CN114928811B - 一种基于神经网络的超宽带矿井下人员精确定位方法 - Google Patents

一种基于神经网络的超宽带矿井下人员精确定位方法 Download PDF

Info

Publication number
CN114928811B
CN114928811B CN202210480875.0A CN202210480875A CN114928811B CN 114928811 B CN114928811 B CN 114928811B CN 202210480875 A CN202210480875 A CN 202210480875A CN 114928811 B CN114928811 B CN 114928811B
Authority
CN
China
Prior art keywords
neural network
positioning
base station
data
wideband
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
CN202210480875.0A
Other languages
English (en)
Other versions
CN114928811A (zh
Inventor
王满意
赵宇轩
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.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and Technology
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 Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN202210480875.0A priority Critical patent/CN114928811B/zh
Publication of CN114928811A publication Critical patent/CN114928811A/zh
Application granted granted Critical
Publication of CN114928811B publication Critical patent/CN114928811B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
    • 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
    • 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)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明公开了一种基于神经网络的超宽带矿井下人员精确定位方法，首先在矿井隧道、矿区等需要定位的地方布置超宽带硬件基站节点，人员进入携带超宽带标签节点；基站与标签进行通信，利用基站读取到的超宽带帧数据传输的诊断数据，输入至训练好的神经网络分类器中，判断通信设备二者的视距情况；接着根据不同的视距情况，利用不同的误差修正模型消除测距中的噪声影响；接着再利用卡尔曼滤波算法对每次的测距进行滤波；紧接着使用三边质心定位算法对标签节点做出精确的定位；最后加上地图限制，对定位结果进行优化改善。本发明可以有效提高矿井等环境下的人员定位精度。

Description

一种基于神经网络的超宽带矿井下人员精确定位方法
技术领域
本发明属于有源目标的二位定位领域，特别是一种基于神经网络的超宽带矿井下人员精确定位方法。
背景技术
近年来，随着无线通信和无线传感器网络的不断发展，无线定位技术越来越受到人们的关注，广泛应用于灾害急救、目标跟踪、车载导航、行人导航等领域。以全球卫星导航系统为基础的室外定位技术已趋于成熟，但在室内、地下等没有卫星信号的场景下，精确定位成了一个待解决的问题。
超宽带(Ultra-Wide Band)通信最早来自于上世纪90年代的正式术语，主要是用来统一描述脉冲超宽带传输信息的无线电技术。超宽带技术采用纳秒级或亚纳秒级的脉冲实现无线通信，其因独特的带宽特性可以获得厘米级的测距精度，逐渐成为了室内定位技术中的主流技术。相较于wifi定位、zigbee定位技术等传统的室内定位技术，超宽带有着定位精度高、通信速率高、多径分辨率强等优点，同时由于它极低的脉冲占空比使得发送端能量消耗小、功耗低，更适合跟踪定位的应用场合当中。因此，超宽带技术由于其突出的定位精度高、抗干扰能力强、功耗低等特点成为了近年来室内定位的关键技术。超宽带通信作为一门新兴无线通信技术，还具有抗多径能力强、系统复杂性低等特点，可实现厘米级高精度定位，在没有卫星信号的场景的无线定位领域有良好的应用前景。
但现有的超宽带定位技术仍存在着一些问题：(1)现有部分分类视距与非视距算法采用CIR信道冲激响应数据，该数据量大，在大容量通信、高频率通信时对基站的输出能力要求高。(2)现有部分超宽带系统可以测距，但缺乏组成系统的定位和跟踪能力，定位误差大。
发明内容
本发明的目的在于提供一种基于神经网络的超宽带矿井下人员精确定位方法，用于在矿井等环境下对人员进行有源精确定位且受非视距影响小的定位。
实现本发明目的的技术解决方案为：
一种基于神经网络的超宽带矿井下人员精确定位方法，包括以下步骤：
步骤1、在矿井隧道中部署至少是至少基站设并建立坐标系：基站设备之间的距离不应超过最大通信距离的一半，根据建立的坐标系获取基站的坐标；
步骤2、在隧道中设置定位标签并与基站进行通信，获取基站与定位标签之间的距离、地图信息、寄存器中读取的帧传输诊断数据、基站编号以及基站的坐标信息；
步骤3、将收集到的帧传输诊断数据输入至神经网络中，该神经网络是一个含有两个隐藏层的共四层多输入单输出的全连接前馈神经网络；并在得到神经网络的输出后需要再增加一个分段函数，将该神经网络作为分类器分辨出此帧传输时是视距情况还是非视距情况；
步骤4、根据不同的视距情况对测距数据利用不同的误差修正模型进行误差的消除；接着再利用卡尔曼滤波对测距数据进行滤波，得到经过滤波后的测距值；
步骤5、基于三边质心定位算法，利用同一个标签与三个不同基站的距离数据做出定位，获得定位结果的坐标值；最后加以地图限制，将当某时刻超出矿井边界的定位结果进行修正，将其落在待定位环境内。
本发明与现有技术相比，其显著优点是：
(1)使用超宽带通信帧传输的诊断数据，包含了信道冲激响应、平均噪声、最大功率等信息；相比使用CIR信道冲激响应数据，在识别非视距情况正确率不降低的同时，能够减轻基站的数据数据输出压力，在将来标签容量大时能够降低数据输出的丢包率。
(2)本发明确定了在测距完成后的三边质心定位算法，具体在不同种情况时候所采取的不同定位算法，在三边质心定位算法中考虑了三圆均相离、均相切、均相交等十种情况，能够适应各种测距结果的定位方法。
附图说明
图1为本发明方法的流程图。
图2为矿井下超宽带基站布局图。
图3为本发明神经网络结构图。
图4为线性误差修正模型拟合图。
图5为静态定位最终结果图。
图6为动态定位最终运动轨迹图。
具体实施方式
下面结合附图及具体实施例对本发明做进一步的介绍。
结合图1，本实施例的一种基于神经网络的超宽带矿井下人员精确定位方法，包括以下步骤：
步骤1、在矿井下部署超宽带基站设备：
参照图2，在图2中的矿井隧道中部署超宽带基站设备并建立坐标系。为确保待定位标签某时刻必须至少能与三个基站通信，基站设备之间的距离不应超过最大通信距离的一半，需留出一定的余量。该隧道宽4米，图2中三角形表示为基站，将基站布置在隧道中线上，并且三个基站的垂直高度需尽可能保持一致，在本实施例中垂直高度均为1.5m。根据坐标系(可根据不同的基站位置建立不同的二维坐标系)的xOy平面可以得出三个基站A0、A1、A2的坐标分别为：(15，5)、(27，20)、(5，20)。
步骤2、定位系统初始化，基站开始传输数据：
定位系统初始化时，系统绘制地图，将基站坐标等信息初始化；初始化神经网络模型、误差修正模型；初始化每个基站的卡尔曼滤波器。开始等待基站数据。
人员携带待定位标签进入定位范围内，尽可能保持定位标签与基站的高度一致。但同时由于基站与标签距离远远大于基站与标签的高度差，所以在定位过程中可以忽视高度带来的影响。接着基站与标签进行通信，上位机收集每个基站读取、计算的数据，基站通过TOF原理计算基站与标签之间的距离，接着读取寄存器中用于诊断某一次测距流程中最后接收到的一帧信息的诊断数据，并发送给上位机。在本实施例中，事先采集了视距情况和非视距情况的数据值作成数据集用作神经网络和误差修正模型的训练和拟合，并进行了静态测试和动态测试。
静态测试时人员携带待定位标签站在坐标为(15，15)、(32.5，20)和(0，20)的位置，持续若干时间，待标签与基站通信一定时间。人员在(15，15)位置时，标签与基站A0的通信将会是视距情况，而与基站A1、A2通信为非视距情况，此时测距数据将带有非视距引起的误差；以此类推，人员在(32.5，20)和(0，20)位置时，标签与基站A0的通信将会是非视距情况，而与基站A1、A2通信为视距情况。动态测试时，人员携带待定位标签从坐标为(16，10)的位置，经过坐标分别为(16，19)(21，19)(21，21)(10，21)(10，19)(14，19)的位置，最终回到坐标为(14，10)的位置。在此过程中，标签与三个基站的通信视距情况将随着标签运动而改变，因此对定位系统的要求更高。由于人员行走时间不固定，同时由于人员行走路径不完全为直线，因此无法精确计算某时刻标签位置，只能对比定位轨迹。
步骤3、测距数据存在着各种误差，并用神经网络分类：
测量数据中，距离的误差εW(d)可以定义为：
其中为基站基于TOF计算出的距离，d为标签与基站之间的真实距离。该测距误差来源于多径误差、标签与基站测量真实距离过程中的误差、非视距误差以及设备天线延迟误差等。具体可表示为：
εW(d)＝εt+εa+εM，W(d)+ξW(W)εU，W(d)
其中εt为测量标签与基站之间的真实距离时产生的误差，εa为设备天线延迟误差，εM，W(d)为多径误差，ξW(W)是一个状态变量，ξW(W)＝1时表示非视距情况，ξW(W)＝0时表示视距情况，εU，W(d)为非视距误差。
上位机接收到来自基站的数据包括了基站从寄存器中读取的八个数据，包括：
(1)第一路径振幅，报告在LDE算法分析期间在累加器数据存储器中看到的前缘信号的幅度，由第一路径的索引加上累加器的值得到，通过DW1000芯片手册可知，该振幅可用于评估接收信号的质量和LDE产生的接收时间戳。包括三个数据：firstPathAmp1、firstPathAmp2、firstPathAmp3。
(2)stdNoise：LDE算法分析累加器数据时看到的噪声水平的标准偏差。
(3)maxGrowthCIR：与接收信号功率相关的累加器的增长因子。
(4)firstPath：报告LDE算法确定为第一个路径的累加器中的位置。
(5)rxPreamCount：报告累积的序文符号的数目。这可以用来估计接收到帧的前导的长度，也可以在诊断期间作为解释累加器数据的辅助。
(6)C：报告的信道脉冲响应功率值。
根据DW1000芯片手册，上述八个数据可以用于评估接收信号的质量和LDE产生的接收时间戳。根据采集的数据作为数据集，训练一个八输入一输出的全连接神经网络分类器用作分类非视距传输情况。每个神经元的结构如图3(a)所示，整体神经网络模型结构如图3(b)所示。
训练神经网络时，数据集label为0的数据为视距数据，label为1的数据为非视距数据；激活函数使用Sigmoid函数，其公式表示为：
x为Sigmoid激活函数的输入，f(x)为激活结果。
神经网络第i层的输入矩阵Xi为：
其中n为输入数据特征数或第i-1层神经元个数，为神经网络第i层输入矩阵的第n个特征，T为矩阵转置符号。神经网络第i层神经元的权重矩阵Wi和偏执矩阵Bi为：
其中m为第i层神经元个数，表示第i层第m个神经元的权重。则神经网络第i层的输出矩阵Yi可以表示为
Yi＝f(Wi*Xi+Bi)
其中f(·)表示作用在·上每个元素，Wi为神经网络第i层神经元的权重矩阵，Xi为第i层的输入矩阵，Bi为第i层的偏执矩阵。输出层只有一个神经元且输出经过Sigmoid激活函数激活，因此神经网络最终的输出结果youtput的取值范围为[0,1]。
训练好的神经网络模型，为了得到表示视距和非视距的标志，在得到神经网络的输出后需要再增加一个分段函数：
其中youtput为神经网络最终的输出；当ξ为0时，代表该时刻测距设备为视距通信；当ξ为1时，代表该时刻测距设备为非视距通信。
步骤4、对测距数据利用不同的误差修正模型进行误差的消除；利用卡尔曼滤波对测距数据进一步消除误差：
根据数据集，分别对视距情况和非视距情况的测距数据进行线性拟合，得到误差修正模型：
y＝(1-ξ)(klosx+blos)+ξ(knlosx+bnlos)
其中y为测距数据的真值即标签与基站的真实距离，x为距离测量值，ξ为神经网络的输出经过分段函数后的输出值。klos、blos和knlos、bnlos分别为视距情况和非视距情况线性方程的参数。利用数据集对该线性方程进行拟合，得到拟合后的参数klos、blos和knlos、bnlos。非视距情况和视距情况的拟合结果如图4(a)和(b)所示。
根据步骤3中神经网络以及后续分段函数的输出ξ，将ξ和该时刻测距得到的距离数据输入至误差修正模型中，得到输出y，y将作为后续算法的真实距离值。此时即完成了非视距误差的修正。接着根据基站的编号将y输入至基站对应的卡尔曼滤波器中，可以对测距中的误差进行进一步地消除。
就测距而言，系统可以视作线性系统。系统的状态方程为：
Xk＝AXk-1+BUk+Wk
其中Xk为k时刻系统状态变量，A为状态变换矩阵，Xk-1为k-1时刻系统状态变量，B为输入控制矩阵，Uk为系统控制输入，Wk为系统过程激励噪声；在本发明中，B和Uk均为0。
系统的测量方程为：
Zk＝HXk+Vk
其中，Zk为观测变量，H为观测模型矩阵，Xk为k时刻系统状态变量，Vk为观测噪声。在本发明中，Zk即为误差修正模型的输出值y。
卡尔曼滤波器包括两个主要过程：预估与校正。预估过程主要是利用时间更新方程建立对当前状态的先验估计，及时向前推算当前状态变量和误差协方差估计的值，以便为下一个时间状态构造先验估计值；校正过程负责反馈，利用测量更新方程在预估过程的先验估计值及当前测量变量的基础上建立起对当前状态的改进的后验估计。离散卡尔曼滤波器的时间更新方程和状态更新方程可以表示如下：
时间更新方程：
状态更新方程：
其中，为k-1时刻的系统状态变量，A为状态变换矩阵；/>为k-1时刻的控制向量，B为输入控制矩阵；/>为根据k-1时刻预测的k时刻的系统状态变量；H为观测模型矩阵，/>为k时刻的先验估计误差协方差矩阵；Pk为k时刻的后验估计误差协方差矩阵；Q为过程噪声协方差矩阵；R为过程噪声协方差矩阵；I为单位矩阵；Kk为阶卡尔曼增益矩阵；Zk为k时刻的观测变量。
根据上述的卡尔曼滤波器方程：
其中为k时刻的卡尔曼滤波结果也是k时刻的系统状态变量，/>为根据k-1时刻预测的k时刻的系统状态变量，Kk为n×m阶卡尔曼增益矩阵；Zk为k时刻的观测变量，H为m×n观测模型矩阵；
将k时刻的观测变量Zk输入至上述方程中，可以输出得到经过滤波后的测距值r即公式中的三个测距数据都经过上述方式处理后，可以得到标签与三个基站的完成误差修正后的距离值r1,r2,r3。
步骤5、基于三边质心定位算法获得定位结果的坐标值，并加以地图限制：
所述基于三边质心定位算法进行定位具体为：
根据待定位的标签与三个基站的距离以及基站的坐标，可以以每个基站为圆心，标签与该基站的距离为半径写出圆的方程并联立：
其中xa、ya为基站a的坐标，ra为基站a与标签的距离(a＝1,2,3)；x、y为待定位标签的坐标。三圆相交于一点，即该方程组的解即为待定位标签的坐标。但由于测距过程误差无法完全消除，因此三个圆存在着十种情况：(1)三圆均相离；(2)三圆均相切；(3)三圆均相交；(4)一圆与其余两圆相切、其余两圆相离；(5)一圆与其余两圆相切、其余两圆相交；(6)一圆与其余两圆相交、其余两圆相切；(7)一圆与其余两圆相交、其余两圆相离；(8)一圆与其余两圆相离、其余两圆相切；(9)一圆与其余两圆相交、其余两圆相交；(10)一圆与第二圆相交、第二圆与第三圆相切、第三圆与第一圆相离。每两个圆确定出一个顶点，共能确定三个顶点；三边质心定位算法即计算该三个顶点组成的三角形的质心作为定位结果坐标。在以上情况中：
(1)若两圆相切：则切点作为该两圆所确定的顶点。
(2)若两圆相离：两圆相离存在两种情况：外离和内含。圆O1和圆O2坐标记为(x1,y1)和(x2,y2)半径分别记为r1和r2。两圆圆心O1和O2具有圆心距d。
①当两圆外离时，此时必然有r1+r2<d；两圆圆心O1和O2组成的线段将会与两圆分别有两个交点P1、P2和P3、P4，相对于圆心同侧的为P1和P3；P2和P3的距离记为d1，P1和P4的距离记为d2；比较d1和d2的值，较小者则确定该两交点的线段为两圆所确定的顶点所在的线段，此时该两圆所确定的顶点为该线段的中点即为该两圆确定的顶点。用公式表示即：
其中s为交点P1和P2距离的一半，x、y为待确定的顶点坐标。
②当两圆内含时，此时必然有d＜|r1-r2|；此时该两圆圆心O1和O2所在直线将与两圆分别有两个交点P1、P2和P3、P4，相对于圆心同侧的为P1和P3；P1和P3的距离记为d1，P2和P4的距离记为d2；比较d1和d2的值，较小者则确定该两交点的线段为两圆所确定的顶点所在的线段，此时该两圆所确定的顶点为该线段的中点即为该两圆确定的顶点。x1＜x2且y1＜y2且r1＜r2时，用公式表示即：
其中s为交点P1和P3或交点P2和P4距离的一半，x、y为待确定的顶点坐标。其余情况时同理。
(3)若两圆相交：两圆存在着交点P1、P2，此时分别计算由P1与其他已确定的顶点或待确定的顶点组成的三角形的边长之和，再计算由P2与其他已确定的顶点或待确定的顶点组成的三角形的边长之和。此时两圆所确定的顶点即为边长之和最小的三角形所选用的顶点中包含的P1或P2点。
第三个圆心为O3，分别计算P1、P2与圆心O3的距离d1、d2，距离值较小的交点即为两圆所确定的点。
当三个点均确定下来之后，计算该三点组成的三角形的质心即可作为定位结果坐标：
其中xa，xb，xc为三边定位算法确定的三个顶点的横坐标，ya，yb，yc为三边定位算法确定的三个顶点的纵坐标。坐标(xresult，yresult)即为定位结果坐标。
参照图5，图5(a)和(b)给出了可以解释三边定位算法的情况。图5(a)(b)中黑色三角形表示基站的位置，以标签与该基站的测距值作为半径画圆可以得到三个圆；每两个圆可以确定一个顶点，共能确定三个顶点；此时连接三个顶点可得到三边定位算法确定的三角形，即图5(a)和(b)中虚线组成的三角形；计算该三角形的质心，即可得到定位结果；图5(a)和(b)中星号表示三边质心定位算法定位出的位置。
图5(a)中以基站A0位置为圆心标签与A0的测距值为半径形成的圆内含于以基站A2位置为圆心标签与A2的测距值为半径形成的圆，所以根据三边定位算法：经过基站A0和基站A2的直线会分别与他们形成的圆分别产生两个交点P1、P2和P3、P4，P1和P3相对于各自的圆心在同一侧；P1和P3的距离记为d1，P2和P4的距离记为d2；此时d1＜d2，因此选取P1和P3的中点Pc作为三边定位算法确定的三角形顶点之一。以基站A0位置为圆心标签与A0的测距值为半径形成的圆与以基站A1位置为圆心标签与A1的测距值为半径形成的圆外切，切点为Pt，因此Pt为三边定位算法确定的三角形顶点之一。以基站A1位置为圆心标签与A1的测距值为半径形成的圆与以基站A2位置为圆心标签与A2的测距值为半径形成的圆相交，交点为Pi2和Pi1。此时比较三角形Pi2PtPc的边长之和和三角形Pi1PtPc的边长之和，可以得到三角形Pi2PtPc边长之和更小，因此Pi2作为三边定位算法确定的三角形顶点之一。由此可以确定由PcPtPi2三点确定的三角形，计算该三角形的质心，即为三边定位算法的定位结果。
图5(b)中以基站A0位置为圆心标签与A0的测距值为半径形成的圆与以基站A2位置为圆心标签与A2的测距值为半径形成的圆外离，所以根据三边定位算法：经过基站A0和基站A2的直线会分别与他们形成的圆分别产生两个交点P1、P2和P3、P4，P1和P3相对于各自的圆心在同一侧；P1和P4的距离记为d1，P2和P3的距离记为d2；此时d2＜d1，因此选取P2和P3的中点Pc作为三边定位算法确定的三角形顶点之一。以基站A0位置为圆心标签与A0的测距值为半径形成的圆与以基站A1位置为圆心标签与A1的测距值为半径形成的圆内切，切点为Pt，因此Pt为三边定位算法确定的三角形顶点之一。以基站A1位置为圆心标签与A1的测距值为半径形成的圆与以基站A2位置为圆心标签与A2的测距值为半径形成的圆相交，交点为Pi2和Pi1，此时比较三角形Pi2PtPc边长之和和三角形Pi1PtPc边长之和，可以得到三角形Pi1PtPc边长之和更小，因此Pi1作为三边定位算法确定的三角形顶点之一。由此可以确定由PcPtPi1三点确定的三角形，计算该三角形的质心，即为三边定位算法的定位结果。
可以看出，通过完善三边定位算法中三圆存在外离、内含、内切、外切等不相交的情况，可以使得所有种的情况均可使用三边定位算法，并且误差能够得到控制。因此在得到标签与三个基站的测距值r1，r2，r3后，可以使用完善后的三边定位算法得到定位坐标。
参照图6，由于定位目标为矿井下人员，人员的移动范围不可能超出矿井的边界，并且移动速度具有一定的上限，所以需要加以限制。图6给出了当某时刻的定位结果超出矿井的边界时需要对定位结果进行修正的图示；k时刻经过三边定位算法得到的定位结果为pk(xk，yk)，上一时刻k-1时刻经过三边定位算法得到的定位结果为pk-1(xk-1，yk-1)。若k时刻定位结果落在矿井环境外，则需要加以地图限制。过k时刻定位结果pk(xk，yk)做墙体边界的垂线并延长，则修改后的定位结果应落在该垂线上；过pk-1(xk-1，yk-1)做矿井墙体的平行线(或圆弧)，与上述垂线将相交于点该点必定落在待定位环境内，因此将点作为修正后的定位坐标。至此完成地图限制。

Claims (5)

1.一种基于神经网络的超宽带矿井下人员精确定位方法，其特征在于，包括以下步骤：
步骤1、在矿井隧道中部署超宽带基站设备并建立坐标系：基站设备之间的距离不应超过最大通信距离的一半，根据建立的坐标系获取基站的坐标；
步骤2、在隧道中设置定位标签并与基站进行通信，获取基站与定位标签之间的距离、地图信息、寄存器中读取的帧传输诊断数据、基站编号以及基站的坐标信息；
步骤3、将收集到的帧传输诊断数据输入至神经网络中，该神经网络是一个含有两个隐藏层的共四层多输入单输出的全连接前馈神经网络；并在得到神经网络的输出后需要再增加一个分段函数，将该神经网络作为分类器分辨出此帧传输时是视距情况还是非视距情况；
训练神经网络时，数据集label为0的数据为视距数据，label为1的数据为非视距数据；激活函数使用Sigmoid函数；
神经网络第i层的输入矩阵Xi为：
其中n为输入数据特征数或第i-1层神经元个数，为神经网络第i层输入矩阵的第n个特征，T为矩阵转置符号；神经网络第i层神经元的权重矩阵Wi和偏执矩阵Bi为：
其中m为第i层神经元个数，表示第i层第m个神经元的权重；神经网络第i层的输出矩阵Yi可以表示为
Yi＝f(Wi*Xi+Bi)
其中f(·)表示作用在·上每个元素，Wi为神经网络第i层神经元的权重矩阵，Xi为第i层的输入矩阵，Bi为第i层的偏执矩阵；输出层只有一个神经元且输出经过Sigmoid激活函数激活，神经网络最终的输出youtput的取值范围为[0,1]；
增加的分段函数为：
其中youtput为神经网络的输出；当ξ为0时，代表该时刻测距设备为视距通信；当ξ为1时，代表该时刻测距设备为非视距通信；
步骤4、根据不同的视距情况对测距数据利用不同的误差修正模型进行误差的消除；接着再利用卡尔曼滤波对测距数据进行滤波，得到经过滤波后的测距值；
误差修正模型为：
y＝(1-ξ)(klosx+blos)+ξ(knlosx+bnlos)
其中y为测距数据的真值即标签与基站的真实距离，x为距离测量值，ξ为神经网络的输出经过分段函数后的输出值；klos、blos和knlos、bnlos分别为视距情况和非视距情况线性方程的参数；
步骤5、基于三边质心定位算法，利用同一个标签与三个不同基站的距离数据做出定位，获得定位结果的坐标值；最后加以地图限制，将当某时刻超出矿井边界的定位结果进行修正，将其落在待定位环境内。
2.根据权利要求1所述的基于神经网络的超宽带矿井下人员精确定位方法，其特征在于，诊断数据包括以下数据：报告在LDE算法分析期间在累加器数据存储器中看到的前缘信号的幅度的三个数据firstPathAmp1、firstPathAmp2、firstPathAmp3，stdNoise：LDE算法分析累加器数据时看到的噪声水平的标准偏差，maxGrowthCIR：与接收信号功率相关的累加器的增长因子，firstPath：报告LDE算法确定为第一个路径的累加器中的位置，rxPreamCount：报告累积的序文符号的数目，C：报告的信道脉冲响应功率值。
3.根据权利要求1所述的基于神经网络的超宽带矿井下人员精确定位方法，其特征在于，卡尔曼滤波器方程为：
其中为k时刻的卡尔曼滤波结果也是k时刻的系统状态变量，/>为根据k-1时刻预测的k时刻的系统状态变量，Kk为卡尔曼增益矩阵；Zk为k时刻的观测变量，H为观测模型矩阵；
将k时刻的观测变量Zk即经过线性误差模型修正后的测距值y，输入至方程中，输出得到经过滤波后的测距值r即公式中的此时得到定位标签与三个基站的测距值r1,r2,r3。
4.根据权利要求1所述的基于神经网络的超宽带矿井下人员精确定位方法，其特征在于，基于三边质心定位算法进行定位具体为：
根据待定位的标签与三个基站的距离以及基站的坐标，可以以每个基站为圆心，标签与该基站的距离为半径写出圆的方程并联立：
其中xa、ya为基站a的坐标，ra为基站a与标签的距离，a＝1,2,3；x、y为待定位标签的坐标；三圆相交于一点，即该方程组的解即为待定位标签的坐标。
5.根据权利要求1所述的基于神经网络的超宽带矿井下人员精确定位方法，其特征在于，地图限制的具体过程为：过k时刻定位结果pk(xk,yk)做墙体边界的垂线并延长，则修改后的定位结果落在该垂线上；过pk-1(xk-1,yk-1)做矿井墙体的平行线或圆弧，与上述垂线将相交于点该点必定落在待定位环境内，将点/>作为修正后的定位坐标，至此完成地图限制，最终得到的点/>将作为最终定位坐标。
CN202210480875.0A 2022-05-05 2022-05-05 一种基于神经网络的超宽带矿井下人员精确定位方法 Active CN114928811B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210480875.0A CN114928811B (zh) 2022-05-05 2022-05-05 一种基于神经网络的超宽带矿井下人员精确定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210480875.0A CN114928811B (zh) 2022-05-05 2022-05-05 一种基于神经网络的超宽带矿井下人员精确定位方法

Publications (2)

Publication Number Publication Date
CN114928811A CN114928811A (zh) 2022-08-19
CN114928811B true CN114928811B (zh) 2024-05-07

Family

ID=82806322

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210480875.0A Active CN114928811B (zh) 2022-05-05 2022-05-05 一种基于神经网络的超宽带矿井下人员精确定位方法

Country Status (1)

Country Link
CN (1) CN114928811B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115474269B (zh) * 2022-08-25 2024-05-17 武汉大学 可见光阵列基站与普通基站混合定位装置、系统及方法
CN117849708B (zh) * 2024-03-07 2024-05-17 奥鼎智通(北京)科技有限公司 一种基于多传感器建图的超宽带定位方法及系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104684080A (zh) * 2015-02-10 2015-06-03 同济大学 一种三维wlan室内定位方法
CN107037402A (zh) * 2017-05-24 2017-08-11 南京图贝斯韦智能技术有限公司 一种基于uwb测距的室内非视距环境下的定位方法
CN107135541A (zh) * 2017-04-21 2017-09-05 广东技术师范学院 基于optics密度聚类和bp神经网络的超宽带室内定位方法
CN107817469A (zh) * 2017-10-18 2018-03-20 上海理工大学 基于非视距环境下超宽频测距实现室内定位方法
CN110335312A (zh) * 2019-06-17 2019-10-15 武汉大学 一种基于神经网络的目标空间定位方法及装置
CN110488222A (zh) * 2019-08-19 2019-11-22 杭州电子科技大学 一种nlos条件下svm与重心坐标相结合的uwb定位方法
CN112748397A (zh) * 2020-12-22 2021-05-04 重庆邮电大学 一种非视距条件下基于自适应bp神经网络的uwb定位方法
CN112766502A (zh) * 2021-02-27 2021-05-07 上海商汤智能科技有限公司 基于分布式通信的神经网络训练方法、装置及存储介质
CN113411744A (zh) * 2021-06-21 2021-09-17 中国矿业大学 一种高精度的室内定位追踪方法
CN114158004A (zh) * 2021-12-09 2022-03-08 重庆邮电大学 一种基于图卷积神经网络的室内无源移动目标检测方法
CN114364015A (zh) * 2021-12-10 2022-04-15 上海应用技术大学 一种基于深度学习的uwb定位方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7962150B2 (en) * 2004-04-28 2011-06-14 Lawrence Livermore National Security, Llc Ultra-wideband radios for time-of-flight-ranging and network position estimation
US8838481B2 (en) * 2011-07-26 2014-09-16 Golba Llc Method and system for location based hands-free payment
US10942250B2 (en) * 2014-03-03 2021-03-09 Rosemount Inc. Positioning system
CN108682023A (zh) * 2018-03-21 2018-10-19 南京理工大学 基于Elman神经网络的紧耦合无迹卡尔曼跟踪滤波算法
CN111954153B (zh) * 2020-08-12 2022-11-29 南京工程学院 一种基于uwb定位的智能召车导航定位方法
CN113899369B (zh) * 2021-09-26 2024-04-09 东南大学 一种基于自适应降噪算法的超宽带/pdr室内定位方法
CN114390431B (zh) * 2022-01-11 2024-04-26 上海则芯半导体科技有限公司 一种基于超宽带的两基站二维相对定位方法及装置

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104684080A (zh) * 2015-02-10 2015-06-03 同济大学 一种三维wlan室内定位方法
CN107135541A (zh) * 2017-04-21 2017-09-05 广东技术师范学院 基于optics密度聚类和bp神经网络的超宽带室内定位方法
CN107037402A (zh) * 2017-05-24 2017-08-11 南京图贝斯韦智能技术有限公司 一种基于uwb测距的室内非视距环境下的定位方法
CN107817469A (zh) * 2017-10-18 2018-03-20 上海理工大学 基于非视距环境下超宽频测距实现室内定位方法
CN110335312A (zh) * 2019-06-17 2019-10-15 武汉大学 一种基于神经网络的目标空间定位方法及装置
CN110488222A (zh) * 2019-08-19 2019-11-22 杭州电子科技大学 一种nlos条件下svm与重心坐标相结合的uwb定位方法
CN112748397A (zh) * 2020-12-22 2021-05-04 重庆邮电大学 一种非视距条件下基于自适应bp神经网络的uwb定位方法
CN112766502A (zh) * 2021-02-27 2021-05-07 上海商汤智能科技有限公司 基于分布式通信的神经网络训练方法、装置及存储介质
CN113411744A (zh) * 2021-06-21 2021-09-17 中国矿业大学 一种高精度的室内定位追踪方法
CN114158004A (zh) * 2021-12-09 2022-03-08 重庆邮电大学 一种基于图卷积神经网络的室内无源移动目标检测方法
CN114364015A (zh) * 2021-12-10 2022-04-15 上海应用技术大学 一种基于深度学习的uwb定位方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
"A UWB Positioning Scheme Based on BP Neural Network in NLOS Environment";Xiuzhen Wang;《2011 7th International Conference on Wireless Communications, Networking and Mobile Computing》;20111010;全文 *
"基于无线传感器网络的无线层析成像定位技术的研究";王满意;《中国博士学位论文全文数据库（电子期刊）》;20160315;全文 *
樊圆圆 ; 刘留 ; 张嘉驰 ; 李慧婷 ; 周涛."基于神经网络的无线信道场景识别".《电波科学学报》.全文. *
潘海瑞 ; 刘传清 ; 韦朴 ; 周康 ; 袁航."面向地下变电站的UWB-CGN-BPNN定位算法研究".《电力信息与通信技术》.2021,全文. *
王满意 ; 丁恩杰."基于WSNs的RSS无源被动定位算法评述".《传感器与微系统》.2015,全文. *

Also Published As

Publication number Publication date
CN114928811A (zh) 2022-08-19

Similar Documents

Publication Publication Date Title
CN114928811B (zh) 一种基于神经网络的超宽带矿井下人员精确定位方法
CN103336863B (zh) 基于雷达飞行航迹观测数据的飞行意图识别方法
CN102707276B (zh) 基于目标拓扑信息的ais与雷达航迹抗差关联算法
CN105263113A (zh) 一种基于众包的WiFi位置指纹地图构建方法及其系统
CN109597864A (zh) 椭球边界卡尔曼滤波的即时定位与地图构建方法及系统
CN113408392B (zh) 基于卡尔曼滤波和神经网络的航迹补全方法
CN109855621A (zh) 一种基于uwb与sins的组合室内行人导航系统及方法
CN101466145A (zh) 基于神经网络的双基站精确定位方法
CN105629198B (zh) 基于密度的快速搜索聚类算法的室内多目标追踪方法
CN114363949B (zh) 一种用于uwb定位系统的异常数据检测方法
CN105307266A (zh) 基于自适应空间格点的传感器网络压缩感知精确定位方法
CN111954153B (zh) 一种基于uwb定位的智能召车导航定位方法
CN103152826A (zh) 一种基于nlos状态检测补偿的移动目标追踪方法
CN112833876B (zh) 一种融合里程计与uwb的多机器人协作定位方法
CN113342059B (zh) 基于位置和速度误差的多无人机跟踪移动辐射源方法
CN109151750A (zh) 一种基于循环神经网络模型的lte室内定位楼层判别方法
CN107064865A (zh) 基于深度聚类的极坐标动态规划无源协同定位方法
CN105357754A (zh) 一种基于无线网络的移动节点组合定位方法
CN103491627A (zh) 一种集成多种算法的近距离实时精确定位方法
CN108470460B (zh) 一种基于智能手机与rnn的周边车辆行为识别方法
CN111982102A (zh) 一种复杂环境下基于bp-ekf的uwb-imu定位方法
CN114739397B (zh) 矿井环境运动惯性估计自适应卡尔曼滤波融合定位方法
CN112367614A (zh) 一种基于LSTM的Wi-Fi与地磁场融合的室内定位算法
CN112612001A (zh) 一种基于bp神经网络算法的轨迹预测方法及装置
Ibnatta et al. Indoor localization system based on mobile access point model MAPM using RSS with UWB-OFDM

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