CN113720333B - 一种基于图注意力网络的室内多点协同定位方法 - Google Patents

一种基于图注意力网络的室内多点协同定位方法 Download PDF

Info

Publication number
CN113720333B
CN113720333B CN202110939694.5A CN202110939694A CN113720333B CN 113720333 B CN113720333 B CN 113720333B CN 202110939694 A CN202110939694 A CN 202110939694A CN 113720333 B CN113720333 B CN 113720333B
Authority
CN
China
Prior art keywords
graph
neural network
node
positions
user
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
CN202110939694.5A
Other languages
English (en)
Other versions
CN113720333A (zh
Inventor
刘宁
庄卉
何涛
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.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen University
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 Sun Yat Sen University filed Critical Sun Yat Sen University
Priority to CN202110939694.5A priority Critical patent/CN113720333B/zh
Publication of CN113720333A publication Critical patent/CN113720333A/zh
Application granted granted Critical
Publication of CN113720333B publication Critical patent/CN113720333B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • G01C21/206—Instruments for performing navigational calculations specially adapted for indoor navigation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/04—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by terrestrial means
    • G01C21/08—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by terrestrial means involving use of the magnetic field of the earth
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明公开了一种基于图注意力网络的室内多点协同定位方法，包括步骤如下：构建基于图注意力机制的多层图卷积神经网络；获取多个用户所在位置的第一地磁指纹信号，和获取不同用户之间的第一蓝牙信号强度；根据地磁指纹信号与蓝牙信号强度构建多用户协同关系训练集；将多用户协同关系训练集作为多层图卷积神经网络的输入，将各个用户所在的位置坐标作为多层图卷积神经网络的输出，对多层图卷积神经网络进行训练；将获得的多用户待确定位置上的第二地磁指纹信号和不同用户之间的第二蓝牙信号强度输入训练好的多层图卷积神经网络，实现多用户的位置定位。本发明实现了在无部署室内环境下能进行有效的定位，且较好地提升了地磁指纹定位的效果。

Description

一种基于图注意力网络的室内多点协同定位方法
技术领域
本发明涉及室内定位技术领域，更具体的，涉及一种基于图注意力网络的室内多点协同定位方法。
背景技术
目前，国内外学者提出了许多室内定位算法和技术，使用的信号源包括超宽带、Wi-Fi、蓝牙、RFID、地磁等，其中在无部署室内场景下，一般使用地磁信号进行定位。
使用地磁信号进行室内定位的具体方法主要分为两类：基于单点地磁指纹信号的室内定位算法(如中国专利公开号CN103925923A，公开日：2014-07-16，公开了一种基于自适应粒子滤波器算法的地磁室内定位系统)和基于地磁序列信号的定位算法(如中国专利公开号：CN111121759A，公开日：2020-05-08，公开了一种基于多层长短期记忆网络的地磁室内定位方法)。其中单点地磁指纹的信号特征维度稀疏，区分度较低，因而存在较大的定位误差；而基于地磁序列的定位算法需要用户行走一段距离获取路径上的地磁序列，且不适用于路径不确定的空旷场景。
发明内容
本发明为了解决以上现有技术存在不足的问题，提供了一种基于图注意力网络的室内多点协同定位方法。
为实现上述本发明目的，采用的技术方案如下：
一种基于图注意力网络的室内多点协同定位方法，包括步骤如下：
S1：构建基于图注意力机制的多层图卷积神经网络；
S2：获取多个用户所在位置的第一地磁指纹信号，和获取不同用户之间的第一蓝牙信号强度；根据地磁指纹信号与蓝牙信号强度构建多用户协同关系训练集；
S3：将多用户协同关系训练集作为多层图卷积神经网络的输入，将各个用户所在的位置坐标作为多层图卷积神经网络的输出，对多层图卷积神经网络进行训练；
S4：将获得的多用户待确定位置上的第二地磁指纹信号和不同用户之间的第二蓝牙信号强度输入训练好的多层图卷积神经网络，实现多用户的位置定位。
优选地，步骤S2中在构建多用户协同关系训练集之前，先对获取第一地磁指纹信号进行预处理；所述的预处理包括以下步骤：
D101：采用低通滤波对加速度测量值进行处理；
D102：采用加速度测量值与地磁指纹信号计算用户设备坐标系到地球坐标系的旋转矩阵；
D103：将得到的旋转矩阵计算校准后的地磁指纹信号。
进一步地，步骤S2中在构建多用户协同关系训练集之前，先确定蓝牙信号传播模型，具体如下：
D201：使用不同设备，在处于与蓝牙发射源的不同距离处分别测量蓝牙信号强度，假定测量噪声为0，根据理论信号传播模型获得信号强度影响因子β的范围；
D202：利用得到的β，用对应设备在相应位置上获取的实际蓝牙信号强度值与使用信号传播模型计算出理论蓝牙信号强度值进行比对，从而估计确定固定参数；
D203：根据得到的信号强度影响因子β的范围、固定参数，从而确定实际的蓝牙信号传播模型。
再进一步地，构建多用户协同关系训练集具体如下：
S201：遍历指纹数据库中的N个指纹打点位置，对每个打点位置随机选取场地中m个打点位置，其中m＝0,1,…N；
S202，将m个打点位置作为图样本的节点，计算打点位置上三轴地磁指纹信号的模值，使用预处理后的地磁指纹信号与模值作为节点特征；
S203：对选取的m个打点位置，随机选取噪声参数，使用信号传播模型计算该打点位置与其他选取的打点位置的蓝牙信号强度，将信号强度作为边特征，构建一个全连接的关系图样本；
S204，重复步骤S201-S203，从而实现构建多用户协同关系训练集。
再进一步地，在训练多层图卷积神经网络时，基于注意力机制学习各个节点与边的关系，提取多用户协同关系下的节点特征，使用节点特征进行节点分类任务，获取多用户预测位置。
再进一步地，所述的多层图卷积神经网络来提取多用户协同关系下的节点特征包括以下步骤：
A101：对关系图样本中所有输入节点的节点特征进行线性转换，对每个节点的邻域节点与连接邻域节点的边权实行注意力机制并进行正则化，计算注意力系数；
A102：根据得到的注意力系数加权邻域节点特征获得新一层的节点特征xi ′，并行使用多头注意力机制将节点特征拼接起来表示单层输出结果。
再进一步地，使用节点特征进行节点分类任务，获取多用户预测位置，具体包括步骤如下：
A201：对节点特征进行线性转换为分类类别个数的维度，进行消息传播后，将单层输出结果先平均再进行非线性激活，输出图中节点，节点维度为场地打点位置的个数；
A202：输出图中所有节点的分类类别概率，将每个节点选取概率最大的类别作为预测位置。
再进一步地，在训练多层图卷积神经网络过程中，采用交叉熵和标签所对应地理位置间的距离来定义损失函数；通过最小化损失函数获得最优权重参数，同时还采用Adam优化器来提高优化效率。
一种计算机系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述的处理器执行所述的计算机程序时，实现如上述的方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述的计算机程序被处理器执行时，实现上所述的方法的步骤。
本发明的有益效果如下：
本发明从多用户协同关系入手，融合地磁指纹信号和蓝牙信号强度构建多用户形成的图结构，通过对多层图卷积神经网络进行训练，利用多层图卷积神经网络进行位置定位，实现了在无部署室内环境下能进行有效的定位，且较好地提升了地磁指纹定位的效果。本发明适用于多种不同的定位信号。
附图说明
图1是实施例1所述的方法的步骤流程图。
具体实施方式
下面结合附图和具体实施方式对本发明做详细描述。
实施例1
如图1所示，一种基于图注意力网络的室内多点协同定位方法，包括步骤如下：
S1：构建基于图注意力机制的多层图卷积神经网络；
S2：获取多个用户所在位置的第一地磁指纹信号，和获取不同用户之间的第一蓝牙信号强度；根据地磁指纹信号与蓝牙信号强度构建多用户协同关系训练集；
S3：将多用户协同关系训练集作为多层图卷积神经网络的输入，将各个用户所在的位置坐标作为多层图卷积神经网络的输出，对多层图卷积神经网络进行训练；
S4：将获得的多用户待确定位置上的第二地磁指纹信号和不同用户之间的第二蓝牙信号强度输入训练好的多层图卷积神经网络，实现多用户的位置定位。
本实施例利用蓝牙信号强度作为信标构建多用户协同关系，蓝牙信标从用户手持移动设备发射，所处室内环境不需要部署其他电子设备。通过从多用户协同关系入手，融合地磁指纹信号和蓝牙信号构建多用户形成的图结构，实现了在无部署室内环境下的定位，较好地提升了地磁指纹定位的效果。
在一个具体的实施例中，步骤S2为训练阶段，步骤S3、S4是预测阶段。所述训练阶段包括：利用多个用户所在位置的第一地磁指纹信号和获取不同用户之间的第一蓝牙信号强度构建多用户协同关系训练集，使用多用户所在位置上的第一地磁指纹信号构建图中节点，使用多用户间获取的蓝牙信号强度构建图中节点间的连接方式；然后基于注意力机制学习各个节点与边的关系，得到多层图卷积神经网络，利用多用户协同关系训练集对多层图卷积神经网络进行训练。
步骤S2中在构建多用户协同关系训练集之前，先对多户所在位置上的第一地磁指纹信号进行预处理；所述的预处理包括以下步骤：
D101：采用低通滤波对加速度测量值进行处理，得到加速度测量值
a＝[ax,ay,az]T；
D102：采用加速度测量值a＝[ax,ay,az]T与地磁指纹信号
m＝[mx,my,mz]T计算用户设备坐标系到地球坐标系的旋转矩阵A，具体如下：假设用户设备的旋转角表示为(φ,θ,ψ)，其中，φ表示用户设备的横滚角、θ表示用户设备的俯仰角，ψ表示用户设备的偏航角，则
Figure BDA0003214348700000051
Figure BDA0003214348700000052
旋转矩阵A通过以下等式进行坐标系转换：
Figure BDA0003214348700000053
D103：将得到的旋转矩阵计算校准后的地磁指纹信号ml＝A(φ,θ,ψ)*m。
在一个具体的实施例中，步骤S2中在构建多用户协同关系训练集之前，先确定实际的蓝牙信号传播模型，具体如下：
D201：使用不同设备，在处于与蓝牙发射源的不同距离处分别测量蓝牙信号强度，假定测量噪声为0，根据理论信号传播模型获得信号强度影响因子β的范围；
D202：使用得到的β，用对应设备在相应位置上获取的实际蓝牙信号强度值与使用信号传播模型计算出理论蓝牙信号强度值进行比对，从而估计确定固定参数；
D203：根据得到的信号强度影响因子β的范围、固定参数，从而确定实际的蓝牙信号传播模型。
假设处于空旷场地，信号传播模型表示为
Figure BDA0003214348700000054
其中，ξ(u)表示与信号源距离u处的理想RSSI信号强度，u0为参考距离，ξ0(u0)表示与信号源距离u0处的参考RSSI信号强度，β表示不同设备对信号强度影响因子，Ω为遵循高斯分布的测量噪声。
在本实施例中，由于用户手持设备姿态的不同，在同一位置上也可能收集到不同的地磁指纹信号，因此应根据用户手持设备时针对地球坐标系的偏移计算设备当前姿态的旋转矩阵以此校准地磁指纹型号；且由于不同设备异构性所导致的蓝牙信号标定的误差，需要信号传播模型确定用户设备相关的噪声参数范围；借助以上两种信号去模拟场景中多用户的协同情况，构建多用户协同关系数据集。
在一个具体的实施例中，构建多用户协同关系训练集具体如下：
S201：遍历指纹数据库中的N个指纹打点位置，对每个打点位置随机选取场地中m个打点位置，其中m＝0,1,…N；
S202，将m个打点位置作为图样本的节点，计算打点位置上三轴地磁指纹信号的模值
Figure BDA0003214348700000061
使用预处理后的地磁指纹信号与模值作为节点特征
Figure BDA0003214348700000062
S203：对选取的m个打点位置，随机选取噪声参数βi，使用实际信号传播模型计算该打点位置与其他选取的打点位置的蓝牙信号强度e，则
Figure BDA0003214348700000063
eij表示在打点位置j上收到的从打点位置i发送的蓝牙信号强度，R和d0为固定参数，βi为不同设备对信号强度影响因子，disij表示打点位置i和打点位置j之间的距离，Ω为遵循高斯分布的测量噪声。使用G(V,E)表示一个图样本，其中，v∈V为节点特征向量为xv的节点集合，e∈E为边权特征向量为wij的边集合，ij为节点编号；上述m个打点位置可以构建一个全连接的关系图样本。
S204，重复步骤S201-S203，从而实现构建多用户协同关系训练集。
在一个具体的实施例中，所述的多层图卷积神经网络来提取多用户协同关系下的节点特征包括以下步骤：
A101：对关系图样本中所有输入节点的节点特征进行线性转换，对每个节点的邻域节点与连接邻域节点的边权实行注意力机制并进行正则化，计算注意力系数；具体如下：使用每个用户所在位置的地磁指纹作为图样本的一组初始节点特征X＝{x0,x1,x2,...xn-1},
Figure BDA0003214348700000064
其中，n是图中节点的数量，d是xi的维度，xi表示节点i的节点特征。对每个节点i，注意力机制计算模块聚合来自相邻节点
Figure BDA0003214348700000065
的信息，计算注意力系数eij＝a(Wxi,Wxj,wij)，其中，a代表了一个映射
Figure BDA0003214348700000066
W表示用于线性转换的共享参数。为了比较不同节点间的重要性，注意力系数可以转换为
Figure BDA0003214348700000067
注意力系数的计算选用了一个多层感知器Wa，后接一个LeakyReLU非线性激活函数，因此可得
Figure BDA0003214348700000068
本实施例所述的正则化是对某个节点与它的一个相邻节点计算出来的注意力系数，根据与该节点相邻的其他节点计算的注意力系数，实行softmax来获得标准化的一个注意力系数。
A102：根据得到的注意力系数加权邻域节点特征获得新一层的节点特征
Figure BDA0003214348700000071
在多层图卷积神经网络的前几层，并行使用K个注意力机制将节点特征拼接起来表示单层输出的结果
Figure BDA0003214348700000072
在本实施例中，构建基于注意力机制的多层图卷积神经网络，将构造的训练样本集输入多层图卷积神经网络进行训练，图样本中的每个节点都表示一个用户，多层图卷积神经网络通过消息传播学习节点特征，最后进行节点分类任务，得到每个节点的标签，标签代表整个场地中的打点位置。
在一个具体的实施例中，在多层图卷积神经网络的最后一层，使用节点特征进行节点分类任务，获取多用户预测位置，具体包括步骤如下：
A201：对节点特征进行线性转换为分类类别个数的维度，进行消息传播后，将单层输出的结果x″i先平均后再非线性激活
Figure BDA0003214348700000073
输出图中节点，节点维度为场地打点位置的个数；
A202：输出图中所有节点的分类类别概率，将每个节点选取概率最大的类别作为预测位置。
在一个具体的实施例中，在训练多层图卷积神经网络过程中，采用交叉熵和标签所对应地理位置间的距离来定义损失函数L：
Figure BDA0003214348700000074
Figure BDA0003214348700000075
其中，N表示场地中打点位置的数目，xf表示每个节点的输出向量，pi表示映射后的归一化向量，yi表示位置的真实标签，
Figure BDA0003214348700000076
表示真实标签对应的地理位置坐标，l表示预测标签对应的地理位置坐标。
在训练过程中通过最小化损失函数获得最优权重参数，同时还采用Adam优化器来提高优化效率。
在本实施例中，还可以构造多用户协同关系测试集，加载训练好的多层图卷积神经网络参数，根据测试集中的多用户关系图样本，由多层图卷积神经网络输出多用户相应的位置预测结果，以此来验证多层图卷积神经网络的准确度。最好利用多层图卷积神经网络实现对多用户室内定位。
实施例2
一种计算机系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述的处理器执行所述的计算机程序时，实现方法的步骤如下：
S1：构建基于图注意力机制的多层图卷积神经网络；
S2：获取多个用户所在位置的第一地磁指纹信号，和获取不同用户之间的第一蓝牙信号强度；根据地磁指纹信号与蓝牙信号强度构建多用户协同关系训练集；
S3：将多用户协同关系训练集作为多层图卷积神经网络的输入，将各个用户所在的位置坐标作为多层图卷积神经网络的输出，对多层图卷积神经网络进行训练；
S4：将获得的多用户待确定位置上的第二地磁指纹信号和不同用户之间的第二蓝牙信号强度输入训练好的多层图卷积神经网络，实现多用户的位置定位。
实施例3
一种计算机可读存储介质，其上存储有计算机程序，所述的计算机程序被处理器执行时，实现方法的步骤如下：
S1：构建基于图注意力机制的多层图卷积神经网络；
S2：获取多个用户所在位置的第一地磁指纹信号，和获取不同用户之间的第一蓝牙信号强度；根据地磁指纹信号与蓝牙信号强度构建多用户协同关系训练集；
S3：将多用户协同关系训练集作为多层图卷积神经网络的输入，将各个用户所在的位置坐标作为多层图卷积神经网络的输出，对多层图卷积神经网络进行训练；
S4：将获得的多用户待确定位置上的第二地磁指纹信号和不同用户之间的第二蓝牙信号强度输入训练好的多层图卷积神经网络，实现多用户的位置定位。
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。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 (6)

1.一种基于图注意力网络的室内多点协同定位方法，其特征在于：包括步骤如下：
S1：构建基于图注意力机制的多层图卷积神经网络；
S2：获取多个用户所在位置的第一地磁指纹信号，和获取不同用户之间的第一蓝牙信号强度；根据地磁指纹信号与蓝牙信号强度构建多用户协同关系训练集；
S3：将多用户协同关系训练集作为多层图卷积神经网络的输入，将各个用户所在的位置坐标作为多层图卷积神经网络的输出，对多层图卷积神经网络进行训练；
S4：将获得的多用户待确定位置上的第二地磁指纹信号和不同用户之间的第二蓝牙信号强度输入训练好的多层图卷积神经网络，实现多用户的位置定位；
构建多用户协同关系训练集具体如下：
S201：遍历指纹数据库中的N个指纹打点位置，对每个打点位置随机选取场地中m个打点位置，其中m=0,1,…N；
S202，将m个打点位置作为图样本的节点，计算打点位置上三轴地磁指纹信号的模值，使用预处理后的地磁指纹信号与模值作为节点特征；
S203：对选取的m个打点位置，随机选取噪声参数，使用实际信号传播模型计算该打点位置与其他选取的打点位置的蓝牙信号强度，将信号强度作为边特征，构建一个全连接的关系图样本；
S204，重复步骤S201-S203，从而实现构建多用户协同关系训练集；
在训练多层图卷积神经网络时，基于注意力机制学习各个节点与边的关系，提取多用户协同关系下的节点特征，使用节点特征进行节点分类任务，获取多用户预测位置；
所述的多层图卷积神经网络来提取多用户协同关系下的节点特征包括以下步骤：
A101：对关系图样本中所有输入节点的节点特征进行线性转换，对每个节点的邻域节点与连接邻域节点的边权实行注意力机制并进行正则化，计算注意力系数；
A102：根据得到的注意力系数加权邻域节点特征获得新一层的节点特征，并行使用多头注意力机制将节点特征拼接起来表示单层输出结果；
使用节点特征进行节点分类任务，获取多用户预测位置，具体包括步骤如下：
A201：对节点特征进行线性转换为分类类别个数的维度，进行消息传播后，将单层输出结果先平均再进行非线性激活，输出图中节点，节点维度为场地打点位置的个数；
A202：输出图中所有节点的分类类别概率，将每个节点选取概率最大的类别作为预测位置。
2.根据权利要求1所述的基于图注意力网络的室内多点协同定位方法，其特征在于：步骤S2中在构建多用户协同关系训练集之前，先对获取第一地磁指纹信号进行预处理；所述的预处理包括以下步骤：
D101：采用低通滤波对加速度测量值进行处理；
D102：采用加速度测量值与地磁指纹信号计算用户设备坐标系到地球坐标系的旋转矩阵；
D103：将得到的旋转矩阵计算校准后的地磁指纹信号。
3.根据权利要求1所述的基于图注意力网络的室内多点协同定位方法，其特征在于：步骤S2中在构建多用户协同关系训练集之前，
先确定实际的蓝牙信号传播模型，具体如下：
D201：使用不同设备，在处于与蓝牙发射源的不同距离处分别测量蓝牙信号强度，假定测量噪声为0，根据理论信号传播模型获得信号强度影响因子的范围；
D202：利用得到的用对应设备在相应位置上获取的实际蓝牙信号强度值与使用信号传播模型计算出理论蓝牙信号强度值进行比对，从而确定固定参数；
D203：根据得到的信号强度影响因子的范围、固定参数，从而确定实际的蓝牙信号传播模型。
4.根据权利要求1所述的基于图注意力网络的室内多点协同定位方法，其特征在于：在训练多层图卷积神经网络过程中，采用交叉熵和标签所对应地理位置间的距离来定义损失函数；通过最小化损失函数获得最优权重参数，同时还采用Adam优化器来提高优化效率。
5.一种计算机系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于：所述的处理器执行所述的计算机程序时，实现如权利要求1~4任一项所述的方法的步骤。
6.一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：所述的计算机程序被处理器执行时，实现如权利要求1~4任一项所述的方法的步骤。
CN202110939694.5A 2021-08-16 2021-08-16 一种基于图注意力网络的室内多点协同定位方法 Active CN113720333B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110939694.5A CN113720333B (zh) 2021-08-16 2021-08-16 一种基于图注意力网络的室内多点协同定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110939694.5A CN113720333B (zh) 2021-08-16 2021-08-16 一种基于图注意力网络的室内多点协同定位方法

Publications (2)

Publication Number Publication Date
CN113720333A CN113720333A (zh) 2021-11-30
CN113720333B true CN113720333B (zh) 2023-04-28

Family

ID=78676626

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110939694.5A Active CN113720333B (zh) 2021-08-16 2021-08-16 一种基于图注意力网络的室内多点协同定位方法

Country Status (1)

Country Link
CN (1) CN113720333B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115273645B (zh) * 2022-08-09 2024-04-09 南京大学 一种室内面要素自动聚类的地图制图方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3184963A1 (en) * 2015-12-23 2017-06-28 Thomson Licensing Apparatus and method for magnetic field map generation for indoor localization
CN108120436A (zh) * 2017-12-18 2018-06-05 北京工业大学 一种iBeacon辅助地磁室内实景导航方法
CN108632753A (zh) * 2018-05-22 2018-10-09 同济大学 一种基于rssi和地磁融合的室内定位方法
CN109218983A (zh) * 2018-06-28 2019-01-15 中国人民解放军国防科技大学 一种定位方法及定位系统
CN110533166A (zh) * 2019-08-21 2019-12-03 中山大学 一种基于时空间融合特征的室内定位方法
KR20200017612A (ko) * 2018-08-08 2020-02-19 (주)휴빌론 딥러닝을 이용한 위치 측위 학습 방법
CN111050294A (zh) * 2020-02-24 2020-04-21 张早 一种基于深度神经网络的室内定位系统及方法
US10716089B1 (en) * 2019-06-03 2020-07-14 Mapsted Corp. Deployment of trained neural network based RSS fingerprint dataset
CN112367614A (zh) * 2020-10-27 2021-02-12 华南师范大学 一种基于LSTM的Wi-Fi与地磁场融合的室内定位算法
CN112801268A (zh) * 2020-12-30 2021-05-14 上海大学 基于图卷积和多层感知机混合网络的定位方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3184963A1 (en) * 2015-12-23 2017-06-28 Thomson Licensing Apparatus and method for magnetic field map generation for indoor localization
CN108120436A (zh) * 2017-12-18 2018-06-05 北京工业大学 一种iBeacon辅助地磁室内实景导航方法
CN108632753A (zh) * 2018-05-22 2018-10-09 同济大学 一种基于rssi和地磁融合的室内定位方法
CN109218983A (zh) * 2018-06-28 2019-01-15 中国人民解放军国防科技大学 一种定位方法及定位系统
KR20200017612A (ko) * 2018-08-08 2020-02-19 (주)휴빌론 딥러닝을 이용한 위치 측위 학습 방법
US10716089B1 (en) * 2019-06-03 2020-07-14 Mapsted Corp. Deployment of trained neural network based RSS fingerprint dataset
CN110533166A (zh) * 2019-08-21 2019-12-03 中山大学 一种基于时空间融合特征的室内定位方法
CN111050294A (zh) * 2020-02-24 2020-04-21 张早 一种基于深度神经网络的室内定位系统及方法
CN112367614A (zh) * 2020-10-27 2021-02-12 华南师范大学 一种基于LSTM的Wi-Fi与地磁场融合的室内定位算法
CN112801268A (zh) * 2020-12-30 2021-05-14 上海大学 基于图卷积和多层感知机混合网络的定位方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Imran Ashraf等.Application of Deep Convolutional Neural Networks and Smartphone Sensors for Indoor Localization.《Applied Sciences 》.2019,第9卷(第11期),第1-21页. *
QUN NIU等.A Deep Signal-Fusion Framework for Accurate and Applicable Indoor Navigation.《Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies》.2019,第3卷(第3期),第1-24页. *
QUN NIU等.Multi-Scale Attention-Guided Indoor Localization Using Geomagnetic Sequences.《Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies》.2020,第4卷(第2期),第1-23页. *

Also Published As

Publication number Publication date
CN113720333A (zh) 2021-11-30

Similar Documents

Publication Publication Date Title
CN110536245B (zh) 一种基于深度学习的室内无线定位方法及系统
CN106687773A (zh) 用于基于上下文事件检测的传感器节点局部化和传感器网络组织的系统和方法
CN110933633B (zh) 一种基于csi指纹特征迁移的船载环境室内定位方法
CN113329437B (zh) 无线网络信号传播路径损耗预测方法及电子设备
CN110533166B (zh) 一种基于时空间融合特征的室内定位方法
CN107817466B (zh) 基于堆叠受限玻尔兹曼机和随机森林算法的室内定位方法
CN108171119B (zh) 基于残差网络的sar图像变化检测方法
CN111435088A (zh) 一种道路匹配方法、装置、电子设备及存储介质
CN113720333B (zh) 一种基于图注意力网络的室内多点协同定位方法
Liu et al. Geomagnetism-based indoor navigation by offloading strategy in NB-IoT
CN104039008B (zh) 一种混合定位方法
CN112560981A (zh) 生成对抗模型的训练方法、装置、设备、程序和存储介质
CN113518307A (zh) 基于csi与众包迁移自校准更新的位置指纹定位方法
CN111859241B (zh) 一种基于声传递函数学习的非监督声源定向方法
CN112333652B (zh) Wlan室内定位方法、装置及电子设备
Gricius et al. Advanced approach of multiagent based buoy communication
CN117036962A (zh) 遥感图像变化检测方法、装置、设备及存储介质
CN117034077A (zh) 基于迁移学习和gasf的csi定位方法、装置及设备
KR102234347B1 (ko) 레이더 영상 처리 방법 및 장치
CN111833395B (zh) 一种基于神经网络模型的测向体制单目标定位方法和装置
CN114595770A (zh) 一种船舶轨迹的长时序预测方法
JP6950647B2 (ja) データ判定装置、方法、及びプログラム
CN113923099A (zh) 一种通信网络故障的根因定位方法及相关设备
CN112579670A (zh) 一种精细油藏分布的勘察数据分析方法及系统
Wu et al. RangingNet: A convolutional deep neural network based ranging model for wireless sensor networks (WSN)

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