CN113702719A - 一种基于神经网络的宽带近场电磁定位方法及装置 - Google Patents
一种基于神经网络的宽带近场电磁定位方法及装置 Download PDFInfo
- Publication number
- CN113702719A CN113702719A CN202110886597.4A CN202110886597A CN113702719A CN 113702719 A CN113702719 A CN 113702719A CN 202110886597 A CN202110886597 A CN 202110886597A CN 113702719 A CN113702719 A CN 113702719A
- Authority
- CN
- China
- Prior art keywords
- positioning
- field electromagnetic
- broadband near
- signal
- target
- 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.)
- Granted
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
- G01R29/0864—Measuring electromagnetic field characteristics characterised by constructional or functional features
- G01R29/0892—Details related to signal analysis or treatment; presenting results, e.g. displays; measuring specific signal features other than field strength, e.g. polarisation, field modes, phase, envelope, maximum value
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B7/00—Measuring arrangements characterised by the use of electric or magnetic techniques
- G01B7/004—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring coordinates of points
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于神经网络的宽带近场电磁定位方法及装置,该方法包括:采集宽带近场电磁信号特征信息和定位目标的三维坐标信息,构建数据集;基于所述数据集,采用预设的神经网络算法进行训练和建模,得到定位系统回归模型;其中,所述定位系统回归模型的输入为宽带近场电磁信号特征信息,输出为定位目标的三维坐标信息;采集待定位目标对应的宽带近场电磁信号特征信息;根据待定位目标对应的宽带近场电磁信号特征信息,利用所述定位系统回归模型,实时确定待定位目标的三维坐标信息,实现目标的定位。本发明具有数据分析处理能力强,可快速、实时、准确地对目标进行定位等优点。
Description
技术领域
本发明涉及定位技术领域,特别涉及一种基于神经网络的宽带近场电磁定位方法及装置。
背景技术
随着信息技术的发展,定位对于人们的生活愈发重要。近些年,应用根据多颗已知位置的卫星到用户的距离的数据从而计算出用户的具体位置这一原理的室外定位系统,已经十分成熟。但是由于存在到达地面时信号衰减且无法穿透墙壁等障碍物以及只能二维平面定位的问题,无法实现室内等复杂环境下的精准定位。
而目前,随着城市地下空间发展建设,为了保障生命安全并便捷人们的生活,研究并实现能对地下空间内移动人员和设备目标进行精确定位的无线技术具有重要意义。特别是在如超市、办公楼、地下停车场以及地铁等复杂的室内、地下等非视距环境中,在地下施工、矿山开采等方面,当发生地震或者巷道塌陷等突发事故时,及时获取人员和设备的位置信息对于保障人民生命安全、维持社会安稳秩序具有重大意义。
综上所述,研究并实现复杂的非视距环境下的无线定位技术成为迫在眉睫的紧要问题。目前,对复杂环境下的无线定位问题已经有了一些初步的研究,主要有采用高频信号的无线定位技术、磁感应定位技术和近场电磁定位技术。其中,基于测距的定位方法主要有基于无线保真(WIFI,WIreless Fidelity)、射频识别(RFID,Radio FrequencyIdentification)、使用超宽频谱的短距离超高速无线通讯技术(UWB,UltraWideband)和无线技术(ZigBee,Wireless Technology)等技术。这些高频信号定位技术虽然在视距环境下的室内和地下都有很高的定位精度,但是在非视距环境下,尤其当信号需要穿过多层厚度未知的非均匀介质时,定位精度较差,甚至无法定位。与高频信号相比,低频信号有着更强的绕射性,更适合于穿过多层非均匀介质实现定位。目前已有采用低频信号进行定位的相关研究,并且在研究结果中证明,使用低频电磁信号作为测距波形时,不仅能扩大定位范围,还能有效穿透土壤、水泥、水等高频信号难以穿透的未知非均匀介质。因此,在多层非均匀介质的非视距环境中,采用低频信号进行目标定位更为可行。而磁感应技术虽然可以实现一定精度的室内等复杂环境下的定位,但是容易受到电磁信号的干扰,并且不适用于空间较大的场景。此外,在实际环境中,由于信道噪声的存在以及多径传播干扰等不良因素,根据理论推导产生的宽带近场电磁定位模型公式并不能表现出较好的效果,在求解的时候,可能会出现求解精度下降甚至无法求解的情况。
发明内容
本发明提供了一种基于神经网络的宽带近场电磁定位方法及装置,以解决现有定位技术在室内等复杂环境下无法准确定位的技术问题。
为解决上述技术问题,本发明提供了如下技术方案:
一方面,本发明提供了一种基于神经网络的宽带近场电磁定位方法,该基于神经网络的宽带近场电磁定位方法包括:
采集宽带近场电磁信号特征信息和定位目标的三维坐标信息,构建数据集;
基于所述数据集,采用预设的神经网络算法进行训练和建模,得到定位系统回归模型;其中,所述定位系统回归模型的输入为所述宽带近场电磁信号特征信息,所述定位系统回归模型的输出为定位目标的三维坐标信息;
采集待定位目标对应的宽带近场电磁信号特征信息;
根据所述待定位目标对应的宽带近场电磁信号特征信息,利用所述定位系统回归模型,实时确定所述待定位目标的三维坐标信息,实现目标定位。
进一步地,在采集宽带近场电磁信号特征信息之前,所述方法还包括:
向定位目标所在的定位区域发射宽带近场电磁信号。
进一步地,所述宽带近场电磁信号特征信息包括:宽带近场电磁信号频率、各层介质的厚度和相对介电常数、接收点接收的各频率信号的接收角度,以及接收到的电场信号与磁场信号之间的相位差中的一种或多种的组合。
进一步地,所述数据集的构建过程,包括:
采集宽带近场电磁信号特征信息和定位目标的三维坐标信息;
对采集到的宽带近场电磁信号特征信息进行预处理,将预处理后的宽带近场电磁信号特征信息与目标的三维坐标信息一起构成数据集。
进一步地,所述预处理的方式为线性函数归一化。
进一步地,所述预设的神经网络算法为BP神经网络算法。
进一步地,所述定位系统回归模型的训练过程,包括:
采用留出法将所述数据集按照7:3的比例划分为训练集与测试集;
在所述训练集上对BP神经网络进行训练,得到定位系统回归模型;
在所述测试集上对定位系统回归模型进行评估和验证。
另一方面,本发明还提供了一种基于神经网络的宽带近场电磁定位装置,该基于神经网络的宽带近场电磁定位装置包括:
信息采集模块,用于采集宽带近场电磁信号特征信息;
数据集构建模块,用于利用所述信息采集模块所采集的宽带近场电磁信号特征信息和定位目标的三维坐标信息,构建数据集;
定位模型建模模块,用于基于所述数据集构建模块所构建的数据集,采用预设的神经网络算法进行训练和建模,得到定位系统回归模型;其中,所述定位系统回归模型的输入为所述宽带近场电磁信号特征信息,所述定位系统回归模型的输出为定位目标的三维坐标信息;
实时定位模块,用于根据所述信息采集模块所采集的待定位目标对应的宽带近场电磁信号特征信息,利用所述定位模型建模模块所建立的定位系统回归模型,实时确定所述待定位目标的三维坐标信息,实现目标定位。
进一步地,所述装置还包括信号发射模块,用于:
向定位目标所在的定位区域发射宽带近场电磁信号;
所述宽带近场电磁信号特征信息包括:宽带近场电磁信号频率、各层介质的厚度和相对介电常数、接收点接收的各频率信号的接收角度,以及接收到的电场信号与磁场信号之间的相位差中的一种或多种的组合;
所述信息采集模块包括介质信息采集单元、信号接收单元和传输单元;
所述介质信息采集单元,用于采集各层介质的厚度,同时计算并采集各层介质对应于不同频率信号的相对介电常数;
所述信号接收单元,用于接收所述信号发射模块所发射的近场电磁宽带信号,采集信号的频率、接收角度,以及电场信号和磁场信号之间的相位差;
所述传输单元,用于将所述介质信息采集单元和所述信号接收单元所采集的信息发送至所述数据集构建模块和所述实时定位模块。
进一步地,所述数据集构建模块具体用于:
采集宽带近场电磁信号特征信息和定位目标的三维坐标信息;
对采集到的宽带近场电磁信号特征信息进行预处理,将预处理后的宽带近场电磁信号特征信息与目标的三维坐标信息一起构成数据集;其中,所述预处理为:对宽带近场电磁信号特征信息进行线性函数归一化处理;
所述预设的神经网络算法为BP神经网络算法;
所述定位模型建模模块具体用于:
采用留出法将所述数据集按照7:3的比例划分为训练集与测试集;
在所述训练集上对BP神经网络进行训练,得到定位系统回归模型;
在所述测试集上对定位系统回归模型进行评估和验证。
再一方面,本发明还提供了一种电子设备,其包括处理器和存储器;其中,存储器中存储有至少一条指令,所述指令由处理器加载并执行以实现上述方法。
又一方面,本发明还提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令,所述指令由处理器加载并执行以实现上述方法。
本发明提供的技术方案带来的有益效果至少包括:
本发明通过采集宽带近场电磁信号频率、各层介质的厚度和相对介电常数、接收的各频率信号的接收角度以及电场信号与磁场信号之间的相位差信息,并通过预先训练好的基于机器学习算法的定位模型根据采集的信息实现目标的定位,具有数据分析处理能力强,可快速、实时、准确地对目标进行定位的优点。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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的附图。
图1是本发明实施例提供的基于神经网络的宽带近场电磁定位方法流程图;
图2是本发明实施例提供的基于神经网络的宽带近场电磁定位装置结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
第一实施例
目前,精确定位已成为人们的一大需求,特别是在地下停车场、办公楼等这样的非视距环境下,运用宽带近场电磁技术穿过多层介质进行定位,对人们的生活具有重要意义。但是在实际情况中,由于各种外在因素,根据理论推导实现的定位模型常常不能表现出较好的结果,甚至无法求解,而神经网络可以拟合任意非线性函数,在复杂模式中往往能表现出很好的自学习和自适应能力。基于此,本实施例提供了一种基于神经网络的宽带近场电磁定位方法,该方法可以由电子设备实现。具体地,该方法的执行流程如图1所示,包括以下步骤:
S1,采集宽带近场电磁信号特征信息和目标的三维坐标信息,构建数据集;
S2,基于所述数据集,采用预设的神经网络算法进行训练和建模,得到定位系统回归模型;其中,所述定位系统回归模型的输入为所述宽带近场电磁信号特征信息,所述定位系统回归模型的输出为定位目标的三维坐标信息;
S3,采集待定位目标对应的宽带近场电磁信号特征信息;
S4,根据所述待定位目标对应的宽带近场电磁信号特征信息,利用所述定位系统回归模型,实时确定所述待定位目标的三维坐标信息,实现目标定位。
进一步地,在采集宽带近场电磁信号特征信息之前,所述方法还包括:
向定位目标所在的定位区域发射宽带近场电磁信号;其中,宽带近场电磁信号为多正弦叠加信号,其公式如下:
通过调整公式参数,产生频率间隔为1MHZ的1-10MHZ频段内的宽带信号。
具体地,在本实施例中,采集的宽带近场电磁信号特征信息包括:宽带近场电磁信号频率、各层介质的厚度和相对介电常数、接收点接收的各频率信号的接收角度,以及接收到的电场信号与磁场信号之间的相位差。
进一步地,对于宽带近场电磁信号特征信息的采集,本实施例以四层介质为例,采集到的各层介质的厚度分别是z1,z2,z3,z4,采用基于频率混合的宽带混合模型LRM模型计算各层介质的相对介电常数ε1,1,ε1,2,...,ε4,10,公式如下:
上述数据集的构建过程,包括:
采集宽带近场电磁信号特征信息和定位目标的三维坐标信息;具体为:采集大量不同位置的目标在不同介质环境下的信号频率、介质厚度信息、相对介电常数信息、信号的接收角度,以及电场信号和磁场信号的相位差,将这些数据作为特征,同时采集对应的目标的三维坐标,将这些数据作为目标,将特征与目标组成的向量作为样本数据[x1,x2,x3,x4,x5,x,y,z];其中,x1表示样本中所有的信号频率组成的列向量,x2表示样本中所有的介质厚度组成的列向量,x3表示样本中所有的介质相对介电常数组成的列向量,x4表示接收的信号角度组成的列向量,x5表示接收的电场信号和磁场信号的相位差组成的列向量,x、y、z分别表示样本中所有的x轴、y轴、z轴方向的坐标组成的列向量。
对采集到的宽带近场电磁信号特征信息进行预处理,将预处理后的宽带近场电磁信号特征信息与目标的三维坐标信息一起构成数据集;
其中,本实施例采用的预处理方式为函数归一化处理,具体为:
采用线性函数归一化对特征向量x=[x1,x2,x3,x4,x5]进行预处理,线性函数归一化方法可以表示为:
其中,xnorm为归一化后的特征向量,x为原始的特征向量,xmin为原始各个特征的最小值的组成的向量,xmax为原始各个特征的最大值的组成的向量。
进一步地,本实施例采用的神经网络算法为BP(Back Propagation,反向传播)神经网络算法。该BP神经网络包含3层,分别是输入层、隐藏层和输出层。输入层包含5个节点,分别对应特征值x1、x2、x3、x4和x5,x1表示线性函数归一化后的信号频率,x2表示线性函数归一化后的介质厚度,x3表示线性函数归一化后的介质相对介电常数,x4表示线性函数归一化后的信号接收角度,x5表示线性函数归一化后的接收的电场信号与磁场信号的相位差。输出层包含3个节点,分别对应目标值x、y和z,分别表示目标在x轴、y轴和z轴的坐标值。根据经验公式设置隐藏层的节点数为其中,α是区间[1,10]的整数。BP神经网络在训练集上训练时,分为正向传播和反向传播。在正向传播时,隐藏层和输出层的神经元满足如下公式:
其中,X、H和Y分别是输入层、隐藏层和输出层的数据,WH和bH、WY和bY分别是隐藏层和输出层的权值和阈值。
隐藏层的激活函数Sigmoid函数公式如下:
其中,x为输入层传给隐藏层的数据。
在反向传播时,采用均方误差作为目标函数,公式如下:
得到损失函数以后,再计算损失函数对输出层和隐藏层的每一个神经元的阈值和权值的梯度,并对其进行更新,更新公式如下:
式中,α为根据经验设置的学习率。这样就完成了一次梯度下降,然后循环继续迭代,直到达到合适的精度。
进一步地,定位系统回归模型的训练过程为:通过采集的样本数据,用BP神经网络算法进行训练和建模,得到定位系统回归模型,进而采用留出法对模型进行训练评估和验证,得到训练后的模型和算法相关参数,具体过程如下:
采用留出法将收集的样本数据按照7:3的比例划分为训练集与测试集;
在训练集上训练定位系统回归模型的BP神经网络;
在测试集上对定位系统回归模型的BP神经网络进行验证。
验证时,只需要经过正向传播过程,将测试集的线性函数归一化后的信号频率、介质厚度信息、相对介电常数信息、信号的接收角度,以及电场信号和磁场信号的相位差放入输入层,经过正向传播后,得到目标三维坐标的预测值,然后采用均方根误差进行评估,公式如下:
以测试集上的预测结果的均方差损失作为评估标准,最终得到均方差损失最小所对应的定位系统回归模型。
进行实时定位时,将预处理后的实时特征数据,即线性函数归一化后的信号频率、介质厚度信息、相对介电常数信息、信号的接收角度以及电场信号和磁场信号的相位差作为特征代入定位系统回归模型,即可得到目标的三维坐标。
综上,本实施例通过采集宽带近场电磁信号频率、各层介质的厚度和相对介电常数、接收的各频率信号的接收角度以及电场信号与磁场信号间的相位差信息,并通过预先训练好的基于BP网络的定位模型根据采集的信息实现目标定位,具有数据分析处理能力强,可快速、实时、准确地对目标进行定位的优点。
第二实施例
本实施例提供了一种基于神经网络的宽带近场电磁定位装置,如图2所示,该基于神经网络的宽带近场电磁定位装置包括以下功能模块:
信息采集模块,用于采集宽带近场电磁信号特征信息;
数据集构建模块,用于利用所述信息采集模块所采集的宽带近场电磁信号特征信息和定位目标的三维坐标信息,构建数据集;
定位模型建模模块,用于基于所述数据集构建模块所构建的数据集,采用预设的神经网络算法进行训练和建模,得到定位系统回归模型;其中,所述定位系统回归模型的输入为所述宽带近场电磁信号特征信息,所述定位系统回归模型的输出为定位目标的三维坐标信息;
实时定位模块,用于根据所述信息采集模块所采集的待定位目标对应的宽带近场电磁信号特征信息,利用所述定位模型建模模块所建立的定位系统回归模型,实时确定所述待定位目标的三维坐标信息,实现目标定位。
进一步地,所述装置还包括信号发射模块,用于:
向定位目标所在的定位区域发射宽带近场电磁信号;
所述信息采集模块包括介质信息采集单元、信号接收单元和传输单元;
所述介质信息采集单元,用于采集各层介质的厚度,同时计算并采集各层介质对应于不同频率信号的相对介电常数;
所述信号接收单元,用于接收所述信号发射模块所发射的近场电磁宽带信号,采集信号的频率、接收角度,以及电场信号和磁场信号之间的相位差;
所述传输单元,用于将所述介质信息采集单元和所述信号接收单元所采集的信息发送至所述数据集构建模块和所述实时定位模块。
本实施例的基于神经网络的宽带近场电磁定位装置与上述第一实施例的基于神经网络的宽带近场电磁定位方法相对应;其中,本实施例的基于神经网络的宽带近场电磁定位装置中的各功能模块所实现的功能与第一实施例的基于神经网络的宽带近场电磁定位方法中的各流程步骤一一对应;故,在此不再赘述。
第三实施例
本实施例提供一种电子设备,其包括处理器和存储器;其中,存储器中存储有至少一条指令,所述指令由处理器加载并执行,以实现第一实施例的方法。
该电子设备可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)和一个或一个以上的存储器,其中,存储器中存储有至少一条指令,所述指令由处理器加载并执行上述方法。
第四实施例
本实施例提供一种计算机可读存储介质,该存储介质中存储有至少一条指令,所述指令由处理器加载并执行,以实现上述第一实施例的方法。其中,该计算机可读存储介质可以是ROM、随机存取存储器、CD-ROM、磁带、软盘和光数据存储设备等。其内存储的指令可由终端中的处理器加载并执行上述方法。
此外,需要说明的是,本发明可提供为方法、装置或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
还需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
最后需要说明的是,以上所述是本发明优选实施方式,应当指出,尽管已描述了本发明优选实施例,但对于本技术领域的技术人员来说,一旦得知了本发明的基本创造性概念,在不脱离本发明所述原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
Claims (10)
1.一种基于神经网络的宽带近场电磁定位方法,其特征在于,包括:
采集宽带近场电磁信号特征信息和定位目标的三维坐标信息,构建数据集;
基于所述数据集,采用预设的神经网络算法进行训练和建模,得到定位系统回归模型;其中,所述定位系统回归模型的输入为所述宽带近场电磁信号特征信息,所述定位系统回归模型的输出为定位目标的三维坐标信息;
采集待定位目标对应的宽带近场电磁信号特征信息;
根据所述待定位目标对应的宽带近场电磁信号特征信息,利用所述定位系统回归模型,实时确定所述待定位目标的三维坐标信息,实现目标定位。
2.如权利要求1所述的基于神经网络的宽带近场电磁定位方法,其特征在于,在采集宽带近场电磁信号特征信息之前,所述方法还包括:
向定位目标所在的定位区域发射宽带近场电磁信号。
3.如权利要求1所述的基于神经网络的宽带近场电磁定位方法,其特征在于,所述宽带近场电磁信号特征信息包括:宽带近场电磁信号频率、各层介质的厚度和相对介电常数、接收点接收的各频率信号的接收角度,以及接收到的电场信号与磁场信号之间的相位差中的一种或多种的组合。
4.如权利要求1所述的基于神经网络的宽带近场电磁定位方法,其特征在于,所述数据集的构建过程,包括:
采集宽带近场电磁信号特征信息和定位目标的三维坐标信息;
对采集到的宽带近场电磁信号特征信息进行预处理,将预处理后的宽带近场电磁信号特征信息与目标的三维坐标信息一起构成数据集。
5.如权利要求4所述的基于神经网络的宽带近场电磁定位方法,其特征在于,所述预处理的方式为线性函数归一化。
6.如权利要求1所述的基于神经网络的宽带近场电磁定位方法,其特征在于,所述预设的神经网络算法为BP神经网络算法。
7.如权利要求6所述的基于神经网络的宽带近场电磁定位方法,其特征在于,所述定位系统回归模型的训练过程,包括:
采用留出法将所述数据集按照7:3的比例划分为训练集与测试集;
在所述训练集上对BP神经网络进行训练,得到定位系统回归模型;
在所述测试集上对定位系统回归模型进行评估和验证。
8.一种基于神经网络的宽带近场电磁定位装置,其特征在于,包括:
信息采集模块,用于采集宽带近场电磁信号特征信息;
数据集构建模块,用于利用所述信息采集模块所采集的宽带近场电磁信号特征信息和定位目标的三维坐标信息,构建数据集;
定位模型建模模块,用于基于所述数据集构建模块所构建的数据集,采用预设的神经网络算法进行训练和建模,得到定位系统回归模型;其中,所述定位系统回归模型的输入为所述宽带近场电磁信号特征信息,所述定位系统回归模型的输出为定位目标的三维坐标信息;
实时定位模块,用于根据所述信息采集模块所采集的待定位目标对应的宽带近场电磁信号特征信息,利用所述定位模型建模模块所建立的定位系统回归模型,实时确定所述待定位目标的三维坐标信息,实现目标定位。
9.如权利要求8所述的基于神经网络的宽带近场电磁定位装置,其特征在于,所述装置还包括信号发射模块,用于:
向定位目标所在的定位区域发射宽带近场电磁信号;
所述宽带近场电磁信号特征信息包括:宽带近场电磁信号频率、各层介质的厚度和相对介电常数、接收点接收的各频率信号的接收角度,以及接收到的电场信号与磁场信号之间的相位差中的一种或多种的组合;
所述信息采集模块包括介质信息采集单元、信号接收单元和传输单元;
所述介质信息采集单元,用于采集各层介质的厚度,同时计算并采集各层介质对应于不同频率信号的相对介电常数;
所述信号接收单元,用于接收所述信号发射模块所发射的近场电磁宽带信号,采集信号的频率、接收角度,以及电场信号和磁场信号之间的相位差;
所述传输单元,用于将所述介质信息采集单元和所述信号接收单元所采集的信息发送至所述数据集构建模块和所述实时定位模块。
10.如权利要求8所述的基于神经网络的宽带近场电磁定位装置,其特征在于,所述数据集构建模块具体用于:
采集宽带近场电磁信号特征信息和定位目标的三维坐标信息;
对采集到的宽带近场电磁信号特征信息进行预处理,将预处理后的宽带近场电磁信号特征信息与目标的三维坐标信息一起构成数据集;其中,所述预处理为:对宽带近场电磁信号特征信息进行线性函数归一化处理;
所述预设的神经网络算法为BP神经网络算法;
所述定位模型建模模块具体用于:
采用留出法将所述数据集按照7:3的比例划分为训练集与测试集;
在所述训练集上对BP神经网络进行训练,得到定位系统回归模型;
在所述测试集上对定位系统回归模型进行评估和验证。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110886597.4A CN113702719B (zh) | 2021-08-03 | 2021-08-03 | 一种基于神经网络的宽带近场电磁定位方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110886597.4A CN113702719B (zh) | 2021-08-03 | 2021-08-03 | 一种基于神经网络的宽带近场电磁定位方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113702719A true CN113702719A (zh) | 2021-11-26 |
CN113702719B CN113702719B (zh) | 2022-11-29 |
Family
ID=78651374
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110886597.4A Active CN113702719B (zh) | 2021-08-03 | 2021-08-03 | 一种基于神经网络的宽带近场电磁定位方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113702719B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114415246A (zh) * | 2022-03-29 | 2022-04-29 | 科大天工智能装备技术(天津)有限公司 | 一种基于机器学习的地下金属物体的定位方法及系统 |
CN115688610A (zh) * | 2022-12-27 | 2023-02-03 | 泉州装备制造研究所 | 一种无线电磁六维定位方法、系统、存储介质及电子设备 |
CN115754899A (zh) * | 2022-09-05 | 2023-03-07 | 北京航空航天大学 | 一种非视距环境下测试区域外辐射源单站定位方法 |
CN115795353A (zh) * | 2023-02-06 | 2023-03-14 | 北京科技大学 | 一种基于不均衡数据集的地下金属目标分类方法及系统 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103576126A (zh) * | 2012-07-27 | 2014-02-12 | 姜楠 | 基于神经网络的四通道阵列声源定位系统 |
CN104535965A (zh) * | 2014-12-29 | 2015-04-22 | 江苏科技大学 | 基于嵌入式gpu系统的并行化声源定位系统及方法 |
WO2016011433A2 (en) * | 2014-07-17 | 2016-01-21 | Origin Wireless, Inc. | Wireless positioning systems |
CN106845029A (zh) * | 2017-03-09 | 2017-06-13 | 电子科技大学 | 一种高速高效的基于人工智能的多元近场效应修正方法 |
CN108009525A (zh) * | 2017-12-25 | 2018-05-08 | 北京航空航天大学 | 一种基于卷积神经网络的无人机对地特定目标识别方法 |
CN109884412A (zh) * | 2019-01-28 | 2019-06-14 | 北京航空航天大学 | 一种采用u型结构的超宽带电场探头 |
CN110531313A (zh) * | 2019-08-30 | 2019-12-03 | 西安交通大学 | 一种基于深度神经网络回归模型的近场信号源定位方法 |
US20190392320A1 (en) * | 2019-08-09 | 2019-12-26 | Lg Electronics Inc. | Battery device and controlling method thereof |
CN111121607A (zh) * | 2019-12-13 | 2020-05-08 | 深圳大学 | 一种训练三维定位模型的方法及三维定位方法、装置 |
CN111368923A (zh) * | 2020-03-05 | 2020-07-03 | 上海商汤智能科技有限公司 | 神经网络训练方法及装置、电子设备和存储介质 |
US20200225358A1 (en) * | 2019-01-10 | 2020-07-16 | Raytheon Company | Detection of spoofing and meaconing for geolocation positioning system signals |
CN111461304A (zh) * | 2020-03-31 | 2020-07-28 | 北京小米松果电子有限公司 | 分类神经网络的训练方法、文本分类方法、装置及设备 |
CN111866713A (zh) * | 2020-07-09 | 2020-10-30 | 北京邮电大学 | 一种定位方法、装置及电子设备 |
CN112428308A (zh) * | 2020-11-11 | 2021-03-02 | 河北工业大学 | 一种机器人触觉动作识别系统及识别方法 |
CN112541577A (zh) * | 2020-12-16 | 2021-03-23 | 上海商汤智能科技有限公司 | 神经网络生成方法及装置、电子设备和存储介质 |
CN112598063A (zh) * | 2020-12-25 | 2021-04-02 | 深圳市商汤科技有限公司 | 神经网络生成方法及装置、电子设备和存储介质 |
CN113075462A (zh) * | 2021-02-22 | 2021-07-06 | 中国人民解放军国防科技大学 | 一种基于神经网络的电磁场分布定位方法 |
-
2021
- 2021-08-03 CN CN202110886597.4A patent/CN113702719B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103576126A (zh) * | 2012-07-27 | 2014-02-12 | 姜楠 | 基于神经网络的四通道阵列声源定位系统 |
WO2016011433A2 (en) * | 2014-07-17 | 2016-01-21 | Origin Wireless, Inc. | Wireless positioning systems |
CN104535965A (zh) * | 2014-12-29 | 2015-04-22 | 江苏科技大学 | 基于嵌入式gpu系统的并行化声源定位系统及方法 |
CN106845029A (zh) * | 2017-03-09 | 2017-06-13 | 电子科技大学 | 一种高速高效的基于人工智能的多元近场效应修正方法 |
CN108009525A (zh) * | 2017-12-25 | 2018-05-08 | 北京航空航天大学 | 一种基于卷积神经网络的无人机对地特定目标识别方法 |
US20200225358A1 (en) * | 2019-01-10 | 2020-07-16 | Raytheon Company | Detection of spoofing and meaconing for geolocation positioning system signals |
CN109884412A (zh) * | 2019-01-28 | 2019-06-14 | 北京航空航天大学 | 一种采用u型结构的超宽带电场探头 |
US20190392320A1 (en) * | 2019-08-09 | 2019-12-26 | Lg Electronics Inc. | Battery device and controlling method thereof |
CN110531313A (zh) * | 2019-08-30 | 2019-12-03 | 西安交通大学 | 一种基于深度神经网络回归模型的近场信号源定位方法 |
CN111121607A (zh) * | 2019-12-13 | 2020-05-08 | 深圳大学 | 一种训练三维定位模型的方法及三维定位方法、装置 |
CN111368923A (zh) * | 2020-03-05 | 2020-07-03 | 上海商汤智能科技有限公司 | 神经网络训练方法及装置、电子设备和存储介质 |
CN111461304A (zh) * | 2020-03-31 | 2020-07-28 | 北京小米松果电子有限公司 | 分类神经网络的训练方法、文本分类方法、装置及设备 |
CN111866713A (zh) * | 2020-07-09 | 2020-10-30 | 北京邮电大学 | 一种定位方法、装置及电子设备 |
CN112428308A (zh) * | 2020-11-11 | 2021-03-02 | 河北工业大学 | 一种机器人触觉动作识别系统及识别方法 |
CN112541577A (zh) * | 2020-12-16 | 2021-03-23 | 上海商汤智能科技有限公司 | 神经网络生成方法及装置、电子设备和存储介质 |
CN112598063A (zh) * | 2020-12-25 | 2021-04-02 | 深圳市商汤科技有限公司 | 神经网络生成方法及装置、电子设备和存储介质 |
CN113075462A (zh) * | 2021-02-22 | 2021-07-06 | 中国人民解放军国防科技大学 | 一种基于神经网络的电磁场分布定位方法 |
Non-Patent Citations (5)
Title |
---|
THEODOROS N. KAPETANAKIS等: "Neural network solution of the circular loop antenna radiation problem", 《 2012 20TH TELECOMMUNICATIONS FORUM (TELFOR)》 * |
YANDONG ZHAO等: "The near-field intelligent meter reading system based on Bluetooth — Broadband carrier", 《2017 CHINESE AUTOMATION CONGRESS (CAC)》 * |
吴佳仪等: "基于多传感器信息融合的仓储定位追踪系统研究", 《计算机技术与发展》 * |
李铁军等: "基于传感器阵列的机械故障声源定位系统", 《机械设计与制造》 * |
王鹏: "近场电磁测距优化算法研究", 《中国博士学位论文全文数据库 基础科学辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114415246A (zh) * | 2022-03-29 | 2022-04-29 | 科大天工智能装备技术(天津)有限公司 | 一种基于机器学习的地下金属物体的定位方法及系统 |
CN115754899A (zh) * | 2022-09-05 | 2023-03-07 | 北京航空航天大学 | 一种非视距环境下测试区域外辐射源单站定位方法 |
CN115688610A (zh) * | 2022-12-27 | 2023-02-03 | 泉州装备制造研究所 | 一种无线电磁六维定位方法、系统、存储介质及电子设备 |
CN115688610B (zh) * | 2022-12-27 | 2023-08-15 | 泉州装备制造研究所 | 一种无线电磁六维定位方法、系统、存储介质及电子设备 |
CN115795353A (zh) * | 2023-02-06 | 2023-03-14 | 北京科技大学 | 一种基于不均衡数据集的地下金属目标分类方法及系统 |
CN115795353B (zh) * | 2023-02-06 | 2023-04-21 | 北京科技大学 | 一种基于不均衡数据集的地下金属目标分类方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113702719B (zh) | 2022-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113702719B (zh) | 一种基于神经网络的宽带近场电磁定位方法及装置 | |
CN109275095B (zh) | 一种基于蓝牙的室内定位系统、定位设备和定位方法 | |
CN105636197B (zh) | 距离估计方法和装置、以及节点定位方法和设备 | |
CN105430664B (zh) | 一种基于分类拟合预测传播路损的方法和装置 | |
CN105430740B (zh) | 基于WiFi信号强度仿真与位置指纹算法的室内无线定位方法 | |
CN103997717A (zh) | 一种实时室内定位系统及方法 | |
CN111142068B (zh) | 一种基于提取目标直接反射径方法的无源定位方法 | |
Gan et al. | A hybrid ray and graph model for simulating vehicle-to-vehicle channels in tunnels | |
Nosrati et al. | Improving indoor localization using mobile UWB sensor and deep neural networks | |
Chen et al. | An indoor location system based on neural network and genetic algorithm | |
Zhou et al. | Application of backpropagation neural networks to both stages of fingerprinting based WIPS | |
Song et al. | Fingerprinting localization method based on toa and particle filtering for mines | |
Dong et al. | A non-line-of-sight mitigation method for indoor ultra-wideband localization with multiple walls | |
Zhu et al. | Two-dimensional RSSI-based indoor localization using multiple leaky coaxial cables with a probabilistic neural network | |
Shao et al. | DePos: Accurate orientation-free indoor positioning with deep convolutional neural networks | |
Styła et al. | Hybrid sensor for detection of objects using radio tomography | |
Dao et al. | Indoor localization system using passive UHF RFID tag and multi-antennas | |
Kong et al. | A moving object indoor tracking model based on semiactive RFID | |
Farid et al. | A WLAN fingerprinting based indoor localization technique via artificial neural network | |
Ibrahim et al. | Enhanced localization for indoor construction | |
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 | |
Zhang et al. | Detection of an unknown radio transmitter using an enhanced K-nearest neighbor algorithm based on virtual reference point and RSSD information | |
Liu | A combination method of fingerprint positioning and propagation model based localization scheme in 3D large-scale indoor space | |
Zhou et al. | ScOFi: Schematic assisted optimum fingerprinting for Wi-Fi indoor localization using peer hand-shake | |
Diono et al. | Indoor positioning system based on received signal strength (RSS) fingerprinting: Case in Politeknik Caltex Riau |
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 |