CN115099354A - 训练样本的构建方法、装置、设备及存储介质 - Google Patents
训练样本的构建方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115099354A CN115099354A CN202210796325.XA CN202210796325A CN115099354A CN 115099354 A CN115099354 A CN 115099354A CN 202210796325 A CN202210796325 A CN 202210796325A CN 115099354 A CN115099354 A CN 115099354A
- Authority
- CN
- China
- Prior art keywords
- beacon
- point
- beacon point
- signal strength
- positioning
- 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.)
- Pending
Links
- 238000012549 training Methods 0.000 title claims abstract description 166
- 238000010276 construction Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 57
- 238000005070 sampling Methods 0.000 claims description 42
- 238000004590 computer program Methods 0.000 claims description 17
- 238000003062 neural network model Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000010586 diagram Methods 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 11
- 230000004807 localization Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 description 16
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000000977 initiatory effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种训练样本的构建方法、装置、设备及存储介质。该方法包括:确定定位区域中的信标点,以及所述信标点对应的次信标点;确定所述信标点在所述定位区域内的第一信号强度;根据所述第一信号强度,确定所述次信标点对应的第二信号强度;根据所述信标点和所述次信标点分别对应的位置坐标、基于所述第一信号强度和所述第二信号强度,构建用于进行定位模型训练的训练样本。本发明实施例提高了训练样本的构建效率。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种训练样本的构建方法、装置、设备及存储介质。
背景技术
随着导航技术的不断发展,室内定位已逐渐成为导航领域的重要研究对象。与室内定位相关的技术例如包括:红外线定位、蓝牙定位和WIFI定位等。
目前,现有的室内定位通常采用构建定位指纹数据库的方式,训练用于进行室内定位的网络模型。然而,在构建定位指纹数据库时,需要对大量的参考点进行信号采集,花费大量的人力物力资源,导致构建定位指纹数据库的效率较低。
发明内容
本发明提供了一种训练样本的构建方法、装置、设备及存储介质,以提高训练样本的构建效率。
根据本发明的一方面,提供了一种训练样本的构建方法,该方法包括:
确定定位区域中的信标点,以及所述信标点对应的次信标点;
确定所述信标点在所述定位区域内的第一信号强度;
根据所述第一信号强度,确定所述次信标点对应的第二信号强度;
根据所述信标点和所述次信标点分别对应的位置坐标、基于所述第一信号强度和所述第二信号强度,构建用于进行定位模型训练的训练样本。
根据本发明的另一方面,提供了一种定位模型的训练方法,该方法包括:
对原始训练样本进行预处理,得到目标训练样本;其中,所述原始训练样本采用如权利要求1-5任一项所述的训练样本的构建方法构建得到;
采用所述目标训练样本对预设的神经网络模型进行训练,得到定位模型。
根据本发明的另一方面,提供了一种训练样本的构建装置,该装置包括:
信标点确定模块,用于确定定位区域中的信标点,以及所述信标点对应的次信标点;
第一信号强度确定模块,用于确定所述信标点在所述定位区域内的第一信号强度;
第二信号强度确定模块,用于根据所述第一信号强度,确定所述次信标点对应的第二信号强度;
训练样本构建模块,用于根据所述信标点和所述次信标点分别对应的位置坐标、基于所述第一信号强度和所述第二信号强度,构建用于进行定位模型训练的训练样本。
根据本发明的另一方面,提供了一种定位模型的训练装置,该装置包括:
样本预处理模块,用于对原始训练样本进行预处理,得到目标训练样本;其中,所述原始训练样本采用如权利要求1-5任一项所述的训练样本的构建方法构建得到;
模型训练模块,用于采用所述目标训练样本对预设的神经网络模型进行训练,得到定位模型。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的训练样本的构建方法和/或定位模型的训练方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的训练样本的构建方法和/或定位模型的训练方法。
本发明实施例方案通过确定定位区域中的信标点,以及信标点对应的次信标点;确定信标点在定位区域内的第一信号强度;根据第一信号强度,确定次信标点对应的第二信号强度;根据信标点和次信标点分别对应的位置坐标、基于第一信号强度和第二信号强度,构建用于进行定位模型训练的训练样本。上述方案通过根据确定的少量信标点对应的第一信号强度,确定次信标点对应的第二信号强度的方式,解决了现有技术中需要采集大量采样点的信号所耗费的大量人力和物力资源。本申请通过采集少量的信标点的信号强度,并根据少量的信标点的信号强度,确定次信标点对应的信号强度的方式,减少了采样次数,提高了采样效率,从而提高了对训练样本的生成效率。同时,由于人为采集信号点的信号强度受人为因素和采集设备的多重干扰,因此,本申请的方案避免了人为采集大量采样点信号强度导致的采集的信号强度不准确的情况发生。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
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是根据本发明实施例一提供的一种训练样本的构建方法的流程图;
图2是根据本发明实施例二提供的一种训练样本的构建方法的流程图;
图3是根据本发明实施例三提供的一种定位模型的训练方法的流程图;
图4是根据本发明实施例四提供的一种训练样本的构建装置的结构示意图;
图5是根据本发明实施例五提供的一种定位模型的训练装置的结构示意图;
图6是实现本发明实施例的训练样本的构建和/或定位模型的训练方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供了一种训练样本的构建方法的流程图,本实施例可适用于对用于进行定位模型训练的训练样本进行构建的情况,该方法可以由训练样本的构建装置来执行,该训练样本的构建装置可以采用硬件和/或软件的形式实现,该训练样本的构建装置可配置于电子设备中。如图1所示,该方法包括:
S110、确定定位区域中的信标点,以及信标点对应的次信标点。
其中,定位区域可以是任意室内场景下的区域。例如,若室内场景为在教学楼对教室进行定位,则定位区域可以是教学楼内的区域。
其中,信标点可以是从定位区域内选取的信号采样点。具体可以由相关技术人员人为选取,也可以从定位区域内自动化选取。
其中,次信标点可以是从信标点的相邻区域内选取的信号采样点。例如,可以从上、下、左、右,左上、左下、右上和右下等至少一个相邻位置处选取信标点对应的次信标点。
示例性的,可以将定位区域进行均匀划分,并将划分后的各个划分区域中的任意位置,作为用于进行信号采集的信标点,得到定位区域对应的信标点集合。其中,信标点集合中包括各划分区域分别对应的信标点。从各信标点的邻近位置处选取各信标点分别对应的至少一个次信标点,得到次信标点集合。其中,次信标点集合中可以包括各信标点分别对应的次信标点。需要说明的是,信标点集合中不存在重复位置的信标点。同理,次信标点中也不存在重复位置的次信标点,且信标点集合中的信标点与次信标点集合中的次信标点之间无重复的信标点和次信标点。
S120、确定信标点在定位区域内的第一信号强度。
其中,第一信号强度可以是信标点接收定位区域内,无线访问接入设备的信号接收强度或接收功率,第一信号强度具体可以采用RSSI(Received Signal StrengthIndication,接收的信号强度指示)表征。信标点的信号接收强度或者接收功率取决于,信标点相对于无线访问接入设备的位置。
在定位区域内可以包括至少一个无线访问接入设备,信标点对应的第一信号强度可以受在定位区域内的所有无线访问接入设备的影响。例如,无线访问接入设备可以是无线路由器。
示例性的,若在定位区域内存在至少一个无线访问接入设备,则确定信标点集合中各信标点分别接收自各无线访问接入设备的信号强度,作为各信标点对应的第一信号强度。
S130、根据第一信号强度,确定次信标点对应的第二信号强度。
可以理解的是,次信标点距离信标点的距离越小,信标点的第一信号强度对次信标点的影响越大;次信标点距离信标点的距离越大,信标点的第一信号强度对次信标点的影响越小。因此,可以根据信标点对应的第一信号强度,基于反距离加权算法(InverseDistance Weighted,IDW),确定次信标点对应的第二信号程度。
S140、根据信标点和次信标点分别对应的位置坐标、基于第一信号强度和第二信号强度,构建用于进行定位模型训练的训练样本。
确定信标点集合中各信标点对应的位置坐标和第一信号强度,以及确定次信标点集合中的各次信标点对应的位置坐标和第二信号强度。将信标点对应的位置坐标和第一信号强度,以及次信标点对应的位置坐标和第二信号强度作为训练样本中的样本数据。
其中,定位模型可以是针对室内场景进行定位的网络模型,可以基于构建的训练样本进行训练得到。
示例性的,基于信标点对应的位置坐标和第一信号强度,以及次信标点对应的位置坐标和第二信号强度,构建得到的训练样本的样本数据可以如表1所示。其中,采样点包括信标点和次信标点。其中,信号强度对应的集合元素数量,与定位区域中的无线访问接入设备的数量有关。若定位区域中存在n个无线访问接入设备,则对应的信号强度集合内包括n个元素。
采样点 | 位置坐标 | 信号强度 |
1 | (x<sub>1</sub>,y<sub>1</sub>) | {RSSI<sub>11</sub>,RSSI<sub>12</sub>,RSSI<sub>13</sub>,…,RSSI<sub>1n</sub>} |
2 | (x<sub>2</sub>,y<sub>2</sub>) | {RSSI<sub>21</sub>,RSSI<sub>22</sub>,RSSI<sub>23</sub>,…,RSSI<sub>2n</sub>} |
3 | (x<sub>3</sub>,y<sub>3</sub>) | {RSSI<sub>31</sub>,RSSI<sub>32</sub>,RSSI<sub>33</sub>,…,RSSI<sub>3n</sub>} |
4 | (x<sub>4</sub>,y<sub>4</sub>) | {RSSI<sub>41</sub>,RSSI<sub>42</sub>,RSSI<sub>43</sub>,…,RSSI<sub>1n</sub>} |
…… | …… | …… |
其中,采样点包括信标点和次信标点。其中,信号强度对应的集合元素数量,与定位区域中的无线访问接入设备的数量有关。若定位区域中存在n个无线访问接入设备,则对应的信号强度集合内包括n个元素。
本发明实施例方案通过确定定位区域中的信标点,以及信标点对应的次信标点;确定信标点在定位区域内的第一信号强度;根据第一信号强度,确定次信标点对应的第二信号强度;根据信标点和次信标点分别对应的位置坐标、基于第一信号强度和第二信号强度,构建用于进行定位模型训练的训练样本。上述方案通过根据确定的少量信标点对应的第一信号强度,确定次信标点对应的第二信号强度的方式,解决了现有技术中需要采集大量采样点的信号所耗费的大量人力和物力资源。本申请通过采集少量的信标点的信号强度,并根据少量的信标点的信号强度,确定次信标点对应的信号强度的方式,减少了采样次数,提高了采样效率,从而提高了对训练样本的生成效率。同时,由于人为采集信号点的信号强度受人为因素和采集设备的多重干扰,因此,本申请的方案避免了人为采集大量采样点信号强度导致的采集的信号强度不准确的情况发生。
实施例二
图2为本发明实施例二提供的一种训练样本的构建方法的流程图,本实施例在上述各技术方案的基础上,进行了优化改进。
进一步的,将步骤“根据第一信号强度,确定次信标点对应的第二信号强度”细化为“确定次信标点与信标点之间的权重值;根据权重值和第一信号强度,确定次信标点对应的第二信号强度。”以完善对次信标点对应的第二信号强度的确定方式。
进一步的,将步骤“确定定位区域中选取信标点,以及信标点对应的次信标点”细化为“将定位区域进行区域划分,得到至少一个定位子区域;其中,定位子区域中包括至少一个采样点;针对各定位子区域,从该定位子区域中的各采样点中,选取信标点,并将该信标点的相邻采样点作为该信标点对应的次信标点。”以完善对信标点和次信标点的确定方式。
如图2所示,该方法包括以下具体步骤:
S210、将定位区域进行区域划分,得到至少一个定位子区域;其中,定位子区域中包括至少一个采样点。
示例性的,可以将定位区域进行均匀的网格划分,得到划分后的至少一个定位子区域。其中,各定位子区域中分别包括至少一个采样点。其中,采样点可以是待进行采样的参考点。后续从定位子区域的各采样点中选取的信标点和次信标点即为真正的需要进行信号采集的点。而未被选择的采样点为冗余数据可以进行剔除。
S220、针对各定位子区域,从该定位子区域中的各采样点中,选取信标点,并将该信标点的相邻采样点作为该信标点对应的次信标点。
示例性的,针对各定位子区域中的任一定位子区域,可以从该定位子区域中的各采样点中,随机选取任一采样点作为信标点。例如,可以选取位于定位子区域中心位置处的采样点,作为信标点。在确定该定位子区域对应的信标点后,将该信标点相邻位置处的采样点,作为次信标点。其中,一个信标点可以对应至少一个次信标点。其他定位子区域中信标点和次新标点的选取方式同理,本实施例对此不再进行赘述。
示例性的,可以将从各定位子区域中选取的信标点生成信标点集合,以及将从各定位子区域中选取的次信标点生成次信标点集合。需要说明的是,若从各定位子区域中选取的次信标点存在重复的情况,则将重复的次信标点进行剔除。
S230、确定信标点在定位区域内的第一信号强度。
在一个可选实施例中,定位区域包括至少一个无线访问接入设备;相应的,确定信标点在定位区域内的第一信号强度,包括:将信标点分别接收到的各无线访问接入设备的信号强度,作为信标点在定位区域内的第一信号强度。
示例性的,在定位区域内可以包括至少一个无线接入访问点(Access Point,AP)。定位区域内的布设的一个无线访问接入设备可以表示一个无线AP。其中,无线访问设备可以是路由器。
示例性的,若定位区内存在n个无线AP,则采集信标点集合中每个信标点接收到各无线AP的信号强度。若信标点集合中存在n个信标点,则以第i个信标点为例,其对应的信号强度可以为:
需要说明的是,由于信标点采集的信号强度容易受多径效应影响,信号并不可靠,因此可以采用卡尔曼滤波算法去除信号传播过程中产生的噪声。卡尔曼滤波能在一定程度上削弱由于噪声叠加造成的RSSI信号强度观测值偏差。
可选的,采用卡尔曼滤波算法对信标点集合中的各信标点对应的信号强度进行滤波,并将滤波后的信号强度作为各信标点对应的第一信号强度。
S240、确定次信标点与信标点之间的权重值。
示例性的,确定次信标点集合中,分别各次信标点与各信标点之间的权重值。例如,以次信标点集合中任一次信标点为例,确定该次信标点与信标点集合中各信标点之间的权重值。其中,权重值可以由相关技术人员进行人为设定。
可以理解的是,次信标点距离信标点的距离越小,信标点的第一信号强度对次信标点的影响越大;次信标点距离信标点的距离越大,信标点的第一信号强度对次信标点的影响越小。因此,次信标点与信标点之间的权重值可以根据次信标点与信标点之间的水平距离进行确定。
在一个可选实施例中,确定次信标点与信标点之间的权重值,包括:确定次信标点与信标点之间的水平距离;根据水平距离,确定次信标点与信标点之间的权重值。
示例性的,从次信标点集合中选取任一次信标点作为当前次信标点。确定当前次信标点与信标点集合中各信标点之间的水平距离,生成当前次信标点对应的水平矩阵。例如,若信标点集合中的信标点数量为n,则生成的当前次信标点对应的水平矩阵为n*1的矩阵。根据水平距离,确定当前次信标点与各信标点之间的权重值,生成当前次信标点对应的权重矩阵。距离越近,权重值越大,距离越远,权重值越小。
同理,确定其他次信标点对应的水平矩阵和权重矩阵,将各次信标点的水平矩阵和权重矩阵进行结合,生成目标水平矩阵和目标权重矩阵。例如,若信标点数量为n,次信标点数量为m,则生成的目标水平矩阵和目标权重矩阵为n*m矩阵。
S250、根据权重值和第一信号强度,确定次信标点对应的第二信号强度。
示例性的,根据信标点集合中各信标点的第一信号强度,生成信号强度矩阵。若信号强度矩阵为Z,目标权重矩阵为W,则次信标点对应的第二信号强度的确定方式如下:
RSSIj=∑k=1ZkiWij;
其中,j表示次信标点的数量,i表示信标点的数量。k表示无线AP的数量。
S260、根据信标点和次信标点分别对应的位置坐标、基于第一信号强度和第二信号强度,构建用于进行定位模型训练的训练样本。
本实施例方案通过将定位区域进行区域划分,得到至少一个定位子区域;针对各定位子区域,从该定位子区域中的各采样点中选取信标点,并将该信标点的相邻采样点作为该信标点对应的次信标点,实现了对信标点和次信标点的准确确定,避免了从定位区域内随机选取信标点和次信标点导致选取的采样点分布不均的情况发生。通过确定次信标点与信标点之间的权重值;根据权重值和第一信号强度,确定次信标点对应的第二信号强度。通过考虑次信标点和信标点之间的水平距离影响,确定次信标点对应的信号强度,实现了对次信标点信号强度的自动化确定,提高了对次信标点信号强度的确定准确度。同时,避免了人为采集采样点确定信号强度造成的人力物力资源的浪费,提高了采样效率,从而提高了对训练样本的生成效率。
实施例三
图3为本发明实施例三提供了一种定位模型的训练方法的流程图,本实施例可适用于对用于进行室内场景定位的定位模型进行模型训练的情况,该方法可以由定位模型的训练装置来执行,该定位模型的训练装置可以采用硬件和/或软件的形式实现,该定位模型的训练装置可配置于电子设备中。如图3所示,该方法包括:
S310、对原始训练样本进行预处理,得到目标训练样本。
其中,原始训练样本采用如上述实施例所述的训练样本的构建方法进行构建得到。
在一个可选实施例中,对原始训练样本进行预处理,得到目标训练样本,包括:将原始训练样本中各待处理信标点分别对应的信号强度进行特征变换,得到各待处理信标点分别对应的位置特征图集合;将各待处理信标点分别对应的位置特征图集合中的各位置特征图进行像素变换,得到变换后的目标训练样本。
其中,各待处理信标点可以包括如上述实施例所述的信标点和次信标点。
示例性的,可以将原始训练样本中各待处理信标点分别对应的信号强度进行小波变换,得到小波变换后的位置特征图集合。其中,一个待处理信标点可以对应一个位置特征图集合。将各待处理信标点对应的位置特征图集合进行像素变换,得到像素变换后的位置特征图集合。将进行像素变换后的各待处理信标点,作为目标训练样本。
S320、采用目标训练样本对预设的神经网络模型进行训练,得到定位模型。
其中,神经网络模型可以由相关技术人员进行预先设定。例如,神经网络模型可以是ResNet网络模型。可选的,为提高模型准确度,预设的神经网络模型还可以是对ResNet网络模型进行优化改进后的网络模型。例如,在ResNet网络模型的基础上添加SENet网络,能够实现在训练过程中自上而下的聚集式注意力价值,对有价值的部分加大权值,对无效部分减小权值。
示例性的,将目标训练样本输入至ResNet网络模型中,由ResNet网络模型对目标训练样本进行训练,直到神经网络模型收敛,得到定位模型。
在一个可选实施例中,获取待测位置处的待测信号强度;根据待测信号强度,基于定位模型,确定待测位置的位置数据。
其中,待测位置可以是待进行定位的位置。例如,在教师定位的场景下,待测位置可以是发起定位的相关人员的所在位置。
将待测位置处的待测信号强度输入至定位模型中,得到待测位置的位置数据。其中,位置数据可以是待测位置的位置坐标。可选的,若预设的神经网络模型为ResNet网络模型,则在训练过程中,可以设定分类结果数量,例如,输出最接近目标训练样本真实值的前五个位置坐标。相应的,在使用基于ResNet网络模型训练得到的定位模型过程中,将待测位置输入至定位模型中,可以得到模型输出的5个位置坐标。其中,5个位置坐标为最接近真实位置坐标的位置坐标。若定位模型输出5个位置坐标,则加权平均算法,对输出的5个位置坐标进行加权平均,得到待测位置的最终位置坐标。
本发明实施例方案通过对原始训练样本进行预处理,得到目标训练样本;采用目标训练样本对预设的神经网络模型进行训练,得到定位模型。实现了对定位模型的训练,基于目标训练样本对神经网络模型进行训练,提高了训练得到的定位模型的准确度,从而实现了在室内场景下,基于定位模型,对发起定位人员位置的准确确定。
实施例四
图4为本发明实施例四提供的一种训练样本的构建装置的结构示意图。本发明实施例所提供的一种训练样本的构建装置,该装置可适用于对用于进行定位模型训练的训练样本进行构建的情况,该装置可采用软件和/或硬件的方式实现。如图4所示,该装置具体包括:信标点确定模块401、第一信号强度确定模块402、第二信号强度确定模块403和训练样本构建模块404。其中,
信标点确定模块401,用于确定定位区域中的信标点,以及所述信标点对应的次信标点;
第一信号强度确定模块402,用于确定所述信标点在所述定位区域内的第一信号强度;
第二信号强度确定模块403,用于根据所述第一信号强度,确定所述次信标点对应的第二信号强度;
训练样本构建模块404,用于根据所述信标点和所述次信标点分别对应的位置坐标、基于所述第一信号强度和所述第二信号强度,构建用于进行定位模型训练的训练样本。
本发明实施例方案通过确定定位区域中的信标点,以及信标点对应的次信标点;确定信标点在定位区域内的第一信号强度;根据第一信号强度,确定次信标点对应的第二信号强度;根据信标点和次信标点分别对应的位置坐标、基于第一信号强度和第二信号强度,构建用于进行定位模型训练的训练样本。上述方案通过根据确定的少量信标点对应的第一信号强度,确定次信标点对应的第二信号强度的方式,解决了现有技术中需要采集大量采样点的信号所耗费的大量人力和物力资源。本申请通过采集少量的信标点的信号强度,并根据少量的信标点的信号强度,确定次信标点对应的信号强度的方式,减少了采样次数,提高了采样效率,从而提高了对训练样本的生成效率。同时,由于人为采集信号点的信号强度受人为因素和采集设备的多重干扰,因此,本申请的方案避免了人为采集大量采样点信号强度导致的采集的信号强度不准确的情况发生。
可选的,所述第二信号强度确定模块403,包括:
权重值确定单元,用于确定所述次信标点与所述信标点之间的权重值;
第二信号强度确定单元,用于根据所述权重值和所述第一信号强度,确定所述次信标点对应的第二信号强度。
可选的,所述权重值确定单元,包括:
水平距离确定子单元,用于确定所述次信标点与所述信标点之间的水平距离;
权重值确定子单元,用于根据所述水平距离,确定所述次信标点与所述信标点之间的权重值。
可选的,信标点确定模块401,包括:
定位子区域确定单元,用于将所述定位区域进行区域划分,得到至少一个定位子区域;其中,所述定位子区域中包括至少一个采样点;
信标点确定单元,用于针对各所述定位子区域,从该定位子区域中的各采样点中,选取信标点,并将该信标点的相邻采样点作为该信标点对应的次信标点。
可选的,所述定位区域包括至少一个无线访问接入设备;
相应的,所述第一信号强度确定模块402,包括:
第一信号强度确定单元,用于将所述信标点分别接收到的各无线访问接入设备的信号强度,作为所述信标点在所述定位区域内的第一信号强度。
本发明实施例所提供的训练样本的构建装置可执行本发明任意实施例所提供的训练样本的构建方法,具备执行方法相应的功能模块和有益效果。
实施例五
图5为本发明实施例五提供的一种定位模型的训练装置的结构示意图。本发明实施例所提供的一种定位模型的训练装置,该装置可适用于对用于进行室内场景定位的定位模型进行模型训练的情况,该装置可采用软件和/或硬件的方式实现。如图5所示,该装置具体包括:样本预处理模块501和模型训练模块502。其中,
样本预处理模块501,用于对原始训练样本进行预处理,得到目标训练样本;其中,所述原始训练样本采用如权利要求1-5任一项所述的训练样本的构建方法构建得到;
模型训练模块502,用于采用所述目标训练样本对预设的神经网络模型进行训练,得到定位模型。
本发明实施例方案通过对原始训练样本进行预处理,得到目标训练样本;采用目标训练样本对预设的神经网络模型进行训练,得到定位模型。实现了对定位模型的训练,基于目标训练样本对神经网络模型进行训练,提高了训练得到的定位模型的准确度,从而实现了在室内场景下,基于定位模型,对发起定位人员位置的准确确定。
可选的,所述样本预处理模块501,包括:
特征图集合确定单元,用于将所述原始训练样本中各待处理信标点分别对应的信号强度进行特征变换,得到各待处理信标点分别对应的位置特征图集合;
目标训练样本确定单元,用于将所述各待处理信标点分别对应的位置特征图集合中的各位置特征图进行像素变换,得到变换后的目标训练样本。
本发明实施例所提供的定位模型的训练装置可执行本发明任意实施例所提供的定位模型的训练方法,具备执行方法相应的功能模块和有益效果。
实施例六
图6示出了可以用来实施本发明的实施例的电子设备60的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图6所示,电子设备60包括至少一个处理器61,以及与至少一个处理器61通信连接的存储器,如只读存储器(ROM)62、随机访问存储器(RAM)63等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器61可以根据存储在只读存储器(ROM)62中的计算机程序或者从存储单元68加载到随机访问存储器(RAM)63中的计算机程序,来执行各种适当的动作和处理。在RAM 63中,还可存储电子设备60操作所需的各种程序和数据。处理器61、ROM 62以及RAM 63通过总线64彼此相连。输入/输出(I/O)接口65也连接至总线64。
电子设备60中的多个部件连接至I/O接口65,包括:输入单元66,例如键盘、鼠标等;输出单元67,例如各种类型的显示器、扬声器等;存储单元68,例如磁盘、光盘等;以及通信单元69,例如网卡、调制解调器、无线通信收发机等。通信单元69允许电子设备60通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器61可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器61的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器61执行上文所描述的各个方法和处理,例如训练样本的构建和/或定位模型的训练方法。
在一些实施例中,训练样本的构建和/或定位模型的训练方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元68。在一些实施例中,计算机程序的部分或者全部可以经由ROM 62和/或通信单元69而被载入和/或安装到电子设备60上。当计算机程序加载到RAM63并由处理器61执行时,可以执行上文描述的训练样本的构建和/或定位模型的训练方法的一个或多个步骤。备选地,在其他实施例中,处理器61可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行训练样本的构建和/或定位模型的训练方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (11)
1.一种训练样本的构建方法,其特征在于,包括:
确定定位区域中的信标点,以及所述信标点对应的次信标点;
确定所述信标点在所述定位区域内的第一信号强度;
根据所述第一信号强度,确定所述次信标点对应的第二信号强度;
根据所述信标点和所述次信标点分别对应的位置坐标、基于所述第一信号强度和所述第二信号强度,构建用于进行定位模型训练的训练样本。
2.根据权利要求1所述的方法,其特征在于,所述根据所述第一信号强度,确定所述次信标点对应的第二信号强度,包括:
确定所述次信标点与所述信标点之间的权重值;
根据所述权重值和所述第一信号强度,确定所述次信标点对应的第二信号强度。
3.根据权利要求2所述的方法,其特征在于,所述确定所述次信标点与所述信标点之间的权重值,包括:
确定所述次信标点与所述信标点之间的水平距离;
根据所述水平距离,确定所述次信标点与所述信标点之间的权重值。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述确定定位区域中选取信标点,以及所述信标点对应的次信标点,包括:
将所述定位区域进行区域划分,得到至少一个定位子区域;其中,所述定位子区域中包括至少一个采样点;
针对各所述定位子区域,从该定位子区域中的各采样点中,选取信标点,并将该信标点的相邻采样点作为该信标点对应的次信标点。
5.根据权利要求1-3任一项所述的方法,其特征在于,所述定位区域包括至少一个无线访问接入设备;
相应的,所述确定所述信标点在所述定位区域内的第一信号强度,包括:
将所述信标点分别接收到的各无线访问接入设备的信号强度,作为所述信标点在所述定位区域内的第一信号强度。
6.一种定位模型的训练方法,其特征在于,包括:
对原始训练样本进行预处理,得到目标训练样本;其中,所述原始训练样本采用如权利要求1-5任一项所述的训练样本的构建方法构建得到;
采用所述目标训练样本对预设的神经网络模型进行训练,得到定位模型。
7.根据权利要求6所述的方法,其特征在于,所述对原始训练样本进行预处理,得到目标训练样本,包括:
将所述原始训练样本中各待处理信标点分别对应的信号强度进行特征变换,得到各待处理信标点分别对应的位置特征图集合;
将所述各待处理信标点分别对应的位置特征图集合中的各位置特征图进行像素变换,得到变换后的目标训练样本。
8.一种训练样本的构建装置,其特征在于,包括:
信标点确定模块,用于确定定位区域中的信标点,以及所述信标点对应的次信标点;
第一信号强度确定模块,用于确定所述信标点在所述定位区域内的第一信号强度;
第二信号强度确定模块,用于根据所述第一信号强度,确定所述次信标点对应的第二信号强度;
训练样本构建模块,用于根据所述信标点和所述次信标点分别对应的位置坐标、基于所述第一信号强度和所述第二信号强度,构建用于进行定位模型训练的训练样本。
9.一种定位模型的训练装置,其特征在于,包括:
样本预处理模块,用于对原始训练样本进行预处理,得到目标训练样本;其中,所述原始训练样本采用如权利要求1-5任一项所述的训练样本的构建方法构建得到;
模型训练模块,用于采用所述目标训练样本对预设的神经网络模型进行训练,得到定位模型。
10.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-5中任一项所述的训练样本的构建方法,和/或执行权利要求6-7中任一项所述的定位模型的训练方法。
11.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-5中任一项所述的训练样本的构建方法,和/或执行权利要求6-7中任一项所述的定位模型的训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210796325.XA CN115099354A (zh) | 2022-07-06 | 2022-07-06 | 训练样本的构建方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210796325.XA CN115099354A (zh) | 2022-07-06 | 2022-07-06 | 训练样本的构建方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115099354A true CN115099354A (zh) | 2022-09-23 |
Family
ID=83297172
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210796325.XA Pending CN115099354A (zh) | 2022-07-06 | 2022-07-06 | 训练样本的构建方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115099354A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024148528A1 (zh) * | 2023-01-10 | 2024-07-18 | Oppo广东移动通信有限公司 | 通信方法以及通信设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111726861A (zh) * | 2020-06-09 | 2020-09-29 | 北京无限向溯科技有限公司 | 异构设备室内定位方法、装置、系统和存储介质 |
CN112533218A (zh) * | 2019-09-17 | 2021-03-19 | 中国移动通信集团广东有限公司 | 一种网络覆盖区域的识别方法及电子设备 |
US20210156699A1 (en) * | 2019-11-26 | 2021-05-27 | International Business Machines Corporation | Colaborative positioning navigation |
CN113573406A (zh) * | 2021-07-05 | 2021-10-29 | 江南大学 | 一种基于少量无线信号强度的指纹信息定位方法 |
CN114202952A (zh) * | 2021-12-15 | 2022-03-18 | 中国科学院深圳先进技术研究院 | 一种停车场车辆定位方法、终端以及存储介质 |
-
2022
- 2022-07-06 CN CN202210796325.XA patent/CN115099354A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112533218A (zh) * | 2019-09-17 | 2021-03-19 | 中国移动通信集团广东有限公司 | 一种网络覆盖区域的识别方法及电子设备 |
US20210156699A1 (en) * | 2019-11-26 | 2021-05-27 | International Business Machines Corporation | Colaborative positioning navigation |
CN111726861A (zh) * | 2020-06-09 | 2020-09-29 | 北京无限向溯科技有限公司 | 异构设备室内定位方法、装置、系统和存储介质 |
CN113573406A (zh) * | 2021-07-05 | 2021-10-29 | 江南大学 | 一种基于少量无线信号强度的指纹信息定位方法 |
CN114202952A (zh) * | 2021-12-15 | 2022-03-18 | 中国科学院深圳先进技术研究院 | 一种停车场车辆定位方法、终端以及存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024148528A1 (zh) * | 2023-01-10 | 2024-07-18 | Oppo广东移动通信有限公司 | 通信方法以及通信设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP4170285A1 (en) | Method and apparatus for constructing three-dimensional map in high-definition map, device and storage medium | |
CN111294841B (zh) | 一种无线网络问题的处理方法、装置及存储介质 | |
CN115346171A (zh) | 一种输电线路监控方法、装置、设备及存储介质 | |
CN110674208B (zh) | 用于确定用户的职住地信息的方法和装置 | |
CN115915364A (zh) | 通信基站的节能方法、装置、计算机可读介质及设备 | |
CN109691162A (zh) | 一种网络站址规划方法及装置 | |
CN114449343A (zh) | 一种视频处理方法、装置、设备及存储介质 | |
CN106611021B (zh) | 一种数据处理方法和设备 | |
CN118171035B (zh) | 人流热力的预警方法及装置、电子设备和存储介质 | |
CN114580572B (zh) | 一种异常值的识别方法、装置、电子设备及存储介质 | |
CN115099354A (zh) | 训练样本的构建方法、装置、设备及存储介质 | |
CN103885867A (zh) | 一种模拟电路性能的在线评价方法 | |
CN109961129A (zh) | 一种基于改进粒子群的海上静止目标搜寻方案生成方法 | |
CN112486676B (zh) | 一种基于边缘计算的数据共享分发装置 | |
CN113961765A (zh) | 基于神经网络模型的搜索方法、装置、设备和介质 | |
CN116798592B (zh) | 设施布设位置的确定方法、装置、设备及存储介质 | |
CN117477425A (zh) | 一种无人机机巢位置确定方法、装置、设备和存储介质 | |
CN114423076B (zh) | 一种指纹数据生成方法、装置、电子设备及存储介质 | |
CN115238825A (zh) | 基于联邦学习的模型训练方法、装置、设备和介质 | |
US20220164723A1 (en) | Method for determining boarding information, electronic device, and storage medium | |
CN114269006B (zh) | 一种基于信息增益率的室内ap聚类选取方法和设备 | |
CN114445711B (zh) | 图像检测方法、装置、电子设备和存储介质 | |
CN115019099A (zh) | 一种热斑类别识别方法、装置、电子设备、介质及产品 | |
CN113723405A (zh) | 区域轮廓的确定方法、装置和电子设备 | |
CN110598930B (zh) | 一种公交线路优化调整方法及装置 |
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 |