CN113344212B - 模型训练方法、装置、计算机设备及可读存储介质 - Google Patents
模型训练方法、装置、计算机设备及可读存储介质 Download PDFInfo
- Publication number
- CN113344212B CN113344212B CN202110526234.XA CN202110526234A CN113344212B CN 113344212 B CN113344212 B CN 113344212B CN 202110526234 A CN202110526234 A CN 202110526234A CN 113344212 B CN113344212 B CN 113344212B
- Authority
- CN
- China
- Prior art keywords
- space
- model
- positioning
- training
- spatial
- 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
- 238000012549 training Methods 0.000 title claims abstract description 295
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000012360 testing method Methods 0.000 claims description 163
- 238000012545 processing Methods 0.000 claims description 40
- 238000004590 computer program Methods 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 26
- 238000004088 simulation Methods 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 9
- 230000003044 adaptive effect Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 239000013598 vector Substances 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000011478 gradient descent method Methods 0.000 description 3
- 101100478969 Oryza sativa subsp. japonica SUS2 gene Proteins 0.000 description 2
- 101100004663 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) BRR2 gene Proteins 0.000 description 2
- 101100504519 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) GLE1 gene Proteins 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 101100364280 Oryza sativa subsp. japonica RSS3 gene Proteins 0.000 description 1
- 101100150875 Oryza sativa subsp. japonica SUS1 gene Proteins 0.000 description 1
- 101100478972 Oryza sativa subsp. japonica SUS3 gene Proteins 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G01S5/0252—Radio frequency fingerprinting
- G01S5/02521—Radio frequency fingerprinting using a radio-map
- G01S5/02524—Creating or updating the radio-map
- G01S5/02525—Gathering the radio frequency fingerprints
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本申请涉及机器学习领域,特别是涉及一种模型训练方法、装置、计算机设备及可读存储介质。所述方法包括:获取多个空间位置的空间训练数据;基于各空间训练数据对构建的原始模型进行空间定位的训练,并对原始模型的空间定位参数进行更新,得到空间定位参数更新后的定位模型;获取待定位空间的目标训练数据;基于目标训练数据对空间定位参数更新后的定位模型进行自适应训练,并对定位模型对应于待定位空间的空间目标参数进行更新,得到训练完成的对应于待定位空间的目标定位模型。采用本方法能够减少系统资源耗费。
Description
技术领域
本申请涉及机器学习领域,特别是涉及一种模型训练方法、装置、计算机设备及可读存储介质。
背景技术
随着时代的发展,机器学习(machine learning,ML)已经广泛应用于各大技术领域。由于机器学习展现了从不确定性中提取特征和模拟系统行为的能力,使得其在指纹定位等领域中也得到了较为广泛的应用。
在传统方式中,将机器学习应用于指纹定位技术时,通常只关注于单个特定空间,如一个房间、一层建筑或几栋建筑等。对于一个新的空间,均需要重新获取该空间的训练数据,并重复进行模型的训练。而重复性的训练工作将带来极大的资源浪费。
发明内容
基于此,有必要针对上述技术问题,提供一种能够减少系统资源耗费的模型训练方法、装置、计算机设备及可读存储介质。
一种模型训练方法,所述方法包括:
获取多个空间位置的空间训练数据;
基于各空间训练数据对构建的原始模型进行空间定位的训练,并对原始模型的空间定位参数进行更新,得到空间定位参数更新后的定位模型;
获取待定位空间的目标训练数据;
基于目标训练数据对空间定位参数更新后的定位模型进行自适应训练,并对定位模型对应于待定位空间的空间目标参数进行更新,得到训练完成的对应于待定位空间的目标定位模型。
在其中一个实施例中,获取多个空间位置的空间训练数据,包括:
获取各空间位置中参考点的坐标位置;
根据各空间位置中信号接入点发射的定位信号,确定各空间位置的参考点接收到定位信号的第一信号强度,以及对应空间位置中的测试点接收到定位信号的第二信号强度;
基于各第一信号强度以及各第二信号强度,确定各空间位置中测试点对应的目标参考点;
基于各空间位置中测试点对应的目标参考点的第一信号强度以及坐标位置,得到各测试点的空间位置数据,并将各空间位置数据作为各空间位置的空间训练数据。
在其中一个实施例中,空间训练数据包括支持集数据以及测试集数据;
基于各空间训练数据对构建的初始模型进行空间定位的训练,并对初始模型的空间定位参数进行更新,得到空间定位参数更新后的定位模型,包括:
根据各支持集数据,分别对构建的原始模型进行训练,得到对应各支持集数据的训练结果;
基于各支持集数据的训练结果,对原始模型的空间定位参数进行第一更新处理,得到对应的各初始模型;
根据各测试集数据,对基于对应的训练集数据训练后的初始模型进行测试,得到对应各初始模型的测试结果;
基于各测试结果,对原始模型的空间定位参数进行第二更新处理,得到空间定位参数更新后的定位模型。
在其中一个实施例中,基于各支持集数据的训练结果,对原始模型的空间定位参数进行第一更新处理,得到对应的各初始模型,包括:
基于各训练结果以及对应的各支持集数据,确定原始模型相对于各支持集数据的各训练损失;
基于各训练损失,对原始模型的空间定位参数进行第一更新处理,得到对应的各初始模型。
在其中一个实施例中,基于各测试结果,对原始模型的空间定位参数进行第二更新处理,得到空间定位参数更新后的定位模型,包括:
基于各测试结果以及对应的各测试集数据,确定原始模型相对于各测试集数据的各模型空间损失;
根据各模型空间损失,得到原始模型的总模型空间损失;
基于总模型空间损失,对原始模型的空间定位参数进行第二更新处理,得到空间定位参数更新后的定位模型。
在其中一个实施例中,基于各支持集数据的训练结果,对原始模型的空间定位参数进行第一更新处理,得到对应的各初始模型,包括:
基于各支持集数据的训练结果以及第一学习速率,对原始模型的空间定位参数进行第一更新处理,得到对应的各初始模型;
基于各测试结果,对原始模型的空间定位参数进行第二更新处理,得到空间定位参数更新后的定位模型,包括:
基于各测试结果以及第二学习速率,对原始模型的空间定位参数进行第二更新处理,得到空间定位参数更新后的定位模型。
在其中一个实施例中,对构建的原始模型进行训练之前,还包括:
对原始模型的空间定位参数进行初始化处理。
一种模型训练装置,所述装置包括:
空间训练数据获取模块,用于获取多个空间位置的空间训练数据;
空间定位参数训练模块,用于基于各空间训练数据对构建的原始模型进行空间定位的训练,并对原始模型的空间定位参数进行更新,得到空间定位参数更新后的定位模型;
目标训练数据获取模块,用于获取待定位空间的目标训练数据;
目标空间模型训练模块,用于基于目标训练数据对空间定位参数更新后的定位模型进行自适应训练,并对定位模型对应于待定位空间的空间目标参数进行更新,得到训练完成的对应于待定位空间的目标定位模型。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一实施例所述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一实施例所述的方法的步骤
上述模型训练方法、装置、计算机设备及可读存储介质,通过获取多个空间位置的空间训练数据,然后基于各空间训练数据对构建的初始模型进行空间定位的训练,并对初始模型的空间定位参数进行更新,得到空间定位参数更新后的定位模型,进一步,获取待定位空间的目标训练数据,并基于目标训练数据对空间定位参数更新后的定位模型进行自适应训练,并对定位模型对应于待定位空间的空间目标参数进行更新,得到训练完成的对应于待定位空间的目标定位模型。从而,可以通过原始模型进行空间定位的训练,使得训练后的定位模型具有识别不同位置空间的功能,使得在后续在对待定位空间对应的目标定位模型进行训练的时候,可以基于空间位置训练时获取的先验知识,基于少量的目标训练数据即可完成目标定位模型的训练,可以减少后续训练所需目标训练数据的数据量,减少模型的训练次数,进而减少模型训练所带来的资源耗费。
附图说明
图1为一个实施例中模型训练方法的应用场景图;
图2为一个实施例中模型训练方法的流程示意图;
图3为一个实施例中空间位置的参考点、测试点以及接入点关系的示意图;
图4为一个实施例中空间训练数据的示意图;
图5为一个实施例中神经网络模型的结构示意图;
图6为另一个实施例中模型训练方法的示意图;
图7为一个实施例中模型训练装置的结构框图;
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的模型训练方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104通过网络进行通信。用户可以通过终端102输入指令,以指示服务器104进行模型的训练。服务器104可以获取多个空间位置的空间训练数据,并基于各空间训练数据对构建的原始模型进行空间定位的训练,并对原始模型的空间定位参数进行更新,得到空间定位参数更新后的定位模型,然后服务器104可以获取待定位空间的目标训练数据,进一步,服务器104可以基于目标训练数据对空间定位参数更新后的定位模型进行自适应训练,并对定位模型对应于待定位空间的空间目标参数进行更新,得到训练完成的对应于待定位空间的目标定位模型。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种模型训练方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤S202,获取多个空间位置的空间训练数据。
全球定位系统(Global Positioning System,GPS)技术在室外定位中已得到广泛应用,但在室内环境中的穿透力较差,因此需要探索新的室内定位技术。
目前,Wi-Fi、蓝牙、射频识别、可见光等技术在室内场景中已得到逐步探索。在这当中,得益于Wi-Fi设备和移动设备的广泛部署,Wi-Fi指纹库方法受到了广泛的关注。与价格昂贵的超宽带定位技术相比,它可以直接利用已有的设备进行定位,降低部署成本。然而,无线通信信道极其复杂,传统的数学模型难以对多径、阴影效应等做出准确描述,因此在现实中难以构造出一个完全准确的指纹库。
现有室内指纹定位技术只关注于单个特定空间,如一个房间、一层建筑或几栋建筑,对于环境之间的信息共享与交流缺乏关注。然而,在空间A中表现良好的机器学习(machine learning,ML)模型在空间B中未必还会有好的表现。因此当进入新环境后,先前采集的其他环境的指纹库并不能带来任何帮助,研究人员要重复繁重的现场勘测,重新构建指纹图并训练模型,这无疑是对资源的极大浪费。
在本实施例中,空间位置即指的是前文所述的特定空间,例如,可以是一个房间、一层建筑或者是几栋建筑等。多个空间位置即指的是不同的房间,如办公室、机场、商场等,不同层建筑以及不同的几栋建筑等。本领域技术人员可以理解的是,此处所述的“空间位置”可以基于设定的参考目标的不同的而不同,例如,参考目标是房间,则一个空间位置对应于一个房间,参考目标位楼层,则一个空间位置对应于一层建筑,参考目标位为几栋建筑,则一个空间位置对应于几栋建筑。
空间训练数据是指基于对应于各个位置空间的,携带有空间位置的位置信息的数据。
在本实施例中,室内指纹定位技术具体是通过参考点(reference point,RP)来表示测试点(test point,TP),以下结合具体案例进行说明。
参考图3,接入点AP是信号发射点,在Wi-Fi指纹定位系统中代表Wi-Fi设备,它们持续发送信号。参考点RP和测试点TP都是信号接收点,他们可以持续接收来自于周边Wi-Fi设备的信号,即接收接入点AP发射的信号,记录接收信号的强度值(received signalstrength,RSS)并构成RSS向量的发射信号。
在本实施例中,由于参考点RP位置信息是已知的,而测试点TP位置信息是未知的,则对于测试点TP,可以基于参考点RP确定。
在本实施例中,指纹定位法通常包括两个阶段,即离线阶段(offline stage)和在线阶段(online stage)。离线阶段主要进行指纹库的构建,所有参考点RP的位置信息及对应位置的RSS向量构成了该空间下的指纹库。在线阶段进行测试点位置确定,通过比较测试点TP与参考点RP的RSS向量的相似度,如欧式距离,确定该测试点TP位置。
在本实施例中,服务器可以将获取到的各个位置空间的测试点TP的位置数据作为对应各个位置空间的空间训练数据,并进行后续的处理。
在本实施例中,参考图4,各个位置空间所对应的空间训练数据可以是按照预设的数据结构整合存储的数据,即包括各测试点TP对应的参考点RP对应于接入点AP的RSS值以及对应参考点AP的物理坐标位置。
步骤S204,基于各空间训练数据对构建的原始模型进行空间定位的训练,并对原始模型的空间定位参数进行更新,得到空间定位参数更新后的定位模型。
其中,原始模型是指构建的待训练的神经网络模型,其具体可以是深度神经网络(Deep Neural Networks,DNN),或者是卷积神经网络(Convolutional Neural Networks,CNN)等,本申请对此不作限制。
在其中一个实施例中,原始模型可以是如图5所示的DNN模型,包括输入层、隐藏层以及输出层。输入层输入图4所示结构化的空间训练数据,隐藏层包括多层,输出层输出坐标位置。
在本实施例中,定位参数是指原始模型的模型参数中对位置空间进行定位的参数,例如,是用于指示某一房间、或者是某一层建筑的参数,例如,指示房间A或者是房间B,或者楼层C或者楼层D。
在本实施例中,服务器可以基于获取到的空间训练数据,对构建的原始模型进行空间定位的训练,并对原始模型的空间位置参数进行更新,以得到对应的定位模型。
在本实施例中,在进行空间位置训练时,由于仅对空间定位参数进行训练更新,因此,服务器可以基于获取到的各空间训练数据,对原始模型仅进行预设数量次的训练即可满足训练要求,如,每个空间训练数据训练1次或者是几次等。
步骤S206,获取待定位空间的目标训练数据。
在本实施例中,服务器在完成对原始模型的空间位置参数进行训练后,在需要应用到某一待定位空间时,可以基于获取到的待定位空间的目标训练数据,对已完成空间位置参数训练完成后的定位模型进行自适应练。
其中,服务器获取到目标训练数据可以是如前文所述的空间训练数据一致的数据,即可以包括在定位空间中各测试点对应参考点的RSS值以及坐标位置等。
步骤S208,基于目标训练数据对空间定位参数更新后的定位模型进行自适应训练,并对定位模型对应于待定位空间的空间目标参数进行更新,得到训练完成的对应于待定位空间的目标定位模型。
在本实施例中,服务器在基于目标训练数据对空间定位参数更新后的定位模型进行自适应训练的时候,其具体可以是基于目标训练数据,确定待定位空间的空间类型,例如,是房间A或者是房间B,或者是房间C等,即确定对应待定位空间的空间位置参数的定位模型。
进一步,服务器可以基于确定的定位模型,对目标训练数据进行特征提取以及进行预测处理,以对定位模型进行训练。
在本实施例中,服务器可以基于定位模型的训练结果,对定位模型对应于待定位空间的空间目标参数进行更新,以得到对应于待定位空间的训练完成的目标定位模型。
在本实施例中,由于在对原始模型进行空间定位的训练的时候,模型已经学习到了多个空间内的信号传播特性,服务器在基于目标训练数据对定位模型进行自适应训练的时候,可以仅通过小样本数据即可实现模型训练的快速收敛,可以减少目标训练数据中的样本个数。
上述模型训练方法中,通过获取多个空间位置的空间训练数据,然后基于各空间训练数据对构建的初始模型进行空间定位的训练,并对初始模型的空间定位参数进行更新,得到空间定位参数更新后的定位模型,进一步,获取待定位空间的目标训练数据,并基于目标训练数据对空间定位参数更新后的定位模型进行自适应训练,并对定位模型对应于待定位空间的空间目标参数进行更新,得到训练完成的对应于待定位空间的目标定位模型。从而,可以通过原始模型进行空间定位的训练,使得训练后的定位模型具有识别不同位置空间的功能,使得在后续在对待定位空间对应的目标定位模型进行训练的时候,可以基于空间位置训练时获取的先验知识,基于少量的目标训练数据即可完成目标定位模型的训练,可以减少后续训练所需目标训练数据的数据量,减少模型的训练次数,进而减少模型训练所带来的资源耗费。
在其中一个实施例中,获取多个空间位置的空间训练数据,可以包括:获取各空间位置中参考点的坐标位置;根据各空间位置中信号接入点发射的定位信号,确定各空间位置的参考点接收到定位信号的第一信号强度,以及对应空间位置中的测试点接收到定位信号的第二信号强度;基于各第一信号强度以及各第二信号强度,确定各空间位置中测试点对应的目标参考点;基于各空间位置中测试点对应的目标参考点的第一信号强度以及坐标位置,得到各测试点的空间位置数据,并将各空间位置数据作为各空间位置的空间训练数据。
如前文所述,各空间位置中参考点RP的位置是已知的,服务器可以直接从数据库或者是数据表中获取各空间位置中参考点RP的坐标位置。
在本实施例中,继续参考图3,对于每一空间位置,其可以包括多个参考点RP,参考点RP可以按照预设规则阵列排布,参考点RP与参考点RP之间的位置距离可以固定。服务器获取到的参考点RP的坐标位置可以绝对坐标位置,也可以是参考点RP之间的相对坐标位置,本申请对此不作限制。
进一步,各空间位置中的信号接入点AP可以发射定位信号,空间位置中的各个参考点RP可以接受到各接入点AP发送的定位信号,即确定各空间位置的参考点RP接收到定位信号的第一信号强度。
同理,服务器也可以确定空间位置中的测试点接收到定位信号的第二信号强度。
在本实施例中,由于参考点RP的坐标位置已知,且已经获取,则对于空间位置中的各个参考点RP,其对应的绝对定位数据为RSS1+RSS2+RSS3+…+Position。其中,RSS1表示与第一接入点之间的第一信号强度,RSS2表示与第二接入点之间的第一信号强度,表示与第三接入点之间的第一信号强度RSS3,Position表示参考点RP的坐标位置。对于各测试点TP,其对应的绝对定位数据为RSS1+RSS2+RSS3+…。其中,RSS1表示与第一接入点之间的第二信号强度,RSS2表示与第二接入点之间的第二信号强度,表示与第三接入点之间的第二信号强度RSS3。本领域技术人员可以理解的是,对于各个参考点AP以及各个测试点TP,其对应的第一接入点、第二接入点以及第三接入点可以不同,第一接入点、第二接入点以及第三接入点可以是指各个参考点AP以及各个测试点TP所接收到定位信号最强的点。或者第一接入点、第二接入点以及第三接入点也可以是指代空间位置中固定的各接入点,例如,继续参考图3,AP1对应于第一接入点,AP2对应于第二接入点等。
进一步,服务器可以基于各第一信号强度以及各第二信号强度,确定各空间位置中测试点TP对应的目标参考点。具体地,服务器可以将各测试点TP的各第二信号强度与各参考点RP的各第一信号强度进行比较,以确定信号强度最接近的预设数量k的参考点为对应于测试点TP的目标参考点。
进一步,服务器可以将空间位置中测试点TP的第二信号强度、对应的目标参考点的第一信号强度以及坐标位置作为测试点TP所对应的定位数据,确定各测试点的空间位置数据,并将各空间位置数据作为各空间位置的空间训练数据,即得到图4所示的数据。在图4所示的空间训练数据中,其中,RSS_dis1表示测试点对应的第一目标参考点的RSS向量与测试点对应的RSS向量之间的距离,即第一目标参考点相对于其对应的多个接入点AP的RSS值所组成的向量,与测试点相对于其对应的多个接入点AP的RSS值所组成的向量之间的距离值,例如,可以是欧式距离等。x1表示第一目标参考点的坐标位置。其他数据同理。
在其中一个实施例中,空间训练数据可以包括支持集数据以及测试集数据。
在本实施例中,服务器在获取到对应各空间位置的空间训练数据后,可以将其分为支持集(support set)数据以及测试集(query set)数据。其中,支持集数据用于训练,测试集数据用于测试。
在本实施例中,空间训练数据可以包括通过虚拟仿真软件所获取到的数据以及基于实际的实体空间采集到的数据。例如,服务器可以预先构建对应各空间位置的三维仿真模型,通过三维仿真模型生成对应各空间位置的空间训练数据。通过构建三维仿真模型,然后获取空间训练数据,可以获取到大数据量的空间训练数据,相比于完全通过实际的实体空间采集空间训练数据,通过仿真模型获取空间训练数据可以减少数据的获取时间,可以提升获取效率。并且,可以减少人工的参与,提升处理效率以及提升处理的智能化水平。
在本实施例中,模型与训练数据可以实现双驱动。具体地,服务器可以通过三维仿真模型获取到空间训练数据,即可以实现模型对训练数据的驱动,并且,服务器可以基于三维仿真模型获取到的空间训练数据,对原始模型进行空间定位的训练,即实现训练数据对模型的驱动。
在本实施例中,基于各空间训练数据对构建的初始模型进行空间定位的训练,并对初始模型的空间定位参数进行更新,得到空间定位参数更新后的定位模型,可以包括:根据各支持集数据,分别对构建的原始模型进行训练,得到对应各支持集数据的训练结果;基于各支持集数据的训练结果,对原始模型的空间定位参数进行第一更新处理,得到对应的各初始模型;根据各测试集数据,对基于对应的训练集数据训练后的初始模型进行测试,得到对应各初始模型的测试结果;基于各测试结果,对原始模型的空间定位参数进行第二更新处理,得到空间定位参数更新后的定位模型。
在本实施例中,服务器可以基于具体的应用场景或者是具体需求,构建对应的原始模型,然后将获取到的各空间位置的支持集数据输入构建的原始模型中,对构建的原始模型进行训练,并生成对应各空间位置的支持集数据的训练结果。
在本实施例中,各空间训练数据均可以包括图4所示的RSS_dis值以及对应的位置标签,服务器可以将各空间位置数据对应的支持集数据输入原始模型中,通过原始模型输出对应的训练结果。
在本实施例中,空间训练数据中的支持集数据和测试集数据均可以包括图4所示的RSS_dis值以及数据标签,数据标签用于指示空间数据所属位置空间的标签,例如,办公室、机场、商场等。
进一步,服务器可以基于各支持集数据的训练结果以及输入的支持集数据,运用梯度下降法对空间定位参数进行更新,即进行第一更新处理,以得到对应的各空间位置的各初始模型。例如,服务器通过空间位置“办公室”对应的支持集数据对原始模型进行训练,并对空间位置参数进行更新,得到对应于“办公室”的初始模型,通过空间位置“商场”对应的支持集数据对原始模型进行训练,并对空间位置参数进行更新,得到对应于“商场”的初始模型。
进一步,服务器可以基于各空间位置对应的测试集数据,对基于对应的训练集数据训练后的初始模型进行测试,得到对应各初始模型的测试结果。
具体地,继续沿用前例,服务器基于空间位置“办公室”对应的测试集数据,对基于“办公室”对应的支持集数据训练后的初始模型进行测试,得到对应的测试结果。同理,服务器可以基于空间位置“商场”对应的测试集数据,对基于“商场”对应的支持集数据训练后的初始模型进行测试,得到对应的测试结果。
进一步,服务器可以基于各测试结果,对原始模型的空间定位参数进行第二更新处理,得到空间定位参数更新后的定位模型。
具体地,服务器可以根据“办公室”对应的测试结果、“商场”对应的测试结果以及“办公室”对应的测试集数据、“商场”对应的测试集数据等,对原始模型的空间定位参数进行第二更新处理,得到空间定位参数更新后的定位模型。
本领域技术人员可以理解的是,上述内容仅为举例说明,在实际应用中,空间位置可以包括更多的空间位置,在进行第二更新处理的时候,可以是基于所有的空间位置对应的测试即数据的测试结果以及对应的测试集数据,对原始模型的空间定位参数进行第二更新处理。
在其中一个实施例中,基于各支持集数据的训练结果,对原始模型的空间定位参数进行第一更新处理,得到对应的各初始模型,可以包括:基于各训练结果以及对应的各支持集数据,确定原始模型相对于各支持集数据的各训练损失;基于各训练损失,对原始模型的空间定位参数进行第一更新处理,得到对应的各初始模型。
在本实施例中,服务器可以通过如下公式(1)对原始模型的空间定位参数进行第一更新处理。
其中,θ表示原始的空间定位参数,θi`表示基于第i个空间位置进行第一更新处理后的空间定位参数,α表示学习率,表示梯度下降法,Li1表示第i个空间对应的训练损失,表示原始模型,/>表示第i个空间的支持集数据。
在其中一个实施例中,基于各测试结果,对原始模型的空间定位参数进行第二更新处理,得到空间定位参数更新后的定位模型,可以包括:基于各测试结果以及对应的各测试集数据,确定原始模型相对于各测试集数据的各模型空间损失;根据各模型空间损失,得到原始模型的总模型空间损失;基于总模型空间损失,对原始模型的空间定位参数进行第二更新处理,得到空间定位参数更新后的定位模型。
在本实施例中,服务器在基于各初始模型以及各空间位置的测试集数据得到对应的各测试结果之后,可以基于各空间位置对应的测试结果以及各测试集数据的标签数据,分别计算各初始模型相对于各测试集数据的各模型空间损失,具体参见如下公式(2)。
其中,表示第i个空间的测试集数据,/>表示初始模型,Li2表示第i个空间对应的模型空间损失。
进一步,服务器可以对各模型空间损失进行叠加,以得到对应于原始模型的总模型空间损失L(θ),具体可以参见如下公式(3)。
本领域技术人员可以理解的是,基于应用场景的不同,服务器也可以通过加权求和的方式,对各个模型空间损失进行加权,然后在求和,以得到对应于原始模型的总模型空间损失L(θ)。
进一步,服务器可以基于总模型空间损失,对原始模型的空间定位参数进行第二更新处理,得到空间定位参数更新后的定位模型。具体可以参见如下公式(4)。
其中,β表示学习率,θ`表示第二更新处理后的空间定位参数。
在其中一个实施例中,基于各支持集数据的训练结果,对原始模型的空间定位参数进行第一更新处理,得到对应的各初始模型,可以包括:基于各支持集数据的训练结果以及第一学习速率,对原始模型的空间定位参数进行第一更新处理,得到对应的各初始模型。
具体地,如前公式(1)所示,服务器可以基于第一学习率α对原始模型的空间定位参数进行第一更新处理,得到对应的各初始模型。
在本实施例中,对于不同的空间位置,对应的第一学习速率α可以不相同,即对于“办公室”、“商场”等的第一学习率α可以不同。
在本实施例中,基于各测试结果,对原始模型的空间定位参数进行第二更新处理,得到空间定位参数更新后的定位模型,可以包括:基于各测试结果以及第二学习速率,对原始模型的空间定位参数进行第二更新处理,得到空间定位参数更新后的定位模型。
具体的,参考前述公式(4),服务器可以基于第二学习速率β对原始模型的空间定位参数进行第二更新处理,得到空间定位参数更新后的定位模型。
在本实施例中,第一学习速率α与第二学习速率β可以相同,也可以不同,本申请对此不作限制。
在其中一个实施例中,对构建的原始模型进行训练之前,还可以包括:对原始模型的空间定位参数进行初始化处理。
具体地,服务器在构建原始模型后,可以对原始模型的空间定位参数进行初始化处理,以得到初始化后的空间定位参数。后续在进行参数更新的时候,可以是对初始化后的空间定位参数进行更新。
以下通过一具体案例进行说明。
在本实施例中,服务器可以采用元学习框架,旨在提取多个室内定位任务的信息并将这些信息作为目标定位任务的先验,以用少量采集数据和少量更新次数完成目标定位任务。如图6所示,元学习框架由两个阶段组成:元训练(meta-training)阶段和元测试(meta-testing)阶段,训练好的神经网络(NN)参数将这两者联系在一起。
具体地,在元训练(meta-training)阶段,服务器可以通过多个空间位置(Space1~SpaceN)的空间训练数据对构建的原始模型进行训练,并通过梯度下降法,对原始模型的空间定位参数进行更新。
在本实施例中,各空间训练数据可以包括支持集数据以及测试集数据,服务器可以基于各空间位置对应的模型损失,确定总的模型损失,已对原始模型的空间定位参数进行更新。
进一步,在元测试(meta-testing)阶段,服务器可以将获取到的待定位空间的目标训练数据输入空间定位参数进行更新后的定位模型,对待定位空间进行定位,并进行定位模型的自适应训练,以得到对应于待定位空间的目标定位模型。
在本实施例中,目标训练数据可以包括支持集数据以及测试集数据,支持集数据用于训练,测试集数据用于测试。
在本实施例中,目标训练数据中的支持集数据可以包括空间数据以及标签数据,目标训练数据中的测试集数据可以仅包括空间数据。其中,空间数据即待定位空间的RSS_dis值。
在本实施例中,服务器在基于目标训练数据对定位模型进行自适应训练的时候,可以基于定位模型对目标训练数据进行特征提取,并进行预测,基于预测结果计算定位模型的模型损失。
进一步,服务器可以基于模型损失对定位模型的空间目标参数进行更新,以得到空间目标参数更新后的定位模型。
进一步,服务器可以基于目标训练数据中的测试集数据对空间目标参数更新后的定位模型进行测试,并在测试通过后得到对应待定位空间的目标定位模型。
应该理解的是,虽然图2的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图7所示,提供了一种模型训练装置,包括:空间训练数据获取模块100、空间定位参数训练模块200、目标训练数据获取模块300以及目标空间模型训练模块400,其中:
空间训练数据获取模块100,用于获取多个空间位置的空间训练数据。
空间定位参数训练模块200,用于基于各空间训练数据对构建的原始模型进行空间定位的训练,并对原始模型的空间定位参数进行更新,得到空间定位参数更新后的定位模型。
目标训练数据获取模块300,用于获取待定位空间的目标训练数据。
目标空间模型训练模块400,用于基于目标训练数据对空间定位参数更新后的定位模型进行自适应训练,并对定位模型对应于待定位空间的空间目标参数进行更新,得到训练完成的对应于待定位空间的目标定位模型。
在其中一个实施例中,空间训练数据获取模块100,可以包括:
坐标位置获取子模块,用于获取各空间位置中参考点的坐标位置。
信号强度确定子模块,用于根据各空间位置中信号接入点发射的定位信号,确定各空间位置的参考点接收到定位信号的第一信号强度,以及对应空间位置中的测试点接收到定位信号的第二信号强度。
目标参考点确定子模块,用于基于各第一信号强度以及各第二信号强度,确定各空间位置中测试点对应的目标参考点。
空间训练数据确定子模块,u基于各空间位置中测试点对应的目标参考点的第一信号强度以及坐标位置,得到各测试点的空间位置数据,并将各空间位置数据作为各空间位置的空间训练数据。
在其中一个实施例中,空间训练数据可以包括支持集数据以及测试集数据。
在本实施例中,空间定位参数训练模块200,包括:
训练结果确定子模块,用于根据各支持集数据,分别对构建的原始模型进行训练,得到对应各支持集数据的训练结果。
初始模型生成子模块,用于基于各支持集数据的训练结果,对原始模型的空间定位参数进行第一更新处理,得到对应的各初始模型。
测试结果确定子模块,用于根据各测试集数据,对基于对应的训练集数据训练后的初始模型进行测试,得到对应各初始模型的测试结果。
定位模型确定子模块,用于基于各测试结果,对原始模型的空间定位参数进行第二更新处理,得到空间定位参数更新后的定位模型。
在其中一个实施例中,初始模型生成子模块,可以包括:
训练损失确定单元,用于基于各训练结果以及对应的各支持集数据,确定原始模型相对于各支持集数据的各训练损失。
初始模型生成单元,用于基于各训练损失,对原始模型的空间定位参数进行第一更新处理,得到对应的各初始模型。
在其中一个实施例中,定位模型确定子模块,可以包括:
模型空间损失确定单元,用于基于各测试结果以及对应的各测试集数据,确定原始模型相对于各测试集数据的各模型空间损失。
总模型空间损失确定单元,用于根据各模型空间损失,得到原始模型的总模型空间损失。
定位模型确定单元,用于基于总模型空间损失,对原始模型的空间定位参数进行第二更新处理,得到空间定位参数更新后的定位模型。
在其中一个实施例中,初始模型生成子模块用于基于各支持集数据的训练结果以及第一学习速率,对原始模型的空间定位参数进行第一更新处理,得到对应的各初始模型。
在本实施例中,定位模型确定子模块用于基于各测试结果以及第二学习速率,对原始模型的空间定位参数进行第二更新处理,得到空间定位参数更新后的定位模型。
在其中一个实施例中,上述装置还可以包括:
初始化处理模块,用于对构建的原始模型进行训练之前,对原始模型的空间定位参数进行初始化处理。
关于模型训练装置的具体限定可以参见上文中对于模型训练方法的限定,在此不再赘述。上述模型训练装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储空间训练数据、空间定位参数、目标训练数据以及空间目标参数等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种模型训练方法。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现以下步骤:获取多个空间位置的空间训练数据;基于各空间训练数据对构建的原始模型进行空间定位的训练,并对原始模型的空间定位参数进行更新,得到空间定位参数更新后的定位模型;获取待定位空间的目标训练数据;基于目标训练数据对空间定位参数更新后的定位模型进行自适应训练,并对定位模型对应于待定位空间的空间目标参数进行更新,得到训练完成的对应于待定位空间的目标定位模型。
在其中一个实施例中,处理器执行计算机程序时实现获取多个空间位置的空间训练数据,可以包括:获取各空间位置中参考点的坐标位置;根据各空间位置中信号接入点发射的定位信号,确定各空间位置的参考点接收到定位信号的第一信号强度,以及对应空间位置中的测试点接收到定位信号的第二信号强度;基于各第一信号强度以及各第二信号强度,确定各空间位置中测试点对应的目标参考点;基于各空间位置中测试点对应的目标参考点的第一信号强度以及坐标位置,得到各测试点的空间位置数据,并将各空间位置数据作为各空间位置的空间训练数据。
在其中一个实施例中,空间训练数据包括支持集数据以及测试集数据。
在本实施例中,处理器执行计算机程序时实现基于各空间训练数据对构建的初始模型进行空间定位的训练,并对初始模型的空间定位参数进行更新,得到空间定位参数更新后的定位模型,可以包括:根据各支持集数据,分别对构建的原始模型进行训练,得到对应各支持集数据的训练结果;基于各支持集数据的训练结果,对原始模型的空间定位参数进行第一更新处理,得到对应的各初始模型;根据各测试集数据,对基于对应的训练集数据训练后的初始模型进行测试,得到对应各初始模型的测试结果;基于各测试结果,对原始模型的空间定位参数进行第二更新处理,得到空间定位参数更新后的定位模型。
在其中一个实施例中,处理器执行计算机程序时实现基于各支持集数据的训练结果,对原始模型的空间定位参数进行第一更新处理,得到对应的各初始模型,可以包括:基于各训练结果以及对应的各支持集数据,确定原始模型相对于各支持集数据的各训练损失;基于各训练损失,对原始模型的空间定位参数进行第一更新处理,得到对应的各初始模型。
在其中一个实施例中,处理器执行计算机程序时实现基于各测试结果,对原始模型的空间定位参数进行第二更新处理,得到空间定位参数更新后的定位模型,可以包括:基于各测试结果以及对应的各测试集数据,确定原始模型相对于各测试集数据的各模型空间损失;根据各模型空间损失,得到原始模型的总模型空间损失;基于总模型空间损失,对原始模型的空间定位参数进行第二更新处理,得到空间定位参数更新后的定位模型。
在其中一个实施例中,处理器执行计算机程序时实现基于各支持集数据的训练结果,对原始模型的空间定位参数进行第一更新处理,得到对应的各初始模型,可以包括:基于各支持集数据的训练结果以及第一学习速率,对原始模型的空间定位参数进行第一更新处理,得到对应的各初始模型。
在本实施例中,处理器执行计算机程序时实现基于各测试结果,对原始模型的空间定位参数进行第二更新处理,得到空间定位参数更新后的定位模型,可以包括:基于各测试结果以及第二学习速率,对原始模型的空间定位参数进行第二更新处理,得到空间定位参数更新后的定位模型。
在其中一个实施例中,处理器执行计算机程序时实现对构建的原始模型进行训练之前,还可以实现以下步骤:对原始模型的空间定位参数进行初始化处理。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:获取多个空间位置的空间训练数据;基于各空间训练数据对构建的原始模型进行空间定位的训练,并对原始模型的空间定位参数进行更新,得到空间定位参数更新后的定位模型;获取待定位空间的目标训练数据;基于目标训练数据对空间定位参数更新后的定位模型进行自适应训练,并对定位模型对应于待定位空间的空间目标参数进行更新,得到训练完成的对应于待定位空间的目标定位模型。
在其中一个实施例中,计算机程序被处理器执行时实现获取多个空间位置的空间训练数据,可以包括:获取各空间位置中参考点的坐标位置;根据各空间位置中信号接入点发射的定位信号,确定各空间位置的参考点接收到定位信号的第一信号强度,以及对应空间位置中的测试点接收到定位信号的第二信号强度;基于各第一信号强度以及各第二信号强度,确定各空间位置中测试点对应的目标参考点;基于各空间位置中测试点对应的目标参考点的第一信号强度以及坐标位置,得到各测试点的空间位置数据,并将各空间位置数据作为各空间位置的空间训练数据。
在其中一个实施例中,空间训练数据包括支持集数据以及测试集数据。
在本实施例中,计算机程序被处理器执行时实现基于各空间训练数据对构建的初始模型进行空间定位的训练,并对初始模型的空间定位参数进行更新,得到空间定位参数更新后的定位模型,可以包括:根据各支持集数据,分别对构建的原始模型进行训练,得到对应各支持集数据的训练结果;基于各支持集数据的训练结果,对原始模型的空间定位参数进行第一更新处理,得到对应的各初始模型;根据各测试集数据,对基于对应的训练集数据训练后的初始模型进行测试,得到对应各初始模型的测试结果;基于各测试结果,对原始模型的空间定位参数进行第二更新处理,得到空间定位参数更新后的定位模型。
在其中一个实施例中,计算机程序被处理器执行时实现基于各支持集数据的训练结果,对原始模型的空间定位参数进行第一更新处理,得到对应的各初始模型,可以包括:基于各训练结果以及对应的各支持集数据,确定原始模型相对于各支持集数据的各训练损失;基于各训练损失,对原始模型的空间定位参数进行第一更新处理,得到对应的各初始模型。
在其中一个实施例中,计算机程序被处理器执行时实现基于各测试结果,对原始模型的空间定位参数进行第二更新处理,得到空间定位参数更新后的定位模型,可以包括:基于各测试结果以及对应的各测试集数据,确定原始模型相对于各测试集数据的各模型空间损失;根据各模型空间损失,得到原始模型的总模型空间损失;基于总模型空间损失,对原始模型的空间定位参数进行第二更新处理,得到空间定位参数更新后的定位模型。
在其中一个实施例中,计算机程序被处理器执行时实现基于各支持集数据的训练结果,对原始模型的空间定位参数进行第一更新处理,得到对应的各初始模型,可以包括:基于各支持集数据的训练结果以及第一学习速率,对原始模型的空间定位参数进行第一更新处理,得到对应的各初始模型。
在本实施例中,计算机程序被处理器执行时实现基于各测试结果,对原始模型的空间定位参数进行第二更新处理,得到空间定位参数更新后的定位模型,可以包括:基于各测试结果以及第二学习速率,对原始模型的空间定位参数进行第二更新处理,得到空间定位参数更新后的定位模型。
在其中一个实施例中,计算机程序被处理器执行时实现对构建的原始模型进行训练之前,还可以实现以下步骤:对原始模型的空间定位参数进行初始化处理。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种模型训练方法,其特征在于,所述方法包括:
获取各空间位置中参考点的坐标位置;
根据各空间位置中信号接入点发射的定位信号,确定各空间位置的参考点接收到所述定位信号的第一信号强度,以及对应空间位置中的测试点接收到所述定位信号的第二信号强度;
基于各所述第一信号强度以及各所述第二信号强度,确定各所述空间位置中测试点对应的目标参考点;
基于各所述空间位置中测试点对应的目标参考点的第一信号强度以及坐标位置,得到各所述测试点的空间位置数据,并将各所述空间位置数据作为各所述空间位置的空间训练数据;其中,所述空间训练数据包括各空间位置对应的各支持集数据和各测试集数据;
根据各所述支持集数据,分别对构建的原始模型进行训练,得到对应各支持集数据的训练结果;
基于各训练结果以及对应的各支持集数据,确定所述原始模型相对于各所述支持集数据的各训练损失;
基于各所述训练损失,对所述原始模型的空间定位参数进行第一更新处理,得到对应的各初始模型;
根据各所述测试集数据,对基于对应的支持集数据训练后的初始模型进行测试,得到对应各初始模型的测试结果;
基于各所述测试结果以及对应的各测试集数据,确定所述原始模型相对于各所述测试集数据的各模型空间损失;
根据各所述模型空间损失,得到所述原始模型的总模型空间损失;
基于所述总模型空间损失,对所述原始模型的空间定位参数进行第二更新处理,得到空间定位参数更新后的定位模型;
获取待定位空间的目标训练数据;
基于所述目标训练数据对所述空间定位参数更新后的定位模型进行自适应训练,并对所述定位模型对应于所述待定位空间的空间目标参数进行更新,得到训练完成的对应于所述待定位空间的目标定位模型。
2.根据权利要求1所述的方法,其特征在于,所述基于各所述训练损失,对所述原始模型的空间定位参数进行第一更新处理,得到对应的各初始模型,包括:
基于各支持集数据的训练结果以及第一学习速率,对所述原始模型的空间定位参数进行第一更新处理,得到对应的各初始模型;
所述基于所述总模型空间损失,对所述原始模型的空间定位参数进行第二更新处理,得到空间定位参数更新后的定位模型,包括:
基于各所述测试结果以及第二学习速率,对所述原始模型的空间定位参数进行第二更新处理,得到空间定位参数更新后的定位模型。
3.根据权利要求1所述的方法,其特征在于,所述对构建的原始模型进行训练之前,还包括:
对所述原始模型的空间定位参数进行初始化处理。
4.根据权利要求1所述的方法,其特征在于,每一测试点的空间位置数据包括该测试点对应的目标参考点的第一信号强度与该测试点的第二信号强度之间的距离,以及该测试点对应的目标参考点的坐标位置。
5.根据权利要求1所述的方法,其特征在于,所述空间训练数据包括通过三维仿真模型生成的各所述空间位置的数据和基于实际空间采集到的数据。
6.一种模型训练装置,其特征在于,所述装置包括:
空间训练数据获取模块,用于获取各空间位置中参考点的坐标位置;根据各空间位置中信号接入点发射的定位信号,确定各空间位置的参考点接收到所述定位信号的第一信号强度,以及对应空间位置中的测试点接收到所述定位信号的第二信号强度;基于各所述第一信号强度以及各所述第二信号强度,确定各所述空间位置中测试点对应的目标参考点;基于各所述空间位置中测试点对应的目标参考点的第一信号强度以及坐标位置,得到各所述测试点的空间位置数据,并将各所述空间位置数据作为各所述空间位置的空间训练数据;其中,所述空间训练数据包括各空间位置对应的各支持集数据和各测试集数据;
训练结果确定模块,用于根据各所述支持集数据,分别对构建的原始模型进行训练,得到对应各支持集数据的训练结果;
训练损失确定模块,用于基于各训练结果以及对应的各支持集数据,确定所述原始模型相对于各所述支持集数据的各训练损失;
初始模型训练模块,用于基于各所述训练损失,对所述原始模型的空间定位参数进行第一更新处理,得到对应的各初始模型;
测试结果确定模块,用于根据各所述测试集数据,对基于对应的支持集数据训练后的初始模型进行测试,得到对应各初始模型的测试结果;
定位模型确定模块,用于基于各所述测试结果以及对应的各测试集数据,确定所述原始模型相对于各所述测试集数据的各模型空间损失;根据各所述模型空间损失,得到所述原始模型的总模型空间损失;基于所述总模型空间损失,对所述原始模型的空间定位参数进行第二更新处理,得到空间定位参数更新后的定位模型;
目标训练数据获取模块,用于获取待定位空间的目标训练数据;
目标空间模型训练模块,用于基于所述目标训练数据对所述空间定位参数更新后的定位模型进行自适应训练,并对所述定位模型对应于所述待定位空间的空间目标参数进行更新,得到训练完成的对应于所述待定位空间的目标定位模型。
7.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
8.一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,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110526234.XA CN113344212B (zh) | 2021-05-14 | 2021-05-14 | 模型训练方法、装置、计算机设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110526234.XA CN113344212B (zh) | 2021-05-14 | 2021-05-14 | 模型训练方法、装置、计算机设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113344212A CN113344212A (zh) | 2021-09-03 |
CN113344212B true CN113344212B (zh) | 2024-01-19 |
Family
ID=77468631
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110526234.XA Active CN113344212B (zh) | 2021-05-14 | 2021-05-14 | 模型训练方法、装置、计算机设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113344212B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113766669B (zh) * | 2021-11-10 | 2021-12-31 | 香港中文大学(深圳) | 一种基于深度学习网络的大规模随机接入方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106233798A (zh) * | 2014-02-20 | 2016-12-14 | 微软技术许可有限责任公司 | 在目标区域中的无线用户设备装置的定位 |
CN107517446A (zh) * | 2017-09-28 | 2017-12-26 | 知谷(上海)网络科技有限公司 | 基于Wi‑Fi热点的室内定位方法及装置 |
CN109379711A (zh) * | 2018-12-19 | 2019-02-22 | 香港中文大学(深圳) | 一种定位方法 |
KR20200017611A (ko) * | 2018-08-08 | 2020-02-19 | (주)휴빌론 | 딥러닝을 이용한 위치 측위 방법 및 장치 |
CN111935629A (zh) * | 2020-07-30 | 2020-11-13 | 广东工业大学 | 一种基于环境特征迁移的自适配定位方法 |
CN112766388A (zh) * | 2021-01-25 | 2021-05-07 | 深圳中兴网信科技有限公司 | 模型获取方法、电子设备和可读存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11363416B2 (en) * | 2019-10-04 | 2022-06-14 | Samsung Electronics Co., Ltd. | System and method for WiFi-based indoor localization via unsupervised domain adaptation |
-
2021
- 2021-05-14 CN CN202110526234.XA patent/CN113344212B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106233798A (zh) * | 2014-02-20 | 2016-12-14 | 微软技术许可有限责任公司 | 在目标区域中的无线用户设备装置的定位 |
CN107517446A (zh) * | 2017-09-28 | 2017-12-26 | 知谷(上海)网络科技有限公司 | 基于Wi‑Fi热点的室内定位方法及装置 |
KR20200017611A (ko) * | 2018-08-08 | 2020-02-19 | (주)휴빌론 | 딥러닝을 이용한 위치 측위 방법 및 장치 |
CN109379711A (zh) * | 2018-12-19 | 2019-02-22 | 香港中文大学(深圳) | 一种定位方法 |
CN111935629A (zh) * | 2020-07-30 | 2020-11-13 | 广东工业大学 | 一种基于环境特征迁移的自适配定位方法 |
CN112766388A (zh) * | 2021-01-25 | 2021-05-07 | 深圳中兴网信科技有限公司 | 模型获取方法、电子设备和可读存储介质 |
Non-Patent Citations (2)
Title |
---|
Blockchain-Based Privacy-Preserving Driver Monitoring for MaaS in the Vehicular IoT;Qinglei Kong et al;《IEEE Transactions on Vehicular Technology》;第70卷(第4期);第3788-3799页 * |
基于MD5-KNN的Wi-Fi室内定位算法研究;苗云龙 等;《计算机应用研究》;20190930;第36卷(第9期);第2746-2749页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113344212A (zh) | 2021-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | DeepPositioning: Intelligent fusion of pervasive magnetic field and WiFi fingerprinting for smartphone indoor localization via deep learning | |
Njima et al. | Indoor localization using data augmentation via selective generative adversarial networks | |
Cui et al. | Received signal strength based indoor positioning using a random vector functional link network | |
CN107703480B (zh) | 基于机器学习的混合核函数室内定位方法 | |
Bhattarai et al. | Geomagnetic field based indoor landmark classification using deep learning | |
CN109756842B (zh) | 基于注意力机制的无线室内定位方法及系统 | |
CN109379711B (zh) | 一种定位方法 | |
Aranda et al. | Performance analysis of fingerprinting indoor positioning methods with BLE | |
Liu et al. | Large-scale deep learning framework on FPGA for fingerprint-based indoor localization | |
Cha et al. | A hierarchical auxiliary deep neural network architecture for large-scale indoor localization based on Wi-Fi fingerprinting | |
Chen et al. | An indoor location system based on neural network and genetic algorithm | |
Gu et al. | Localization with incompletely paired data in complex wireless sensor network | |
CN113344212B (zh) | 模型训练方法、装置、计算机设备及可读存储介质 | |
KR102304466B1 (ko) | 실내 측위용 데이터베이스 구축, 실내 측위 방법 및 시스템 | |
Yao et al. | Wideband DOA estimation based on deep residual learning with Lyapunov stability analysis | |
Wei et al. | RSSI-based location fingerprint method for RFID indoor positioning: a review | |
Wei et al. | IoT-aided fingerprint indoor positioning using support vector classification | |
CN113805142B (zh) | 一种基于联邦学习的建筑物楼层室内定位方法 | |
Quezada-Gaibor et al. | Lightweight Hybrid CNN-ELM Model for Multi-building and Multi-floor Classification | |
Zhou et al. | Joint positioning and radio map generation based on stochastic variational Bayesian inference for FWIPS | |
ul Haq et al. | Improved localization by time of arrival for internet of things in 3D | |
CN113596724A (zh) | 一种基于迁移学习的室内定位方法、装置、设备和介质 | |
Sánchez et al. | Using data mining and fingerprinting extension with device orientation information for WLAN efficient indoor location estimation | |
Montoliu et al. | Efficient tuning of $ k $ NN hyperparameters for indoor positioning with N-TBEA | |
CN111382830A (zh) | 一种基于混合粒子群算法的信号到达角度估计方法和装置 |
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 |