CN113075462B - 一种基于神经网络的电磁场分布定位方法 - Google Patents

一种基于神经网络的电磁场分布定位方法 Download PDF

Info

Publication number
CN113075462B
CN113075462B CN202110197995.5A CN202110197995A CN113075462B CN 113075462 B CN113075462 B CN 113075462B CN 202110197995 A CN202110197995 A CN 202110197995A CN 113075462 B CN113075462 B CN 113075462B
Authority
CN
China
Prior art keywords
neural network
layer
output
data
positioning
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
CN202110197995.5A
Other languages
English (en)
Other versions
CN113075462A (zh
Inventor
王红军
傅妤华
杜逸潇
程千顷
史英春
张硕
陈晶
李媛丽
安永旺
孟祥豪
段永胜
张坤峰
王昊
王军
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.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202110197995.5A priority Critical patent/CN113075462B/zh
Publication of CN113075462A publication Critical patent/CN113075462A/zh
Application granted granted Critical
Publication of CN113075462B publication Critical patent/CN113075462B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R29/00—Arrangements for measuring or indicating electric quantities not covered by groups G01R19/00 - G01R27/00
    • G01R29/08—Measuring electromagnetic field characteristics
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Electromagnetism (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提出一种基于神经网络的电磁场分布定位方法：在待定位区域依据实际电磁环境中数据采集点的有效电磁场的覆盖半径构建定位神经网络模型，其中该定位神经网络模型包括卷积神经网络和GRNN神经网络两个部分；对数据采集点发出的电磁信号进行数据采样和预处理；利用小波变换对采样数据进行时频特征提取并图像化，然后利用卷积层神经网络和GRNN神经网络对二维图像进行位置基因特征提取，并构造一个基于位置基因的数据库。在线阶段，将采集到的电磁信号数据预处理、小波变换和图像化，把转换后的图像数据输入定位神经网络模型，根据所述定位神经网络模型计算得出与数据库中最接近的电磁信号位置基因信息，将其输入计算程序而判断其位置。

Description

一种基于神经网络的电磁场分布定位方法
技术领域
本发明属于电磁场检测技术领域，特别涉及一种基于神经网络的电磁场分布定位方法。
背景技术
随着GPS与北斗导航定位系统的广泛应用，在城区和野外的人员车辆定位技术已经相当成熟。但是在GPS与北斗导航定位系统受到干扰、屏蔽的区域或需要定位的人员位于室内且难以接收卫星定位时，确定本身的具体位置是一个新的课题，对这种需要确定位置的研究具有重大的现实意义和应用价值。
已有学者提出了一系列的经典定位方案。其中，《Initial position estimationusing RFID tags：A least-squares approach》中借鉴RFID技术研制了一种标签定位系统，其主要原理为通过部署读卡器读取人员所携带的标签来估计人员的位置，该系统架构原理简单易行，目前相关技术也较为成熟，但是依靠读卡器的位置来估计人员位置为精度较低的区域定位，难以满足在意外事故中的营救对定位精度的要求。
近年来，将人工智能网络引入通过采样和训练实现定位逐步被人们利用，以实现空间内的定位，但现有技术中普遍仅使用单一的卷积神经网络实现定位，例如《一种基于卷积神经元网络的室内定位算法》一文中通过卷积神经网络实现室内定位，然而，卷积神经网络中模型中的BP神经网络结构过于简单，且需要多次迭代以及大量的训练样本，同时，BP神经网络采用降梯度训练方式，导致模型收敛速度慢且易陷入局部最优，影响最终的识别结果。
发明内容
为解决上述技术问题，本发明提出了一种基于电磁场分布的定位方法，该定位方法所在的定位区域原来有一种或多种主动电磁通信系统存在，所述的主动电磁通信系统包含多个具备收发功能的中继站点，这些中继站点能够和地面监控中心无线通信连接；所述的定位方法包括以下步骤：
步骤一、建立定位区域的电磁场分布数据库；
步骤1.1，在定位区域中部署多个数据采样点，相邻数据采集点之间的距离根据待定位区域中的电磁环境、中继站点和数据采集点的有效电磁场的覆盖半径共同确定；每个数据采集点均具有信号收发功能，能够持续发送所收集的电磁信号给地面监控中心；
步骤1.2，完成数据采集点的部署后，各数据采集点对所述的待定位区域中电磁信号执行数据采集，将所采集的数据发送到地面监控中心执行预处理；
步骤1.3，地面监控中心处理接收来自从多个数据采样点接收的定位区域的多点电磁信号分布场，构建定位神经网络模型；所述的定位神经网络包括卷积神经网络和GRNN神经网络两个部分；
步骤1.4，重复步骤1.3，对样本电磁信号数据进行多次采样；
步骤1.5，地面监控中心对回传的电磁场数据执行预处理、小波变换和图像化，在转换后得到的图像数据之间进行线性插值，利用得到的二维图像对所构建定位神经网络中的卷积层神经网络进行训练和初步特征提取，再利用GRNN神经网络进一步提取基于位置基因的特征，并构造一个基于位置基因的数据库；
步骤二、根据电磁信号数据进行在线定位：
步骤2.1、待定位人员携带的电磁场检测终端先对所在位置的电磁场进行采集，把采集的电磁场数据回传到地面监控中心，
步骤2.2、地面监控中心所述的回传的电磁场数据执行预处理、小波变换和图像化，在转换后得到的图像数据之间进行线性插值，将图像数据输入定位神经网络模型，经过所述定位神经网络模型返回得到输出的与数据库中最接近的电磁信号位置基因信息，确定该位置为待定位人员的所在位置，将位置信息发送给待定位人员。
进一步的，所述的数据采集点采用二维布置，数据采集点的数量兼顾电磁信号数据采样点的均匀布置和采集工作量、数据处理量的大小，以满足定位精度要求均衡考虑数据采集点的设置。
进一步的，步骤1.2所述的数据预处理包括由地面监控中心对存储的电磁信号数据进行高斯滤波、然后利用小波变换提取电磁信号的时频特征并转换为图像，并按神经网络输入图像要求进行存储。
进一步的，在步骤1.2所述的数据预处理中的小波变换中采用高频性能好的Morlet小波对所采集的电磁信号进行卷积，卷积求得到电磁信号随时间变化的视频特征图：
Figure BDA0002946642300000031
其中x(t)为采集的电磁信号；
Figure BDA0002946642300000032
i为复数表示形式，t为时间，f为频率；
Figure BDA0002946642300000041
σf为Morlet小波的比率，时频特征图进行分割后可对应得到矩阵形式Ym,n作为神经网络的输入；Ym,n中m和n分别取为128。
进一步的，步骤1.3包括以下子步骤：
步骤1.31，对时频特征图Ym,n经卷积后可以得到：
Figure BDA0002946642300000042
Figure BDA0002946642300000043
和
Figure BDA0002946642300000044
分别为对应卷积层的输出，其中
Figure BDA0002946642300000045
为第l层的输出，亦即第l+1层的输入，而
Figure BDA0002946642300000046
则为第l+1层的输出；
Figure BDA0002946642300000047
为权值函数；
Figure BDA0002946642300000048
为偏移量；Kuv为卷积核；1≤m≤M、1≤n≤N；c为对应核的大小；
步骤1.32，以步骤1.31产生的卷积层C1的输出作为卷积层C2的输入再进行一次卷积，即可实现卷积层C1和卷积层C2两层卷积运算；卷积层最后的输出为：
Figure BDA0002946642300000049
其中f(·)为激励函数，它采用ReLU线性整流激励函数；
步骤1.33，残差学习层对卷积层的输出进行进一步计算：
Figure BDA00029466423000000410
其中q为残差变换参数，l表示层数；
Figure BDA00029466423000000411
为残差学习层第i个输入在第l层的第j个特征图输出；
Figure BDA0002946642300000051
为对应层的梯度；
Figure BDA0002946642300000052
为卷积核；
Figure BDA0002946642300000053
为卷积层的输出；f(·)为激励函数；
步骤1.34，由卷积神经网络得到的中间结果送到GRNN神经网络，输入层表达式为：
Figure BDA0002946642300000054
其中s为GRNN神经网络的输入，sl为GRNN神经网络第l个神经元的学习样本，该样本来自残差学习层，元素由
Figure BDA0002946642300000055
构成；求和层对输入层进行两类求和运算；将该输出与网格对应即为位置基因信息PJPef，将所述的位置基因信息PJPef存入图像特征库。PJPef中的e和f为数据库中图像特征所对应位置的行和列的指示，与本次用以特征提取的数据相关，同时与划分的网格相关。
进一步的，所述的第一类求和运算为：
Figure BDA0002946642300000056
其中h为神经元的个数；其传递函数为：
Figure BDA0002946642300000057
所述的第二类求和运算为：
Figure BDA0002946642300000058
传递函数为：
Figure BDA0002946642300000061
其中pl(j)为第l个输出样本第j个元素。
输出即为：
Figure BDA0002946642300000062
进一步的，步骤2.2中，地面监控中心对所述的回传的电磁场数据做小波变换和图像化，包括以下子步骤：
步骤2.21，利用Morlet小波对实时采集的电磁信号进行卷积得到电磁信号随时间变化的时频特征图：
Figure BDA0002946642300000063
其中x(t)为采集的电磁信号；
Figure BDA0002946642300000064
i表示复数形式，t为时间，f为频率；
Figure BDA0002946642300000065
σf为Morlet小波的比率，时频特征图进行分割后对应得到矩阵形式Ym,n作为神经网络的输入，其中m和n分别取为128；
步骤2.22，所述的时频特征图进行分割后可对应得到矩阵形式Ym,n作为神经网络的输入，经卷积后可以得到：
Figure BDA0002946642300000066
Figure BDA0002946642300000067
和
Figure BDA0002946642300000068
分别为对应卷积层的输出，其中
Figure BDA0002946642300000069
为第l层的输出，亦即第l+1层的输入，而
Figure BDA0002946642300000071
则为第l+1层的输出；
Figure BDA0002946642300000072
为权值函数；
Figure BDA0002946642300000073
为偏移量；Kuv为卷积核；1≤m≤M、1≤n≤N；c为对应核的大小。
进一步的，所述步骤2.22还包括：
步骤2.221对于卷积层C1的输出再进行一次卷积即可得到卷积层C2的输出，即实现两层卷积层的运算；所述的卷积层最后的输出：
Figure BDA0002946642300000074
其中f(·)为激励函数；
步骤2.222，残差学习层对卷积层的输出进行进一步计算：
Figure BDA0002946642300000075
其中q为残差变换参数，l表示层数；
Figure BDA0002946642300000076
为残差学习层第i个输入在第l层的第j个特征图输出；
Figure BDA0002946642300000077
为对应层的梯度；
Figure BDA0002946642300000078
为卷积核；
Figure BDA0002946642300000079
为卷积层的输出；f(·)为激励函数；
由卷积神经网络得到的中间结果送到GRNN神经网络，输入层表达式为：
Figure BDA00029466423000000710
其中s为GRNN神经网络的输入，sl为GRNN神经网络第l个神经元的学习样本，该样本来自残差学习层，元素由
Figure BDA00029466423000000711
构成；
求和层对输入层进行两类求和运算，将该输出与基于位置基因信的图像特征库进行比对关联输出定位信息。
进一步的，所述第一类求和运算为：
Figure BDA0002946642300000081
其中h为神经元的个数；其传递函数为：
Figure BDA0002946642300000082
第二类求和运算为：
Figure BDA0002946642300000083
传递函数为：
Figure BDA0002946642300000084
其中pl(j)为第l个输出样本第j个元素；输出即为：
Figure BDA0002946642300000085
进一步的，所述激励函数采用ReLU线性整流激励函数；Morlet小波的比率取值大于5。
采用本发明的方法，通过构建的卷积神经网络和GRNN神经网络组成的定位神经网络实现本发明所述基于电磁场分布的定位方法，可以达到更好的定位效果。
附图说明
图1为本发明所述基于位置基因的图像数据库构建流程图；
图2为本发明所述基于电磁场分布的在线定位方法流程图。
图3是残差学习层模型；
图4是GRNN神经网络模型。
具体实施方式
本发明提供一种基于电磁场分布的定位方法。
本发明所提供的定位区域，原来有一种或多种主动电磁通信系统存在，系用于室内或者其他类型的封闭型区域，而且此区域处于无法接收卫星定位信号的条件下。本发明通过建立现有的电磁信号分布的数据库。并通过定位区域各位置电磁场信号的差异，来确定特定地点的精确位置。
为实现本发明的定位方法，首先是网格化部署数据采集点，为达到均匀的数据采集点电磁信号覆盖，一般依据数据采集点的有效覆盖距离采用排列式部署，部署的所有数据采集点的地位平等，无特殊信标点，任何一个数据采集点的问题不对定位的精度产生影响，每个数据采集点均具有收发功能，持续发射收集的可供定位的电磁信号。
当定位管理的目标区域很大时，所需的数据采集点会非常多，做电磁信号数据采样的采样点很多将使得采集工作量过大，复杂度大和数据处理量巨大而难以实现。事实上，并不是定位的数据采集点数目越多，所实现的定位精度就越高。过多的数据采集点会成倍增加计算的工作量，进而影响算法的精确度。
本发明的数据采集点采用二维部署，所述的数据采集点之间的距离依据实际环境中数据采集点的有效电磁场的覆盖半径确定。在某一定位小区内，仅记录该单元中的4个数据采集点的电磁信号数据值。
通常将数据采集点有效覆盖半径长度设定为100m。在进行数据采集点电磁信号数据采集时，仅记录所在单元小区内邻近的4个数据采集点的电磁数据。
在小区内进行电磁信号数据采集时，仅记录各数据采集点的电磁信号数据，一般为所接收的电磁信号最高的4个数据采集点的电磁信号数据。如果电磁信号数据值所对应的数据采集点序号出现个别偏差，由于数据采集点按一定的顺序进行编号，可以根据其它未产生偏差的数据采集点的MAC或ID地址进行甄别。每个定位单元中的电磁信号数据采集方法类似。
本发明主要目的是通过构建的卷积神经网络和GRNN神经网络组成的定位神经网络来实现本发明所述基于电磁场分布的在线定位方法，离线阶段实现基于位置基因的图像数据库构建，其具体流程如图1所示。
在离线阶段，为便于数据采集点与插值点的选取，首先对定位区域进行均匀网格划分，网格化部署数据采集点，具体网格划分大小可依据实际使用中所要求的调整。离线阶段主要由部署采集点、构建模型、采样和预处理、训练模型和数据库构建等五个阶段构成。其中采样和预处理阶段主要完成数据采集点的选取、电磁信号数据采集和预处理处理3个功能，供离线阶段对神经网络模型的构建和训练等过程使用。其中可以将数据采集点采样得到的数据发送到地面监控中心中，由地面监控中心处理。
构建模型阶段
在本阶段构建定位神经网络模型，其中，该定位神经网络包括卷积神经网络和GRNN神经网络两个部分。
构建网络模型过程如图2所示，具体包括：输入部分，特征提取部分，信号估计部分；输入部分包括输入层；特征提取部分，包括卷积层C1、卷积层C2、残差学习层；通过两次卷积层运算进行特征提取，其中非线性激活函数为ReLU函数；然后通过叠加的残差学习层运算计算得特征提取结果，残差学习层如图3所示；将所述特征提取结果输入至两个支路分别计算；将第一支路计算结果和第二支路计算结果的输出信号进行融合，再次进行两次卷积层运算，得到中间结果。信号估计部分包括从特征提取部分的末尾引出两个分支。一个支路采用从特征提取部分的输出开始的上采样结构，逐层扩展特征图的大小，最后输出与主干网络原始输入信号相同大小的信号。另一个分支采用全连接结构，首先使用一个大的卷积核来调整特征提取部分的输出大小，然后输出列信号，最后将其整形成与特征提取部分的原始输入信号大小相同的二维信号。在两个支路的末端，用两个卷积层对两个支路的输出信号进行融合，输出中间结果。
中间结果输入GRNN神经网络，如图4所示，所述GRNN神经网络包括输入层、模式层、求和层和输出层。其中，输入层神经元个数等于卷积神经网络中特征提取器从图像样本中抽取的特征向量的维数，并传递给模式层；模式层神经元个数与输入层相同，不同的神经元对应不同样本数据；求和层与上层节点采用全连接方式；输出层通过计算求和层的两个输出商数，得到模型预测值。在本定位神经网络模型中可以得到输出的与输入图像最接近的电磁信号值的图像，从而可以通过读取，比对获得最接近的图像信息来进行定位。
采样和预处理阶段
采样阶段主要完成数据采集点选取、在数据采集点对电磁信号数据采集、地面监控中心对各数据采集点所采集的电磁信号做数据预处理、时频特征提取和特征图像化处理。采用间隔遍历取样法，每间隔一个网格选取一个数据采集点，共计25个。其次，为避免测量误差，在样本电磁信号数据采集时进行多次采样，返回地面监控中心后由地面监控中心对存储的电磁信号数据进行高斯滤波等预处理，然后利用小波变换提取电磁信号的时频特征并转换为图像，并按神经网络输入图像要求进行存储，小波变换时采用高频性能较好的Morlet小波。
已知每个数据采集点多次采集的电磁信号数据之间相互独立且服从高斯分布，因此，可以通过高斯滤波滤除噪声误差，得到较精确稳定的数据采集点电磁信号数据值。
训练模型阶段
定位神经模型构建完成后，下一步进入模型训练步骤，地面监控中心将采样后得到的电磁信号数据中，4个数据采集点中的每个数据采集点采集多个电磁信号数据值，将每个数据采集点的电磁信号值与该采集点的所在的空间位置作为对应的数据集的一组采样样本，即4个数据采集点就有4组采集样本。
在训练前，需要将采样点的电磁信号转换为符合模型训练的输入格式，具体包括：将每个采集点通过小波变换所提取的电磁信号时频特征转换为图像，具体的转换方法为：将采集点的信号时频特征的范围如从最大值-30，到最小值-80作为形成图像的边长，每个图像均为正方形，每个正方形图像中分布有采样点的不同电磁信号数据形成的点。
本发明中定位神经网络模型的训练过程为卷积层神经网络的训练；对卷积层神经网络的训练的过程包括：初始化网络模型中所有的卷积核权值，从所采集的电磁信号数据集中随机抽取80％数据生成图像的训练集，余下20％数据作为数据库建立数据集；同时将训练集样本图像送入卷积层神经网络，输入图像经过网络的前向过程得到输出值，再与样本标签进行计算，可得到模型误差值。通过误差值判断模型是否收敛，若收敛，则训练结束；若未收敛，则计算输出层的残差，残差从输出层反向传递，逐层计算残差值，该残差表明了该节点对最终输出值的残差产生了相应的影响，接着计算权值的更新值；继续训练，即将训练集样本图像送入卷积层神经网络，重复上述过程，不断计算权值的更新值，直至随机抽取的训练数据集训练完毕。
GRNN神经网络采用上采样网络和全连接网络的结构，对卷积神经网络送入的特征向量进行基于位置基因的特征提取。其中上采样网络采用插值和卷积相结合的逐层上采样方法，有助于保持信号的结构；全连接网络对二维信号进行逐列处理，改变了信号的原始结构，信号邻域间约束减小，有助于保持信号内部的清晰细节。主干网络的估计部分将全连接网络和上采样网络结合起来，相互补充，有效地保留了各自的优势，同时又克服了各自的缺点。
通过上述处理，神经网络提取出位置基因特征PJPef，PJPef为输出的能表征基因位置信息的特征值构成的特征向量。以此构造一个基于位置基因的数据库，如表1所示。
表1基因位置信息存储格式
Figure BDA0002946642300000141
该阶段具体包括以下步骤：
1、时频特征图生成(属离线阶段)
完成离线数据采集后，利用Morlet小波对所采集的电磁信号进行卷积得到电磁信号随时间变化的时频特征图：
Figure BDA0002946642300000142
其中x(t)为采集的电磁信号；
Figure BDA0002946642300000143
i表示复数形式，t为时间，f为频率；
Figure BDA0002946642300000144
σf为Morlet小波的比率，通常取值大于5即可。时频特征图进行分割后可对应得到时频特征图像素矩阵形式Ym,n作为神经网络的输入，其中m和n分别取128即可满足要求，即在3通道数的情况下，图像为128像素×128像素。
2、训练阶段
为优化卷积神经网络的计算权值，需要完成对卷积神经网络的训练，训练数据集为离线阶段采集数据的80％。权值优化过程如下。
首先进行前向计算，对l层的第n个单元：
Figure BDA0002946642300000151
其中
Figure BDA0002946642300000152
为前一层(即l-1层)单元i送来的激励信号，即前一层单元i的输出信号；
Figure BDA0002946642300000153
为l层单元i的权值；m为神经网络单元数。单元n的激活函数采用ReLU函数，则：
Figure BDA0002946642300000154
然后进行反向计算，对输出单元有
Figure BDA0002946642300000155
Dl和D传递函数，其计算过程在后续数据库建立阶段将详细阐述。
则修正权值为：
Figure BDA0002946642300000156
其中η为学习效率。
将n＝n+1，输入新的样本，继续进行神经网络的训练。在网络输出与理想输出之间的误差最小时，即可获取最佳权值参数。
3、数据库建立
建库数据集为离线阶段采集数据的20％。将时频特征图Ym,n经卷积后可以得到卷积层C1层的输出：
Figure BDA0002946642300000157
Figure BDA0002946642300000158
和
Figure BDA0002946642300000159
分别为对应卷积层的输出，其中
Figure BDA00029466423000001510
为第l层的输出，亦即第l+1层的输入，而
Figure BDA00029466423000001511
则为第l+1层的输出；
Figure BDA00029466423000001512
为权值函数；
Figure BDA0002946642300000161
为偏移量；Kuv为卷积核；1≤m≤M、1≤n≤N；c为对应核的大小。
将该卷积层C1的输出作为卷积层C2的输入，再进行一次卷积即可实现两层卷积运算。
由于卷积核尺寸和步长的问题，需要对图像边缘进行零填充，以提取到图像的边缘特征。
卷积层C2最后的输出：
Figure BDA0002946642300000162
f(·)为激励函数，本发明中采用ReLU线性整流激励函数，
Figure BDA0002946642300000163
为卷积层C2的输入，即卷积层C1的输出。
残差学习层对卷积层的输出进行进一步计算：
Figure BDA0002946642300000164
其中q为残差变换参数，l表示层数；
Figure BDA0002946642300000165
为残差学习层第i个输入在第l层的第j个特征图输出；
Figure BDA0002946642300000166
为对应层的梯度；
Figure BDA0002946642300000167
为卷积核；
Figure BDA0002946642300000168
为卷积层的输出；f(·)为激励函数；
由卷积神经网络得到的中间结果送到GRNN神经网络，输入层表达式为：
Figure BDA0002946642300000169
其中s为GRNN神经网络的输入，sl为GRNN神经网络第l个神经元的学习样本，该样本来自残差学习层，元素由
Figure BDA00029466423000001610
构成。
求和层对输入层进行两类求和运算，第一类求和运算为：
Figure BDA0002946642300000171
其中h为神经元的个数。
其传递函数为：
Figure BDA0002946642300000172
第二类求和运算为：
Figure BDA0002946642300000173
传递函数为：
Figure BDA0002946642300000174
其中pl(j)为第l个输出样本第j个元素。
输出即为：
Figure BDA0002946642300000175
将该输出与网格对应即为位置基因信息PJPef，存入图像特征库。PJPef中的e和f为数据库中图像特征所对应位置的行和列的指示，与本次用以特征提取的数据相关，同时与划分的网格相关。
在线定位阶段
该阶段包括如下步骤：
步骤1，周期性的采集定位环境中电磁信号，并将采集到的电磁信号数据形成采样样本。
步骤2，数据预处理：当达到定位周期时，对定位采集数据之间进行线性插值，使得其列数等于训练模型输入层的长度，并用离线阶段的时频特征图生成方法，构造一个图像数据。将图像数据输入定位神经模型，经过所述定位神经模型返回得到输出的与输入最接近的网格的电磁信号。
利用Morlet小波对实时采集的电磁信号进行卷积得到电磁信号随时间变化的时频特征图：
Figure BDA0002946642300000181
其中x(t)为采集的电磁信号；
Figure BDA0002946642300000182
i为复数表示形式，t为时间，f为频率；
Figure BDA0002946642300000183
为Morlet小波的比率，通常取值大于5即可。时频特征图进行分割后可对应得到矩阵形式Ym,n作为神经网络的输入。经卷积后可以得到：
Figure BDA0002946642300000184
Figure BDA0002946642300000185
和
Figure BDA0002946642300000186
分别为对应卷积层的输出，其中
Figure BDA0002946642300000187
为第l层的输出，亦即第l+1层的输入，而
Figure BDA0002946642300000188
则为第l+1层的输出；
Figure BDA0002946642300000189
为权值函数；
Figure BDA00029466423000001810
为偏移量；Kuv为卷积核；1≤m≤M、1≤n≤N；c为对应核的大小。
将该卷积层C1的输出作为卷积层C2的输入再进行一次卷积，即可实现卷积层C1和卷积层C2两层卷积运算。
由于卷积核尺寸和步长的问题，需要对图像边缘进行零填充，以提取到图像的边缘特征。
卷积层最后的输出：
Figure BDA0002946642300000191
f(·)为激励函数，本发明中采用ReLU线性整流激励函数，
Figure BDA0002946642300000192
为卷积层C2的输入，即卷积层C1的输出。
残差学习层对卷积层的输出进行进一步计算：
Figure BDA0002946642300000193
其中q为残差变换参数，l表示层数；
Figure BDA0002946642300000194
为残差学习层第i个输入在第l层的第j个特征图输出；
Figure BDA0002946642300000195
为对应层的梯度；
Figure BDA0002946642300000196
为卷积核；
Figure BDA0002946642300000197
为卷积层的输出；f(·)为激励函数；
由卷积神经网络得到的中间结果送到GRNN神经网络，输入层表达式为：
Figure BDA0002946642300000198
其中s为GRNN神经网络的输入，sl为GRNN神经网络第l个神经元的学习样本，该样本来自残差学习层，元素由
Figure BDA0002946642300000199
构成。
求和层对输入层进行两类求和运算，第一类求和运算为：
Figure BDA00029466423000001910
其中h为神经元的个数。
其传递函数为：
Figure BDA00029466423000001911
第二类求和运算为：
Figure BDA0002946642300000201
传递函数为：
Figure BDA0002946642300000202
其中pl(j)为第l个输出样本第j个元素。
输出即为：
Figure BDA0002946642300000203
将该输出与基于位置基因信息的图像特征库进行关联匹配，通过计算程序找出特征库中与该输出最相关最接近的位置信息，从而实现电磁目标的定位。
最后应说明的是，以上实施方式仅用以说明本发明实施例的技术方案而非限制，尽管参照以上较佳实施方式对本发明实施例进行了详细说明，本领域的普通技术人员应当理解，可以对本发明实施例的技术方案进行修改或等同替换都不应脱离本发明实施例的技术方案的精神和范围。

Claims (10)

1.一种基于神经网络的电磁场分布定位方法，该定位方法用于主动电磁通信系统，所述的主动电磁通信系统包含多个具备收发功能的中继站点，这些中继站点能够和地面监控中心无线通信连接；其特征在于，所述的定位方法包括以下步骤：
步骤一、建立定位区域的电磁场分布数据库
步骤1.1，在定位区域中部署多个数据采样点，相邻数据采集点之间的距离根据待定位区域中的电磁环境、中继站点和数据采集点的有效电磁场的覆盖半径共同确定；每个数据采集点均具有信号收发功能，能够持续发送所收集的电磁信号给地面监控中心；
步骤1.2，各数据采集点对所述的待定位区域中电磁信号执行数据采集，将所采集的数据发送到地面监控中心执行预处理；
步骤1.3，地面监控中心处理接收来自多个数据采样点定位区域的采样数据；
步骤1.4，重复步骤1.2-1.3，对样本电磁信号数据进行多次采样，并由所述地面监控中心接收所述采样数据，形成多点电磁信号分布场；
步骤1.5，构建定位神经网络，所述定位神经网络包括卷积神经网络和GRNN神经网络；
步骤1.6，地面监控中心对回传的电磁场数据执行预处理、小波变换和图像化，在转换后得到的图像数据之间进行线性插值，利用得到的二维图像对所构建的定位神经网络中的卷积层神经网络进行训练和初步特征提取，再利用GRNN神经网络进一步提取基于位置基因的特征，并构造一个基于位置基因的数据库；
步骤二、根据电磁信号数据进行在线定位
步骤2.1、待定位人员携带的采用电磁场检测终端先对所在位置的电磁场进行采集，把采集的电磁场数据回传到地面监控中心，
步骤2.2、地面监控中心对所述的回传的电磁场数据执行预处理、小波变换和图像化，在转换后得到的图像数据之间进行线性插值，将图像数据输入训练好的定位神经网络模型，经过所述定位神经网络模型返回得到输出的与数据库中最接近的电磁信号位置基因信息，根据该位置基因信息确定该待定位人员所在位置，将位置信息发送给待定位人员。
2.如权利要求1所述的定位方法，其特征在于：所述的数据采集点采用二维布置，数据采集点的数量兼顾电磁信号数据采样点的均匀布置和采集工作量、数据处理量的大小，以满足定位精度要求均衡考虑数据采集点的设置。
3.如权利要求1所述的定位方法，其特征在于，步骤1.2所述的数据预处理包括由地面监控中心对存储的电磁信号数据进行高斯滤波、然后利用小波变换提取电磁信号的时频特征并转换为图像，并按神经网络输入图像要求进行存储。
4.如权利要求3所述的定位方法，其特征在于，在步骤1.2所述的数据预处理中的小波变换中采用高频性能好的Morlet小波对所采集的电磁信号进行卷积，卷积求得到电磁信号随时间变化的时频特征图：
Figure FDA0003566891660000021
其中x(t)为采集的电磁信号；
Figure FDA0003566891660000022
i为复数表示形式，t为时间，f为频率；
Figure FDA0003566891660000031
σf为Morlet小波的比率，时频特征图进行分割后可对应得到矩阵形式Ym,n作为神经网络的输入；Ym,n中m和n分别取128。
5.如权利要求1所述的定位方法，其特征在于，步骤1.3包括以下子步骤：
步骤1.31，对时频特征图Ym,n经卷积后可以得到：
Figure FDA0003566891660000032
Figure FDA0003566891660000033
和
Figure FDA0003566891660000034
分别为对应卷积层的输出，其中
Figure FDA0003566891660000035
为第l层的输出，亦即第l+1层的输入，而
Figure FDA0003566891660000036
则为第l+1层的输出；
Figure FDA0003566891660000037
为权值函数；
Figure FDA0003566891660000038
为偏移量；Kuv为卷积核；1≤m≤M，1≤n≤N，c为对应核的大小；
步骤1.32，以步骤1.31产生的卷积层C1的输出作为卷积层C2的输入再进行一次卷积，即可实现卷积层C1和卷积层C2两层卷积运算；
步骤1.33，残差学习层对卷积层的输出进行进一步计算：
Figure FDA0003566891660000039
其中q为残差变换参数，l表示层数；
Figure FDA00035668916600000310
为残差学习层第i个输入在第l层的第j个特征图输出；
Figure FDA00035668916600000311
为对应层的梯度；
Figure FDA00035668916600000312
为卷积核；
Figure FDA0003566891660000041
为卷积层的输出；f(·)为激励函数；
步骤1.34，由卷积神经网络得到的中间结果送到GRNN神经网络，输入层表达式为：
Figure FDA0003566891660000042
l＝1,2,…h
其中s为GRNN神经网络的输入，Sl为GRNN神经网络第l个神经元的学习样本，该样本来自残差学习层，元素由
Figure FDA0003566891660000043
构成；求和层对输入层进行两类求和运算；将该输出与网格对应即为位置基因信息PJPef，将所述的位置基因信息PJPef存入图像特征库，PJPef中的e和f为数据库中图像特征所对应位置的行和列的指示，与本次用以特征提取的数据相关，同时与划分的网格相关。
6.如权利要求5所述的定位方法，其特征在于，所述两类求和运算的第一类求和运算为：
Figure FDA0003566891660000044
其中h为神经元的个数；其传递函数为：
Figure FDA0003566891660000045
所述两类求和运算的第二类求和运算为：
Figure FDA0003566891660000051
传递函数为：
Figure FDA0003566891660000052
其中pl(j)为第l个输出样本第j个元素，
输出即为：
Figure FDA0003566891660000053
7.如权利要求1所述的定位方法，其特征在于步骤2.2中，地面监控中心对所述的回传的电磁场数据做小波变换和图像化，包括以下子步骤：
步骤2.21，利用Morlet小波对实时采集的电磁信号进行卷积得到电磁信号随时间变化的时频特征图：
Figure FDA0003566891660000054
其中x(t)为采集的电磁信号；
Figure FDA0003566891660000055
i表示复数形式，t为时间，f为频率；
Figure FDA0003566891660000061
σf为Morlet小波的比率，时频特征图进行分割后对应得到矩阵形式Ym,n作为神经网络的输入，其中m和n分别取128；
步骤2.22，所述的时频特征图进行分割后可对应得到矩阵形式Ym,n作为神经网络的输入，经卷积后可以得到：
Figure FDA0003566891660000062
Figure FDA0003566891660000063
和
Figure FDA0003566891660000064
分别为对应卷积层的输出，其中
Figure FDA0003566891660000065
为第l层的输出，亦即第l+1层的输入，而
Figure FDA0003566891660000066
则为第l+1层的输出；
Figure FDA0003566891660000067
为权值函数；
Figure FDA0003566891660000068
为偏移量；Kuv为卷积核；1≤m≤M，1≤n≤N，c为对应核的大小。
8.如权利要求7所述的定位方法，其特征在于，所述步骤2.22还包括：
步骤2.221对于卷积层C1的输出再进行一次卷积即可得到卷积层C2的输出，即实现两层卷积层的运算；
步骤2.222，残差学习层对卷积层的输出进行进一步计算：
Figure FDA0003566891660000069
其中q为残差变换参数，l表示层数；
Figure FDA0003566891660000071
为残差学习层第i个输入在第l层的第j个特征图输出；
Figure FDA0003566891660000072
为对应层的梯度；
Figure FDA0003566891660000073
为卷积核；
Figure FDA0003566891660000074
为卷积层的输出；f(·)为激励函数；
由卷积神经网络得到的中间结果送到GRNN神经网络，输入层表达式为：
Figure FDA0003566891660000075
l＝1,2,…h
其中s为GRNN神经网络的输入，sl为GRNN神经网络第l个神经元的学习样本，该样本来自残差学习层，元素由
Figure FDA0003566891660000076
构成；
求和层对输入层进行两类求和运算，将该输出与基于位置基因信的图像特征库进行比对关联输出定位信息。
9.如权利要求8所述的定位方法，其特征在于，所述两类求和运算的第一类求和运算为：
Figure FDA0003566891660000077
其中h为神经元的个数；其传递函数为：
Figure FDA0003566891660000081
所述两类求和运算的第二类求和运算为：
Figure FDA0003566891660000082
传递函数为：
Figure FDA0003566891660000083
其中pl(j)为第l个输出样本第j个元素；输出即为：
Figure FDA0003566891660000084
10.如权利要求8所述的定位方法，其特征在于，所述激励函数采用ReLU线性整流激励函数；Morlet小波的比率取值大于5。
CN202110197995.5A 2021-02-22 2021-02-22 一种基于神经网络的电磁场分布定位方法 Active CN113075462B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110197995.5A CN113075462B (zh) 2021-02-22 2021-02-22 一种基于神经网络的电磁场分布定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110197995.5A CN113075462B (zh) 2021-02-22 2021-02-22 一种基于神经网络的电磁场分布定位方法

Publications (2)

Publication Number Publication Date
CN113075462A CN113075462A (zh) 2021-07-06
CN113075462B true CN113075462B (zh) 2022-05-17

Family

ID=76609435

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110197995.5A Active CN113075462B (zh) 2021-02-22 2021-02-22 一种基于神经网络的电磁场分布定位方法

Country Status (1)

Country Link
CN (1) CN113075462B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113702719B (zh) * 2021-08-03 2022-11-29 北京科技大学 一种基于神经网络的宽带近场电磁定位方法及装置
CN113466571B (zh) * 2021-09-06 2022-02-22 中国人民解放军国防科技大学 一种用于构建电磁地图的方法和系统
CN116484180B (zh) * 2023-06-21 2023-09-22 中国人民解放军国防科技大学 一种提取通信信号基因的系统与方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000346891A (ja) * 1999-06-07 2000-12-15 Toshiba Corp 電磁界解析方法
JP2009223669A (ja) * 2008-03-17 2009-10-01 Sumitomo Chemical Co Ltd シミュレーション方法及びシミュレーションプログラム
CN105866559A (zh) * 2016-04-29 2016-08-17 南方电网科学研究院有限责任公司 长空气间隙雷击放电电场强度的测量系统及方法
CN108572283A (zh) * 2017-12-21 2018-09-25 南京师范大学泰州学院 一种针对辐射emi噪声源识别方法
CN109633289A (zh) * 2018-12-28 2019-04-16 集美大学 一种基于倒谱和卷积神经网络的电磁红信息检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000346891A (ja) * 1999-06-07 2000-12-15 Toshiba Corp 電磁界解析方法
JP2009223669A (ja) * 2008-03-17 2009-10-01 Sumitomo Chemical Co Ltd シミュレーション方法及びシミュレーションプログラム
CN105866559A (zh) * 2016-04-29 2016-08-17 南方电网科学研究院有限责任公司 长空气间隙雷击放电电场强度的测量系统及方法
CN108572283A (zh) * 2017-12-21 2018-09-25 南京师范大学泰州学院 一种针对辐射emi噪声源识别方法
CN109633289A (zh) * 2018-12-28 2019-04-16 集美大学 一种基于倒谱和卷积神经网络的电磁红信息检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Fast Prediction Model of Coupling Coefficient Between Pantograph Arcing and GSM-R Antenna";Yali Song等;《 IEEE Transactions on Vehicular Technology 》;20201031;全文 *
"基于卷积神经网络的地磁室内定位";丁瑞等;《电子制作》;20201231;全文 *

Also Published As

Publication number Publication date
CN113075462A (zh) 2021-07-06

Similar Documents

Publication Publication Date Title
CN113075462B (zh) 一种基于神经网络的电磁场分布定位方法
CN109086773B (zh) 基于全卷积神经网络的断层面识别方法
CN110245709B (zh) 基于深度学习和自注意力的3d点云数据语义分割方法
CN109743683B (zh) 一种采用深度学习融合网络模型确定手机用户位置的方法
CN107529651B (zh) 一种基于深度学习的城市交通客流预测方法和设备
CN110991690A (zh) 一种基于深度卷积神经网络的多时次风速预测方法
CN112949407B (zh) 一种基于深度学习和点集优化的遥感影像建筑物矢量化方法
CN111428819A (zh) 一种基于堆叠自编码网络和svm的csi室内定位方法
CN113012177A (zh) 基于几何特征提取和边缘感知编码的三维点云分割方法
CN112949414A (zh) 一种宽视域高分六号卫星影像地表水体智能制图方法
CN110782071A (zh) 基于时空特性融合的卷积神经网络进行风电功率预测方法
CN106970379A (zh) 基于泰勒级数展开对室内目标的测距定位方法
CN112365511A (zh) 基于重叠区域检索与对齐的点云分割方法
CN110933633A (zh) 一种基于csi指纹特征迁移的船载环境室内定位方法
CN109344777A (zh) 基于elm的高光谱遥感影像土地利用覆盖的优化分类方法
CN115567871A (zh) 一种WiFi指纹室内楼层识别与位置估计方法
CN113221450B (zh) 一种针对稀疏不均匀时序数据的航位预测方法及系统
CN113271539A (zh) 一种基于改进的cnn模型的室内目标定位方法
CN115797184B (zh) 一种地表水体超分辨率提取方法
Hu et al. Bluetooth fingerprint based indoor localization using Bi-LSTM
CN115801152A (zh) 基于层次化transformer模型的WiFi动作识别方法
CN113923589B (zh) 一种非接触式多目标定位方法
CN116206304A (zh) 一种基于改进卷积神经网络的番茄叶片病害识别方法
CN112288694B (zh) 基于掩膜区域卷积神经网络的变电设备缺陷识别的方法
CN112380198B (zh) 一种基于深度学习的地震接收函数自动挑选方法

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