CN113074718B - 一种定位方法、装置、设备及存储介质 - Google Patents
一种定位方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113074718B CN113074718B CN202110458402.6A CN202110458402A CN113074718B CN 113074718 B CN113074718 B CN 113074718B CN 202110458402 A CN202110458402 A CN 202110458402A CN 113074718 B CN113074718 B CN 113074718B
- Authority
- CN
- China
- Prior art keywords
- target
- frequency domain
- geomagnetic
- sample
- magnetic induction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012549 training Methods 0.000 claims abstract description 94
- 230000006698 induction Effects 0.000 claims abstract description 84
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 27
- 238000003062 neural network model Methods 0.000 claims description 27
- 238000005516 engineering process Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 21
- 230000000877 morphologic effect Effects 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 9
- 238000013508 migration Methods 0.000 claims description 9
- 230000005012 migration Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 8
- 238000005259 measurement Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000002265 prevention Effects 0.000 description 4
- 239000013307 optical fiber Substances 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 108010076504 Protein Sorting Signals Proteins 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000005358 geomagnetic field Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/04—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by terrestrial means
- G01C21/08—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by terrestrial means involving use of the magnetic field of the earth
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of 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
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Automation & Control Theory (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Image Analysis (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种定位方法、装置、设备及存储介质。该方法包括:获取待定位人员对应的目标磁感应强度数据;根据所述目标磁感应强度数据确定所述目标磁感应强度数据的目标地磁时频域特征;将所述目标地磁时频域特征输入目标离线训练模型,得到定位结果,其中,所述目标离线训练模型通过目标样本集迭代训练深度卷积神经网络模型训练得到,所述目标样本包括:地磁时频域特征样本和所述地磁时频域特征样本标注的位置信息,通过本发明的技术方案,以实现能够降低布置的复杂度、降低成本、增强可拓展性,并且提高精度。
Description
技术领域
本发明实施例涉及通信技术领域,尤其涉及一种定位方法、装置、设备及存储介质。
背景技术
变电站是电网的重要组成部分,是保障电力系统安全稳定运行的关键环节,变电站安全事故直接威胁着电网的安全运行和人员的生命安全。通过对近15年的作业人身进行事故分析,人身触电事故占事故总数高达72%,造成该现象的主要原因是安全距离不足和误入带电间隔。虽然变电站已采用围栏等安全措施措施,但是现有围栏由运行人员实施,且在作业过程中可能被人为变动,不能完全杜绝超范围作业和误入带电区域的发生。因此,为了确保电力系统的安全稳定运行,采取科学的防误管理手段,已成为防止发生误操作、安全距离不足和误入带电间隔等事故的有效、可行的手段。
目前,变电站普遍采用在高压电气设备上装设微机防误系统的方法来确保变电站安全运行,一方面防误系统通过对倒闸操作进行模拟预演和逻辑判断的方法避免误操作,另一方面利用其自身既定的程序闭锁功能防止误操作,两者都极大减少了变电站人身事故的发生。但防误系统仅针对防误操作进行预警,而不具备作业人员位置实时监控,从而无法对安全距离不足和误入带电间隔等危险行为进行风险预警功能。为了更大程度减少甚至杜绝人身事故的发生,在变电站对人员实行定位变得尤为重要。
目前精准定位主要有卫星定位系统和室内定位系统两种,卫星定位系统目前只能应用在室外定位场景下,室内定位系统的基站作三防处理后也可以部署于室外。卫星定位技术具备全天候、大范围、自动化、高效率等特点,但卫星定位技术存在的最大问题是依赖于直接接收卫星信号,因此这种定位方式在变电站环境中无法正常使用,且存在设备遮挡时,定位效果也会大打折扣。
而目前变电站定位系统主要有以下几种方法:1)射频识别(RFID)定位:该方法主要利用射频信号的电磁传输特性在射频标签及射频阅读器之间实现数据通信,具有传输范围大、体积小、造价低,且不受非视线通信问题困扰等优点;2)Wi-Fi定位:该方法主要利用其空间传播的路径损耗效应建立路径损耗模型,从而实现位置数据的解算,具有便于扩展、可自动更新数据、成本低的优点;3)超声波定位:该方法主要采用反射式测距法,通过多边定位等方法确定物体位置,其优点为定位精度高,达到了厘米级,结构简单,有一定穿透性,抗干扰能力强;4)红外线定位:通过多对发射器和接收器织红外线网覆盖待测空间,直接对运动目标进行定位。该方法定位精度相对较高;5)蓝牙和ZigBee定位:通过若干个待定位的盲节点和一个已知位置的参考节点与网关之间形成组网,每个微小的盲节点之间相互协调通信以实现全部定位。该定位技术低功耗,低成本,工作效率高;6)超宽带定位:即超广波技术,可以在较低功耗的条件下于1纳秒内发送超过500MHz带宽的脉冲信号,主要用于短距通信领域。超宽带定位技术具有穿透力强、抗多径效果好、安全性高、系统复杂度低、精度高等优点;7)地磁定位技术:利用室内不同位置的地磁场差异,来确定室内位置。该方法不存在非视线通信问题,精度高,且不需要安装任何硬件设备,成本低。
但上述各种变电站定位方法均存在较为明显技术缺点:1)RFID作用距离近,需要布置大量设备、且不具备通信能力,抗干扰能力较差,不便于整合到其他系统之中,难以对变电站人员的现场作业进行进一步分析;2)WI-FI定位技术由于变电站空间结构比较复杂,无线电波在变电站空间环境内传播过程中还存在阴影效应和多路传播效应,无论是模型法还是指纹法,都很难建立能够真实反映室内空间的传播模型;3)超声波定位受多径效应和非视距传播影响很大,且超声波频率受多普勒效应和温度影响,同时也需要大量基础硬件设施,成本较高;4)红外定位技术传输距离不长,穿透性极差,也极易受灯光、烟雾等环境因素影响,布局复杂,成本较高;5)蓝牙和ZigBee定位技术传输受多径效应的影响较大,定位精度也不稳定;6)UWB定位技术的变电站定位系统的搭建需要极高的硬件花费和部署成本,无法大规模推广;7)并非所有变电站位置的地磁指纹特征都具备较强的特异性,因此地磁定位技术会有相似特征的问题。此外,磁信号容易受到环境中不断变化的电、磁信号源干扰,定位结果不稳定,精度会受影响。
发明内容
本发明实施例提供一种定位方法、装置、设备及存储介质,以实现能够降低布置的复杂度、降低成本、增强可拓展性,并且提高精度。
第一方面,本发明实施例提供了一种定位方法,包括:
获取待定位人员对应的目标磁感应强度数据;
根据所述目标磁感应强度数据确定所述目标磁感应强度数据的目标地磁时频域特征;
将所述目标地磁时频域特征输入目标离线训练模型,得到定位结果,其中,所述目标离线训练模型通过目标样本集迭代训练深度卷积神经网络模型训练得到,所述目标样本包括:地磁时频域特征样本和所述地磁时频域特征样本标注的位置信息。
第二方面,本发明实施例还提供了一种定位装置,该装置包括:
获取模块,用于获取待定位人员对应的目标磁感应强度数据;
确定模块,用于根据所述目标磁感应强度数据确定所述目标磁感应强度数据的目标地磁时频域特征;
定位模块,用于将所述目标地磁时频域特征输入目标离线训练模型,得到定位结果,其中,所述目标离线训练模型通过目标样本集迭代训练深度卷积神经网络模型训练得到,所述目标样本包括:地磁时频域特征样本和所述地磁时频域特征样本标注的位置信息。
第三方面,本发明实施例还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如本发明实施例中任一所述的定位方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明实施例中任一所述的定位方法。
本发明实施例通过获取待定位人员对应的目标磁感应强度数据;根据所述目标磁感应强度数据确定所述目标磁感应强度数据的目标地磁时频域特征;将所述目标地磁时频域特征输入目标离线训练模型,得到定位结果,其中,所述目标离线训练模型通过目标样本集迭代训练深度卷积神经网络模型训练得到,所述目标样本包括:地磁时频域特征样本和所述地磁时频域特征样本标注的位置信息,以实现能够降低布置的复杂度、降低成本、增强可拓展性,并且提高精度。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1是本发明实施例一中的一种定位方法的流程图;
图1a是本发明实施例一中的变电站定位流程图;
图1b是本发明实施例一中的基于地磁和TODA定位技术的变电站定位流程图;
图2是本发明实施例二中的一种定位装置的结构示意图;
图3是本发明实施例三中的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
实施例一
图1为本发明实施例一提供的一种定位方法的流程图,本实施例可适用于对变电站人员进行定位的情况,该方法可以由本发明实施例中的定位装置来执行,该装置可采用软件和/或硬件的方式实现,如图1所示,该方法具体包括如下步骤:
S110,获取待定位人员对应的目标磁感应强度数据。
其中,所述待定位人员携带地磁传感器,所述待定位人员携带的地磁传感器实时采集磁感应强度数据。
S120,根据所述目标磁感应强度数据确定所述目标磁感应强度数据的目标地磁时频域特征。
示例性的,根据所述目标磁感应强度数据确定所述目标磁感应强度数据的目标地磁时频域特征的方式可以为采用形态学算子对目标磁感应强度数据提取磁感应强度的地磁时频域特征。
S130,将所述目标地磁时频域特征输入目标离线训练模型,得到定位结果,其中,所述目标离线训练模型通过目标样本集迭代训练深度卷积神经网络模型训练得到。
其中,所述目标样本包括:地磁时频域特征样本和所述地磁时频域特征样本标注的位置信息。
可选的,通过目标样本集迭代训练深度卷积神经网络模型包括:
通过地磁传感器采集变电站区域的第一磁感应强度数据;
对所述第一磁感应强度数据进行标注,并根据标注后的第一磁感应强度数据确定位置指纹,将所述位置指纹存储至位置指纹数据库中;
采用形态学算子对所述位置指纹数据库中的位置指纹提取磁感应强度的地磁时频域特征,得到目标样本集,所述目标样本包括:地磁时频域特征样本和所述地磁时频域特征样本标注的位置信息;
构建深度神经网络模型;
将所述地磁时频域特征样本输入深度神经网络模型,得到预测定位结果;
根据所述预测定位结果和所述地磁时频域特征样本标注的位置信息形成的目标函数训练所述深度神经网络模型的参数;
返回执行将所述地磁时频域特征样本输入深度神经网络模型,得到预测定位结果的操作,直至得到目标离线训练模型。
可选的,返回执行将所述地磁时频域特征样本输入深度神经网络模型,得到预测定位结果的操作,直至得到目标离线训练模型包括:
若将第一地磁时频域特征样本输入所述深度神经网络模型得到的第一预测定位结果和所述第一地磁时频域特征样本标注的位置信息不匹配,则采用TDOA技术获取所述第一地磁时频域特征样本对应的第一位置信息;
根据所述第一地磁时频域特征样本、所述第一位置信息和所述目标样本集生成迁移数据集;
通过迁移数据集迭代训练所述深度神经网络模型得到目标离线训练模型。
可选的,通过地磁传感器采集变电站区域的磁感应强度数据,包括:
将变电站区域进行等距离网格分剖,得到至少两个网格;
获取任意两个网格的交点处的磁感应强度数据;
过滤所述磁感应强度数据中的高频随机噪声,得到过滤后的磁感应强度数据;
对过滤后的磁感应强度数据进行平滑与归一化处理,得到第一磁感应强度数据。
可选的,采用形态学算子对所述位置指纹数据库中的位置指纹提取磁感应强度的地磁时频域特征,得到目标样本集,包括:
将位置指纹数据库中的位置指纹转换为高维地磁图像;
使用至少一组不同类型形态学算子对所述高维地磁图像进行滤波,分别提取地磁时频域特征,得到地磁时频域特征样本;
根据所述地磁时频域特征样本构建目标样本集。
可选的,所述目标函数为Hinge损失函数。
可选的,目标样本集迭代训练深度卷积神经网络模型训练,包括:
将所述目标样本集随机划分为至少两个训练样本组;
通过不同的训练样本组利用随机梯度下降算法训练不同的子模型,得到目标离线训练模型。
在一个具体的例子中,如图1a所示,定位方法包括如下步骤:
(1)地磁指纹数据库建立阶段:采用地磁采集传感器对变电站整体区域进行实地测量,对变电站所有区域进行磁感应强度和数据采集,并将磁感应强度时序序列信号作为位置指纹,存入位置指纹数据库中;
(2)地磁特征提取阶段:采用形态学算子对位置指纹数据库中的数据提取磁感应强度的时频域特征信息;
(3)离线训练阶段:使用深度卷积神经网络对针对地磁特征以及标注的位置信息进行离线训练;
(4)离线补偿阶段:针对离线训练结果,采用TDOA技术对变电站地磁指纹特征不明显区域进行补偿,并将补偿数据反馈于离线训练,持续提高定位精度;
(5)在线定位阶段:采用地磁定位和区域TODA定位相结合的方法获取目标的位置;
本发明实施例提出的基于地磁和TODA定位技术的变电站定位方法能够结合变电站的地磁指纹特征以及补偿特征直接获取定位信息,该方法最大程度地综合了地磁定位技术与UWB定位技术的优点,具有精度高、布置简单、成本低等特点,并可结合变电站的综合监控数据后台进一步开发智能防误等功能,具有很强的拓展性能。
所述步骤(1)包括:
将变电站区域进行等距离网格分剖,任意两个网格的交点处设立参考点;
使用地磁采集传感器在参考点采集变电站所有区域的磁感应强度数据;
过滤磁感应强度中的高频随机噪声;
对滤波后的磁感应强度序列进行平滑与归一化处理;
对预处理后的磁感应强度序列进行标注,并将其作为位置指纹,存入位置指纹数据库中。
所述步骤(2)包括:
(2-1)首先将指纹数据库中的低维地磁信号序列转换为高维地磁图像,地磁图像中的每个像素都对应着一个单独的地磁信号观测;
(2-2)然后使用多组不同类型形态学算子对地磁图像进行滤波,分别提取不同维度的变电站磁感应强度特征信息;
所述步骤(3)包括:
(3-1)采用Hinge损失函数作为深度卷积神经网络的损失函数;
(3-2)将目标样本集随机划分为大小为64-256的mini-batch;
(3-3)在不同的mini-batch上利用随机梯度下降算法训练不同的子模型,最终完成对整个深度卷积神经网络模型的训练。
所述步骤(4)包括:
(4-1)判断将第一地磁时频域特征样本输入所述深度神经网络模型得到的第一预测定位结果和所述第一地磁时频域特征样本标注的位置信息是否匹配;
(4-2)如果不匹配,则说明测量结果出现异常,则对第一地磁时频域特征样本标注的位置信息对应的区域布置UWB标签与基站;
(4-3)UWB标签与基站采用TDOA技术进行测量,并将测量得到的第一位置信息传输存储至后台服务器;
(4-4)以TDOA技术测量得到的第一位置信息作为迁移数据集作为离线训练好的深度卷积神经网络模型输入;
(4-5)对深度卷积神经网络模型进行反向微调训练。
所述步骤(5)包括:
(5-1)针对待定位变电站人员使用其随身携带地磁传感器进行实时磁感应强度数据采集,得到目标磁感应强度数据;
(5-2)根据所述目标磁感应强度数据确定所述目标磁感应强度数据的目标地磁时频域特征,将所述目标地磁时频域特征输入目标离线训练模型中;
(5-3)输出定位结果。
在另一个具体的例子中,为了能够更清楚地描述本发明实施例的技术内容,下面结合具体实施例来进行进一步的描述。如图1b所示,一种基于地磁和TODA定位技术的变电站定位方法包括以下步骤:
采用地磁采集传感器对变电站整体区域进行实地测量,建立地磁指纹数据库,具体包括以下步骤:
将变电站区域进行等距离网格分剖,每个网格的交点处设立参考点;
使用三轴磁力传感器采集传感器在参考点采集变电站所有区域的磁感应强度数据,其中所使用三轴磁力传感器的采样频率不小于100Hz;
利用经验模态分解算法过滤磁感应强度中的高频随机噪声;
对滤波后的磁感应强度序列进行平滑与归一化处理;
对预处理后的磁感应强度序列进行标注,并将其作为位置指纹,存入地磁指纹数据库中。
采用形态学算子对位置指纹数据库中的数据提取地磁时频域特征,具体包括以下步骤:
首先将地磁指纹数据库中的低维地磁信号序列转换为高维地磁图像,地磁图像中的每个像素都对应着一个单独的地磁信号观测;
构建尺寸为16×16的多组不同内核的形态学算子对地磁图像进行分割滤波操作,过滤图像的无关背景信息,然后分别提取磁感应强度等多种不同维度的特征信息;
使用深度卷积神经网络对针对地磁时频域特征以及标注的位置信息进行离线训练,具体步骤包括:
采用Hinge损失函数作为深度卷积神经网络的损失函数;
将训练样本集随机划分为大小为64-256的mini-batch;
在不同的mini-batch上利用随机梯度下降算法训练不同的子模型,最终完成对整个深度卷积神经网络模型的训练。
采用TDOA技术对变电站地磁指纹特征不明显区域进行补偿,具体步骤包括:
若将第一地磁时频域特征样本输入所述深度神经网络模型得到的第一预测定位结果和所述第一地磁时频域特征样本标注的位置信息不匹配,则对该参考点区域布置UWB标签与基站,具体测量异常判断依据如下:
相邻两次测量结果有较大波动,即
式中Δd为相邻两次定位结果的欧式距离,(x,y)为当前定位位置坐标,(xp,yp)为前一次定位结果,ΔE为判断阈值,其中,相邻两次定位结果可以为将第一地磁时频域特征样本输入所述深度神经网络模型得到的第一预测定位结果和将第一地磁时频域特征样本再次输入所述深度神经网络模型得到的第二预测定位结果,也可以为将第一地磁时频域特征样本输入所述深度神经网络模型得到的第一预测定位结果和所述第一地磁时频域特征样本标注的位置信息;
UWB(Ultra Wideband,超宽带)标签与基站采用TDOA技术对参考点区域位置进行测量,并将数据传输存储至后台服务器;
以TDOA技术测量数据为迁移数据集作为离线训练好的深度卷积神经网络模型输入;
对深度卷积神经网络模型进行反向微调训练。
采用地磁定位和区域TODA定位相结合的方法获取目标的位置,具体步骤包括:
针对待定位变电站人员使用其随身携带地磁传感器进行实时磁感应强度数据采集,得到目标磁感应强度数据;
根据所述目标磁感应强度数据确定所述目标磁感应强度数据的目标地磁时频域特征,将所述目标地磁时频域特征输入目标离线训练模型中;
输出定位结果。
本实施例的技术方案,通过获取待定位人员对应的目标磁感应强度数据;根据所述目标磁感应强度数据确定所述目标磁感应强度数据的目标地磁时频域特征;将所述目标地磁时频域特征输入目标离线训练模型,得到定位结果,其中,所述目标离线训练模型通过目标样本集迭代训练深度卷积神经网络模型训练得到,所述目标样本包括:地磁时频域特征样本和所述地磁时频域特征样本标注的位置信息,以实现能够降低布置的复杂度、降低成本、增强可拓展性,并且提高精度。
实施例二
图2为本发明实施例二提供的一种定位装置的结构示意图。本实施例可适用于对变电站人员进行定位的情况,该装置可采用软件和/或硬件的方式实现,该装置可集成在任何提供定位功能的设备中,如图2所示,所述定位装置具体包括:获取模块210、确定模块220和定位模块230。
其中,获取模块,用于获取待定位人员对应的目标磁感应强度数据;
确定模块,用于根据所述目标磁感应强度数据确定所述目标磁感应强度数据的目标地磁时频域特征;
定位模块,用于将所述目标地磁时频域特征输入目标离线训练模型,得到定位结果,其中,所述目标离线训练模型通过目标样本集迭代训练深度卷积神经网络模型训练得到,所述目标样本包括:地磁时频域特征样本和所述地磁时频域特征样本标注的位置信息。
上述产品可执行本发明任意实施例所提供的方法,具备执行方法相应的功能模块和有益效果。
本实施例的技术方案,通过获取待定位人员对应的目标磁感应强度数据;根据所述目标磁感应强度数据确定所述目标磁感应强度数据的目标地磁时频域特征;将所述目标地磁时频域特征输入目标离线训练模型,得到定位结果,其中,所述目标离线训练模型通过目标样本集迭代训练深度卷积神经网络模型训练得到,所述目标样本包括:地磁时频域特征样本和所述地磁时频域特征样本标注的位置信息,以实现能够降低布置的复杂度、降低成本、增强可拓展性,并且提高精度。
实施例三
图3为本发明实施例三中的一种计算机设备的结构示意图。图3示出了适于用来实现本发明实施方式的示例性计算机设备12的框图。图3显示的计算机设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图3所示,计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture,ISA)总线,微通道体系结构(Micro Channel Architecture,MCA)总线,增强型ISA总线、视频电子标准协会(Video Electronics Standards Association,VESA)局域总线以及外围组件互连(Peripheral Component Interconnect,PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(Random Access Memory,RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图3未显示,通常称为“硬盘驱动器”)。尽管图3中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(只读光盘(Compact Disc-Read Only Memory,CD-ROM)、数字视盘(Digital Video Disc-Read Only Memory,DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如系统存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该计算机设备12交互的设备通信,和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。另外,本实施例中的计算机设备12,显示器24不是作为独立个体存在,而是嵌入镜面中,在显示器24的显示面不予显示时,显示器24的显示面与镜面从视觉上融为一体。并且,计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local Area Network,LAN),广域网Wide AreaNetwork,WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白,尽管图中未示出,可以结合计算机设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、磁盘阵列(Redundant Arrays of Independent Disks,RAID)系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的定位方方法:
获取待定位人员对应的目标磁感应强度数据;
根据所述目标磁感应强度数据确定所述目标磁感应强度数据的目标地磁时频域特征;
将所述目标地磁时频域特征输入目标离线训练模型,得到定位结果,其中,所述目标离线训练模型通过目标样本集迭代训练深度卷积神经网络模型训练得到,所述目标样本包括:地磁时频域特征样本和所述地磁时频域特征样本标注的位置信息。
实施例四
本发明实施例四提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请所有发明实施例提供的定位方方法:
获取待定位人员对应的目标磁感应强度数据;
根据所述目标磁感应强度数据确定所述目标磁感应强度数据的目标地磁时频域特征;
将所述目标地磁时频域特征输入目标离线训练模型,得到定位结果,其中,所述目标离线训练模型通过目标样本集迭代训练深度卷积神经网络模型训练得到,所述目标样本包括:地磁时频域特征样本和所述地磁时频域特征样本标注的位置信息。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(Hyper Text TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络包括局域网(LAN)或广域网(WAN)连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、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,该模块、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,两个接连地表示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操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。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (9)
1.一种定位方法,其特征在于,包括:
获取待定位人员对应的目标磁感应强度数据;
根据所述目标磁感应强度数据确定所述目标磁感应强度数据的目标地磁时频域特征;
将所述目标地磁时频域特征输入目标离线训练模型,得到定位结果,其中,所述目标离线训练模型通过目标样本集迭代训练深度卷积神经网络模型训练得到,所述目标样本包括:地磁时频域特征样本和所述地磁时频域特征样本标注的位置信息;
所述通过目标样本集迭代训练深度卷积神经网络模型包括:
构建深度神经网络模型;
将所述地磁时频域特征样本输入深度神经网络模型,得到预测定位结果;
根据所述预测定位结果和所述地磁时频域特征样本标注的位置信息形成的目标函数训练所述深度神经网络模型的参数;
返回执行将所述地磁时频域特征样本输入深度神经网络模型,得到预测定位结果的操作,直至得到目标离线训练模型;
所述返回执行将所述地磁时频域特征样本输入深度神经网络模型,得到预测定位结果的操作,直至得到目标离线训练模型包括:
若将第一地磁时频域特征样本输入所述深度神经网络模型得到的第一预测定位结果和所述第一地磁时频域特征样本标注的位置信息不匹配,则采用TDOA技术获取所述第一地磁时频域特征样本对应的第一位置信息;
根据所述第一地磁时频域特征样本、所述第一位置信息和所述目标样本集生成迁移数据集;
通过迁移数据集迭代训练所述深度神经网络模型得到目标离线训练模型。
2.根据权利要求1所述的方法,其特征在于,通过目标样本集迭代训练深度卷积神经网络模型包括:
通过地磁传感器采集变电站区域的第一磁感应强度数据;
对所述第一磁感应强度数据进行标注,并根据标注后的第一磁感应强度数据确定位置指纹,将所述位置指纹存储至位置指纹数据库中;
采用形态学算子对所述位置指纹数据库中的位置指纹提取磁感应强度的地磁时频域特征,得到目标样本集,所述目标样本包括:地磁时频域特征样本和所述地磁时频域特征样本标注的位置信息。
3.根据权利要求2所述的方法,其特征在于,通过地磁传感器采集变电站区域的磁感应强度数据,包括:
将变电站区域进行等距离网格分剖,得到至少两个网格;
获取任意两个网格的交点处的磁感应强度数据;
过滤所述磁感应强度数据中的高频随机噪声,得到过滤后的磁感应强度数据;
对过滤后的磁感应强度数据进行平滑与归一化处理,得到第一磁感应强度数据。
4.根据权利要求3所述的方法,其特征在于,采用形态学算子对所述位置指纹数据库中的位置指纹提取磁感应强度的地磁时频域特征,得到目标样本集,包括:
将位置指纹数据库中的位置指纹转换为高维地磁图像;
使用至少一组不同类型形态学算子对所述高维地磁图像进行滤波,分别提取地磁时频域特征,得到地磁时频域特征样本;
根据所述地磁时频域特征样本构建目标样本集。
5.根据权利要求4所述的方法,其特征在于,所述目标函数为Hinge损失函数。
6.根据权利要求1所述的方法,其特征在于,目标样本集迭代训练深度卷积神经网络模型训练,包括:
将所述目标样本集随机划分为至少两个训练样本组;
通过不同的训练样本组利用随机梯度下降算法训练不同的子模型,得到目标离线训练模型。
7.一种定位装置,其特征在于,包括:
获取模块,用于获取待定位人员对应的目标磁感应强度数据;
确定模块,用于根据所述目标磁感应强度数据确定所述目标磁感应强度数据的目标地磁时频域特征;
定位模块,用于将所述目标地磁时频域特征输入目标离线训练模型,得到定位结果,其中,所述目标离线训练模型通过目标样本集迭代训练深度卷积神经网络模型训练得到,所述目标样本包括:地磁时频域特征样本和所述地磁时频域特征样本标注的位置信息;
所述通过目标样本集迭代训练深度卷积神经网络模型包括:
构建深度神经网络模型;
将所述地磁时频域特征样本输入深度神经网络模型,得到预测定位结果;
根据所述预测定位结果和所述地磁时频域特征样本标注的位置信息形成的目标函数训练所述深度神经网络模型的参数;
返回执行将所述地磁时频域特征样本输入深度神经网络模型,得到预测定位结果的操作,直至得到目标离线训练模型;
所述返回执行将所述地磁时频域特征样本输入深度神经网络模型,得到预测定位结果的操作,直至得到目标离线训练模型包括:
若将第一地磁时频域特征样本输入所述深度神经网络模型得到的第一预测定位结果和所述第一地磁时频域特征样本标注的位置信息不匹配,则采用TDOA技术获取所述第一地磁时频域特征样本对应的第一位置信息;
根据所述第一地磁时频域特征样本、所述第一位置信息和所述目标样本集生成迁移数据集;
通过迁移数据集迭代训练所述深度神经网络模型得到目标离线训练模型。
8.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-6中任一所述的方法。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110458402.6A CN113074718B (zh) | 2021-04-27 | 2021-04-27 | 一种定位方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110458402.6A CN113074718B (zh) | 2021-04-27 | 2021-04-27 | 一种定位方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113074718A CN113074718A (zh) | 2021-07-06 |
CN113074718B true CN113074718B (zh) | 2024-03-29 |
Family
ID=76618892
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110458402.6A Active CN113074718B (zh) | 2021-04-27 | 2021-04-27 | 一种定位方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113074718B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116858232A (zh) * | 2022-03-26 | 2023-10-10 | 华为技术有限公司 | 车辆位置的获取方法及电子设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103175529A (zh) * | 2013-03-01 | 2013-06-26 | 上海美迪索科电子科技有限公司 | 基于室内磁场特征辅助的行人惯性定位系统 |
CN106897538A (zh) * | 2017-03-14 | 2017-06-27 | 中国人民解放军军械工程学院 | 基于卷积神经网络的地磁图方向适配性计算方法 |
CN107277773A (zh) * | 2017-07-10 | 2017-10-20 | 广东工业大学 | 联合多种情景模式的自适应定位方法 |
CN108120436A (zh) * | 2017-12-18 | 2018-06-05 | 北京工业大学 | 一种iBeacon辅助地磁室内实景导航方法 |
CN110401978A (zh) * | 2019-07-19 | 2019-11-01 | 中国电子科技集团公司第五十四研究所 | 基于神经网络和粒子滤波多源融合的室内定位方法 |
CN110856112A (zh) * | 2019-11-14 | 2020-02-28 | 深圳先进技术研究院 | 一种群智感知的多源信息融合室内定位方法及系统 |
CN111047070A (zh) * | 2019-10-28 | 2020-04-21 | 浙江工业大学 | 基于移动终端的大型建筑物内行人疏导系统 |
CN111985161A (zh) * | 2020-08-21 | 2020-11-24 | 广东电网有限责任公司清远供电局 | 一种变电站三维模型重构方法 |
CN112393730A (zh) * | 2020-11-19 | 2021-02-23 | 哈尔滨工业大学 | 基于磁感应强度与特征矢量的磁信标定位方法及系统 |
CN112536797A (zh) * | 2020-12-01 | 2021-03-23 | 南京航空航天大学 | 一种工业机器人的位置与姿态误差综合补偿方法 |
-
2021
- 2021-04-27 CN CN202110458402.6A patent/CN113074718B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103175529A (zh) * | 2013-03-01 | 2013-06-26 | 上海美迪索科电子科技有限公司 | 基于室内磁场特征辅助的行人惯性定位系统 |
CN106897538A (zh) * | 2017-03-14 | 2017-06-27 | 中国人民解放军军械工程学院 | 基于卷积神经网络的地磁图方向适配性计算方法 |
CN107277773A (zh) * | 2017-07-10 | 2017-10-20 | 广东工业大学 | 联合多种情景模式的自适应定位方法 |
CN108120436A (zh) * | 2017-12-18 | 2018-06-05 | 北京工业大学 | 一种iBeacon辅助地磁室内实景导航方法 |
CN110401978A (zh) * | 2019-07-19 | 2019-11-01 | 中国电子科技集团公司第五十四研究所 | 基于神经网络和粒子滤波多源融合的室内定位方法 |
CN111047070A (zh) * | 2019-10-28 | 2020-04-21 | 浙江工业大学 | 基于移动终端的大型建筑物内行人疏导系统 |
CN110856112A (zh) * | 2019-11-14 | 2020-02-28 | 深圳先进技术研究院 | 一种群智感知的多源信息融合室内定位方法及系统 |
CN111985161A (zh) * | 2020-08-21 | 2020-11-24 | 广东电网有限责任公司清远供电局 | 一种变电站三维模型重构方法 |
CN112393730A (zh) * | 2020-11-19 | 2021-02-23 | 哈尔滨工业大学 | 基于磁感应强度与特征矢量的磁信标定位方法及系统 |
CN112536797A (zh) * | 2020-12-01 | 2021-03-23 | 南京航空航天大学 | 一种工业机器人的位置与姿态误差综合补偿方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113074718A (zh) | 2021-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10706285B2 (en) | Automatic ship tracking method and system based on deep learning network and mean shift | |
Dal Canton et al. | Real-time Search for Compact Binary Mergers in Advanced LIGO and Virgo's Third Observing Run Using PyCBC Live | |
CN111399642B (zh) | 手势的识别方法、装置、移动终端和存储介质 | |
US20160356666A1 (en) | Intelligent leakage detection system for pipelines | |
US20160356665A1 (en) | Pipeline monitoring systems and methods | |
Ruano et al. | Seismic detection using support vector machines | |
Farah et al. | Bridging the Gap: Categorizing Gravitational-wave Events at the Transition between Neutron Stars and Black Holes | |
Saragiotis et al. | Automatic P phase picking using maximum kurtosis and/spl kappa/-statistics criteria | |
CN107172590A (zh) | 基于移动终端的活动状态信息处理方法、装置及移动终端 | |
CN115542308B (zh) | 基于毫米波雷达的室内人员探测方法、装置、设备及介质 | |
KR101864222B1 (ko) | 보행자 통행량 빅데이터 분석 시스템 및 방법 | |
CN111709329B (zh) | 一种基于深度学习的无人机测控信号高速识别方法 | |
CN108680796A (zh) | 用于计算机显示器的电磁信息泄漏检测系统及方法 | |
CN113074718B (zh) | 一种定位方法、装置、设备及存储介质 | |
CN112949487A (zh) | 一种基于WiFi的船舶驾驶室人员数量检测方法及系统 | |
Lineswala et al. | Performance analysis of different interference detection techniques for navigation with Indian constellation | |
CN115272656A (zh) | 环境检测报警方法、装置、计算机设备及存储介质 | |
CN107992873A (zh) | 目标检测方法及装置、存储介质、电子设备 | |
CN112327286B (zh) | 低复杂度下日常活动分类方法、装置、设备及存储介质 | |
CN107341226A (zh) | 信息展示方法、装置及移动终端 | |
Sardar et al. | Vehicle detection and classification using LTE‐CommSense | |
Yu et al. | A 3D multi-threshold, region-growing algorithm for identifying dust storm features from model simulations | |
Bao et al. | Application of lightning spatio-temporal localization method based on deep LSTM and interpolation | |
Liu et al. | Internet of Things technology in mineral remote sensing monitoring | |
CN116482680A (zh) | 一种身体干扰识别方法、装置、系统和存储介质 |
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 |