CN115460693A - 基于蓝牙的定位方法及装置 - Google Patents
基于蓝牙的定位方法及装置 Download PDFInfo
- Publication number
- CN115460693A CN115460693A CN202211135761.9A CN202211135761A CN115460693A CN 115460693 A CN115460693 A CN 115460693A CN 202211135761 A CN202211135761 A CN 202211135761A CN 115460693 A CN115460693 A CN 115460693A
- Authority
- CN
- China
- Prior art keywords
- signal
- function
- sample
- phase
- score
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 239000011159 matrix material Substances 0.000 claims abstract description 48
- 239000013598 vector Substances 0.000 claims abstract description 36
- 230000002787 reinforcement Effects 0.000 claims abstract description 28
- 238000004364 calculation method Methods 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims description 102
- 238000012549 training Methods 0.000 claims description 28
- 230000009471 action Effects 0.000 claims description 24
- 238000012937 correction Methods 0.000 claims description 24
- 238000005070 sampling Methods 0.000 claims description 18
- 108010063499 Sigma Factor Proteins 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 10
- 239000000654 additive Substances 0.000 claims description 6
- 230000000996 additive effect Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 abstract description 8
- 238000012360 testing method Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/80—Services using short range communication, e.g. near-field communication [NFC], radio-frequency identification [RFID] or low energy communication
-
- 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)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Radio Transmission System (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明实施例提出了一种基于蓝牙的定位方法及装置，首先对接收到的发射端信号数据进行采集，并在IQ样本中附加可信度标签；然后根据IQ值对所述IQ样本的相位进行分类与计算，并对IQ样本的相位和频率偏移进行最小二乘法拟合；随后基于采集的信号数据构造信号矩阵后，将信号矩阵进行拆分后构造互相关向量；最后将互相关向量以及拟合相位和频率偏移带入定位强化学习模型中进行学习后得出定位结果。本发明无需计算天线之间的相位差异，通过赋予不同的可信度标签对信号误差对定位结果的营销，可以在提高测试准确性的基础上，降低定位过程计算的复杂度。
Description
【技术领域】
本发明涉及无线通信技术领域，尤其涉及一种基于蓝牙的定位方法及装置。
【背景技术】
摘要随着物联网的发展，基于位置的服务越来越受到人们的关注。BLE(BluetoothLow Energy，低功耗蓝牙)定位具有低成本和低功耗的优点，目前已广泛应用于诸多领域。蓝牙定位算法中又以到AOA(AngleOfArrival，到达角)算法最为常用，到达角度算法具有精度高、抗干扰性强等特点。但是目前AOA的测量又很容易受到多径传播、噪声和相移等因素的影响，从而导致定位精度不够且缺乏鲁棒性，而且计算的复杂度通常也较高。
【发明内容】
有鉴于此，本发明实施例提供了一种基于蓝牙的定位方法及装置。
第一方面，本发明实施例提供了一种基于蓝牙的定位方法，所述方法包括：
S1、对接收到的发射端信号数据进行采集，并在IQ样本中附加可信度标签；
S2、根据IQ值对所述IQ样本的相位进行分类与计算，并对IQ样本的相位和频率偏移进行最小二乘法拟合；
S3、基于采集的信号数据构造信号矩阵后，将信号矩阵进行拆分后构造互相关向量；
S4、将互相关向量以及拟合相位和频率偏移带入定位强化学习模型中进行学习后得出定位结果。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述在IQ样本中附加可信度标签，包括如下步骤：
S11、构建与当前接收天线阵列完全等价的参考阵列；
S12、将采集的信号数据按照携带的时刻信息和天线信息进行顺序排序；
S13、从当前接收天线阵列和参考阵列中选择时刻信息和天线信息均相同两个信号数据并将其加入比较组，从比较组中的每个信号数据中选择同样的U个通道信号并分别进行信号稳定度比较，在同一通道下信号稳定度较高者得分加1，稳定度较低者不得分，U个通道信号全部比较完后，统计比较组中两个信号数据的总得分大小；
S14、当前接收天线阵列的信号总得分为Score1，参考阵列的信号总得分为Score2；
若Score1＝Score2，则增加通道数，即令U＝U+Δu，进入S13；
否则，则通过权重公式
计算当前接收天线阵列信号的可信度权重，然后在IQ样本中附加可信度标签，η表示修正因子。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述S2具体包括如下步骤：
S21、将IQ样本矩阵表示为：
其中,M＝N+i,
和
分别表示参考周期内采样时刻TN的I值和Q值，
和
分别表示切换周期内采样时刻TM的I值和Q值，i表示第i个天线，N表示参考周期IQ样本组数量，M表示完整恒音扩展中的IQ样本组数量；
S22、根据相位分类计算公式对IQ样本进行分类和计算，相位分类计算公式表示为：
然后将相位矩阵表示为：
其中，
I和Q分别表示IQtotal中的I值和Q值；
S23、根据公式
对IQ样本的相位和频率偏移进行最小二乘法拟合，其中，fd表示频率偏移，Tn∈[T1,T2,...,TN]，
表示[T1,T2,...,TN]中全体元素的平均值，
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述S3具体包括如下步骤：
S31、构建信号矩阵：
其中，R表示用于采集切换周期信号的天线数量，K＝R*C+N，C表示样本采样周期数量，
xr(t)表示第r个天线接收到的信号，nr(t)第r个天线处的加性高斯白噪声，dx表示天线之间的水平间距，θ表示天线的方位角，λ表示信号的波长，r∈[1,2,...,R]，k∈[1,2,...,K]；
S32、将所述构建信号矩阵拆分为两个子矩阵：
子矩阵g＝[x1(t1)x1(t2)......x1(tK)]；以及，
子矩阵
S33、构建互相关向量
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述定位强化学习模型是通过如下方法训练得到的：
构建定位强化学习模型F(x)＝Fm(x)+αFs(x)+βFv(x)，其中，Lm(x)是M函数模型，Ls(x)是S函数模型，Lv(x)是V函数模型，Ls(x)和Lv(x)均为Lm(x)的从函数，α是M函数模型和S函数模型的平衡因子，β是M函数模型和S函数模型的平衡因子；
其中，
a为动作，s为状态，r为回报，Ψ为目标价值函数，Na为候选动作的个数，Z为归一化因子；maxQ(s′,a′)为最优策略对应的Q函数，minQ(s″,a″)为最优策略对应的Q函数，Q(s,a)为当前策略对应的Q函数；Q(s,ai)为当前策略下，第i个候选动作ai对应的Q函数；σ1为第一修正因子，σ2为第二修正因子，σ3为第三修正因子；
训练信号样本中，动作a是信号数据的构建互相关向量p，互相关向量p中携带可信度标签，状态s是进行最小二乘法拟合后的相位数据和频率偏移数据，回报r是训练信号样本对应的准确位置；
通过训练信号样本对M函数模型、S函数模型和V函数模型进行不断训练直至目标价值函数Ψ符合预设要求，获得定位强化学习模型。
第二方面，本发明实施例提供了、一种基于蓝牙的定位装置，所述装置包括：
采集模块，用于对接收到的发射端信号数据进行采集，并在IQ样本中附加可信度标签；
拟合模块，用于根据IQ值对所述IQ样本的相位进行分类与计算，并对IQ样本的相位和频率偏移进行最小二乘法拟合；
构造模块，用于基于采集的信号数据构造信号矩阵后，将信号矩阵进行拆分后构造互相关向量；
计算模块，用于将互相关向量以及拟合相位和频率偏移带入定位强化学习模型中进行学习后得出定位结果。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述采集模块具体用于执行：
S11、构建与当前接收天线阵列完全等价的参考阵列；
S12、将采集的信号数据按照携带的时刻信息和天线信息进行顺序排序；
S13、从当前接收天线阵列和参考阵列中选择时刻信息和天线信息均相同两个信号数据并将其加入比较组，从比较组中的每个信号数据中选择同样的U个通道信号并分别进行信号稳定度比较，在同一通道下信号稳定度较高者得分加1，稳定度较低者不得分，U个通道信号全部比较完后，统计比较组中两个信号数据的总得分大小；
S14、当前接收天线阵列的信号总得分为Score1，参考阵列的信号总得分为Score2；
若Score1＝Score2，则增加通道数，即令U＝U+Δu，进入S13；
否则，则通过权重公式
计算当前接收天线阵列信号的可信度权重，然后在IQ样本中附加可信度标签，η表示修正因子。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述拟合模块具体用于执行：
S21、将IQ样本矩阵表示为：
其中,M＝N+i,
和
分别表示参考周期内采样时刻TN的I值和Q值，
和
分别表示切换周期内采样时刻TM的I值和Q值，i表示第i个天线，N表示参考周期IQ样本组数量，M表示完整恒音扩展中的IQ样本组数量；
S22、根据相位分类计算公式对IQ样本进行分类和计算，相位分类计算公式表示为：
然后将相位矩阵表示为：
其中，
I和Q分别表示IQtotal中的I值和Q值；
S23、根据公式
对IQ样本的相位和频率偏移进行最小二乘法拟合，其中，fd表示频率偏移，Tn∈[T1,T2,...,TN]，
表示[T1,T2,...,TN]中全体元素的平均值，
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述构造模块具体用于执行：
S31、构建信号矩阵：
其中，R表示用于采集切换周期信号的天线数量，K＝R*C+N，C表示样本采样周期数量，
xr(t)表示第r个天线接收到的信号，nr(t)第r个天线处的加性高斯白噪声，dx表示天线之间的水平间距，θ表示天线的方位角，λ表示信号的波长，r∈[1,2,...,R]，k∈[1,2,...,K]；
S32、将所述构建信号矩阵拆分为两个子矩阵：
子矩阵g＝[x1(t1)x1(t2)......x1(tK)]；以及，
子矩阵
S33、构建互相关向量
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述定位强化学习模型是通过如下方法训练得到的：
构建定位强化学习模型F(x)＝Fm(x)+αFs(x)+βFv(x)，其中，Lm(x)是M函数模型，Ls(x)是S函数模型，Lv(x)是V函数模型，Ls(x)和Lv(x)均为Lm(x)的从函数，α是M函数模型和S函数模型的平衡因子，β是M函数模型和S函数模型的平衡因子；
其中，
a为动作，s为状态，r为回报，Ψ为目标价值函数，Na为候选动作的个数，Z为归一化因子；maxQ(s′,a′)为最优策略对应的Q函数，minQ(s″,a″)为最优策略对应的Q函数，Q(s,a)为当前策略对应的Q函数；Q(s,ai)为当前策略下，第i个候选动作ai对应的Q函数；σ1为第一修正因子，σ2为第二修正因子，σ3为第三修正因子；
训练信号样本中，动作a是信号数据的构建互相关向量p，互相关向量p中携带可信度标签，状态s是进行最小二乘法拟合后的相位数据和频率偏移数据，回报r是训练信号样本对应的准确位置；
通过训练信号样本对M函数模型、S函数模型和V函数模型进行不断训练直至目标价值函数Ψ符合预设要求，获得定位强化学习模型。
上述技术方案中的一个技术方案具有如下有益效果：
本发明实施例提出了一种基于蓝牙的定位方法及装置，首先对接收到的发射端信号数据进行采集，并在IQ样本中附加可信度标签；然后根据IQ值对所述IQ样本的相位进行分类与计算，并对IQ样本的相位和频率偏移进行最小二乘法拟合；随后基于采集的信号数据构造信号矩阵后，将信号矩阵进行拆分后构造互相关向量；最后将互相关向量以及拟合相位和频率偏移带入定位强化学习模型中进行学习后得出定位结果。本发明无需计算天线之间的相位差异，通过赋予不同的可信度标签对信号误差对定位结果的营销，可以在提高测试准确性的基础上，降低定位过程计算的复杂度。
【附图说明】
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例所提供的基于蓝牙的定位方法的流程示意图；
图2为本发明实施例所提供的基于蓝牙的定位装置的功能框图。
【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，下面将结合具体实施例及相应的附图对本发明的技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本发明一部分实施例，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，都属于本发明保护的范围。
请参考图1，其为本发明实施例所提供的基于蓝牙的定位方法的流程示意图，如图所示，该方法包括以下步骤：
S1、对接收到的发射端信号数据进行采集，并在IQ样本中附加可信度标签；
S2、根据IQ值对所述IQ样本的相位进行分类与计算，并对IQ样本的相位和频率偏移进行最小二乘法拟合；
S3、基于采集的信号数据构造信号矩阵后，将信号矩阵进行拆分后构造互相关向量；
S4、将互相关向量以及拟合相位和频率偏移带入定位强化学习模型中进行学习后得出定位结果。
其中，可信度标签用来表征该IQ样本在计算过程中的可信度用权重因子来表示。
具体的，本发明实施例对在IQ样本中附加可信度标签进一步细化，其包括如下步骤：
S11、构建与当前接收天线阵列完全等价的参考阵列；
S12、将采集的信号数据按照携带的时刻信息和天线信息进行顺序排序；
S13、从当前接收天线阵列和参考阵列中选择时刻信息和天线信息均相同两个信号数据并将其加入比较组，从比较组中的每个信号数据中选择同样的U个通道信号并分别进行信号稳定度比较，在同一通道下信号稳定度较高者得分加1，稳定度较低者不得分，U个通道信号全部比较完后，统计比较组中两个信号数据的总得分大小；
S14、当前接收天线阵列的信号总得分为Score1，参考阵列的信号总得分为Score2；
若Score1＝Score2，则增加通道数，即令U＝U+Δu，进入S13；
否则，则通过权重公式
计算当前接收天线阵列信号的可信度权重，然后在IQ样本中附加可信度标签，η表示修正因子。
进一步的，S2具体包括如下步骤：
S21、将IQ样本矩阵表示为：
其中,M＝N+i,
和
分别表示参考周期内采样时刻TN的I值和Q值，
和
分别表示切换周期内采样时刻TM的I值和Q值，i表示第i个天线，N表示参考周期IQ样本组数量，M表示完整恒音扩展中的IQ样本组数量；
S22、根据相位分类计算公式对IQ样本进行分类和计算，相位分类计算公式表示为：
然后将相位矩阵表示为：
其中，
I和Q分别表示IQtotal中的I值和Q值；
S23、根据公式
对IQ样本的相位和频率偏移进行最小二乘法拟合，其中，相位和的频率偏移的拟合关系通过如下公式：
给出，fd表示频率偏移，Tn∈[T1,T2,...,TN]，
表示[T1,T2,...,TN]中全体元素的平均值，
进一步的，所述S3具体包括如下步骤：
S31、构建信号矩阵：
其中，R表示用于采集切换周期信号的天线数量，K＝R*C+N，C表示样本采样周期数量，
xr(t)表示第r个天线接收到的信号，nr(t)第r个天线处的加性高斯白噪声，dx表示天线之间的水平间距，θ表示天线的方位角，λ表示信号的波长，r∈[1,2,...,R]，k∈[1,2,...,K]；
S32、将所述构建信号矩阵拆分为两个子矩阵：
子矩阵g＝[x1(t1)x1(t2)......x1(tK)]；以及，
子矩阵
S33、构建互相关向量
进一步的，所述定位强化学习模型是通过如下方法训练得到的：
构建定位强化学习模型F(x)＝Fm(x)+αFs(x)+βFv(x)，其中，Lm(x)是M函数模型，Ls(x)是S函数模型，Lv(x)是V函数模型，Ls(x)和Lv(x)均为Lm(x)的从函数，α是M函数模型和S函数模型的平衡因子，β是M函数模型和S函数模型的平衡因子；
其中，
a为动作，s为状态，r为回报，Ψ为目标价值函数，Na为候选动作的个数，Z为归一化因子；maxQ(s′,a′)为最优策略对应的Q函数，minQ(s″,a″)为最优策略对应的Q函数，Q(s,a)为当前策略对应的Q函数；Q(s,ai)为当前策略下，第i个候选动作ai对应的Q函数；σ1为第一修正因子，σ2为第二修正因子，σ3为第三修正因子；
训练信号样本中，动作a是信号数据的构建互相关向量p，互相关向量p中携带可信度标签，状态s是进行最小二乘法拟合后的相位数据和频率偏移数据，回报r是训练信号样本对应的准确位置；
通过训练信号样本对M函数模型、S函数模型和V函数模型进行不断训练直至目标价值函数Ψ符合预设要求，获得定位强化学习模型。
这样，本发明实施例将采集到的样本经过计算处理后生成和训练样本一样的标准格式，将该标准格式的样本代入定位强化学习模型即可得到定位结果。
本发明实施例提出了一种基于蓝牙的定位方法及装置，首先对接收到的发射端信号数据进行采集，并在IQ样本中附加可信度标签；然后根据IQ值对所述IQ样本的相位进行分类与计算，并对IQ样本的相位和频率偏移进行最小二乘法拟合；随后基于采集的信号数据构造信号矩阵后，将信号矩阵进行拆分后构造互相关向量；最后将互相关向量以及拟合相位和频率偏移带入定位强化学习模型中进行学习后得出定位结果。本发明无需计算天线之间的相位差异，通过赋予不同的可信度标签对信号误差对定位结果的营销，可以在提高测试准确性的基础上，降低定位过程计算的复杂度。
本发明实施例进一步给出实现上述方法实施例中各步骤及方法的装置实施例。
请参考图2，其为本发明实施例所提供的基于蓝牙的定位装置的功能框图。所述装置包括：
采集模块210，用于对接收到的发射端信号数据进行采集，并在IQ样本中附加可信度标签；
拟合模块220，用于根据IQ值对所述IQ样本的相位进行分类与计算，并对IQ样本的相位和频率偏移进行最小二乘法拟合；
构造模块230，用于基于采集的信号数据构造信号矩阵后，将信号矩阵进行拆分后构造互相关向量；
计算模块240，用于将互相关向量以及拟合相位和频率偏移带入定位强化学习模型中进行学习后得出定位结果。
进一步的，所述采集模块具体用于执行：
S11、构建与当前接收天线阵列完全等价的参考阵列；
S12、将采集的信号数据按照携带的时刻信息和天线信息进行顺序排序；
S13、从当前接收天线阵列和参考阵列中选择时刻信息和天线信息均相同两个信号数据并将其加入比较组，从比较组中的每个信号数据中选择同样的U个通道信号并分别进行信号稳定度比较，在同一通道下信号稳定度较高者得分加1，稳定度较低者不得分，U个通道信号全部比较完后，统计比较组中两个信号数据的总得分大小；
S14、当前接收天线阵列的信号总得分为Score1，参考阵列的信号总得分为Score2；
若Score1＝Score2，则增加通道数，即令U＝U+Δu，进入S13；
否则，则通过权重公式
计算当前接收天线阵列信号的可信度权重，然后在IQ样本中附加可信度标签，η表示修正因子。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述拟合模块具体用于执行：
S21、将IQ样本矩阵表示为：
其中,M＝N+i,
和
分别表示参考周期内采样时刻TN的I值和Q值，
和
分别表示切换周期内采样时刻TM的I值和Q值，i表示第i个天线，N表示参考周期IQ样本组数量，M表示完整恒音扩展中的IQ样本组数量；
S22、根据相位分类计算公式对IQ样本进行分类和计算，相位分类计算公式表示为：
然后将相位矩阵表示为：
其中，
I和Q分别表示IQtotal中的I值和Q值；
S23、根据公式
对IQ样本的相位和频率偏移进行最小二乘法拟合，其中，fd表示频率偏移，Tn∈[T1,T2,...,TN]，
表示[T1,T2,...,TN]中全体元素的平均值，
进一步的，所述构造模块具体用于执行：
S31、构建信号矩阵：
其中，R表示用于采集切换周期信号的天线数量，K＝R*C+N，C表示样本采样周期数量，
xr(t)表示第r个天线接收到的信号，nr(t)第r个天线处的加性高斯白噪声，dx表示天线之间的水平间距，θ表示天线的方位角，λ表示信号的波长，r∈[1,2,...,R]，k∈[1,2,...,K]；
S32、将所述构建信号矩阵拆分为两个子矩阵：
子矩阵g＝[x1(t1)x1(t2)......x1(tK)]；以及，
子矩阵
S33、构建互相关向量
进一步的，所述定位强化学习模型是通过如下方法训练得到的：
构建定位强化学习模型F(x)＝Fm(x)+αFs(x)+βFv(x)，其中，Lm(x)是M函数模型，Ls(x)是S函数模型，Lv(x)是V函数模型，Ls(x)和Lv(x)均为Lm(x)的从函数，α是M函数模型和S函数模型的平衡因子，β是M函数模型和S函数模型的平衡因子；
其中，
a为动作，s为状态，r为回报，Ψ为目标价值函数，Na为候选动作的个数，Z为归一化因子；maxQ(s′,a′)为最优策略对应的Q函数，minQ(s″,a″)为最优策略对应的Q函数，Q(s,a)为当前策略对应的Q函数；Q(s,ai)为当前策略下，第i个候选动作ai对应的Q函数；σ1为第一修正因子，σ2为第二修正因子，σ3为第三修正因子；
训练信号样本中，动作a是信号数据的构建互相关向量p，互相关向量p中携带可信度标签，状态s是进行最小二乘法拟合后的相位数据和频率偏移数据，回报r是训练信号样本对应的准确位置；
通过训练信号样本对M函数模型、S函数模型和V函数模型进行不断训练直至目标价值函数Ψ符合预设要求，获得定位强化学习模型。
由于本实施例中的各单元模块能够执行图1所示的方法，本实施例未详细描述的部分，可参考对图1的相关说明。
在硬件层面，该装置可以包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该装置还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。
存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元或模块分别描述。当然，在实施本发明时可以把各单元或模块的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、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、专用计算机、嵌入式处理机或其他可编程数据处理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设备上，使得在计算机或其他可编程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。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
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。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商品或者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、商品或者设备所固有的要素。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、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明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(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本发明中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。
Claims (10)
1.一种基于蓝牙的定位方法，其特征在于，所述方法包括：
S1、对接收到的发射端信号数据进行采集，并在IQ样本中附加可信度标签；
S2、根据IQ值对所述IQ样本的相位进行分类与计算，并对IQ样本的相位和频率偏移进行最小二乘法拟合；
S3、基于采集的信号数据构造信号矩阵后，将信号矩阵进行拆分后构造互相关向量；
S4、将互相关向量以及拟合相位和频率偏移带入定位强化学习模型中进行学习后得出定位结果。
2.根据权利要求1所述的基于蓝牙的定位方法，其特征在于，所述在IQ样本中附加可信度标签，包括如下步骤：
S11、构建与当前接收天线阵列完全等价的参考阵列；
S12、将采集的信号数据按照携带的时刻信息和天线信息进行顺序排序；
S13、从当前接收天线阵列和参考阵列中选择时刻信息和天线信息均相同两个信号数据并将其加入比较组，从比较组中的每个信号数据中选择同样的U个通道信号并分别进行信号稳定度比较，在同一通道下信号稳定度较高者得分加1，稳定度较低者不得分，U个通道信号全部比较完后，统计比较组中两个信号数据的总得分大小；
S14、当前接收天线阵列的信号总得分为Score1，参考阵列的信号总得分为Score2；
若Score1＝Score2，则增加通道数，即令U＝U+Δu，进入S13；
否则，则通过权重公式
计算当前接收天线阵列信号的可信度权重，然后在IQ样本中附加可信度标签，η表示修正因子。
3.根据权利要求1所述的基于蓝牙的定位方法，其特征在于，所述S2具体包括如下步骤：
S21、将IQ样本矩阵表示为：
其中,M＝N+i,
和
分别表示参考周期内采样时刻TN的I值和Q值，
和
分别表示切换周期内采样时刻TM的I值和Q值，i表示第i个天线，N表示参考周期IQ样本组数量，M表示完整恒音扩展中的IQ样本组数量；
S22、根据相位分类计算公式对IQ样本进行分类和计算，相位分类计算公式表示为：
然后将相位矩阵表示为：
其中，
I和Q分别表示IQtotal中的I值和Q值；
S23、根据公式
对IQ样本的相位和频率偏移进行最小二乘法拟合，其中，fd表示频率偏移，Tn∈[T1,T2,...,TN]，
表示[T1,T2,...,TN]中全体元素的平均值，
4.根据权利要求1所述的基于蓝牙的定位方法，其特征在于，所述S3具体包括如下步骤：
S31、构建信号矩阵：
其中，R表示用于采集切换周期信号的天线数量，K＝R*C+N，C表示样本采样周期数量，
xr(t)表示第r个天线接收到的信号，nr(t)第r个天线处的加性高斯白噪声，dx表示天线之间的水平间距，θ表示天线的方位角，λ表示信号的波长，r∈[1,2,...,R]，k∈[1,2,...,K]；
S32、将所述构建信号矩阵拆分为两个子矩阵：
子矩阵g＝[x1(t1)x1(t2)......x1(tK)]；以及，
子矩阵
S33、构建互相关向量
5.根据权利要求1所述的基于蓝牙的定位方法，其特征在于，所述定位强化学习模型是通过如下方法训练得到的：
构建定位强化学习模型F(x)＝Fm(x)+αFs(x)+βFv(x)，其中，Lm(x)是M函数模型，Ls(x)是S函数模型，Lv(x)是V函数模型，Ls(x)和Lv(x)均为Lm(x)的从函数，α是M函数模型和S函数模型的平衡因子，β是M函数模型和S函数模型的平衡因子；
其中，
a为动作，s为状态，r为回报，Ψ为目标价值函数，Na为候选动作的个数，Z为归一化因子；maxQ(s′,a′)为最优策略对应的Q函数，minQ(s″,a″)为最优策略对应的Q函数，Q(s,a)为当前策略对应的Q函数；Q(s,ai)为当前策略下，第i个候选动作ai对应的Q函数；σ1为第一修正因子，σ2为第二修正因子，σ3为第三修正因子；
训练信号样本中，动作a是信号数据的构建互相关向量p，互相关向量p中携带可信度标签，状态s是进行最小二乘法拟合后的相位数据和频率偏移数据，回报r是训练信号样本对应的准确位置；
通过训练信号样本对M函数模型、S函数模型和V函数模型进行不断训练直至目标价值函数Ψ符合预设要求，获得定位强化学习模型。
6.一种基于蓝牙的定位装置，其特征在于，所述装置包括：
采集模块，用于对接收到的发射端信号数据进行采集，并在IQ样本中附加可信度标签；
拟合模块，用于根据IQ值对所述IQ样本的相位进行分类与计算，并对IQ样本的相位和频率偏移进行最小二乘法拟合；
构造模块，用于基于采集的信号数据构造信号矩阵后，将信号矩阵进行拆分后构造互相关向量；
计算模块，用于将互相关向量以及拟合相位和频率偏移带入定位强化学习模型中进行学习后得出定位结果。
7.根据权利要求6所述的基于蓝牙的定位装置，其特征在于，所述采集模块具体用于执行：
S11、构建与当前接收天线阵列完全等价的参考阵列；
S12、将采集的信号数据按照携带的时刻信息和天线信息进行顺序排序；
S13、从当前接收天线阵列和参考阵列中选择时刻信息和天线信息均相同两个信号数据并将其加入比较组，从比较组中的每个信号数据中选择同样的U个通道信号并分别进行信号稳定度比较，在同一通道下信号稳定度较高者得分加1，稳定度较低者不得分，U个通道信号全部比较完后，统计比较组中两个信号数据的总得分大小；
S14、当前接收天线阵列的信号总得分为Score1，参考阵列的信号总得分为Score2；
若Score1＝Score2，则增加通道数，即令U＝U+Δu，进入S13；
否则，则通过权重公式
计算当前接收天线阵列信号的可信度权重，然后在IQ样本中附加可信度标签，η表示修正因子。
8.根据权利要求6所述的基于蓝牙的定位装置，其特征在于，所述拟合模块具体用于执行：
S21、将IQ样本矩阵表示为：
其中,M＝N+i,
和
分别表示参考周期内采样时刻TN的I值和Q值，
和
分别表示切换周期内采样时刻TM的I值和Q值，i表示第i个天线，N表示参考周期IQ样本组数量，M表示完整恒音扩展中的IQ样本组数量；
S22、根据相位分类计算公式对IQ样本进行分类和计算，相位分类计算公式表示为：
然后将相位矩阵表示为：
其中，
I和Q分别表示IQtotal中的I值和Q值；
S23、根据公式
对IQ样本的相位和频率偏移进行最小二乘法拟合，其中，fd表示频率偏移，Tn∈[T1,T2,...,TN]，
表示[T1,T2,...,TN]中全体元素的平均值，
9.根据权利要求6所述的基于蓝牙的定位装置，其特征在于，所述构造模块具体用于执行：
S31、构建信号矩阵：
其中，R表示用于采集切换周期信号的天线数量，K＝R*C+N，C表示样本采样周期数量，
xr(t)表示第r个天线接收到的信号，nr(t)第r个天线处的加性高斯白噪声，dx表示天线之间的水平间距，θ表示天线的方位角，λ表示信号的波长，r∈[1,2,...,R]，k∈[1,2,...,K]；
S32、将所述构建信号矩阵拆分为两个子矩阵：
子矩阵g＝[x1(t1)x1(t2)......x1(tK)]；以及，
子矩阵
S33、构建互相关向量
10.根据权利要求6所述的基于蓝牙的定位装置，其特征在于，所述定位强化学习模型是通过如下方法训练得到的：
构建定位强化学习模型F(x)＝Fm(x)+αFs(x)+βFv(x)，其中，Lm(x)是M函数模型，Ls(x)是S函数模型，Lv(x)是V函数模型，Ls(x)和Lv(x)均为Lm(x)的从函数，α是M函数模型和S函数模型的平衡因子，β是M函数模型和S函数模型的平衡因子；
其中，
a为动作，s为状态，r为回报，Ψ为目标价值函数，Na为候选动作的个数，Z为归一化因子；maxQ(s′,a′)为最优策略对应的Q函数，minQ(s″,a″)为最优策略对应的Q函数，Q(s,a)为当前策略对应的Q函数；Q(s,ai)为当前策略下，第i个候选动作ai对应的Q函数；σ1为第一修正因子，σ2为第二修正因子，σ3为第三修正因子；
训练信号样本中，动作a是信号数据的构建互相关向量p，互相关向量p中携带可信度标签，状态s是进行最小二乘法拟合后的相位数据和频率偏移数据，回报r是训练信号样本对应的准确位置；
通过训练信号样本对M函数模型、S函数模型和V函数模型进行不断训练直至目标价值函数Ψ符合预设要求，获得定位强化学习模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211135761.9A CN115460693B (zh) | 2022-09-19 | 2022-09-19 | 基于蓝牙的定位方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211135761.9A CN115460693B (zh) | 2022-09-19 | 2022-09-19 | 基于蓝牙的定位方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115460693A true CN115460693A (zh) | 2022-12-09 |
| CN115460693B CN115460693B (zh) | 2023-06-06 |
Family
ID=84304897
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211135761.9A Active CN115460693B (zh) | 2022-09-19 | 2022-09-19 | 基于蓝牙的定位方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115460693B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011012880A1 (en) * | 2009-07-31 | 2011-02-03 | Omnisense Limited | Positioning systems |
| CN112929817A (zh) * | 2021-02-04 | 2021-06-08 | 珠海极海半导体有限公司 | 终端定位方法、装置、终端、存储介质及程序产品 |
| CN113655435A (zh) * | 2021-07-22 | 2021-11-16 | 深圳云里物里科技股份有限公司 | 到达角度的确定方法、装置、信号接收设备、系统和介质 |
| CN114755629A (zh) * | 2022-04-19 | 2022-07-15 | 江苏蓝策电子科技有限公司 | 提高室内定位精度的方法及装置 |
-
2022
- 2022-09-19 CN CN202211135761.9A patent/CN115460693B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011012880A1 (en) * | 2009-07-31 | 2011-02-03 | Omnisense Limited | Positioning systems |
| CN112929817A (zh) * | 2021-02-04 | 2021-06-08 | 珠海极海半导体有限公司 | 终端定位方法、装置、终端、存储介质及程序产品 |
| CN113655435A (zh) * | 2021-07-22 | 2021-11-16 | 深圳云里物里科技股份有限公司 | 到达角度的确定方法、装置、信号接收设备、系统和介质 |
| CN114755629A (zh) * | 2022-04-19 | 2022-07-15 | 江苏蓝策电子科技有限公司 | 提高室内定位精度的方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115460693B (zh) | 2023-06-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109696698B (zh) | 导航定位预测方法、装置、电子设备及存储介质 | |
| CN102480678A (zh) | 一种指纹定位方法和系统 | |
| CN103517209A (zh) | 用于在电子设备中提供语义位置的方法和装置 | |
| CN110837091B (zh) | 差分数据的处理方法和接收机的测试方法 | |
| CN114786127B (zh) | 一种蓝牙aoa的定位方法及装置 | |
| CN113050030A (zh) | 基于到达角度测距的定位方法及装置 | |
| CN108650629B (zh) | 一种基于无线通信基站的室内三维定位算法 | |
| CN112240773A (zh) | 导航方法、装置、计算机装置及可读存储介质 | |
| CN115616619A (zh) | 一种基于多参数的gnss欺骗干扰检测方法 | |
| CN110290466B (zh) | 楼层判别方法、装置、设备及计算机存储介质 | |
| CN115460693A (zh) | 基于蓝牙的定位方法及装置 | |
| CN112786028B (zh) | 声学模型处理方法、装置、设备和可读存储介质 | |
| CN114755629B (zh) | 提高室内定位精度的方法及装置 | |
| CN111194000B (zh) | 基于蓝牙融合混合滤波与神经网络的测距方法与系统 | |
| CN113015180B (zh) | 网络参数更新方法、装置及存储介质、电子设备 | |
| CN111723686B (zh) | 一种信号个数估计方法、装置、电子设备和存储介质 | |
| CN113253196B (zh) | 一种多信号测向方法、装置和电子设备 | |
| CN112235723B (zh) | 定位方法、装置、电子设备及计算机可读存储介质 | |
| CN113284027B (zh) | 团伙识别模型的训练方法、异常团伙识别方法及装置 | |
| CN113791386B (zh) | 声源的定位方法、装置、设备及计算机可读存储介质 | |
| CN115662517A (zh) | 序列预测方法、装置、介质及电子设备 | |
| US9838994B1 (en) | Production system and method for location-aware environment | |
| US8838147B2 (en) | Method and apparatus for determining environmental context utilizing features obtained by multiple radio receivers | |
| CN115022963B (zh) | 基于蓝牙的室内定位方法及装置 | |
| CN112990779A (zh) | 一种对候选地址评分的方法、装置、设备及存储介质 |
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 |