CN114449439B - 一种地下管廊空间的定位方法及装置 - Google Patents
一种地下管廊空间的定位方法及装置 Download PDFInfo
- Publication number
- CN114449439B CN114449439B CN202111274930.2A CN202111274930A CN114449439B CN 114449439 B CN114449439 B CN 114449439B CN 202111274930 A CN202111274930 A CN 202111274930A CN 114449439 B CN114449439 B CN 114449439B
- Authority
- CN
- China
- Prior art keywords
- signal
- position estimation
- line
- wireless access
- model
- 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
-
- 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
- H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
- H04W64/006—Locating users or terminals or network equipment for network management purposes, e.g. mobility management with additional information processing, e.g. for direction or speed determination
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本说明书一个或多个实施例提供一种地下管廊空间的定位方法及装置,包括:获取多个无线接入点的第一信号和第二信号;将第一信号输入预先构建的第一位置估计模型中,获得预测的第一位置估计;将第二信号输入预先构建的第二位置估计模型中,获得预测的第二位置估计;提取第二信号的信号特征;将信号特征输入预先构建的传输条件模型中,获得预测的视距传输概率和非视距传输概率;根据第一位置估计、第二位置估计、视距传输概率和非视距传输概率,确定定位结果。本实施例的定位方法能够实现狭长区域的精确定位。
Description
技术领域
本说明书一个或多个实施例涉及定位技术领域,尤其涉及一种定位方法及装置。
背景技术
在城市地下综合管廊空间中,位置信息是电力系统数据采集、移动巡检等主要电力地下管廊业务的关键支撑。目前,卫星定位系统无法适用于地下管廊空间,采用标签扫描定位等手段实现定位,只能反映目标在管廊中的纵向大致位置,无法实现精确定位。由此,需要一种能够适用于狭长电力地下综合管廊空间的定位方法,实现高精度的定位感知。
发明内容
有鉴于此,本说明书一个或多个实施例的目的在于提出一种地下管廊空间的定位方法及装置,能够实现地下管廊空间的精确定位。
基于上述目的,本说明书一个或多个实施例提供了一种地下管廊空间的定位方法,包括:
获取多个无线接入点的第一信号和第二信号;
将所述第一信号输入预先构建的第一位置估计模型中,获得预测的第一位置估计;
将所述第二信号输入预先构建的第二位置估计模型中,获得预测的第二位置估计;
提取所述第二信号的信号特征;
将所述信号特征输入预先构建的传输条件模型中,获得预测的视距传输概率和非视距传输概率;
根据所述第一位置估计、第二位置估计、视距传输概率和非视距传输概率,确定定位结果。
可选的,所述获取多个无线接入点的第一信号和第二信号之前,还包括:
获取多个无线接入点的第一信号样本;
根据所述第一信号样本,对胶囊网络模型进行训练,得到所述第一位置估计模型。
可选的,所述获取多个无线接入点的第一信号和第二信号之前,还包括:
获取多个无线接入点的第二信号样本;
根据所述第二信号样本,对胶囊网络模型进行训练,得到所述第二位置估计模型。
可选的,获取多个无线接入点的第二信号样本之后,还包括:
提取所述第二信号样本的信号特征样本;
根据所述信号特征样本,对支持向量机模型进行训练,得到所述传输条件模型。
可选的,所述获取多个无线接入点的第二信号为:获取多个无线接入点的第二信号强度;
提取所述第二信号的信号特征包括:
根据多个无线接入点的第二信号强度,计算信号强度均值、信号强度方差、信号强度偏斜度和信号强度峰值。
可选的,根据所述第一位置估计、第二位置估计、视距传输概率和非视距传输概率,确定定位结果,包括:
根据所述视距传输概率和非视距传输概率,计算置信度;
根据所述第一位置估计、第二位置估计和所述置信度,计算位置坐标。
本说明书实施例还提供一种地下管廊空间的定位装置,包括:
获取模块,用于获取多个无线接入点的第一信号和第二信号;
第一位置估计模块,用于将所述第一信号输入预先构建的第一位置估计模型中,获得预测的第一位置估计;
第二位置估计模块,用于将所述第二信号输入预先构建的第二位置估计模型中,获得预测的第二位置估计;
特征提取模块,用于提取所述第二信号的信号特征;
传输条件模块,用于将所述信号特征输入预先构建的传输条件模型中,获得预测的视距传输概率和非视距传输概率;
计算模块,用于根据所述第一位置估计、第二位置估计、视距传输概率和非视距传输概率,确定定位结果。
可选的,所述装置还包括:
第一训练模块,用于获取多个无线接入点的第一信号样本;以及根据所述第一信号样本,对胶囊网络模型进行训练,得到所述第一位置估计模型。
可选的,所述装置还包括:
第二训练模块,用于获取多个无线接入点的第二信号样本;以及根据所述第二信号样本,对胶囊网络模型进行训练,得到所述第二位置估计模型。
可选的,所述装置还包括:
传输条件训练模块,用于提取所述第二信号样本的信号特征样本;以及根据所述信号特征样本,对支持向量机模型进行训练,得到所述传输条件模型。
从上面所述可以看出,本说明书一个或多个实施例提供的地下管廊空间的定位方法及装置,通过获取多个无线接入点的第一信号和第二信号;将第一信号输入预先构建的第一位置估计模型中,获得预测的第一位置估计;将第二信号输入预先构建的第二位置估计模型中,获得预测的第二位置估计;提取第二信号的信号特征;将信号特征输入预先构建的传输条件模型中,获得预测的视距传输概率和非视距传输概率;根据第一位置估计、第二位置估计、视距传输概率和非视距传输概率,确定定位结果。本实施例的定位方法能够实现狭长区域的精确定位,适用于地下管廊空间的定位。
附图说明
为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案,下面将对实施例或现有技术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说明书一个或多个实施例,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为本说明书一个或多个实施例的方法流程示意图;
图2为本说明书一个或多个实施例的系统模型示意图;
图3为本说明书一个或多个实施例的装置结构示意图;
图4为本说明书一个或多个实施例的准确性实验结果示意图;
图5为本说明书一个或多个实施例的定位误差实验结果示意图;
图6为本说明书一个或多个实施例的电子设备结构示意图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本公开进一步详细说明。
需要说明的是,除非另外定义,本说明书一个或多个实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本说明书一个或多个实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
如图1、2所示,本说明书实施例提供一种地下管廊空间的定位方法,包括:
S101:获取多个无线接入点的第一信号和第二信号;
本实施例中,地下管廊空间的不同位置配置无线接入点,获取不同位置处的各无线接入点的第一信号和第二信号。其中,无线接入点是支持2.4GHz和5GHz双频段无线信号的设备,第一信号为2.4GHz频段无线信号,第二信号为5GHz频段无线信号。
S102:将第一信号输入预先构建的第一位置估计模型中,获得预测的第一位置估计;
S103:将第二信号输入预先构建的第二位置估计模型中,获得预测的第二位置估计;
本实施例中,基于第一信号样本预先训练得到第一位置估计模型,基于第二信号样本预先训练得到第二位置估计模型。定位时,将实时获取的第一信号输入第一位置估计模型,由第一位置估计模型输出预测的第一位置估计,将实时获取的第二信号输入第二位置估计模型,由第二位置估计模型输出预测的第二位置估计。
S104:提取第二信号的信号特征;
S105:将信号特征输入预先构建的传输条件模型中,获得预测的视距传输概率和非视距传输概率;
本实施例中,考虑到2.4GHz频段无线信号和5GHz频段无线信号在非视距传输条件下的衰落情况存在明显差异,5GHz频段无线信号受到障碍阻挡的干扰非常明显,由此,可根据第二信号判断视距传输条件或是非视距传输条件。其中,在视距传输条件(line ofsight,LOS)下,无线信号无遮挡地在发送端和接收端之间直接传播,在非视距传输条件(not line of sight,NLOS)下,发送端和接收端之间非直接的传输,存在障碍阻挡。
S106:根据第一位置估计、第二位置估计、视距传输概率和非视距传输概率,确定定位结果。
本实施例中,在确定了基于第一信号的第一位置估计,基于第二信号的第二位置估计,以及视距传输概率和非视距传输概率之后,根据双频段无线信号的位置估计和传输条件概率,确定最终的定位结果。
本实施例提供的地下管廊空间的定位方法,包括获取多个无线接入点的第一信号和第二信号,将第一信号输入预先构建的第一位置估计模型中,获得预测的第一位置估计,将第二信号输入预先构建的第二位置估计模型中,获得预测的第二位置估计,将从第二信号提取的信号特征输入预先构建的传输条件模型中,获得预测的视距传输概率和非视距传输概率,最后根据第一位置估计、第二位置估计、视距传输概率和非视距传输概率,确定定位结果。本实施例结合2.4GHz无线信号和5GHz无线信号的位置估计以及根据5GHz无线信号确定出的传输条件,实现双频段无线融合定位方案,能够提高狭长空间的定位精度。
一些实施例中,获取多个无线接入点的第一信号和第二信号之前,还包括:
获取多个无线接入点的第一信号样本;
根据第一信号样本,对胶囊网络模型进行训练,得到第一位置估计模型。
本实施例中,在实时定位之前,预先根据2.4GHz无线信号样本训练第一位置估计模型。
一些方式中,离线状态下,根据多个无线接入点的第一信号样本,构造第一位置指纹库。第一位置指纹库包括M个位置指纹向量,每个位置指纹向量包括一个位置坐标和K个无线接入点的2.4GHz无线信号的信号强度向量,第i个位置的第j个无线接入点的信号强度向量可表示为
胶囊网络包括输入层、卷积层、胶囊层和全连接层。信号强度向量输入胶囊网络的输入层,卷积层对输入的信号强度向量进行特征提取,细化信号强度特征,扩展局部特征,并细化胶囊网络的全局特征;胶囊层从输入该层的特征中提取多个特征,输出一个高维向量;全连接层对高维向量进行处理后,输出位置估计概率向量 为第i个位置的概率,最后,将位置估计概率向量中概率值最大的位置估计概率所对应的位置作为预测的第一位置估计。
为使全连接层的输出向量的长度能够更好的表示位置,需要使用非线性挤压函数将输出向量映射到[0~1)区间,挤压函数可表示为:
其中,vj为胶囊j的输出向量,sj为胶囊j的总输入。
sj为胶囊神经网络的总输入,下层胶囊的输入为上层胶囊的输出,对于除第一层胶囊以外的所有胶囊,胶囊j的总输入sj是来自下层胶囊中所有“预测向量”的加权总和,其通过将下层胶囊中的输出ui乘以权重矩阵Wij得到。/>
bij为低层胶囊i耦合到高层胶囊j的对数先验概率,k为高层胶囊的总数。
为提高胶囊网络的准确性,可以有区别地学习对数先验概率,通过检测高层胶囊j的当前输出与低层胶囊i的预测结果之间的一致性,迭代地更新初始耦合系数,最后,协议只是简单的标量积,将该协议视为对数似然,并将其添加到初始logitbij中,然后计算将胶囊i链接到更高级别胶囊的所有耦合系数的新值。
使用实例化向量的模来表示胶囊实体存在的概率,顶层数字胶囊k使用裕量损失Lk表示:
Lk=Tkmax(0,m+-||vK||)2+λ(1-Tk)max(0,||vk||-m-)2 (4)
其中,Tk=1,如果存在k类数字,m+=0.9,m-=0.1。λ用于降低缺失数字类的损失的权重,通过缩小所有数字胶囊的激活矢量的模而停止的最初学习,可选的,λ=0.5。本实施例不对胶囊网络的具体结构及原理进行进一步的详细描述。
由此,在离线状态下,通过获取各无线接入点的第一信号样本,构造第一信号样本的第一位置指纹库,将第一位置指纹库中的位置指纹向量输入胶囊网络进行训练,训练之后得到第一位置估计模型。在线状态下,将实时获取的第一信号的位置指纹向量输入第一位置估计模型,由第一位置估计模型输出预测的第一位置估计。利用第一位置估计模型能够实现2.4GHz无线信号的位置估计。
一些实施例中,获取多个无线接入点的第一信号和第二信号之前,还包括:
获取多个无线接入点的第二信号样本;
根据第二信号样本,对胶囊网络模型进行训练,得到第二位置估计模型。
本实施例中,在实时定位之前,预先根据5GHz无线信号样本训练第二位置估计模型。
一些方式中,离线状态下,根据多个无线接入点的第二信号样本,构造第二位置指纹库。第二位置指纹库包括M个位置指纹向量,每个位置指纹向量包括一个位置坐标和K个无线接入点的5GHz无线信号的信号强度向量。
在离线状态下,通过获取各无线接入点的第二信号样本,构造第二信号样本的第二位置指纹库,将第二位置指纹库中的位置指纹向量输入胶囊网络进行训练,训练之后得到第二位置估计模型。在线状态下,将实时获取的第二信号的位置指纹向量输入第二位置估计模型,由第二位置估计模型输出预测的第二位置估计。利用第一位置估计模型能够实现5GHz无线信号的位置估计。
一些实施例中,获取多个无线接入点的第二信号样本之后,还包括:
提取第二信号样本的信号特征样本;
根据信号特征样本,对支持向量机模型进行训练,得到传输条件模型。
本实施例中,在实时定位之前,预先根据5GHz无线信号样本训练传输条件模型。
一些实施方式中,由于无线接入点采集的无线信号是独立同分布的,对于每个无线接入点,分别训练相应的传输条件模型。
一些方式中,在离线状态下,通过获取各无线接入点的第二信号样本,构造第二信号样本的第二位置指纹库,第二位置指纹库包括M个位置指纹向量,根据位置指纹向量进行特征提取,得到第i个位置的信号特征向量将信号特征向量输入支持向量机模型,由支持向量机模型输出第i个位置的第j个无线接入点的视距传输条件概率和非视距传输条件概率,bij∈{-1,1},其中,bij=1表示视距传输条件,bij=-1表示非视距传输条件。
训练模型时,将支持向量机模型的最优超平面定义为wTx+w0=0,表示为:
f(x)=wTx+w0 (5)
根据公式(6)、(7),将求得的权重系数w0和w代入公式(5),可得:
其中,λi是第i个位置的信号特征样本的拉格朗日乘数。
f(x)=h(x)+w0 (9)
为了使支持向量机模型输出分类概率,参考普拉茨方法,得到输入信号特征x后,预测bij=1的后验概率为:
得到输入信号特征x后,预测bij=-1的后验概率为:
其中,PAB(f)是f(x)的函数,A、B为拟合参数。
一些方式中,基于最小对数的似然函数,确定拟合参数,表示为:
其中,N为随机选取的信号特征样本数量,pij为第i个位置的第j个无线接入点在视距传输条件的概率,可根据公式(10)计算得到,表示为:
非视距传输条件的概率为1-pij。
由此,在离线状态下,通过获取各无线接入点的第二信号样本,构造第二信号样本的第二位置指纹库,根据第二位置指纹库中的位置指纹向量进行特征提取,得到信号特征向量,将信号特征向量输入支持向量机模型进行训练,训练之后得到传输条件模型。在线状态下,基于实时获取的第二信号的位置指纹向量,提取信号特征形成信号特征向量,将信号特征向量输入传输条件模型,由传输条件模型输出预测的视距传输条件概率和非视距传输条件概率。利用第传输条件模型能够依据5GHz无线信号区分当前位置与无线接入节点之间是视距传输还是非视距传输。
一些实施例中,获取多个无线接入点的第二信号为:获取多个无线接入点的第二信号强度;
提取第二信号的信号特征包括:
根据多个无线接入点的第二信号强度,计算信号强度均值、信号强度方差、信号强度偏斜度和信号强度峰值。
本实施例中,获取多个无线接入点的第二信号强度,构建第二位置指纹库,第二位置指纹库中的每个位置指纹向量包括一个位置坐标和K个无线接入点的5GHz无线信号的信号强度向量,计算每个位置坐标对应的各无线接入点的信号强度均值、信号强度标准差、信号强度偏斜度和信号强度峰值,将每个位置对应的信号强度均值、信号强度标准差、信号强度偏斜度和信号强度峰值作为信号特征,用于训练传输条件模型。定位时,将实时获取的第二信号强度进行特征提取后,经提取出的信号特征输入传输条件模型中,由传输条件模型输出预测的各位置的视距传输概率和非视距传输概率。
一些方式中,第i个位置第j个无线接入点的偏斜度skewij的计算公式为:
信号强度峰值为概率密度相较于信号强度均值的波动变化特性,第i个位置第j个无线接入点的信号强度峰值的计算公式为:
一些实施例中,根据第一位置估计、第二位置估计、视距传输概率和非视距传输概率,确定定位结果,包括:
根据视距传输概率和非视距传输概率,计算置信度;
根据第一位置估计、第二位置估计和置信度,计算位置坐标。
本实施例中,综合双频段无线信号下的位置估计以及根据5GHz无线信号确定的视距传输概率和非视距传输概率,计算位置坐标,获得最终的定位结果。
首先根据视距传输概率和非视距传输概率,计算5GHz无线信号的置信度,公式为:
其中,最终的位置坐标表示为Li为第i个位置的位置坐标。
以下结合实验数据说明依照本实施例的定位方法可达到的定位效果。
搭建仿真环境对本实施例的定位方法进行仿真分析。仿真测试区域包括400个方形区域,每个方形区域的面积为1米乘1米,测试区域中设置障碍物,无线接入点采用支持2.4GHz和5GHz双频段的路由器,于测试区域的不同位置部署20个无线接入点,测试位置能够接收20个无线接入点的双频段信号强度。
结合图3所示,根据测试位置接收的第二信号,检验非视距传输条件的定位准确性。从第二信号中提取信号特征,将信号特征输入传输条件模型中,获得非视距传输条件概率,实验数据表明,传输条件模型对于传输条件的预测准确性不低于96%,大部分结果高于97%,表明本实施例提供的传输条件预测模型的预测结果较为准确,同时可以表明5GHz无线信号和2.4GHz无线信号对于视距传输条件和非视距传输条件的显著差异。
结合表1所示,为验证本实施例提供的双频段位置估计模型的准确性,采用不同的方法测试测试区域中的位置估计性能,其中,KNN,WKNN,簇KNN和DGPR为现有的定位方法,CN2.4G为本实施例的第一位置估计模型的位置估计结果,CN5G为第二位置估计模型的位置估计结果,BiCN为双频段融合定位方法获得的定位结果。
表1不同定位方法的定位性能
方法 | 平均误差 | 1m | 2m | 3m | 5m |
KNN | 2.40 | 17.81% | 47.95% | 65.75% | 95.89% |
WKNN | 1.86 | 32.39% | 64.79% | 83.09% | 98.59% |
簇KNN | 2.09 | 26.02% | 58.90% | 76.71% | 93.15% |
DGPR | 2.38 | 14.54% | 52.73% | 69.09% | 94.55% |
CN2.4G | 1.13 | 64.38% | 80.82% | 89.04% | 98.63% |
CN5G | 1.11 | 65.75% | 82.19% | 90.04% | 98.63% |
BiCN | 0.99 | 58.82% | 88.23% | 95.59% | 100% |
根据表1的仿真结果,第一位置估计模型、第二位置估计模型以及双频段融合定位方法的定位误差分别为1.13m、1.11m和0.99m,相较于其他方法能够达到更高的定位精度。基于胶囊网络模型实现的第一位置估计模型和第二位置估计模型,超过50%的定位误差小于1米,验证了胶囊网络在定位技术上的有效性。
结合图4所示,采用第一位置估计模型、第二位置估计模型以及双频段融合定位方法具有较好的收敛性,三种方法在一米内的定位误差差距很小。
需要说明的是,本说明书一个或多个实施例的方法可以由单个设备执行,例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下,由多台设备相互配合来完成。在这种分布式场景的情况下,这多台设备中的一台设备可以只执行本说明书一个或多个实施例的方法中的某一个或多个步骤,这多台设备相互之间会进行交互以完成所述的方法。
需要说明的是,上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
如图5所示,本说明书实施例提供一种地下管廊空间的定位装置,包括:
获取模块,用于获取多个无线接入点的第一信号和第二信号;
第一位置估计模块,用于将第一信号输入预先构建的第一位置估计模型中,获得预测的第一位置估计;
第二位置估计模块,用于将第二信号输入预先构建的第二位置估计模型中,获得预测的第二位置估计;
特征提取模块,用于提取第二信号的信号特征;
传输条件估计模块,用于将信号特征输入预先构建的传输条件模型中,获得预测的视距传输概率和非视距传输概率;
定位模块,用于根据第一位置估计、第二位置估计、视距传输概率和非视距传输概率,确定定位结果。
一些实施例中,定位装置还包括:
第一训练模块,用于获取多个无线接入点的第一信号样本;以及根据第一信号样本,对胶囊网络模型进行训练,得到第一位置估计模型。
一些实施例中,定位装置还包括:
第二训练模块,用于获取多个无线接入点的第二信号样本;以及根据第二信号样本,对胶囊网络模型进行训练,得到第二位置估计模型。
一些实施例中,定位装置还包括:
传输条件训练模块,用于提取第二信号样本的信号特征样本;以及根据信号特征样本,对支持向量机模型进行训练,得到传输条件模型。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本说明书一个或多个实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述实施例中相应的方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
图6示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图,该设备可以包括:处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit,中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM(Read Only Memory,只读存储器)、RAM(Random AccessMemory,随机存取存储器)、静态存储设备,动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器1020中,并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块,以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出),也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等,输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出),以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路,在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是,尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050,但是在具体实施过程中,该设备还可以包括实现正常运行所必需的其他组件。此外,本领域的技术人员可以理解的是,上述设备中也可以仅包含实现本说明书实施例方案所必需的组件,而不必包含图中所示的全部组件。
上述实施例的电子设备用于实现前述实施例中相应的方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本公开的范围(包括权利要求)被限于这些例子;在本公开的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本说明书一个或多个实施例的不同方面的许多其它变化,为了简明它们没有在细节中提供。
另外,为简化说明和讨论,并且为了不会使本说明书一个或多个实施例难以理解,在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外,可以以框图的形式示出装置,以便避免使本说明书一个或多个实施例难以理解,并且这也考虑了以下事实,即关于这些框图装置的实施方式的细节是高度取决于将要实施本说明书一个或多个实施例的平台的(即,这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如,电路)以描述本公开的示例性实施例的情况下,对本领域技术人员来说显而易见的是,可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本说明书一个或多个实施例。因此,这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本公开的具体实施例对本公开进行了描述,但是根据前面的描述,这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如,其它存储器架构(例如,动态RAM(DRAM))可以使用所讨论的实施例。
本说明书一个或多个实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本说明书一个或多个实施例的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (10)
1.一种地下管廊空间的定位方法,其特征在于,包括:
获取多个无线接入点的第一信号和第二信号;
将所述第一信号输入预先构建的第一位置估计模型中,获得预测的第一位置估计;
将所述第二信号输入预先构建的第二位置估计模型中,获得预测的第二位置估计;
提取所述第二信号的信号特征;
将所述信号特征输入预先构建的传输条件模型中,获得预测的视距传输概率和非视距传输概率;
根据所述第一位置估计、第二位置估计、视距传输概率和非视距传输概率,确定定位结果。
2.根据权利要求1所述的方法,其特征在于,所述获取多个无线接入点的第一信号和第二信号之前,还包括:
获取多个无线接入点的第一信号样本;
根据所述第一信号样本,对胶囊网络模型进行训练,得到所述第一位置估计模型。
3.根据权利要求1所述的方法,其特征在于,所述获取多个无线接入点的第一信号和第二信号之前,还包括:
获取多个无线接入点的第二信号样本;
根据所述第二信号样本,对胶囊网络模型进行训练,得到所述第二位置估计模型。
4.根据权利要求3所述的方法,其特征在于,获取多个无线接入点的第二信号样本之后,还包括:
提取所述第二信号样本的信号特征样本;
根据所述信号特征样本,对支持向量机模型进行训练,得到所述传输条件模型。
5.根据权利要求1所述的方法,其特征在于,所述获取多个无线接入点的第二信号为:获取多个无线接入点的第二信号强度;
提取所述第二信号的信号特征包括:
根据多个无线接入点的第二信号强度,计算信号强度均值、信号强度方差、信号强度偏斜度和信号强度峰值。
6.根据权利要求1所述的方法,其特征在于,根据所述第一位置估计、第二位置估计、视距传输概率和非视距传输概率,确定定位结果,包括:
根据所述视距传输概率和非视距传输概率,计算置信度;
根据所述第一位置估计、第二位置估计和所述置信度,计算位置坐标。
7.一种地下管廊空间的定位装置,其特征在于,包括:
获取模块,用于获取多个无线接入点的第一信号和第二信号;
第一位置估计模块,用于将所述第一信号输入预先构建的第一位置估计模型中,获得预测的第一位置估计;
第二位置估计模块,用于将所述第二信号输入预先构建的第二位置估计模型中,获得预测的第二位置估计;
特征提取模块,用于提取所述第二信号的信号特征;
传输条件模块,用于将所述信号特征输入预先构建的传输条件模型中,获得预测的视距传输概率和非视距传输概率;
计算模块,用于根据所述第一位置估计、第二位置估计、视距传输概率和非视距传输概率,确定定位结果。
8.根据权利要求7所述的装置,其特征在于,还包括:
第一训练模块,用于获取多个无线接入点的第一信号样本;以及根据所述第一信号样本,对胶囊网络模型进行训练,得到所述第一位置估计模型。
9.根据权利要求7所述的装置,其特征在于,还包括:
第二训练模块,用于获取多个无线接入点的第二信号样本;以及根据所述第二信号样本,对胶囊网络模型进行训练,得到所述第二位置估计模型。
10.根据权利要求9所述的装置,其特征在于,还包括:
传输条件训练模块,用于提取所述第二信号样本的信号特征样本;以及根据所述信号特征样本,对支持向量机模型进行训练,得到所述传输条件模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111274930.2A CN114449439B (zh) | 2021-10-29 | 2021-10-29 | 一种地下管廊空间的定位方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111274930.2A CN114449439B (zh) | 2021-10-29 | 2021-10-29 | 一种地下管廊空间的定位方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114449439A CN114449439A (zh) | 2022-05-06 |
CN114449439B true CN114449439B (zh) | 2023-05-23 |
Family
ID=81362582
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111274930.2A Active CN114449439B (zh) | 2021-10-29 | 2021-10-29 | 一种地下管廊空间的定位方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114449439B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115278871B (zh) * | 2022-07-26 | 2024-04-26 | 河海大学 | 一种基于gasf和胶囊网络的nlos识别方法 |
CN115357862B (zh) * | 2022-10-20 | 2023-04-07 | 山东建筑大学 | 一种狭长空间中的定位方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101509969A (zh) * | 2009-03-31 | 2009-08-19 | 江苏大学 | 联合非视距误差消除和运动状态估计的无线定位方法 |
WO2017079975A1 (zh) * | 2015-11-13 | 2017-05-18 | 华为技术有限公司 | 一种室内定位方法及设备 |
CN109246608A (zh) * | 2018-11-16 | 2019-01-18 | 重庆小富农康农业科技服务有限公司 | 一种基于wifi位置指纹大数据分析的室内点对点定位方法 |
CN111983398A (zh) * | 2020-08-05 | 2020-11-24 | 国网江苏省电力有限公司电力科学研究院 | 一种考虑nlos条件下电力变压器局放tdoa定位方法及系统 |
US10908299B1 (en) * | 2019-08-30 | 2021-02-02 | Huawei Technologies Co., Ltd. | User equipment positioning apparatus and methods |
-
2021
- 2021-10-29 CN CN202111274930.2A patent/CN114449439B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101509969A (zh) * | 2009-03-31 | 2009-08-19 | 江苏大学 | 联合非视距误差消除和运动状态估计的无线定位方法 |
WO2017079975A1 (zh) * | 2015-11-13 | 2017-05-18 | 华为技术有限公司 | 一种室内定位方法及设备 |
CN109246608A (zh) * | 2018-11-16 | 2019-01-18 | 重庆小富农康农业科技服务有限公司 | 一种基于wifi位置指纹大数据分析的室内点对点定位方法 |
US10908299B1 (en) * | 2019-08-30 | 2021-02-02 | Huawei Technologies Co., Ltd. | User equipment positioning apparatus and methods |
CN111983398A (zh) * | 2020-08-05 | 2020-11-24 | 国网江苏省电力有限公司电力科学研究院 | 一种考虑nlos条件下电力变压器局放tdoa定位方法及系统 |
Non-Patent Citations (2)
Title |
---|
基于非视距鉴别的井下精确定位技术研究;温良;;煤炭科学技术(第07期);1-2 * |
基于非视距鉴别的超宽带室内定位算法;曾玲;彭程;刘恒;;计算机应用(第S1期);1-2 * |
Also Published As
Publication number | Publication date |
---|---|
CN114449439A (zh) | 2022-05-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lu et al. | milliEgo: single-chip mmWave radar aided egomotion estimation via deep sensor fusion | |
CN114449439B (zh) | 一种地下管廊空间的定位方法及装置 | |
US20160371394A1 (en) | Indoor localization using crowdsourced data | |
CN109584276A (zh) | 关键点检测方法、装置、设备及可读介质 | |
CN107784671B (zh) | 一种用于视觉即时定位与建图的方法与系统 | |
CN105143907A (zh) | 定位系统和方法 | |
Bai et al. | Using Sky‐pointing fish‐eye camera and LiDAR to aid GNSS single‐point positioning in urban canyons | |
Wang et al. | Deep neural network‐based Wi‐Fi/pedestrian dead reckoning indoor positioning system using adaptive robust factor graph model | |
Xia et al. | Gesture recognition algorithm of human motion target based on deep neural network | |
Chen et al. | A wifi indoor localization method based on dilated cnn and support vector regression | |
Liu et al. | NLOS signal detection and correction for smartphone using convolutional neural network and variational mode decomposition in urban environment | |
Kamalam et al. | Augmented Reality‐Centered Position Navigation for Wearable Devices with Machine Learning Techniques | |
CN116430126B (zh) | 一种基于电磁背景认知的电磁静默目标检测方法、装置及计算机设备 | |
Wang | The Improvement and Comparison Study of Distance Metrics for Machine Learning Algorithms for Indoor Wi-Fi Localization | |
CN116182878B (zh) | 道路曲面信息生成方法、装置、设备和计算机可读介质 | |
KR101726677B1 (ko) | 무선 센서 네트워크 장치 및 그 제어방법 | |
Yan et al. | UAM-RDE: an uncertainty analysis method for RSSI-based distance estimation in wireless sensor networks | |
CN114674328B (zh) | 地图生成方法、装置、电子设备、存储介质、及车辆 | |
CN113176606B (zh) | 微震震源定位方法、系统、设备及存储介质 | |
US11408964B2 (en) | Location estimating apparatus, location estimating method and program storing recording medium, and location estimating system | |
CN109831737B (zh) | 一种基于置信度的蓝牙定位方法、装置、设备和系统 | |
Wang et al. | Deep Learning‐Based Localization with Urban Electromagnetic and Geographic Information | |
CN110779533A (zh) | 导航方法、系统和电子设备 | |
US20220284348A1 (en) | Systems and methods for determining reference points for machine learning architectures | |
Hu et al. | Landmark-based localization using range measurements: A stochastic geometry perspective |
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 |