将不大于预设差异数据的第一目标样本点作为第二目标样本点。
S3041:计算第二目标样本点的平均坐标值。
S3043:基于第二目标样本点的平均坐标值确定目标信号强度指示数据所对应的目标区域块。
具体的,可以将样本点和目标点的信号强度指数数据的欧几里得距离作为差异数据,根据与目标点的信号强度指示数据属性相近的k个样本点的位置计算目标点的位置,具体计算过程如下:
首先,第二数量取E,计算E个样本点的信号强度指示数据和目标点的信号强度指示数据的欧几里得距离,计算公式如下:
其中,i为第i个样本点,j为样本点或目标点的第j个属性,M为样本点或目标点的第M个属性,RSSIj指目标点上第j个锚节点的RSSI(Received Signal StrengthIndication,接收的信号强度指示)数据,fingerRSSIi,j指第i个样本点上第j个锚节点的RSSI数据。
然后判断k个样本点中每个样本点到k个样本点中的中心点的距离是否大于预设距离,通过计算,可以通过下述公式进行判断:
S305:从预设随机森林定位模型集中确定目标区域块所对应的目标随机森林定位模型,预设随机森林定位模型集为每个区域块所对应的随机森林定位模型的集合。
S307:利用目标随机森林定位模型对目标信号强度指示数据进行定位分析,得到目标点的定位数据。
本申请另一方面还提供一种远距离广域网定位装置的实施例,如图10所示,该装置可以包括:
信号接收模块401,用于在目标点接收目标信号强度指示数据。
区域确定模块403,用于利用分类算法确定目标信号强度指示数据所对应的目标区域块。
模型确定模块405,用于从预设随机森林定位模型集中确定目标区域块所对应的目标随机森林定位模型,预设随机森林定位模型集为每个区域块所对应的随机森林定位模型的集合。
定位分析模块407,用于利用目标随机森林定位模型对目标信号强度指示数据进行定位分析,得到目标点的定位数据。
在另外的实施例中,该装置还可以包括:
区域块划分模块,用于将目标区域分成多个区域块。
数据获取模块,用于在每个区域块中获取第一数量个样本点对应的定位数据和对应的信号强度指示数据。
训练模块,用于多次对第一数量个样本点对应的定位数据和对应的信号强度指示数据进行定位训练,得到每个区域块所对应的多个决策树。
模型生成模块,用于基于每个区域块所对应的多个决策树确定每个区域块所对应的随机森林定位模型。
模型集生成模块,用于将每个区域块所对应的随机森林定位模型作为预设随机森林定位模型集。
在一些实施例中,定位分析模块可以包括:
决策单元,用于利用目标随机森林定位模型中的多个决策树对目标信号强度指示数据进行定位决策,得到目标点的多个定位数据。
投票单元,基于目标随机森林定位模型中的多数投票机制从目标点的多个定位数据中确定目标定位数据,将目标定位数据作为目标点的定位数据。
在一些实施例中,区域确定模块可以包括:
差异数据计算单元,用于计算第二数量个样本点的信号强度指示数据和目标点的信号强度指示数据的差异数据,得到第二数量个差异数据。
差异数据选择单元,用于从第二数量个差异数据中确定目标差异数据。
第一目标样本点确定单元,用于确定目标差异数据所对应的样本点,并将目标差异数据所对应的样本点作为第一目标样本点。
第一平均坐标值计算单元,用于计算第一目标样本点的平均坐标值。
目标区域块确定单元,用于基于第一目标样本点的平均坐标值确定目标信号强度指示数据所对应的目标区域块。
在另外的实施例中,该装置还可以包括:
判断模块,用于判断第一目标样本点中每个样本点所对应的差异数据是否大于预设差异数据。
第二目标样本点确定模块,用于将不大于预设差异数据的第一目标样本点作为第二目标样本点。
第二平均坐标值计算模块,用于计算第二目标样本点的平均坐标值。
目标区域块确定模块,用于基于第二目标样本点的平均坐标值确定目标信号强度指示数据所对应的目标区域块。
在一些实施例中,区域块划分模块可以包括:
区域层划分单元,用于将目标区域分为第一层目标区域和第二层目标区域。
子区域块划分单元,用于将第一层目标区域和第二层目标区域各自分为多个区域块,第二层目标区域的多个区域块为第一层目标区域中任意组合区域块的边界区域。
在一些实施例中,区域确定模块可以包括:
区域块预确定单元,用于利用分类算法确定目标信号强度指示数据所对应的区域块。
判断单元,用于判断目标信号强度指示数据所对应的区域块是否为第一层目标区域中任意组合区域块的边界区域。
目标区域块第一确定单元,用于将目标信号强度指示数据所对应的第二层目标区域中的区域块作为目标信号强度指示数据所对应的目标区域块。
目标区域块第二确定单元,用于将目标信号强度指示数据所对应的第一层目标区域中的区域块作为目标信号强度指示数据所对应的目标区域块。
本申请另一方面还提供一种远距离广域网定位设备的实施例,该设备可以包括处理器和存储器,该存储器中存储有至少一条指令或至少一段程序,该至少一条指令或所述至少一段程序由处理器加载并执行以实现上述任一实施例所述的远距离广域网定位方法。
本申请另一方面还提供一种计算机可读存储介质的实施例,该存储介质中存储有至少一条指令或至少一段程序,该至少一条指令或至少一段程序由处理器加载并执行以实现上述任一实施例所述的远距离广域网定位方法。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如本发明的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在本发明的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者系统程序(如计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,也可以在载体信号上提供,或者以任何其他形式提供。
应该注意的是,上述实施例是对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或者步骤等。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干系统的单元权利要求中,这些系统中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二以及第三等的使用不表示任何顺序,可将这些单词解释为名称。
Claims (10)
1.一种远距离广域网定位方法,其特征在于,所述方法包括:
在目标点接收目标信号强度指示数据;
利用分类算法确定所述目标信号强度指示数据所对应的目标区域块;
从预设随机森林定位模型集中确定所述目标区域块所对应的目标随机森林定位模型,所述预设随机森林定位模型集为每个区域块所对应的随机森林定位模型的集合;
利用所述目标随机森林定位模型对所述目标信号强度指示数据进行定位分析,得到所述目标点的定位数据。
2.根据权利要求1所述的方法,其特征在于,所述在目标点接收目标信号强度指示数据之前,所述方法还包括:
将目标区域分成多个区域块;
在所述每个区域块中获取第一数量个样本点对应的定位数据和对应的信号强度指示数据;
多次对所述第一数量个样本点对应的定位数据和对应的信号强度指示数据进行定位训练,得到所述每个区域块所对应的多个决策树;
基于所述每个区域块所对应的多个决策树生成所述每个区域块所对应的随机森林定位模型;
将所述每个区域块所对应的随机森林定位模型作为所述预设随机森林定位模型集。
3.根据权利要求1所述的方法,其特征在于,所述利用所述目标随机森林定位模型对所述目标信号强度指示数据进行定位分析,得到所述目标点的定位数据包括:
利用所述目标随机森林定位模型中的多个决策树对所述目标信号强度指示数据进行定位决策,得到所述目标点的多个定位数据;
基于所述目标随机森林定位模型中的多数投票机制从所述目标点的多个定位数据中确定目标定位数据,将所述目标定位数据作为所述目标点的定位数据。
4.根据权利要求1所述的方法啊,其特征在于,所述利用分类算法确定所述目标信号强度指示数据所对应的目标区域块包括:
计算第二数量个样本点的信号强度指示数据和所述目标点的信号强度指示数据的差异数据,得到第二数量个差异数据;
从所述第二数量个差异数据中确定目标差异数据;
确定所述目标差异数据所对应的样本点,并将所述目标差异数据所对应的样本点作为第一目标样本点;
计算所述第一目标样本点的平均坐标值;
基于所述第一目标样本点的平均坐标值确定所述目标信号强度指示数据所对应的目标区域块。
5.根据权利要求4所述的方法,其特征在于,所述确定所述目标差异数据所对应的样本点,并将所述目标差异数据所对应的样本点作为第一目标样本点之后,所述方法还包括:
判断所述第一目标样本点中每个样本点所对应的差异数据是否大于预设差异数据;
将不大于预设差异数据的第一目标样本点作为第二目标样本点;
计算所述第二目标样本点的平均坐标值;
基于所述第二目标样本点的平均坐标值确定所述目标信号强度指示数据所对应的目标区域块。
6.根据权利要求2所述的方法,其特征在于,所述将目标区域分成多个区域块包括:
将所述目标区域分为第一层目标区域和第二层目标区域;
将所述第一层目标区域和所述第二层目标区域各自分为多个区域块,所述第二层目标区域的多个区域块为所述第一层目标区域中任意组合区域块的边界区域。
7.根据权利要求6所述的方法,其特征在于,所述利用分类算法确定所述目标信号强度指示数据所对应的目标区域块包括:
利用分类算法确定所述目标信号强度指示数据所对应的区域块;
判断所述目标信号强度指示数据所对应的区域块是否为所述第一层目标区域中任意组合区域块的边界区域;
若是,将所述目标信号强度指示数据所对应的第二层目标区域中的区域块作为所述目标信号强度指示数据所对应的目标区域块;
若否,将所述目标信号强度指示数据所对应的第一层目标区域中的区域块作为所述目标信号强度指示数据所对应的目标区域块。
8.一种远距离广域网定位装置,其特征在于,所述装置包括:
信号接收模块,用于在目标点接收目标信号强度指示数据;
区域确定模块,用于利用分类算法确定所述目标信号强度指示数据所对应的目标区域块;
模型确定模块,用于从预设随机森林定位模型集中确定所述目标区域块所对应的目标随机森林定位模型,所述预设随机森林定位模型集为每个区域块所对应的随机森林定位模型的集合;
定位分析模块,用于利用所述目标随机森林定位模型对所述目标信号强度指示数据进行定位分析,得到所述目标点的定位数据。
9.一种远距离广域网定位设备,其特征在于,所述设备包括处理器和存储器,所述存储器中存储有至少一条指令或至少一段程序,所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现如权利要求1至7任意一项所述的远距离广域网定位方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一条指令或至少一段程序,所述至少一条指令或至少一段程序由处理器加载并执行以实现如权利要求1至7任意一项所述的远距离广域网定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110105394.7A CN112995902B (zh) | 2021-01-26 | 2021-01-26 | 一种远距离广域网定位方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110105394.7A CN112995902B (zh) | 2021-01-26 | 2021-01-26 | 一种远距离广域网定位方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112995902A true CN112995902A (zh) | 2021-06-18 |
CN112995902B CN112995902B (zh) | 2022-05-10 |
Family
ID=76345517
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110105394.7A Active CN112995902B (zh) | 2021-01-26 | 2021-01-26 | 一种远距离广域网定位方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112995902B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113993068A (zh) * | 2021-10-18 | 2022-01-28 | 郑州大学 | 定位寻向系统、方法和ble定位设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107071743A (zh) * | 2017-03-20 | 2017-08-18 | 华南理工大学 | 一种基于随机森林的快速KNN室内WiFi定位方法 |
CN107979810A (zh) * | 2017-11-03 | 2018-05-01 | 上海斐讯数据通信技术有限公司 | 室内定位方法、服务器和系统 |
CN108716918A (zh) * | 2018-04-24 | 2018-10-30 | 合肥工业大学 | 一种基于网格聚类的rssi室内定位算法 |
US10197661B1 (en) * | 2018-02-01 | 2019-02-05 | Cisco Technology, Inc. | Infrastructure enabled smart dual-mode tags |
CN110012428A (zh) * | 2019-05-22 | 2019-07-12 | 合肥工业大学 | 一种基于WiFi的室内定位方法 |
CN110213710A (zh) * | 2019-04-19 | 2019-09-06 | 西安电子科技大学 | 一种基于随机森林的高性能室内定位方法、室内定位系统 |
WO2019233054A1 (zh) * | 2018-06-04 | 2019-12-12 | 华中师范大学 | 一种智慧教室内的指纹定位方法及系统 |
CN111182447A (zh) * | 2019-12-31 | 2020-05-19 | 上海剑创信息技术(集团)有限公司 | 一种指纹法室内定位技术 |
-
2021
- 2021-01-26 CN CN202110105394.7A patent/CN112995902B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107071743A (zh) * | 2017-03-20 | 2017-08-18 | 华南理工大学 | 一种基于随机森林的快速KNN室内WiFi定位方法 |
CN107979810A (zh) * | 2017-11-03 | 2018-05-01 | 上海斐讯数据通信技术有限公司 | 室内定位方法、服务器和系统 |
US10197661B1 (en) * | 2018-02-01 | 2019-02-05 | Cisco Technology, Inc. | Infrastructure enabled smart dual-mode tags |
CN108716918A (zh) * | 2018-04-24 | 2018-10-30 | 合肥工业大学 | 一种基于网格聚类的rssi室内定位算法 |
WO2019233054A1 (zh) * | 2018-06-04 | 2019-12-12 | 华中师范大学 | 一种智慧教室内的指纹定位方法及系统 |
CN110213710A (zh) * | 2019-04-19 | 2019-09-06 | 西安电子科技大学 | 一种基于随机森林的高性能室内定位方法、室内定位系统 |
CN110012428A (zh) * | 2019-05-22 | 2019-07-12 | 合肥工业大学 | 一种基于WiFi的室内定位方法 |
CN111182447A (zh) * | 2019-12-31 | 2020-05-19 | 上海剑创信息技术(集团)有限公司 | 一种指纹法室内定位技术 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113993068A (zh) * | 2021-10-18 | 2022-01-28 | 郑州大学 | 定位寻向系统、方法和ble定位设备 |
CN113993068B (zh) * | 2021-10-18 | 2024-01-30 | 郑州大学 | 定位寻向系统、方法和ble定位设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112995902B (zh) | 2022-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108696932B (zh) | 一种利用csi多径及机器学习的室外指纹定位方法 | |
CN111479231B (zh) | 一种用于毫米波大规模mimo系统的室内指纹定位方法 | |
CN103796305B (zh) | 一种基于Wi‑Fi位置指纹的室内定位方法 | |
CN110536245B (zh) | 一种基于深度学习的室内无线定位方法及系统 | |
CN104239453B (zh) | 数据处理方法及装置 | |
CN106709606A (zh) | 个性化场景预测方法及装置 | |
CN107392245A (zh) | 一种出租车载客轨迹聚类算法Tr‑OPTICS | |
CN102170697A (zh) | 一种室内定位方法及装置 | |
CN108834077B (zh) | 基于用户移动特性的跟踪区划分方法、装置及电子设备 | |
CN109302712A (zh) | 确定智能基站位置的方法、装置及存储介质 | |
CN108985195A (zh) | 行为识别方法、装置、计算机设备及存储介质 | |
CN106851571A (zh) | 一种基于决策树的快速KNN室内WiFi定位方法 | |
CN111757464B (zh) | 一种区域轮廓提取方法及装置 | |
CN110213003A (zh) | 一种无线信道大尺度衰落建模方法及装置 | |
CN102253365B (zh) | 基于无线信号源参数估计的室内定位方法 | |
CN111294841B (zh) | 一种无线网络问题的处理方法、装置及存储介质 | |
CN110139359A (zh) | 一种干扰源定位处理方法及装置 | |
CN111726765A (zh) | 一种面向大规模复杂场景的wifi室内定位方法及系统 | |
CN108566620A (zh) | 一种基于wifi的室内定位方法 | |
CN113596989A (zh) | 一种用于智慧车间的室内定位方法及系统 | |
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 | |
CN110688589A (zh) | 到店识别方法、装置、电子设备及可读存储介质 | |
CN112995902B (zh) | 一种远距离广域网定位方法、装置、设备及存储介质 | |
CN109041218A (zh) | 一种预测用户位置的方法和智能硬件 | |
CN109991591A (zh) | 基于深度学习的定位方法、装置、计算机设备及存储介质 |
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 |