CN116801192A - 一种端云协同的室内电磁指纹更新方法和系统 - Google Patents
一种端云协同的室内电磁指纹更新方法和系统 Download PDFInfo
- Publication number
- CN116801192A CN116801192A CN202310624318.6A CN202310624318A CN116801192A CN 116801192 A CN116801192 A CN 116801192A CN 202310624318 A CN202310624318 A CN 202310624318A CN 116801192 A CN116801192 A CN 116801192A
- Authority
- CN
- China
- Prior art keywords
- fingerprint
- electromagnetic
- data table
- data
- trusted
- 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 29
- 238000011156 evaluation Methods 0.000 claims abstract description 71
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims abstract description 11
- 230000009467 reduction Effects 0.000 claims abstract description 11
- 238000007621 cluster analysis Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 5
- 238000010606 normalization Methods 0.000 claims abstract description 5
- 238000011176 pooling Methods 0.000 claims description 18
- 238000012216 screening Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- KJONHKAYOJNZEC-UHFFFAOYSA-N nitrazepam Chemical compound C12=CC([N+](=O)[O-])=CC=C2NC(=O)CN=C1C1=CC=CC=C1 KJONHKAYOJNZEC-UHFFFAOYSA-N 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims 1
- 238000004220 aggregation Methods 0.000 claims 1
- 238000004458 analytical method Methods 0.000 claims 1
- 238000013210 evaluation model Methods 0.000 abstract description 2
- 230000008901 benefit Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 239000003550 marker Substances 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
-
- 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
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
-
- 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
-
- 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)
- Collating Specific Patterns (AREA)
Abstract
本发明提供了一种端云协同的室内电磁指纹更新方法和系统，属于室内定位领域。分为离线阶段和在线阶段。离线主要是依据皮尔逊相关系数对电磁指纹进行标记以构建可信指纹评估数据表，并依此训练降噪自动编码器‑卷积神经网络可信评估模型；在线阶段借助终端室内定位计算汇聚指纹数据，经过归一化处理和可信电磁指纹评估不断完善可信指纹评估数据表，对指纹定位数据表开展仿射传播聚类分析，并利用皮尔逊相关系数计算顾及位置和信号属性的相关系数，通过阈值完成指纹更新或插入的操作决策。本发明可以实现大型室内场景较长时间内指纹定位精度基本不变的电磁指纹自主更新。
Description
技术领域
本发明涉及一种端云协同的室内电磁指纹更新方法和系统，属于室内定位技术领域。
背景技术
室内定位技术多通过指纹匹配、信号测距或者测角等手段得到目标位置。由于不需要考虑非视距分布、多径效应的影响，以及不需知道信号基站的准确位置，基于指纹匹配的室内定位技术被广泛应用研究，指纹匹配、行人航位推算、地图约束等方法通过滤波融合的方式可以实现室内较高精度定位。常用的电磁指纹有无线保真（Wireless Fidelity，WiFi）、蓝牙和磁场信号等。
然而，用于匹配的指纹信息容易受室内结构、布局、环境、设备及人员变化的影响，导致指纹定位精度随着时间不断降低直至失效。若要维持指纹定位精度基本不变，则需要对用于指纹定位的指纹数据集进行持续更新。一些方案采用大量现场采集或者少量现场采集与插值方法相结合的方式，费时费力；一些方案采用许多预先设置的锚节点监测局部范围内的无线信号，但设备维护成本较高，且仅适用于WiFi和蓝牙等无线电信号，不适用于磁场信号；还有一些方案采用路线匹配的方式，然而用户自主灵活走动，同质化路线很多，容易导致大的定位误差和电磁指纹更新失败。
这些方案都无法有效地实现大型室内场景电磁指纹数据集的更新，并维持长时间的指纹定位精度基本不变。
发明内容
本发明目的是提供了一种端云协同的室内电磁指纹更新方法和系统，可以实现大型室内场景较长时间内指纹定位精度基本不变的电磁指纹自主更新。
本发明为实现上述目的，通过以下技术方案实现：
一种端云协同的室内电磁指纹更新方法，包括以下步骤：
步骤1：根据电磁指纹类型建立对应的电磁指纹数据库，所述电磁指纹数据库包括原始指纹数据表、初始指纹定位数据表；
步骤2：根据皮尔逊相关系数原始指纹数据表和初始指纹定位数据表进行标记构建可信指纹评估数据表；
步骤3：构建电磁指纹可信评估网络，所述电磁指纹可信评估网络包括降噪自动编码器和卷积神经网络，所述降噪自动编码器依次包括输入层、两个相邻的卷积层和抽象特征层，所述卷积神经网络依次包括Dropout层、卷积层、池化层、卷积层、全局平均池化层、Softmax层和输出层；
步骤4：将构建的可信指纹评估数据表作为样本数据输入到电磁指纹可信评估网络进行训练，得到训练好的电磁指纹可信评估网络；
步骤5：在线更新可信指纹评估数据表；具体步骤如下：
步骤5-1：根据初始指纹定位数据表进行终端室内定位计算，汇聚电磁指纹数据，将其存储至原始指纹；
步骤5-2：将汇聚后的电磁指纹数据输入到训练好的电磁指纹可信评估网络筛选可信电磁指纹，判断电磁指纹是否可信，并将判断结果存储至可信指纹评估数据表；
步骤5-3：将可信电磁指纹通过仿射传播聚类算法对指纹定位数据行进聚类分析，更新初始指纹定位数据表，并修改初始指纹定位数据表中时间戳，得到更新后的指纹定位数据表。
优选的，所述电磁指纹类型包括WiFi电磁指纹、蓝牙电磁指纹和磁场电磁指纹。
优选的，所述初始指纹定位数据表维度为，其中，前/>个属性为媒体访问控制地址对应的信号强度，第/>个属性为平面二维坐标中X轴坐标，第/>个属性为平面二维坐标中Y轴坐标，第/>个属性为楼层，第/>个属性为时间戳。
优选的，所述电磁指纹可信评估网络每个卷积层都通过ReLU激活函数实现非线性表达。
优选的，所述构建可信指纹评估数据表具体步骤如下：
步骤2-1：从原始指纹数据库中获取第个参考点不包含平面二维坐标、楼层和时间戳的原始指纹数据/>，其中，/>为在第/>个参考点处采样次数；获取原始指纹数据/>的平均值得到初始指纹定位数据/>，构建初始指纹定位数据表；
步骤2-2：计算每个参考点的原始指纹数据与对应初始指纹定位数据的皮尔逊相关系数，具体公式如下：
，
其中，表示第/>个参考点第/>次采样的原始指纹数据均值，/>表示第/>个参考点初始指纹定位数据均值；
步骤2-3：将皮尔逊相关系数不小于强相关/>的原始指纹数据/>筛选出来，并对原始指纹数据/>添加可信标记维度，并设定初始值为1标记为可信，存储为可信指纹评估数据表；
对于皮尔逊相关系数小于强相关/>的原始指纹数据/>，将皮尔逊相关系数/>不大于弱相关/>的原始指纹数据/>筛选出来，并对筛选出的原始指纹数据/>添加可信标记维度，设定初始值为0标记为不可信，存储到可信指纹评估数据表；
将初始指纹定位数据添加可信标记维度，并设定初始值为1，存储到可信指纹评估数据表。
优选的，所述电磁指纹可信评估网络训练步骤如下：
步骤4-1：提取可信指纹评估数据表中的所有电磁指纹，利用最大值函数/>获取媒体访问控制地址对应的信号强度最大值/>，媒体访问控制地址对应的信号强度最小值/>为－110；
步骤4-2：对电磁指纹进行归一化处理得到归一化后的所有电磁指纹/>，具体公式如下：
，
步骤4-3：对归一化后的指纹加入白噪声，得到加噪声后的指纹/>，具体公式如下：
，
其中，为四舍五入取整函数，/>为噪声数值，取值范围为0~7，/>为取值范围为[－1,1]的正态随机数函数，/>为返回电磁指纹维度的函数；
步骤4-4：通过两个卷积层对降噪自动编码器中的网络参数进行动态调整，通过最小化输入信号与重构信号之间的误差得到抗干扰的抽象特征，具体公式如下：
，
其中，表示编码器将输入信号/>到抽象特征/>的映射关系，/>表示解码器将抽象特征/>映射为重构信号/>的映射关系；
步骤4-5：将抽象特征输入卷积神经网络，所述抽象特征通过Dropout层按照一定的概率随机选择一些特征并将其临时隐藏，再进行训练和优化；
步骤4-6：抽象特征经过Dropout层后再依次经过卷积层、池化层和卷积层处理，进一步对特征进行压缩，简化网络复杂度，减少全局平均池化层的参数数量；
步骤4-7：压缩后的特征进入全局平均池化层，对每个特征图进行全局平均池化处理得到一个数值，然后将学到的特征映射到指纹标记空间，所述指纹标记空间包括可信与不可信/>；
步骤4-8：将所有类别输入Softmax层，通过以下公式得到不同类别对应的概率，具体公式如下：
，
其中，表示电磁指纹可信或不可信的概率，/>的取值为0或1；
步骤4-9：将概率不小于强相关/>的原始指纹数据/>筛选出来，作为可信指纹存储到可信指纹评估数据表；
对于概率小于强相关/>的原始指纹数据/>，将概率/>不大于弱相关/>的原始指纹数据/>筛选出来，作为不可信数据存储到可信指纹评估数据表。
优选的，所述通过仿射传播聚类算法对指纹定位数据行进聚类分析具体步骤如下：
步骤5-3-1：对初始指纹定位数据表进行聚类，计算每个聚类中心信号空间内的皮尔逊相关系数；
步骤5-3-2：选取最大皮尔逊相关系数对应的聚类，计算该聚类内每个参考点的电磁指纹与可信指纹间的相关系数/>，具体公式如下：
，
其中，表示第/>个参考点的空间位置，/>表示第/>个参考点的电磁指纹，/>表示可信指纹，/>表示可信指纹对应空间位置，/>表示位置空间内的皮尔逊相关系数；
步骤5-3-3：获取该聚类内最大的皮尔逊相关系数，如果/>不小于/>，则利用可信指纹对指纹定位数据表中参考信息更新空间位置和指纹数据；如果/>不大于/>，则将可信指纹和其空间位置插入到指纹定位数据表中。
优选的，所述强相关取值为0.9，所述弱相关/>取值为0.4。
一种端云协同的室内电磁指纹更新系统，包括由终端和云平台，所述终端是集成WiFi、BLE和磁力计等传感器的移动设备，所述终端安装有APP，可以实现室内位置解算，位置、电磁指纹汇聚、数据上传和下载，构建可信指纹评估数据表。
所述云平台是远端集成了多组服务器的计算机基础设施，能够提供网络、计算、存储；可以实现数据接收、存储和分发，电磁指纹数据存取，电磁指纹可信评估，训练电磁指纹可信评估网络，以及通过仿射传播聚类算法对指纹定位数据行进聚类分析功能。
云平台有固定的互联网协议地址，终端与云平台之间通过传输控制协议进行数据传输，使用套接字实现快速、安全、可靠的数据交互；云平台各服务器之间采用超文本传输协议，使用“请求-响应”方式实现数据传输。电磁指纹数据库则采用MySQL进行数据库管理和开发。
本发明的优点在于：本发明采用皮尔逊相关系数来衡量参考指纹与实测指纹间的邻近程度可以无视电磁指纹维度和室内场景的影响，无需针对WiFi蓝牙磁场指纹更新设定阈值，仅需两个参数和/>即可实现指纹可信评估和指纹操作决策。因此，本发明具有参数少，无视电磁指纹维度和室内场景影响的优点。同时本发明还具有维持长时间指纹定位精度基本不变的优点。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
图1为本发明流程结构示意图。
图2为本发明电磁指纹可信评估网络结构示意图。
图3为本发明系统组成示意图。
图4为本发明架构配置结构示意图。
图5为本发明参数数量和场景扩展性比较示意图。
图6为本发明30天内指纹定位误差统计示意图。
具体实施方式
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。
一种端云协同的室内电磁指纹更新方法，如图1所示，分为离线阶段和在线阶段。离线主要是依据皮尔逊相关系数对电磁指纹进行标记以构建可信指纹评估数据表，并依此训练降噪自动编码器-卷积神经网络可信评估模型；在线阶段借助终端室内定位计算汇聚指纹数据，经过归一化处理和可信电磁指纹评估不断完善可信指纹评估数据表，对指纹定位数据表开展仿射传播聚类分析，并利用皮尔逊相关系数计算顾及位置和信号属性的相关系数，通过阈值完成指纹更新或插入的操作决策。现有的指纹库构建方法都可以轻松建立原始指纹数据表和初始指纹定位数据表，本发明将不再此赘述。
本发明用到的电磁指纹库含有12个数据表，数据表的维度均可扩展，分别为存储WiFi、蓝牙、磁场的原始指纹数据表，用于初始定位的初始指纹定位数据表，更新后指纹定位数据表，以及指纹可信评估数据表。相比于初始电磁指纹数据库，增加了两类指纹数据表，分别为更新后指纹定位数据表和指纹可信评估数据表。WiFi、蓝牙、磁场指纹数据表的维度分别是、/>和/>，其中，前/>个属性为WiFi媒体访问控制（MAC）地址对应的信号强度（RSS）、前/>个属性为蓝牙MAC地址对应的信号强度，/>个属性为磁场强度及其变化值，如三轴磁场强度、三轴模值等，另外4个维度分别表示平面二维坐标（/>）、楼层和时间戳，时间戳用于表示建库后的天数，初始指纹定位数据表中的时间戳为0，运行1天的更新后指纹定位数据表中的时间戳为1，随着运行天数增加时间戳不断增大，时间戳由云平台记录。如表1所示为WiFi初始指纹定位数据表示例，监测到MAC地址的信号强度为负数，未监测到的MAC地址对应信号强度被赋值为－110。
表1初始指纹定位数据表的示例
。
实施例1
步骤1：根据电磁指纹类型建立对应的电磁指纹数据库，所述电磁指纹数据库包括原始指纹数据表、初始指纹定位数据表。
步骤2：根据皮尔逊相关系数原始指纹数据表和初始指纹定位数据表进行标记构建可信指纹评估数据表。
步骤3：构建电磁指纹可信评估网络，所述电磁指纹可信评估网络包括降噪自动编码器和卷积神经网络，所述降噪自动编码器依次包括输入层、两个相邻的卷积层和抽象特征层，所述卷积神经网络依次包括Dropout层、卷积层、池化层、卷积层、全局平均池化层、Softmax层和输出层；所述电磁指纹可信评估网络每个卷积层都通过ReLU激活函数实现非线性表达。
步骤4：将构建的可信指纹评估数据表作为样本数据输入到电磁指纹可信评估网络进行训练，得到训练好的电磁指纹可信评估网络。
步骤5：在线更新可信指纹评估数据表；具体步骤如下：
步骤5-1根据初始指纹定位数据表进行终端室内定位计算，汇聚电磁指纹数据，将其存储至原始指纹。
所述终端室内定位计算具体步骤如下：根据初始指纹定位数据表和在线采集的电磁指纹数据在终端利用指纹匹配定位算法（如K近邻，加权K近邻等）实现定位计算，将计算位置和楼层数据与在线采集的电磁指纹数据进行汇聚，并存储至原始指纹数据表。
步骤5-2：将汇聚后的电磁指纹数据输入到训练好的电磁指纹可信评估网络筛选可信电磁指纹，判断电磁指纹是否可信，并将判断结果存储至可信指纹评估数据表。
步骤5-3：将可信电磁指纹通过仿射传播聚类算法对指纹定位数据行进聚类分析，更新初始指纹定位数据表，并修改初始指纹定位数据表中时间戳，得到更新后的指纹定位数据表。
实施例2
离线阶段，所述构建可信指纹评估数据表具体步骤如下：
步骤2-1：从原始指纹数据库中获取第个参考点不包含平面二维坐标、楼层和时间戳的原始指纹数据/>，其中，/>为在第/>个参考点处采样次数；获取原始指纹数据/>的平均值得到初始指纹定位数据/>，构建初始指纹定位数据表。
步骤2-2：计算每个参考点的原始指纹数据与对应初始指纹定位数据的皮尔逊相关系数，具体公式如下：
，
其中，表示第/>个参考点第/>次采样的原始指纹数据均值，/>表示第/>个参考点初始指纹定位数据均值。
步骤2-3：将皮尔逊相关系数不小于强相关/>的原始指纹数据/>筛选出来，并对原始指纹数据/>添加可信标记维度，并设定初始值为1标记为可信，存储为可信指纹评估数据表。
对于皮尔逊相关系数小于强相关/>的原始指纹数据/>，将皮尔逊相关系数/>不大于弱相关/>的原始指纹数据/>筛选出来，并对筛选出的原始指纹数据/>添加可信标记维度，设定初始值为0标记为不可信，存储到可信指纹评估数据表。
将初始指纹定位数据添加可信标记维度，并设定初始值为1，存储到可信指纹评估数据表。
实施例3
离线阶段，如图2所示，所述电磁指纹可信评估网络训练步骤如下：
步骤4-1：提取可信指纹评估数据表中的所有电磁指纹，利用最大值函数/>获取媒体访问控制地址对应的信号强度最大值/>，媒体访问控制地址对应的信号强度最小值/>为－110。
步骤4-2：对电磁指纹进行归一化处理得到归一化后的所有电磁指纹/>，具体公式如下：
，
步骤4-3：对归一化后的指纹加入白噪声，得到加噪声后的指纹/>，具体公式如下：
，
其中，为四舍五入取整函数，/>为噪声数值，取值范围为0~7，/>为取值范围为[－1,1]的正态随机数函数，/>为返回电磁指纹维度的函数；
步骤4-4：通过两个卷积层对降噪自动编码器中的网络参数进行动态调整，通过最小化输入信号与重构信号之间的误差得到抗干扰的抽象特征，具体公式如下：
，
其中，表示编码器将输入信号/>到抽象特征/>的映射关系，/>表示解码器将抽象特征/>映射为重构信号/>的映射关系；
步骤4-5：将抽象特征输入卷积神经网络，所述抽象特征通过Dropout层按照一定的概率随机选择一些特征并将其临时隐藏，再进行训练和优化；
步骤4-6：抽象特征经过Dropout层后再依次经过卷积层、池化层和卷积层处理，进一步对特征进行压缩，简化网络复杂度，减少全局平均池化层的参数数量；
步骤4-7：压缩后的特征进入全局平均池化层，对每个特征图进行全局平均池化处理得到一个数值，然后将学到的特征映射到指纹标记空间，所述指纹标记空间包括可信与不可信/>；
步骤4-8：将所有类别输入Softmax层，通过以下公式得到不同类别对应的概率，具体公式如下：
，
其中，表示电磁指纹可信或不可信的概率，/>的取值为0或1；
步骤4-9：将概率不小于强相关/>的原始指纹数据/>筛选出来，作为可信指纹存储到可信指纹评估数据表；
对于概率小于强相关/>的原始指纹数据/>，将概率/>不大于弱相关/>的原始指纹数据/>筛选出来，作为不可信数据存储到可信指纹评估数据表。
实施例4
在线阶段更新可信指纹评估数据表的具体实施如下：
1）终端APP在首次启动后下载指纹定位数据表，同一天内后续启动将不会再下载该数据表，但是，随后每一天启动APP都要先下载对应天数的更新后指纹定位数据表。
2）APP能够实时获取定位精度优于2米的定位结果，用表示，/>表示位置标记的实时获取WiFi指纹数据，即表1中的前/>维数据，同理，/>表示位置标记的实时获取蓝牙指纹数据，/>表示位置标记的实时获取的磁场指纹数据。
3）APP分别用、/>和/>汇聚指纹数据，APP退出前共有/>次定位解算，即/>次数据采样，可分别表示为/>， ，APP退出时，将汇聚指纹通过Socket上传至云平台。
4）云平台接收指纹数据后对指纹数据进行提取，利用HTTP协议实现不同服务器间数据交互，按照不同指纹数据类型分别存储至WiFi、蓝牙、磁场的原始指纹数据表，然后将这些不同的指纹数据派发给电磁指纹可信评估网络。
5）利用相关系数对筛选的可信电磁指纹进行操作决策。
实施例5
所述通过仿射传播聚类算法对指纹定位数据行进聚类分析具体步骤如下：
步骤5-3-1：对初始指纹定位数据表进行聚类，计算每个聚类中心信号空间内的皮尔逊相关系数。
步骤5-3-2：选取最大皮尔逊相关系数对应的聚类，计算该聚类内每个参考点的电磁指纹与可信指纹间的相关系数/>，具体公式如下：
，
其中，表示第/>个参考点的空间位置，/>表示第/>个参考点的电磁指纹，/>表示可信指纹，/>表示可信指纹对应空间位置，/>表示位置空间内的皮尔逊相关系数；
步骤5-3-3：获取该聚类内最大的皮尔逊相关系数，如果/>不小于/>，则利用可信指纹对指纹定位数据表中参考信息更新空间位置和指纹数据；如果/>不大于/>，则将可信指纹和其空间位置插入到指纹定位数据表中。
所述强相关取值为0.9，所述弱相关/>取值为0.4。
实施例6
如图3-4所示，一种端云协同的室内电磁指纹更新系统，包括由终端和云平台，所述终端是集成WiFi、BLE和磁力计等传感器的移动设备，所述终端安装有APP，可以实现室内位置解算，位置、电磁指纹汇聚、数据上传和下载，构建可信指纹评估数据表；
所述云平台是远端集成了多组服务器的计算机基础设施，能够提供网络、计算、存储；可以实现数据接收、存储和分发，电磁指纹数据存取，电磁指纹可信评估，训练电磁指纹可信评估网络，以及通过仿射传播聚类算法对指纹定位数据行进聚类分析功能。
云平台有固定的互联网协议地址，终端与云平台之间通过传输控制协议进行数据传输，使用套接字实现快速、安全、可靠的数据交互；云平台各服务器之间采用超文本传输协议，使用“请求-响应”方式实现数据传输。电磁指纹数据库则采用MySQL进行数据库管理和开发。
实施例7
如图5所示，现有方法多采用参考指纹与实测指纹间的距离（曼哈顿欧式马氏距离）来衡量其邻近程度，而每个室内场景内WiFi蓝牙基站数目不同，磁场干扰源分布存在差异，且WiFi蓝牙磁场指纹具有不同的维度，因此，需对WiFi蓝牙磁场指纹更新分别指定距离阈值，而且预先指定的距离阈值未必适用于其他室内场景，其可扩展性偏弱。本发明采用皮尔逊相关系数来衡量参考指纹与实测指纹间的邻近程度可以无视电磁指纹维度和室内场景的影响，无需针对WiFi蓝牙磁场指纹更新设定阈值，仅需两个参数（强相关）和/>（弱相关）即可实现指纹可信评估和指纹操作决策。因此，本发明具有参数少，无视电磁指纹维度和室内场景影响的优点。
如图6所示，以WiFi指纹为例验证更新后指纹定位效果，在室内场景内部署的多个测试点上连续30天采集WiFi指纹数据进行静态解算，在数据采集过程中，室内人员正常工作，有人员走动和电脑运行。如图6所示为30天内采用本发明电磁指纹更新后指纹定位数据表与初始指纹定位数据表的指纹定位误差统计。随着天数的增加，使用初始指纹定位的误差逐渐增大，最大为8.6米，而使用本发明更新后指纹进行定位的误差波动性较小，最大为4.1米，远远小于初始指纹定位误差，绝大部分定位结果的误差小于第1天时初始指纹定位误差，从整体上来看，本发明更新后指纹定位30天内的平均定位误差与第1天时初始指纹定位误非常接近，因此，本发明具有维持长时间指纹定位精度基本不变的优点。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种端云协同的室内电磁指纹更新方法，其特征在于，包括以下步骤：
步骤1：根据电磁指纹类型建立对应的电磁指纹数据库，所述电磁指纹数据库包括原始指纹数据表、初始指纹定位数据表；
步骤2：根据皮尔逊相关系数原始指纹数据表和初始指纹定位数据表进行标记构建可信指纹评估数据表；
步骤3：构建电磁指纹可信评估网络，所述电磁指纹可信评估网络包括降噪自动编码器和卷积神经网络，所述降噪自动编码器依次包括输入层、两个相邻的卷积层和抽象特征层，所述卷积神经网络依次包括Dropout层、卷积层、池化层、卷积层、全局平均池化层、Softmax层和输出层；
步骤4：将构建的可信指纹评估数据表作为样本数据输入到电磁指纹可信评估网络进行训练，得到训练好的电磁指纹可信评估网络；
步骤5：在线更新可信指纹评估数据表；具体步骤如下：
步骤5-1：根据初始指纹定位数据表进行终端室内定位计算，汇聚电磁指纹数据，将其存储至原始指纹；
步骤5-2：将汇聚后的电磁指纹数据输入到训练好的电磁指纹可信评估网络筛选可信电磁指纹，判断电磁指纹是否可信，并将判断结果存储至可信指纹评估数据表；
步骤5-3：将可信电磁指纹通过仿射传播聚类算法对指纹定位数据行进聚类分析，更新初始指纹定位数据表，并修改初始指纹定位数据表中时间戳，得到更新后的指纹定位数据表。
2.根据权利要求1所述的端云协同的室内电磁指纹更新方法，其特征在于，所述电磁指纹类型包括WiFi电磁指纹、蓝牙电磁指纹和磁场电磁指纹。
3.根据权利要求2所述的端云协同的室内电磁指纹更新方法，其特征在于，所述初始指纹定位数据表维度为，其中，前/>个属性为媒体访问控制地址对应的信号强度，第个属性为平面二维坐标中X轴坐标，第/>个属性为平面二维坐标中Y轴坐标，第个属性为楼层，第/>个属性为时间戳。
4.根据权利要求1所述的端云协同的室内电磁指纹更新方法，其特征在于，所述电磁指纹可信评估网络每个卷积层都通过ReLU激活函数实现非线性表达。
5.根据权利要求3所述的端云协同的室内电磁指纹更新方法，其特征在于，所述构建可信指纹评估数据表具体步骤如下：
步骤2-1：从原始指纹数据库中获取第个参考点不包含平面二维坐标、楼层和时间戳的原始指纹数据/>，其中，/>为在第/>个参考点处采样次数；获取原始指纹数据/>的平均值得到初始指纹定位数据/>，构建初始指纹定位数据表；
步骤2-2：计算每个参考点的原始指纹数据与对应初始指纹定位数据的皮尔逊相关系数，具体公式如下：
，
其中，表示第/>个参考点第/>次采样的原始指纹数据均值，/>表示第/>个参考点初始指纹定位数据均值；
步骤2-3：将皮尔逊相关系数不小于强相关/>的原始指纹数据/>筛选出来，并对原始指纹数据/>添加可信标记维度，并设定初始值为1标记为可信，存储为可信指纹评估数据表；
对于皮尔逊相关系数小于强相关/>的原始指纹数据/>，将皮尔逊相关系数/>不大于弱相关/>的原始指纹数据/>筛选出来，并对筛选出的原始指纹数据/>添加可信标记维度，设定初始值为0标记为不可信，存储到可信指纹评估数据表；
将初始指纹定位数据添加可信标记维度，并设定初始值为1，存储到可信指纹评估数据表。
6.根据权利要求5所述的端云协同的室内电磁指纹更新方法，其特征在于，所述电磁指纹可信评估网络训练步骤如下：
步骤4-1：提取可信指纹评估数据表中的所有电磁指纹，利用最大值函数/>获取媒体访问控制地址对应的信号强度最大值/>，媒体访问控制地址对应的信号强度最小值为－110；
步骤4-2：对电磁指纹进行归一化处理得到归一化后的所有电磁指纹/>，具体公式如下：
，
步骤4-3：对归一化后的指纹加入白噪声，得到加噪声后的指纹/>，具体公式如下：
，
其中，为四舍五入取整函数，/>为噪声数值，取值范围为0~7，/>为取值范围为[－1,1]的正态随机数函数，/>为返回电磁指纹维度的函数；
步骤4-4：通过两个卷积层对降噪自动编码器中的网络参数进行动态调整，通过最小化输入信号与重构信号之间的误差得到抗干扰的抽象特征，具体公式如下：
，
其中，表示编码器将输入信号/>到抽象特征/>的映射关系，/>表示解码器将抽象特征/>映射为重构信号/>的映射关系；
步骤4-5：将抽象特征输入卷积神经网络，所述抽象特征通过Dropout层按照一定的概率随机选择一些特征并将其临时隐藏，再进行训练和优化；
步骤4-6：抽象特征经过Dropout层后再依次经过卷积层、池化层和卷积层处理，进一步对特征进行压缩，简化网络复杂度，减少全局平均池化层的参数数量；
步骤4-7：压缩后的特征进入全局平均池化层，对每个特征图进行全局平均池化处理得到一个数值，然后将学到的特征映射到指纹标记空间，所述指纹标记空间包括可信与不可信/>；
步骤4-8：将所有类别输入Softmax层，通过以下公式得到不同类别对应的概率，具体公式如下：
，
其中，表示电磁指纹可信或不可信的概率，/>的取值为0或1；
步骤4-9：将概率不小于强相关/>的原始指纹数据/>筛选出来，作为可信指纹存储到可信指纹评估数据表；
对于概率小于强相关/>的原始指纹数据/>，将概率/>不大于弱相关/>的原始指纹数据/>筛选出来，作为不可信数据存储到可信指纹评估数据表。
7.根据权利要求1所述的端云协同的室内电磁指纹更新方法，其特征在于，所述通过仿射传播聚类算法对指纹定位数据行进聚类分析具体步骤如下：
步骤5-3-1：对初始指纹定位数据表进行聚类，计算每个聚类中心信号空间内的皮尔逊相关系数；
步骤5-3-2：选取最大皮尔逊相关系数对应的聚类，计算该聚类内每个参考点的电磁指纹与可信指纹间的相关系数/>，具体公式如下：
，
其中，表示第/>个参考点的空间位置，/>表示第/>个参考点的电磁指纹，/>表示可信指纹，/>表示可信指纹对应空间位置，/>表示位置空间内的皮尔逊相关系数；
步骤5-3-3：获取该聚类内最大的皮尔逊相关系数，如果/>不小于/>，则利用可信指纹对指纹定位数据表中参考信息更新空间位置和指纹数据；如果/>不大于/>，则将可信指纹和其空间位置插入到指纹定位数据表中。
8.根据权利要求5或6或7任一所述的端云协同的室内电磁指纹更新方法，其特征在于，所述强相关取值为0.9，所述弱相关/>取值为0.4。
9.一种端云协同的室内电磁指纹更新系统，其特征在于，可以运行权利要求1-8任一所述的端云协同的室内电磁指纹更新方法，包括由终端和云平台，所述终端是集成WiFi、BLE和磁力计等传感器的移动设备，所述终端安装有APP，可以实现室内位置解算，位置、电磁指纹汇聚、数据上传和下载，构建可信指纹评估数据表；
所述云平台是远端集成了多组服务器的计算机基础设施，能够提供网络、计算、存储；可以实现数据接收、存储和分发，电磁指纹数据存取，电磁指纹可信评估，训练电磁指纹可信评估网络，以及通过仿射传播聚类算法对指纹定位数据行进聚类分析功能；
云平台有固定的互联网协议地址，终端与云平台之间通过传输控制协议进行数据传输，使用套接字实现快速、安全、可靠的数据交互；云平台各服务器之间采用超文本传输协议，使用“请求-响应”方式实现数据传输。电磁指纹数据库则采用MySQL进行数据库管理和开发。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310624318.6A CN116801192B (zh) | 2023-05-30 | 2023-05-30 | 一种端云协同的室内电磁指纹更新方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310624318.6A CN116801192B (zh) | 2023-05-30 | 2023-05-30 | 一种端云协同的室内电磁指纹更新方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116801192A true CN116801192A (zh) | 2023-09-22 |
| CN116801192B CN116801192B (zh) | 2024-03-12 |
Family
ID=88036987
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310624318.6A Active CN116801192B (zh) | 2023-05-30 | 2023-05-30 | 一种端云协同的室内电磁指纹更新方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116801192B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106804059A (zh) * | 2017-01-18 | 2017-06-06 | 南京邮电大学 | 基于信号强度的室内定位技术中的终端差异消除方法 |
| CN108174343A (zh) * | 2017-11-29 | 2018-06-15 | 全球能源互联网研究院有限公司 | 一种面向电力室内通信运维场景的无线定位方法及系统 |
| CN109143161A (zh) * | 2018-09-30 | 2019-01-04 | 电子科技大学 | 基于混合指纹质量评价模型的高精度室内定位方法 |
| CN111639712A (zh) * | 2020-05-29 | 2020-09-08 | 北斗数睿(北京)科技有限公司 | 一种基于密度峰值聚类和梯度提升算法的定位方法及系统 |
| CN112312541A (zh) * | 2020-10-09 | 2021-02-02 | 清华大学 | 一种无线定位方法及系统 |
| CN112797985A (zh) * | 2021-02-08 | 2021-05-14 | 上海第二工业大学 | 基于加权扩展卡尔曼滤波的室内定位方法及室内定位系统 |
| CN113179481A (zh) * | 2021-03-25 | 2021-07-27 | 杭州电子科技大学 | 一种结合稠密连接网络的csi矫正定位方法 |
| CN114745684A (zh) * | 2022-04-13 | 2022-07-12 | 天津工业大学 | 一种基于多模态gan的csi室内定位方法 |
| CN115150744A (zh) * | 2022-08-02 | 2022-10-04 | 天津城建大学 | 一种大型会议场馆室内信号干扰源定位方法 |
-
2023
- 2023-05-30 CN CN202310624318.6A patent/CN116801192B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106804059A (zh) * | 2017-01-18 | 2017-06-06 | 南京邮电大学 | 基于信号强度的室内定位技术中的终端差异消除方法 |
| CN108174343A (zh) * | 2017-11-29 | 2018-06-15 | 全球能源互联网研究院有限公司 | 一种面向电力室内通信运维场景的无线定位方法及系统 |
| CN109143161A (zh) * | 2018-09-30 | 2019-01-04 | 电子科技大学 | 基于混合指纹质量评价模型的高精度室内定位方法 |
| CN111639712A (zh) * | 2020-05-29 | 2020-09-08 | 北斗数睿(北京)科技有限公司 | 一种基于密度峰值聚类和梯度提升算法的定位方法及系统 |
| CN112312541A (zh) * | 2020-10-09 | 2021-02-02 | 清华大学 | 一种无线定位方法及系统 |
| CN112797985A (zh) * | 2021-02-08 | 2021-05-14 | 上海第二工业大学 | 基于加权扩展卡尔曼滤波的室内定位方法及室内定位系统 |
| CN113179481A (zh) * | 2021-03-25 | 2021-07-27 | 杭州电子科技大学 | 一种结合稠密连接网络的csi矫正定位方法 |
| CN114745684A (zh) * | 2022-04-13 | 2022-07-12 | 天津工业大学 | 一种基于多模态gan的csi室内定位方法 |
| CN115150744A (zh) * | 2022-08-02 | 2022-10-04 | 天津城建大学 | 一种大型会议场馆室内信号干扰源定位方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116801192B (zh) | 2024-03-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2021506149A (ja) | 無線信号の特性の機械学習に基づく動き検出 | |
| KR102134545B1 (ko) | 미세먼지 및 초미세먼지 측정 정확도 향상을 위한 센서 자동보정 방법 | |
| CN110536245B (zh) | 一种基于深度学习的室内无线定位方法及系统 | |
| 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 | |
| CN105636201B (zh) | 基于稀疏信号指纹数据库的室内定位方法 | |
| WO2016187746A1 (zh) | 提高人工神经网络定位性能的方法和装置 | |
| CN113139140B (zh) | 基于时空感知gru并结合用户关系偏好的旅游景点推荐方法 | |
| CN112035591A (zh) | 一种路网匹配方法、装置、设备和存储介质 | |
| CN110826244B (zh) | 模拟轨道交通影响城市生长的共轭梯度元胞自动机方法 | |
| CN110326323B (zh) | 一种获取发射概率、转移概率以及序列定位的方法和装置 | |
| CN111814597A (zh) | 一种耦合多标签分类网络和yolo的城市功能分区方法 | |
| CN103533647A (zh) | 一种基于分簇机制及稳健回归的射频地图自适应定位方法 | |
| CN102306264A (zh) | 基于rfid技术的室内定位系统 | |
| CN113271539B (zh) | 一种基于改进的cnn模型的室内目标定位方法 | |
| CN110399445A (zh) | 一种兴趣点的处理方法、装置及设备 | |
| CN116257792B (zh) | 一种智慧城市碳中和数据分析系统 | |
| CN113518307A (zh) | 基于csi与众包迁移自校准更新的位置指纹定位方法 | |
| CN116738552A (zh) | 一种基于物联网的环境检测设备管理方法及系统 | |
| CN109141420B (zh) | 一种基于众包数据的室内定位方法 | |
| CN116801192B (zh) | 一种端云协同的室内电磁指纹更新方法和系统 | |
| CN118011929A (zh) | 一种园区数据采集与机器人巡检融合管理系统 | |
| CN117812533A (zh) | 一种基于卷积神经网络Wi-Fi室内定位方法及系统 | |
| CN108680898A (zh) | 室内定位方法、装置、介质及电子设备 | |
| CN112015937A (zh) | 一种图片地理定位方法及系统 | |
| CN113645565B (zh) | 一种基于六方最密堆积结构的室内定位方法 |
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 |