CN113419214A - 一种目标不携带设备的室内定位方法 - Google Patents

Abstract

本发明公开了一种目标不携带设备的室内精确定位方法，该方法涉及获取目标在室内不同位置对无线电波的遮挡作用的量化数据与目标所在位置的标签，并对数据集进行划分得到训练样本集与测试样本集；然后将所有位置上的量化数据进行处理，最后将测试样本集使用字典进行线性表示，通过在目标方程中加入正则化来限制解的范围，求解可以得到一个包含目标位置信息的稀疏向量，稀疏向量中极大值的位置进行加权联合计算得到目标位置。本发明能够对目标室内位置进行有效预测，对智能家居控制，目标监控，银行防盗和智能医疗等提供技术基础。

Description

一种目标不携带设备的室内定位方法

技术领域

本发明属于室内定位领域，特别涉及一种目标不携带设备的室内 精确定位方法。

背景技术

定位在智能世界的构建过程中一直扮演着不可或缺的角色。根据 定位原理的不同，定位从大方向上被分为两类，一种是目标携带设备 的定位,另一种是免携带设备的定位。目标携带设备的定位即被检测 目标携带有可检测的电子设备并且主动参与定位活动。目标携带设备 的定位已经在某些领域有了成熟的应用。比如基于GPS的定位技术在 车载和个人导航上已经有了很成功的应用；基于RFID的定位技术在 室内车辆定位领域也有了全面的发展等。但是目标携带设备的定位在 一些应用场景中却不适用，例如在银行的防盗检测中，我们不能期待 入侵者身上携带有可供检测的电子设备。在智能家居生活中，通过定 位人物位置，可以对智能台灯或者其他智能用电器进行控制，同样我 们不能要求客人携带有统一的可供识别的“身份牌”。因此，无设备 定位的概念应运而生并且引起了人们的研究兴趣。

免携带设备的定位是指被跟踪实体既不需要携带设备，也不需要 积极参与定位算法。有很多成熟的技术应用于无设备定位领域，包括 计算机视觉，无线电射频，雷达等。卷积神经网络的提出，大大加快 了计算机视觉的发展速度，目前已经实现了对视频中的目标物进行精 确定位和实时追踪的功能。但是计算机视觉有着明显的缺陷，比如在 光线较暗的夜晚或者雾天，定位性能会大打折扣而且无法隔墙进行目 标定位。基于雷达的定位可以克服以上技术的缺陷。但是使用雷达进 行精确定位则需要布置雷达阵，这样会导致更高的安装费用，不可能 将雷达定位系统安装在日常生活环境中。普及的WIFI技术使得无线基础架构随处可见，基于无线电技术来进行定位则无需修改当前的无 线基础架构。无线电在生活中无处不在，它无时无刻不在穿过我们的 身体。因此本篇文章探究在无线电网络中进行定位，以希望我们的方 法拥有更广阔的应用。

发明内容

本发明的目的是提供一种目标不携带设备的室内精确定位方法， 该方法通过求解包含非凸稀疏正则化项的目标方程来得到一个稀疏 向量；采用一种联合分析计算的方法来预测目标的位置坐标。

本发明采用下述技术方案：

一种目标不携带设备的室内精确定位方法，包括以下步骤：

(1)获取目标在室内不同位置对无线电波的遮挡作用的量化数 据与目标所在位置的标签数据，并对该数据进行划分，得到训练样本 集和测试样本集；其中，训练样本集包括目标在不同位置上的接收无 线电数据和目标所在位置标签；

(2)对所有位置上的量化数据进行处理，将每个位置上的数据 都处理成一个列向量，将得到的所有列向量按照列拼接的方式构成一 个字典；

(3)构建目标方程，同时考虑对测试信号的线性拟合误差与正 则化项，进行迭代求解得到最终的稀疏向量；

(4)对稀疏向量中的几个极大值进行联合分析计算，得到目标 预测位置。

步骤(1)所述获取标签数据，并对数据进行划分的方法，包括 如下步骤：

1)将室内定位场景划分为相同大小的方形网格，每个网格表示 目标可能存在的位置，并对应着唯一的数字标签；

2)在一个监控区域周围布置有均匀分布的L个无线电接收传感 器，位置固定，配置一个无线电发射传感器，它有K个可变发射位置， 一个发射传感器和一个接收传感器之间的无线通信称为一组链路，整 个实验场景中一共有N＝K*L组链路；

3)目标存在于室内中的某个位置，无线电发射传感器发送无线 电信号，所有接收传感器接收信号；发射传感器移动所有可选位置并 发射无线电信号，所有接收节点同时接收到达信号；然后，从每个链 路的频谱中提取信号强度作为有效信息，目标在每个位置上都会得到 一个信息矩阵，维度大小为L行K列；同时保存目标在每个网格位置 的数字标签信息，可以用来对应一个真实的二维位置坐标；

4)对采集到的数据集合以5：1的比例划分为训练样本集和测试 样本集。

步骤(2)所述列向量的拼接方法，包括如下步骤：

1)首先将目标在第一个位置上得到的信息矩阵转化为一个列向 量，维度大小为N，标签信息为1；

2)在第一个位置上重复测量τ次，分别转化为列向量后共得到 τ个列向量，标签信息为Lab₁＝{1,1,…,1}；

3)重复步骤1)和2)，直至收集完成目标在所有可选位置上的 数据；分别将每个位置上的列向量依次进行列拼接构成最终字典，对 字典的每个列进行二范数归一化，同时将对应的标签信息进行列拼接 构成标注信息。

步骤(3)所述构建目标方程和迭代求解的方法，包括如下步骤：

1)首先构造目标方程，目标方程应该包含两部分，即拟合误差 以及正则化项，目标方程为：

其中，y表示一个测试信号，W是字典矩阵，x是所求的稀疏向 量，

表示引入的非凸GMC正则化； α,λ都是正的参数；z是一个辅助向量；

2)由于目标个数总是远远小于网络格点的总个数，因此采用稀 疏编码的方法来求解稀疏向量，稀疏编码的求解可以采用前后向分裂 算法。

步骤(4)所述对稀疏向量中的几个极大值进行联合分析计算的 方法，包括如下步骤：

1)首先在求出稀疏向量x＝{x_1,1,x_1,2,…,x_1,τ,x_2,1,...x_S,τ}后，x∈Rⁿ；将 每一个稀疏向量的x系数进行求和即

其中1≤p≤S，因此 得到x^*＝{x₁,...,x_p,...x_S}，x^*为得到预测为不同标签对应的权重向量，权 重越大，预测为当前位置的概率越大，并将x^*中的元素按照降序排列；

2)提取权重向量中的几个极大值，每个权重都对应一个不同的 位置标签，位置标签可以和二维坐标一一对应；

3)将几个权重进行归一化，进行联合计算即可得到预测的目标 位置。

进一步的，步骤3)所述的归一化处理方式及预测目标位置方法 是：

归一化处理：首先将几个极大值向量按照

进行归一化，其中,num为极大值的个数，即可得到归一化的权重；

预测目标位置：通过下式来计算:

其中，loc表 示最终目标的位置，a_i表示位置i所对应的归一化权重，Loc(i)表示 位置i所对应的真实二维坐标。

本发明的优点是：使用稀疏编码的方法对室内定位模型进行建模， 在目标方程中不仅考虑了通过最小拟合误差来处理噪声，还通过引入 非凸正则化来更好的保证了所求稀疏向量的稀疏性，同时保持了目标 方程的凸性，便于快速求解；在得到稀疏向量之后，通过同时考虑几 个极大值的位置信息对目标的最终位置进行估计，能够对目标室内位 置进行有效预测，对智能家居控制，目标监控，银行防盗和智能医疗 等提供技术基础。

附图说明

图1是本发明实施例提供的传感器网络的结构示意图；

图2是本发明实施例提供的一种不携带设备的室内定位方法的 总体示意图；

图3是本发明实施例提供的一种不携带设备的室内定位方法流 程示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结 合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、 完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是 全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有 作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护 的范围。

(如图1所示)，本发明首先对室内定位环境进行了建模，由于 该环境中目标的个数总是远少于网格的总个数，因此，我们把定位问 题建模为一个稀疏编码的问题。首先收集到所有位置上的测试信号来 构成字典，对于采集的测试信号就可以通过稀疏编码的方式求得包含 定位信息的稀疏向量，最终使用联合分析计算的方法进行对目标位置 的预测。

如图2-3所示，本发明所述的不携带设备的室内定位方法，依次 包含以下步骤：

S101、获取目标在室内不同位置对无线电波的遮挡作用的量化数 据与目标所在位置的标签数据，并对该数据进行划分得到训练样本集 和测试样本集；训练样本集包括目标在不同位置上的接收无线电数据 和目标所在位置标签；具体包括以下步骤：

S1011、将室内定位场景划分为相同大小的方形网格，每个网格 表示目标可能存在的位置，并对应着唯一的数字标签；

S1012、在一个监控区域周围布置有均匀分布的L个无线电接收 传感器，位置固定，配置一个无线电发射传感器，它有K个可变发射 位置，一个发射传感器和一个接收传感器之间的无线通信称为一组链 路，整个实验场景中一共有N＝K*L组链路；

S1013、目标存在于室内中的某个位置，无线电发射传感器发送 无线电信号，所有接收传感器接收信号；发射传感器移动所有可选位 置并发射无线电信号，所有接收节点同时接收到达信号；然后，从每 个链路的频谱中提取信号强度作为有效信息，目标在每个位置上都会 得到一个信息矩阵，维度大小为L行K列；同时保存目标在每个网格 位置的数字标签信息，可以用来对应一个真实的二维位置坐标；

S1014、对采集到的数据集合以5：1的比例划分为训练样本集和 测试样本集；

S102、将所有位置上的量化数据进行处理，将每个位置上的数据 都处理成一个列向量，将得到的所有列向量按照列拼接的方式构成一 个字典；具体包括以下步骤：

S1021、首先将目标在第一个位置上得到的信息矩阵转化为一个 列向量，维度大小为N，标签信息为1；

S1022、在第一个位置上重复测量τ次，分别转化为列向量后共 得到τ个列向量，标签信息为Lab₁＝{1,1,…,1}；

S1023、重复步骤S1021和S1022，直至收集完成目标在所有可 选位置上的数据；分别将每个位置上的列向量依次进行列拼接构成最 终字典，同时将对应的标签信息进行列拼接构成标注信息；

S103、构建目标方程，同时考虑对测试信号的线性拟合误差与正 则化项，进行迭代求解得到最终的稀疏向量；具体包括以下步骤：

S1031、首先构造目标方程，目标方程应该包含两部分，即拟合 误差以及正则化项，目标方程为：

其中，y表示一个测试信号，W是字典矩阵，x是所求的稀疏向 量，

表示引入的非凸GMC正则化； α,λ都是正的参数；z是一个辅助向量；

S1032、因为目标个数总是远远小于网络格点的总个数，因此可 以采用稀疏编码的方法来求解稀疏向量，稀疏编码的求解可以采用前 后向分裂算法；

S104、对稀疏向量中的几个极大值进行联合分析计算，得到目标 预测位置，具体包括以下具体步骤：

S1041、首先在求出稀疏向量x＝{x_1,1,x_1,2,…,x_1,τ,x_2,1,…x_S,τ}后，x∈Rⁿ； 将每一个稀疏向量的x系数进行求和即

其中1≤p≤S，因 此得到x^*＝{x₁,…,x_p,…x_S}，x^*为得到预测为不同标签对应的权重向量， 权重越大，预测为当前位置的概率越大，并将x^*中的元素按照降序排 列；

S1042、提取权重向量中的几个极大值，每个权重都对应一个不 同的位置标签，位置标签可以和二维坐标一一对应；

S1043、将几个权重进行归一化，进行联合计算即可得到预测的 目标位置。具体的方式是：

首先将几个极大值向量按照

进行归一化， 其中,num为极大值的个数，即可得到归一化的权重；

预测目标的位置可以通过下式来计算:

其中，loc 表示最终目标的位置，a_i表示位置i所对应的归一化权重，Loc(i)表 示位置i所对应的真实二维坐标。

Claims (8)

1.一种目标不携带设备的室内精确定位方法，其特征在于：包括如下步骤：

(1)获取目标在室内不同位置对无线电波的遮挡作用的量化数据与目标所在位置的标签数据，并对该数据进行划分，得到训练样本集和测试样本集；其中，训练样本集包括目标在不同位置上的接收无线电数据和目标所在位置标签；

(2)对所有位置上的量化数据进行处理，将每个位置上的数据都处理成一个列向量，将得到的所有列向量按照列拼接的方式构成一个字典；

(3)构建目标方程，同时考虑对测试信号的线性拟合误差与正则化项，进行迭代求解得到最终的稀疏向量；

(4)对稀疏向量中的几个极大值进行联合分析计算，得到目标预测位置。

2.根据权利要求1所述的方法，其特征在于：步骤(1)所述获取标签数据，并对数据进行划分的方法，包括如下步骤：

1)将室内定位场景划分为相同大小的方形网格，每个网格表示目标可能存在的位置，并对应着唯一的数字标签；

2)在一个监控区域周围布置有均匀分布的L个无线电接收传感器，位置固定，配置一个无线电发射传感器，它有K个可变发射位置，一个发射传感器和一个接收传感器之间的无线通信称为一组链路，整个实验场景中一共有N＝K*L组链路；

3)目标存在于室内中的某个位置，无线电发射传感器发送无线电信号，所有接收传感器接收信号；发射传感器移动所有可选位置并发射无线电信号，所有接收节点同时接收到达信号；然后，从每个链路的频谱中提取信号强度作为有效信息，目标在每个位置上都会得到一个信息矩阵，维度大小为L行K列；同时保存目标在每个网格位置的数字标签信息，可以用来对应一个真实的二维位置坐标；

4)对采集到的数据集合以5：1的比例划分为训练样本集和测试样本集。

3.根据权利要求1所述的方法，其特征在于：步骤(2)所述列向量的列拼接方法，包括如下步骤：

1)首先将目标在第一个位置上得到的信息矩阵转化为一个列向量，维度大小为N，标签信息为1；

2)在第一个位置上重复测量τ次，分别转化为列向量后共得到τ个列向量，标签信息为Lab₁＝{1,1,…,1}；

3)重复步骤1)和2)，直至收集完成目标在所有可选位置上的数据；分别将每个位置上的列向量依次进行列拼接构成最终字典，对字典的每个列进行二范数归一化，同时将对应的标签信息进行列拼接构成标注信息。

4.根据权利要求3所述的方法，其特征在于：所述步骤3)中，列向量x的二范数归一化的具体方式是：

其中

5.根据权利要求1所述的方法，其特征在于，所述步骤(3)包括如下步骤：

1)首先构造目标方程，目标方程应该包含两部分，即拟合误差以及正则化项，目标方程为：

其中，y表示一个测试信号，W是字典矩阵，x是所求的稀疏向量，

表示引入的非凸GMC正则化；α,λ都是正的参数；z是一个辅助向量；

2)由于目标个数总是远远小于网络格点的总个数，因此采用稀疏编码的方法来求解稀疏向量。

6.根据权利要求5所述的方法，其特征是：步骤2)所述的稀疏编码的求解采用前后向分裂算法。

7.根据权利要求1所述的方法，其特征在于，所述步骤(4)包括如下步骤：

1)首先在求出稀疏向量x＝{x_1,1,x_1,2,…,x_1,τ,x_2,1,...x_S,τ}后，x∈Rⁿ；将每一个稀疏向量的x系数进行求和即

其中1≤p≤S，因此得到x^*＝{x₁,...,x_p,...x_S}，x^*为得到预测为不同标签对应的权重向量，权重越大，预测为当前位置的概率越大，并将x^*中的元素按照降序排列；

2)提取权重向量中的几个极大值，每个权重都对应一个不同的位置标签，位置标签可以和二维坐标一一对应；

3)将几个权重进行归一化，进行联合计算即可得到预测的目标位置。

8.根据权利要求7所述的方法，其特征在于：步骤3)所述的归一化处理方式及预测目标位置方法是：

归一化处理：首先将几个极大值向量按照

进行归一化，其中,num为极大值的个数，即可得到归一化的权重；

预测目标位置：通过下式来计算:

其中，loc表示最终目标的位置，a_i表示位置i所对应的归一化权重，Loc(i)表示位置i所对应的真实二维坐标。

Images