CN113516794B - 一种基于层次分析法的多因素融合签到方法 - Google Patents
一种基于层次分析法的多因素融合签到方法 Download PDFInfo
- Publication number
- CN113516794B CN113516794B CN202110224326.2A CN202110224326A CN113516794B CN 113516794 B CN113516794 B CN 113516794B CN 202110224326 A CN202110224326 A CN 202110224326A CN 113516794 B CN113516794 B CN 113516794B
- Authority
- CN
- China
- Prior art keywords
- check
- weight
- factor
- result
- positioning result
- 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
Images
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C1/00—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people
- G07C1/10—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people together with the recording, indicating or registering of other data, e.g. of signs of identity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Remote Sensing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明提供一种基于层次分析法的多因素融合签到方法,包括以下步骤:S1:根据各个因素与签到结果之间的关系建立层次结构模型;S2:分析层次结构模型中各个因素的权重,并构建相应的判断矩阵;S3:对每个判断矩阵进行层次单排序和一致性检验以获取各个判断矩阵的权重因子向量;S4:对权重因子向量进行层次总排序和一致性检验,从而得到权重分配表;S5:根据权重分配表对签到时采集到的数据进行计算,得到签到结果。本发明提供一种基于层次分析法的多因素融合签到方法,解决了现有的考勤签到方法的准确性不够高的问题。
Description
技术领域
本发明涉及计算机技术领域,更具体的,涉及一种基于层次分析法的多因素融合签到方法。
背景技术
层次分析法是一种将多目标的复杂问题进行定性与定量相结合的决策分析方法,该方法首先通过决策者衡量各目标在衡量标准下的相对重要程度,然后通过给定各个决策方案中每个因子的权数来进行定量分析,即利用权数确定各方案的优劣次序,有效地解决难以定量描述的决策问题。
现有的考勤签到方法通常基于用户地理位置或用户身份进行签到,然而,其存在诸多不足,如GPS定位服务不稳定,人脸识别易遭受欺诈攻击,从而容易导致签到结果的准确性不够高。
现有技术中,如2018-02-09公开的中国专利,基于签到大数据的考勤方法和系统,公开号为CN107680016A,基于签到大数据进行进行考勤核实,能够识别出冒充签到和未到现场进行远程签到,提高了考勤的公平性、客观性,使得签到考勤更准确,能提高出勤率和出勤积极性,但没有结合多个因素融合判断签到结果。
发明内容
本发明为克服现有的考勤签到方法的准确性不够高的技术缺陷,提供一种基于层次分析法的多因素融合签到方法。
为解决上述技术问题,本发明的技术方案如下:
一种基于层次分析法的多因素融合签到方法,包括以下步骤:
S1:根据各个因素与签到结果之间的关系建立层次结构模型;
S2:分析层次结构模型中各个因素的权重,并构建相应的判断矩阵;
S3:对每个判断矩阵进行层次单排序和一致性检验以获取各个判断矩阵的权重因子向量;
S4:对权重因子向量进行层次总排序和一致性检验,从而得到权重分配表;
S5:根据权重分配表对签到时采集到的数据进行计算,得到签到结果。
优选的,在步骤S1中,所述层次结构模型包括目标层、准则层和因素层;其中,
所述目标层为多因素融合签到;
所述准则层包括准确性和可靠性;
所述因素层包括GPS定位结果、WIFI定位结果、WLAN定位结果、用户在签到范围内的时长和周围同事蓝牙设备个数;
多因素融合签到的准确性根据GPS定位结果、WIFI定位结果和WLAN定位结果进行判断;
多因素融合签到的可靠性根据用户在签到范围内的时长和周围同事蓝牙设备个数进行判断。
优选的,在步骤S2中,基于组合赋权法分析层次结构模型中各个因素的权重,具体包括以下步骤:
根据实际情况将准确性与可靠性的权重比设置为a1:a2,以及将用户在签到范围内的时长与周围同事蓝牙设备个数的权重比设置为c1:c2;
利用基于机器学习的随机梯度下降法对GPS定位结果、WIFI定位结果和WLAN定位结果的权重进行分配以及动态调整,GPS定位结果、WIFI定位结果和WLAN定位结果的权重比表示为b1:b2:b3;
根据准确性与可靠性的权重比构造判断矩阵Aa:
根据GPS定位结果、WIFI定位结果和WLAN定位结果的权重比构造判断矩阵Ab:
根据用户在签到范围内的时长与周围同事蓝牙设备个数的权重比构造判断矩阵Ac:
优选的,利用基于机器学习的随机梯度下降法对GPS定位结果、WIFI定位结果和WLAN定位结果的权重进行分配以及动态调整的具体步骤为:
S2.1:将用户签到时的位置与签到点之间的距离记作X=[x1,x2,x3];其中,x1表示GPS定位结果,x2表示WIFI定位结果,x3表示WLAN定位结果;
其中,xi∈X,为T中样本的单项结果xi对平均值的相对误差特征,为T中样本的所有单项结果xi对平均值绝对误差之和的特征,为T中m个样本的单项结果xi对平均值的相对误差特征,为T中m个样本的所有单项结果xi对平均值绝对误差之和的特征;
S2.3:用hθ(x)表示Yr,得到目标函数:
S2.5:定义损失函数J(θ)为最小二乘损失函数,其表达式为:
在计算下降最快的方向时随机从训练集中选择数据进行计算,并通过以下公式迭代更新参数θ:
从而求得最佳损失函数最小时的参数θ;
其中,x(i)为第i轮选择的样本特征,y(i)为第i轮选择的样本特征对应的输出,为第i轮的参数,为第i+1轮的参数,i=1,2,…,n,j=0,1,2,3,α为步长,控制参数θ每次向损失函数变小的方向迭代时的变化幅度;
优选的,在步骤S3中,具体包括以下步骤:
S3.1:计算判断矩阵的每一行元素的乘积Mi;
S3.2:计算Mi的n次方根得到权重因子向量:
S3.4:通过以下公式计算出最大特征值:
S3.5:通过以下公式计算随机一致性比率:
CI=(λmax-n)/(n-1)
其中CI为一致性指标,λmax为判断矩阵的最大特征值,RI为随机一致性指标,当CR小于0.10时,认为判断矩阵的一致性合理。
优选的,在步骤S4中,
目标层的层次单排序的结果即为总排序的结果;
CR=CI/RI
CI=(λmax-n)/(n-1)
当CR小于0.10时则认为层次总排序通过一致性检验,最后根据计算结果构建权重分配表;
其中,为权重因子向量,wi为归一化后的权重因子向量,λmax为判断矩阵的最大特征值,n为判断矩阵阶数,BW为判断矩阵与权重因子向量w=(w1w2…wn)相乘的结果,CI为一致性指标,RI为随机一致性指标。
优选的,在步骤S5中,具体包括以下步骤:
S5.1:根据用户签到时采集到的数据计算得到GPS定位结果、WIFI定位结果、WLAN定位结果、用户在签到范围内的时长和周围同事蓝牙设备个数;
S5.2:结合权重分配表分别计算各个因素的实际权重;
S5.3:利用以下公式融合各个因素的实际权重,得到融合结果:
S5.4:判断融合结果ω是否大于或等于0.9;
若是,则签到结果为签到成功并增加一条签到记录;
若否,则签到结果为签到失败。
优选的,在步骤S5.1中,
通过以下步骤得到GPS定位结果:
根据用户的GPS定位点A的经纬度(LinA,LatA)与预设的签到点B的经纬度(LinB,LatB)进行计算,对A、B两点经纬度进行0度经线的基准处理,即按照0度经线的基准,东经取经度正值,西经取经度负值,北纬取90-纬度值,南纬取90+纬度值,经过0度经线的基准处理后两个位置点分别被记为(MLonA,MLatA)和(MLonB,MLatB),带入以下公式得出GPS定位所在地与签到点的距离sg作为GPS定位结果:
C=sin(MLatA)*sin(MLatB)*cos(MLonA-MLonB)+cos(MLatA)*cos(MLatB)
sg=R*Arc cos(C)*Pi/180
其中,Lon为经度,Lat为纬度,R为地球的平均半径;
通过以下步骤得到WIFI定位结果:
判断用户连接的WIFI是否为预设的签到点的WIFI;
若否,则继续搜索并连接签到点的WIFI;
若是,则将用户连接的WIFI的经纬度设置为签到的经纬度并根据该WIFI的信号强度计算出用户与WIFI的距离sw作为WIFI定位结果;
通过以下步骤得到WLAN定位结果:
设GPS定位点D的经纬度为(LonD,LatD),签到点E的经纬度为(LonE,LatE),经过0度经线的基准处理后D、E两点分别被记为(MLonD,MLatD)和(MLonE,MLatE),带入以下公式得出WLAN定位所在地与签到点的距离sn作为WLAN定位结果:
F=sin(MLatD)*sin(MLatF)*cos(MLonD-MLonF)+cos(MLatD)*cos(MLatF)
sn=R*Arccos(F)*Pi/180;
在步骤S5.2中,
选择500m作为GPS定位结果和WLAN定位结果的判定基准,150m作为WIFI定位结果的判定基准;
当sg大于500m时,判定用户在签到点之外,否则,从权重分配表中获取签到中的定位因子权重w=[w1,w2,w3];其中,w1表示权重分配表中GPS定位方式分配的权重,w2表示权重分配表中WIFI定位方式分配的权重,w3表示权重分配表中WLAN定位方式分配的权重;
通过以下公式计算GPS定位因子的实际权重:
通过以下公式计算WIFI定位因子或WLAN定位因子的实际权重:
其中,i=2,3,s为测得定位地点与签到点之间的距离。
优选的,根据用户签到时获取到的蓝牙信息与预设的蓝牙信息列表进行匹配,得到用户周围且存在于蓝牙信息列表中的蓝牙设备的数量作为周围同事蓝牙设备个数;设置周围同事蓝牙设备个数的最小数量为5台,当用户签到时获取到的周围同事蓝牙设备个数大于或等于5个,则直接从权重分配表中得到实际权重,否则由以下公式计算周围同事蓝牙设备个数这一因素所占的实际权重:
其中,n为用户签到时获取到的周围同事蓝牙设备个数。
优选的,设置用户在签到范围内的时长的上限为60秒,当用户在签到范围停留时间超过限制时,则认为用户已经满足存在条件,直接从权重分配表中得到该因素的实际权重,否则通过以下公式计算该因素的实际权重:
其中,t为用户在签到范围内的时长。
与现有技术相比,本发明技术方案的有益效果是:
本发明提供了一种基于层次分析法的多因素融合签到方法,采用层次分析法融合多个因素进行签到判定,可有效降低外界环境影响误差增大对签到结果的影响,从而提升签到结果的准确性和可靠性。
附图说明
图1为本发明的技术方案实施步骤流程图;
图2为本发明的层次结构模型示意图;
图3为本发明中利用基于机器学习的随机梯度下降法对权重进行分配以及动态调整的步骤流程图;
图4为本发明中计算得到签到结果的步骤流程图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1所示,一种基于层次分析法的多因素融合签到方法,包括以下步骤:
S1:根据各个因素与签到结果之间的关系建立层次结构模型;
S2:分析层次结构模型中各个因素的权重,并构建相应的判断矩阵;
S3:对每个判断矩阵进行层次单排序和一致性检验以获取各个判断矩阵的权重因子向量;
S4:对权重因子向量进行层次总排序和一致性检验,从而得到权重分配表;
S5:根据权重分配表对签到时采集到的数据进行计算,得到签到结果。
更具体的,如图2所示,在步骤S1中,所述层次结构模型包括目标层、准则层和因素层;其中,
所述目标层为多因素融合签到;
所述准则层包括准确性和可靠性;
所述因素层包括GPS定位结果、WIFI定位结果、WLAN定位结果、用户在签到范围内的时长和周围同事蓝牙设备个数;
多因素融合签到的准确性根据GPS定位结果、WIFI定位结果和WLAN定位结果进行判断;
多因素融合签到的可靠性根据用户在签到范围内的时长和周围同事蓝牙设备个数进行判断。
更具体的,在步骤S2中,基于组合赋权法分析层次结构模型中各个因素的权重,具体包括以下步骤:
根据实际情况将准确性与可靠性的权重比设置为a1:a2,以及将用户在签到范围内的时长与周围同事蓝牙设备个数的权重比设置为c1:c2;
利用基于机器学习的随机梯度下降法对GPS定位结果、WIFI定位结果和WLAN定位结果的权重进行分配以及动态调整,GPS定位结果、WIFI定位结果和WLAN定位结果的权重比表示为b1:b2:b3;
根据准确性与可靠性的权重比构造判断矩阵Aa:
根据GPS定位结果、WIFI定位结果和WLAN定位结果的权重比构造判断矩阵Ab:
根据用户在签到范围内的时长与周围同事蓝牙设备个数的权重比构造判断矩阵Ac:
更具体的,如图3所示,利用基于机器学习的随机梯度下降法对GPS定位结果、WIFI定位结果和WLAN定位结果的权重进行分配以及动态调整的具体步骤为:
S2.1:将用户签到时的位置与签到点之间的距离记作X=[x1,x2,x3];其中,x1表示GPS定位结果,x2表示WIFI定位结果,x3表示WLAN定位结果;
其中,xi∈X,为T中样本的单项结果xi对平均值的相对误差特征,为T中样本的所有单项结果xi对平均值绝对误差之和的特征,为T中m个样本的单项结果xi对平均值的相对误差特征,为T中m个样本的所有单项结果xi对平均值绝对误差之和的特征;
S2.3:用hθ(x)表示Yr,得到目标函数:
S2.5:定义损失函数J(θ)为最小二乘损失函数,其表达式为:
在计算下降最快的方向时随机从训练集中选择数据进行计算,并通过以下公式迭代更新参数θ:
从而求得最佳损失函数最小时的参数θ;
其中,x(i)为第i轮选择的样本特征,y(i)为第i轮选择的样本特征对应的输出,为第i轮的参数,为第i+1轮的参数,i=1,2,…,n,j=0,1,2,3,α为步长,控制参数θ每次向损失函数变小的方向迭代时的变化幅度;
更具体的,在步骤S3中,具体包括以下步骤:
S3.1:计算判断矩阵的每一行元素的乘积Mi;
S3.2:计算Mi的n次方根得到权重因子向量:
S3.4:通过以下公式计算出最大特征值:
S3.5:通过以下公式计算随机一致性比率:
CI=(λmax-n)/(n-1)
其中CI为一致性指标,λmax为判断矩阵的最大特征值,RI为随机一致性指标,当CR小于0.10时,认为判断矩阵的一致性合理。
更具体的,在步骤S4中,
目标层的层次单排序的结果即为总排序的结果;
CR=CI/RI
CI=(λmax-n)/(n-1)
当CR小于0.10时则认为层次总排序通过一致性检验,最后根据计算结果构建权重分配表;
其中,为权重因子向量,wi为归一化后的权重因子向量,λmax为判断矩阵的最大特征值,n为判断矩阵阶数,BW为判断矩阵与权重因子向量w=(w1w2…wn)相乘的结果,CI为一致性指标,RI为随机一致性指标。
更具体的,如图4所示,在步骤S5中,具体包括以下步骤:
S5.1:根据用户签到时采集到的数据计算得到GPS定位结果、WIFI定位结果、WLAN定位结果、用户在签到范围内的时长和周围同事蓝牙设备个数;
S5.2:结合权重分配表分别计算各个因素的实际权重;
S5.3:利用以下公式融合各个因素的实际权重,得到融合结果:
S5.4:判断融合结果ω是否大于或等于0.9;
若是,则签到结果为签到成功并增加一条签到记录;
若否,则签到结果为签到失败。
更具体的,在步骤S5.1中,
通过以下步骤得到GPS定位结果:
根据用户的GPS定位点A的经纬度(LonA,LatA)与预设的签到点B的经纬度(LonB,LatB)进行计算,对A、B两点经纬度进行0度经线的基准处理,即按照0度经线的基准,东经取经度正值,西经取经度负值,北纬取90-纬度值,南纬取90+纬度值,经过0度经线的基准处理后两个位置点分别被记为(MLonA,MLatA)和(MLonB,MLatB),带入以下公式得出GPS定位所在地与签到点的距离sg作为GPS定位结果:
C=sin(NLatA)*sin(MLatB)*cos(MLonA-MLonB)+cos(MLatA)*cos(MLatB)
sg=R*Arccos(C)*Pi/180
其中,Lon为经度,Lat为纬度,R为地球的平均半径;
通过以下步骤得到WIFI定位结果:
判断用户连接的WIFI是否为预设的签到点的WIFI;
若否,则继续搜索并连接签到点的WIFI;
若是,则将用户连接的WIFI的经纬度设置为签到的经纬度并根据该WIFI的信号强度计算出用户与WIFI的距离sw作为WIFI定位结果;
通过以下步骤得到WLAN定位结果:
设GPS定位点D的经纬度为(LonD,LatD),签到点E的经纬度为(LonE,LatE),经过0度经线的基准处理后D、E两点分别被记为(MLonD,MLatD)和(MLonE,MLatE),带入以下公式得出WLAN定位所在地与签到点的距离sn作为WLAN定位结果:
F=sin(MLatD)*sin(MLatF)*cos(MLonD-MLonF)+cos(MLatD)*cos(MLatF)
sn=R*Arc cos(F)*Pi/180;
在步骤S5.2中,
选择500m作为GPS定位结果和WLAN定位结果的判定基准,150m作为WIFI定位结果的判定基准;
当sg大于500m时,判定用户在签到点之外,否则,从权重分配表中获取签到中的定位因子权重w=[w1,w2,w3];其中,w1表示权重分配表中GPS定位方式分配的权重,w2表示权重分配表中WIFI定位方式分配的权重,w3表示权重分配表中WLAN定位方式分配的权重;
通过以下公式计算GPS定位因子的实际权重:
通过以下公式计算WIFI定位因子或WLAN定位因子的实际权重:
其中,i=2,3,s为测得定位地点与签到点之间的距离。
更具体的,根据用户签到时获取到的蓝牙信息与预设的蓝牙信息列表进行匹配,得到用户周围且存在于蓝牙信息列表中的蓝牙设备的数量作为周围同事蓝牙设备个数;设置周围同事蓝牙设备个数的最小数量为5台,当用户签到时获取到的周围同事蓝牙设备个数大于或等于5个,则直接从权重分配表中得到实际权重,否则由以下公式计算周围同事蓝牙设备个数这一因素所占的实际权重:
其中,n为用户签到时获取到的周围同事蓝牙设备个数。
更具体的,设置用户在签到范围内的时长的上限为60秒,当用户在签到范围停留时间超过限制时,则认为用户已经满足存在条件,直接从权重分配表中得到该因素的实际权重,否则通过以下公式计算该因素的实际权重:
其中,t为用户在签到范围内的时长。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (3)
1.一种基于层次分析法的多因素融合签到方法,其特征在于,包括以下步骤:
S1:根据各个因素与签到结果之间的关系建立层次结构模型;
S2:分析层次结构模型中各个因素的权重,并构建相应的判断矩阵;
S3:对每个判断矩阵进行层次单排序和一致性检验以获取各个判断矩阵的权重因子向量;
S4:对权重因子向量进行层次总排序和一致性检验,从而得到权重分配表;
S5:根据权重分配表对签到时采集到的数据进行计算,得到签到结果;
在步骤S1中,所述层次结构模型包括目标层、准则层和因素层;其中,
所述目标层为多因素融合签到;
所述准则层包括准确性和可靠性;
所述因素层包括GPS定位结果、WIFI定位结果、WLAN定位结果、用户在签到范围内的时长和周围同事蓝牙设备个数;
多因素融合签到的准确性根据GPS定位结果、WIFI定位结果和WLAN定位结果进行判断;
多因素融合签到的可靠性根据用户在签到范围内的时长和周围同事蓝牙设备个数进行判断;
在步骤S2中,基于组合赋权法分析层次结构模型中各个因素的权重,具体包括以下步骤:
根据实际情况将准确性与可靠性的权重比设置为a1:a2,以及将用户在签到范围内的时长与周围同事蓝牙设备个数的权重比设置为c1:c2;
利用基于机器学习的随机梯度下降法对GPS定位结果、WIFI定位结果和WLAN定位结果的权重进行分配以及动态调整,GPS定位结果、WIFI定位结果和WLAN定位结果的权重比表示为b1:b2:b3;
根据准确性与可靠性的权重比构造判断矩阵Aa:
根据GPS定位结果、WIFI定位结果和WLAN定位结果的权重比构造判断矩阵Ab:
根据用户在签到范围内的时长与周围同事蓝牙设备个数的权重比构造判断矩阵Ac:
利用基于机器学习的随机梯度下降法对GPS定位结果、WIFI定位结果和WLAN定位结果的权重进行分配以及动态调整的具体步骤为:
S2.1:将用户签到时的位置与签到点之间的距离记作X=[x1,x2,x3];其中,x1表示GPS定位结果,x2表示WIFI定位结果,x3表示WLAN定位结果;
其中,xi∈X,为T中样本的单项结果xi对平均值的相对误差特征,为T中样本的所有单项结果xi对平均值绝对误差之和的特征,为T中m个样本的单项结果xi对平均值的相对误差特征,为T中m个样本的所有单项结果xi对平均值绝对误差之和的特征;
S2.3:用hθ(x)表示Yr,得到目标函数:
S2.5:定义损失函数J(θ)为最小二乘损失函数,其表达式为:
在计算下降最快的方向时随机从训练集中选择数据进行计算,并通过以下公式迭代更新参数θ:
从而求得最佳损失函数最小时的参数θ;
其中,x(i)为第i轮选择的样本特征,y(i)为第i轮选择的样本特征对应的输出,为第i轮的参数,为第i+1轮的参数,i=1,2,…,n,j=0,1,2,3,α为步长,控制参数θ每次向损失函数变小的方向迭代时的变化幅度;
在步骤S5中,具体包括以下步骤:
S5.1:根据用户签到时采集到的数据计算得到GPS定位结果、WIFI定位结果、WLAN定位结果、用户在签到范围内的时长和周围同事蓝牙设备个数;
S5.2:结合权重分配表分别计算各个因素的实际权重;
S5.3:利用以下公式融合各个因素的实际权重,得到融合结果:
S5.4:判断融合结果ω是否大于或等于0.9;
若是,则签到结果为签到成功并增加一条签到记录;
若否,则签到结果为签到失败;
在步骤S5.1中,
通过以下步骤得到GPS定位结果:
根据用户的GPS定位点A的经纬度(LonA,LatA)与预设的签到点B的经纬度(LonB,LatB)进行计算,对A、B两点经纬度进行0度经线的基准处理,即按照0度经线的基准,东经取经度正值,西经取经度负值,北纬取90-纬度值,南纬取90+纬度值,经过0度经线的基准处理后两个位置点分别被记为(MLonA,MLatA)和(MLonB,MLatB),带入以下公式得出GPS定位所在地与签到点的距离sg作为GPS定位结果:
C=sin(MLatA)*sin(MLatB)*cos(MLonA-MLonB)+cos(MLatA)*cos(MLatB)
sg=R*Arc cos(C)*Pi/180
其中,Lon为经度,Lat为纬度,R为地球的平均半径;
通过以下步骤得到WIFI定位结果:
判断用户连接的WIFI是否为预设的签到点的WIFI;
若否,则继续搜索并连接签到点的WIFI;
若是,则将用户连接的WIFI的经纬度设置为签到的经纬度并根据该WIFI的信号强度计算出用户与WIFI的距离sw作为WIFI定位结果;
通过以下步骤得到WLAN定位结果:
设GPS定位点D的经纬度为(LonD,LatD),签到点E的经纬度为(LonE,LatE),经过0度经线的基准处理后D、E两点分别被记为(MLonD,MLatD)和(MLonE,MLatE),带入以下公式得出WLAN定位所在地与签到点的距离sn作为WLAN定位结果:
F=sin(MLatD)*sin(MLatF)*cos(MLonD-MLonF)+cos(MLatD)*cos(MLatF)
sn=R*Arccos(F)*Pi/180;
在步骤S5.2中,
选择500m作为GPS定位结果和WLAN定位结果的判定基准,150m作为WIFI定位结果的判定基准;
当sg大于500m时,判定用户在签到点之外,否则,从权重分配表中获取签到中的定位因子权重w=[w1,w2,w3];其中,w1表示权重分配表中GPS定位方式分配的权重,w2表示权重分配表中WIFI定位方式分配的权重,w3表示权重分配表中WLAN定位方式分配的权重;
通过以下公式计算GPS定位因子的实际权重:
通过以下公式计算WIFI定位因子或WLAN定位因子的实际权重:
其中,i=2,3,s为测得定位地点与签到点之间的距离;
根据用户签到时获取到的蓝牙信息与预设的蓝牙信息列表进行匹配,得到用户周围且存在于蓝牙信息列表中的蓝牙设备的数量作为周围同事蓝牙设备个数;设置周围同事蓝牙设备个数的最小数量为5台,当用户签到时获取到的周围同事蓝牙设备个数大于或等于5个,则直接从权重分配表中得到实际权重,否则由以下公式计算周围同事蓝牙设备个数这一因素所占的实际权重:
其中,n为用户签到时获取到的周围同事蓝牙设备个数,w4为权重分配表中周围同事蓝牙设备个数因素所占权重;
设置用户在签到范围内的时长的上限为60秒,当用户在签到范围停留时间超过限制时,则认为用户已经满足存在条件,直接从权重分配表中得到该因素的实际权重,否则通过以下公式计算该因素的实际权重:
其中,t为用户在签到范围内的时长,w5为权重分配表中用户在签到范围内的时长因素所占权重。
3.根据权利要求1所述的一种基于层次分析法的多因素融合签到方法,其特征在于,在步骤S4中,
目标层的层次单排序的结果即为总排序的结果;
CR=CI/RI
CI=(λmax-n)/(n-1)
当CR小于0.10时则认为层次总排序通过一致性检验,最后根据计算结果构建权重分配表;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110224326.2A CN113516794B (zh) | 2021-03-01 | 2021-03-01 | 一种基于层次分析法的多因素融合签到方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110224326.2A CN113516794B (zh) | 2021-03-01 | 2021-03-01 | 一种基于层次分析法的多因素融合签到方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113516794A CN113516794A (zh) | 2021-10-19 |
CN113516794B true CN113516794B (zh) | 2023-03-17 |
Family
ID=78060293
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110224326.2A Active CN113516794B (zh) | 2021-03-01 | 2021-03-01 | 一种基于层次分析法的多因素融合签到方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113516794B (zh) |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1520557A (zh) * | 1999-09-03 | 2004-08-11 | 产品生产过程中的参数值优化方法 | |
JP2005071098A (ja) * | 2003-08-25 | 2005-03-17 | Kajima Corp | 意思決定支援システム及び意思決定支援プログラム |
CN103825735A (zh) * | 2012-11-19 | 2014-05-28 | 成都芯软科技发展有限公司 | 全自动智能身份信息识别系统及其实现方法 |
KR101675198B1 (ko) * | 2014-07-22 | 2016-11-11 | 성균관대학교산학협력단 | 다중 의사 결정 문제 해결을 위한 계층적 분석 기법, 회색수 및 엔트로피 기반의 해법 연산 방법 |
CN108665571B (zh) * | 2017-03-29 | 2021-04-02 | 中兴通讯股份有限公司 | 签到方法和装置 |
CN109670394B (zh) * | 2018-10-25 | 2024-03-01 | 平安科技(深圳)有限公司 | 一种基于生物特征相似度的视频会议签到方法及相关设备 |
CN110225535B (zh) * | 2019-06-04 | 2021-07-20 | 吉林大学 | 基于深度确定性策略梯度的异构无线网络垂直切换方法 |
-
2021
- 2021-03-01 CN CN202110224326.2A patent/CN113516794B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113516794A (zh) | 2021-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104346372B (zh) | 用于评估预测模型的方法和装置 | |
US11562448B2 (en) | Device and method for performing validation and authentication of a physical structure or physical object | |
JP2019096319A (ja) | データラベリング作業検査方法及びプログラム | |
CN108830837A (zh) | 一种用于检测钢包溶蚀缺陷的方法和装置 | |
US10984518B2 (en) | Methods and systems for assessing the quality of geospatial data | |
CN115239127B (zh) | 生态脆弱性评价方法、计算机设备、存储介质和验证方法 | |
CN112699553A (zh) | 一种岩爆烈度等级智能预测系统方法 | |
CN109451304A (zh) | 一种摄像头模组批量对焦测试方法及系统 | |
CN111612241A (zh) | 智能船舶路径规划功能实现性的综合评价方法 | |
CN107832982A (zh) | 一种基于大数据旅游出行评估模型区域适旅指数计算方法 | |
CN108154271A (zh) | 一种基于空间相关性和曲面拟合的地面气温质量控制方法 | |
CN108563895A (zh) | 一种考虑相关性的区间模型修正方法 | |
CN109886337A (zh) | 基于自适应采样的深度度量学习方法及系统 | |
CN116665489A (zh) | 航路网络拥堵区域识别方法 | |
King et al. | Cluster mass profiles from weak lensing II | |
CN113516794B (zh) | 一种基于层次分析法的多因素融合签到方法 | |
Cornwell et al. | Forecasting the success of the WEAVE Wide-Field Cluster Survey on the extraction of the cosmic web filaments around galaxy clusters | |
CN116665482B (zh) | 一种基于智慧停车的停车位推荐方法及装置 | |
CN112950022A (zh) | 基于模糊综合评价法的路面状况综合评价方法 | |
CN115829209A (zh) | 基于碳路径的绿色智能仓库环保质量分析方法及装置 | |
CN108924753A (zh) | 用于场景的实时检测的方法和装置 | |
CN114679683A (zh) | 一种基于派生指纹迁移的室内智能定位方法 | |
CN112528417B (zh) | 一种飞行器半实物仿真的评估方法 | |
CN114821322A (zh) | 基于注意力机制的小样本遥感影像分类方法及系统 | |
CN110472559B (zh) | 一种遥感影像建筑区域土地利用属性空间迁移方法 |
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 |