CN116866828A - 一种位置信息确定方法、装置、服务器及存储介质 - Google Patents
一种位置信息确定方法、装置、服务器及存储介质 Download PDFInfo
- Publication number
- CN116866828A CN116866828A CN202310944959.XA CN202310944959A CN116866828A CN 116866828 A CN116866828 A CN 116866828A CN 202310944959 A CN202310944959 A CN 202310944959A CN 116866828 A CN116866828 A CN 116866828A
- Authority
- CN
- China
- Prior art keywords
- feature
- time
- signal data
- domain
- frequency domain
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000004927 fusion Effects 0.000 claims abstract description 148
- 238000012545 processing Methods 0.000 claims description 46
- 230000007246 mechanism Effects 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 abstract description 10
- 230000006870 function Effects 0.000 description 12
- 239000013598 vector Substances 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 239000000284 extract Substances 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000004090 dissolution Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction 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
- H04W4/025—Services making use of location information using location based information parameters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本申请提供一种位置信息确定方法、装置、服务器及存储介质,涉及通信技术领域。该方法包括:获取目标终端的信号数据,该信号数据包括信号到达时间差和接收信号强度;基于该信号到达时间差和该接收信号强度,确定该信号数据的多域融合特征,该多域融合特征用于表征该信号数据在时域维度、频域维度以及时频域维度中的特征;将该多域融合特征输入目标位置预测模型,得到该目标终端的位置信息,该终端位置预测模型用于预测一个终端的位置信息。本申请实施例提供的位置信息确定方法,可以准确地预测出该目标终端的位置信息,提高了位置信息确定的准确性。
Description
技术领域
本申请涉及通信技术领域,尤其涉及一种位置信息确定方法、装置、服务器及存储介质。
背景技术
目前,可以通过终端的信号强度测量距离,具体的,可以根据信号强度来确定信号强度收发节点之间的传输距离,然后确定终端的位置信息。
但是,上述方法中,由于信号强度受到传播环境、天线倾角、无线系统的功率动态调整等因素,因此,基于信号强度可能无法准确地确定出信号强度收发节点之间的传输距离,进而降低了终端位置信息确定的准确度。
发明内容
本申请提供一种位置信息确定方法、装置、服务器及存储介质,解决了基于信号强度可能无法准确地确定出信号强度收发节点之间的传输距离,进而降低了终端位置信息确定的准确度的技术问题。
第一方面,本申请提供一种位置信息确定方法,包括:获取目标终端的信号数据,该信号数据包括信号到达时间差和接收信号强度;基于该信号到达时间差和该接收信号强度,确定该信号数据的多域融合特征,该多域融合特征用于表征该信号数据在时域维度、频域维度以及时频域维度中的特征;将该多域融合特征输入目标位置预测模型,得到该目标终端的位置信息,该终端位置预测模型用于预测一个终端的位置信息。
可选地,上述基于该信号到达时间差和该接收信号强度,确定该信号数据的多域融合特征,具体可以包括:对该信号到达时间差和该接收信号强度进行特征提取,得到该信号数据的时域特征、该信号数据的频域特征以及该信号数据的时频域特征;对该时域特征、该频域特征以及该时频域特征进行特征处理,得到时域融合特征、频域融合特征以及时频域融合特征;拼接该时域融合特征、该频域融合特征以及该时频域融合特征进行,得到该多域融合特征。
可选地,对该时域特征、该频域特征以及该时频域特征进行特征处理,得到时域融合特征,具体可以包括:基于注意力机制和频域特征,从该时域特征中确定第一时域关键特征,以及基于该注意力机制和时频域特征,从该时域特征中确定第二时域关键特征;拼接该第一时域关键特征、第二时域关键特征以及该时域特征,得到该时域融合特征。
可选地,该位置信息确定方法还包括:获取多个信号数据以及该多个信号数据中每个信号数据对应的位置信息;确定每个信号数据的多域融合特征;基于该多个信号数据的多域融合特征以及该每个信号数据对应的位置信息对预设位置预测模型进行训练,得到该目标位置预测模型。
第二方面,本申请提供一种位置信息确定装置,包括:获取模块、确定模块以及处理模块;该获取模块,用于获取目标终端的信号数据,该信号数据包括信号到达时间差和接收信号强度;该确定模块,用于基于该信号到达时间差和该接收信号强度,确定该信号数据的多域融合特征,该多域融合特征用于表征该信号数据在时域维度、频域维度以及时频域维度中的特征;该处理模块,用于将该多域融合特征输入目标位置预测模型,得到该目标终端的位置信息,该终端位置预测模型用于预测一个终端的位置信息。
可选地,该处理模块,具体用于对该信号到达时间差和该接收信号强度进行特征提取,得到该信号数据的时域特征、该信号数据的频域特征以及该信号数据的时频域特征;该处理模块,还具体用于对该时域特征、该频域特征以及该时频域特征进行特征处理,得到时域融合特征、频域融合特征以及时频域融合特征;该处理模块,还具体用于拼接该时域融合特征、该频域融合特征以及该时频域融合特征进行,得到该多域融合特征。
可选地,该处理模块,还具体用于基于注意力机制和频域特征,从该时域特征中确定第一时域关键特征,以及基于该注意力机制和时频域特征,从该时域特征中确定第二时域关键特征;该处理模块,还具体用于拼接该第一时域关键特征、第二时域关键特征以及该时域特征,得到该时域融合特征。
可选地,该获取模块,还用于获取多个信号数据以及该多个信号数据中每个信号数据对应的位置信息;该确定模块,还用于确定每个信号数据的多域融合特征;该处理模块,还用于基于该多个信号数据的多域融合特征以及该每个信号数据对应的位置信息对预设位置预测模型进行训练,得到该目标位置预测模型。
第三方面,本申请提供一种服务器,包括:处理器和被配置为存储处理器可执行指令的存储器;其中,处理器被配置为执行所述指令,以实现上述第一方面中任一种可选地位置信息确定方法。
第四方面,本申请提供一种计算机可读存储介质,计算机可读存储介质上存储有指令,当该计算机可读存储介质中的指令由服务器执行时,使得该服务器能够执行上述第一方面中任一种可选地位置信息确定方法。
本申请提供的位置信息确定方法、装置、服务器及存储介质,服务器可以获取目标终端的信号数据,然后确定该信号数据的多域融合特征,然后将该多域融合特征输入该目标位置预测模型,得到该目标终端的位置信息。本申请中,由于每个位置信息对应的信号到达时间差和接收信号强度不同,因此,该服务器可以基于目标终端的信号数据确定该目标终端的位置,又由于该信号数据的多域融合特征可以从多个角度表征该信号数据的特征,并且该目标位置预测模型用于预测终端的位置信息,因此,该服务器将该多域融合特征输入该目标位置预测模型,可以为该目标位置预测模型提供该信号数据在多个角度的特征,以使得该目标位置预测模型可以基于该信号数据在多个角度的特征,准确地预测出该目标终端的位置信息,提高了位置信息确定的准确性。
附图说明
为了更清楚地说明本申请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。
图1为本申请实施例提供的位置信息确定系统的网络架构示意图;
图2为本申请实施例提供的一种网络设备的硬件示意图;
图3为本申请实施例提供的一种服务器的内部结构示意图;
图4为本申请实施例提供的一种位置信息确定方法的流程示意图;
图5为本申请实施例提供的另一种位置信息确定方法的流程示意图;
图6为本申请实施例提供的另一种位置信息确定方法的流程示意图;
图7为本申请实施例提供的另一种位置信息确定方法的流程示意图;
图8为本申请实施例提供的一种位置信息确定装置的结构示意图;
图9为本申请实施例提供的另一种位置信息确定装置的结构示意图。
具体实施方式
下面将结合附图对本申请实施例提供的位置信息确定方法、装置、服务器及存储介质进行详细的描述。
本申请的说明书以及附图中的术语“第一”和“第二”等是用于区别不同的对象,而不是用于描述对象的特定顺序,例如,第一时域关键特征和第二时域关键特征等是用于区别不同的时域关键特征,而不是用于描述时域关键特征的特定顺序。
此外,本申请的描述中所提到的术语“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、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括其他没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
需要说明的是,本申请实施例中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
本申请中所述“和/或”,包括用两种方法中的任意一种或者同时使用两种方法。
在本申请的描述中,除非另有说明,“多个”的含义是指两个或两个以上。
下面对本申请实施例提供的一种位置信息确定方法、装置、服务器及存储介质所涉及的一些概念做解释说明。
目前,终端无线定位技术是现代通信领域的重要研究方向之一,可以实现对终端的精确定位,为通信、导航、安全等领域提供了基础技术支撑。目前,终端无线定位技术主要分为基于时间差测距(TDOA)、信号强度指纹(RSSI)、角度测量(AOA)等方法,其中信号强度指纹法被广泛应用于室内定位、车联网等领域。
但上述方法存在以下问题:
1、只使用单一的时域特征:目前的终端无线定位方法仅关注无线信号(如到达时间差和接收信号强度等)的时域特征,而忽略了频域和时频域特征。这导致了在复杂环境中定位精度的下降,因为仅依赖时域特征很难实现高精度定位。
2、缺乏对关键特征的关注:现有的终端无线定位技术在不同域特征融合前仅进行了独立的特征提取,而缺乏跨域特征间的信息交互,降低了关键多域特征的关注度,从而影响了终端无线定位精度。
3、使用二维卷积神经网络建模:当前的特征处理技术多采用二维卷积神经网络构建模型,适用于图像、视频等数据,而无法处理终端无线定位信号这种一维的时间序列数据。
4、特征融合层次单一:当前特征融合仅关于了多域特征融合,而对单一域内的原始与关键特征间的融合缺乏深入探究。
综上所述,现有的终端无线定位和特征处理技术存在诸多不足,亟待提出一种能够克服上述问题的新型方法和系统。基于多域特征深度注意力融合的终端无线定位方法与系统正是为了解决这些问题而设计,其利用深度学习技术对时域、频域和时频域特征进行融合和优化,从而实现高精度、稳定、鲁棒的终端设备定位。
基于背景技术中所描述,由于相关技术中,基于信号强度可能无法准确地确定出信号强度收发节点之间的传输距离,进而降低了终端位置信息确定的准确度。基于此,本申请实施例提供一种位置信息确定方法、装置、服务器及存储介质,由于每个位置信息对应的信号到达时间差和接收信号强度不同,因此,该服务器可以基于目标终端的信号数据确定该目标终端的位置,又由于该信号数据的多域融合特征可以从多个角度表征该信号数据的特征,并且该目标位置预测模型用于预测终端的位置信息,因此,该服务器将该多域融合特征输入该目标位置预测模型,可以为该目标位置预测模型提供该信号数据在多个角度的特征,以使得该目标位置预测模型可以基于该信号数据在多个角度的特征,准确地预测出该目标终端的位置信息,提高了位置信息确定的准确性。
本申请实施例提供的一种位置信息确定方法、装置、服务器及存储介质可以应用于位置信息确定系统,如图1所示,该位置信息确定系统包括终端101、网络设备102以及服务器103。通常,在实际应用中上述各个设备之间的连接可以为无线连接,为了方便直观地表示各个设备之间的连接关系,图1中采用实线示意。
其中终端101可以接收网络设备102发送的信号,然后向该网络设备102发送信号数据,网络设备102可以接收终端发送的信号数据。
服务器103可以从该网络设备102中获取该终端101的信号数据,然后基于该信号数据确定该终端101的位置信息。
示例性的,以图1中的网络设备102为通常所用的基站为例,介绍本申请实施例提供的网络设备102的硬件结构。如图2所示,本申请实施例提供的基站可以包括:20部分以及21部分。20部分主要用于射频信号的收发以及射频信号与基带信号的转换;21部分主要用于基带处理,对基站进行控制等。20部分通常可以称为收发单元、收发机、收发电路、或者收发器等。21部分通常是基站的控制中心,通常可以称为处理单元。
20部分的收发单元,也可以称为收发机,或收发器等,其包括天线和射频单元,或者仅包括射频单元或其中的部分其中射频单元主要用于进行射频处理。可选地,可以将20部分中用于实现接收功能的器件视为接收单元,将用于实现发送功能的器件视为发送单元,即20部分包括接收单元和发送单元。接收单元也可以称为接收机、接收器、或接收电路等,发送单元可以称为发射机、发射器或者发射电路等。
21部分可以包括一个或多个单板或芯片,每个单板或芯片可以包括一个或多个处理器和一个或多个存储器,处理器用于读取和执行存储器中的程序以实现基带处理功能以及对基站的控制。若存在多个单板,各个单板之间可以互联以增加处理能力。作为一种可选地实施方式,也可以是多个单板共用一个或多个处理器,或者是多个单板共用一个或多个存储器。其中,存储器和处理器可以是集成在一起的,也可以是独立设置的。在一些实施例中,20部分和21部分可以是集成在一起的,也可以是独立设置的。另外,21部分中的全部功能可以集成在一个芯片中实现,也可以部分功能集成在一个芯片中实现另外一部分功能集成在其他一个或多个芯片中实现,本申请实施例对此不进行限定。
示例性的,如图3所示,在本申请实施例的一种实现方式中,执行本申请实施例提供的数据流传输方法的服务器可以包括多域特征采集模块、原始特征提取模块、关键特征提取模块、分级特征融合模块以及定位结果输出模块。
具体的,该多域特征采集模块,用于在多域(时域、频域和时频域)提取基站接收到的终端无线信号数据。
该原始特征提取模块,用于接收多域特征采集模块采集的时域特征、频域特征和时频域特征,并对其进行原始提取。
该关键特征提取模块,基于注意力机制提取并结合多域特征,针对单一域的特征进行关键特征提取。
该分级特征融合模块,第一级融合用于对单一域的原始特征和关键特征进行拼接融合,第二级融合用于时域融合特征、频域融合特征以及时频域融合特征之间的拼接融合。
该定位结果输出模块,用于基于分级特征融合模块的输出结果,输出该目标终端的位置信息。
本申请实施例提供的位置信息确定方法、装置、服务器及存储介质,应用于终端位置信息确定的场景中,当服务器获取到目标终端的信号数据之后,可以基于该信号数据中包括的信号到达时间差和接收信号强度,确定该信号数据的多域融合特征,然后将该多域融合特征输入目标位置预测模型,得到该目标终端的位置信息。
如图4所示,本申请实施例提供的位置信息确定方法可以包括S101-S103。
S101、服务器获取目标终端的信号数据。
其中,该信号数据包括信号到达时间差和接收信号强度。
应理解,该目标终端的信号数据为该目标终端的无线信号原始数据。
本申请实施例中,该服务器可以从基站获取该目标终端的信号数据。
可以理解的是,该信号到达时间差为该基站发射信号的时刻与该目标终端接收到该信号的时刻之间的差值,该接收信号强度为该目标终端接收到的信号强度。
在一种可选地实现方式中,该服务器也可以从多个基站获取预设时长内该目标终端的信号数据。
S102、服务器基于信号到达时间差和接收信号强度,确定信号数据的多域融合特征。
其中,该多域融合特征用于表征该信号数据在时域维度、频域维度以及时频域维度中的特征。
应理解,该多域融合特征可以包括该信号数据在时域维度的特征、该信号数据在频域维度的特征以及该信号数据在时频域维度的特征。
应理解,该服务器可以对该信号数据(具体为信号到达时间差和接收信号强度)进行特征处理,得到该信号数据在时域维度、频域维度以及时频域维度的特征。
可以理解的是,该时域维度、频域维度以及时频域维度为对该信号数据进行分析的不同角度,用于从不同较低表征该信号数据的特征。
S103、服务器将多域融合特征输入目标位置预测模型,得到目标终端的位置信息。
其中,该目标位置预测模型用于预测一个终端的位置信息。
本申请实施例中,该服务器可以基于该目标位置预测模型对该信号数据的多域融合特征以及该服务器中存储的终端的真实位置信息进行拟合,得到该目标终端的位置信息。
具体的,该目标位置预测模型的输入为信号数据的特征、输出为该信号数据对应的位置信息,该服务器可以将该多域融合特征输入该目标位置预测模型,得到该目标终端的信号数据对应的位置信息,即该目标终端的位置信息。
本申请实施例中,该目标位置预测模型为线性回归模型。
上述实施例提供的技术方案至少能够带来以下有益效果:由S101-S103可知,服务器可以获取目标终端的信号数据,然后确定该信号数据的多域融合特征,然后将该多域融合特征输入该目标位置预测模型,得到该目标终端的位置信息。本申请实施例中,由于每个位置信息对应的信号到达时间差和接收信号强度不同,因此,该服务器可以基于目标终端的信号数据确定该目标终端的位置,又由于该信号数据的多域融合特征可以从多个角度表征该信号数据的特征,并且该目标位置预测模型用于预测终端的位置信息,因此,该服务器将该多域融合特征输入该目标位置预测模型,可以为该目标位置预测模型提供该信号数据在多个角度的特征,以使得该目标位置预测模型可以基于该信号数据在多个角度的特征,准确地预测出该目标终端的位置信息,提高了位置信息确定的准确性。
结合图4,如图5所示,上述服务器基于信号到达时间差和接收信号强度,确定信号数据的多域融合特征,具体可以包括S1021-S1023。
S1021、服务器对信号到达时间差和接收信号强度进行特征提取,得到信号数据的时域特征、信号数据的频域特征以及信号数据的时频域特征。
本申请实施例中,服务器可以将该到达时间差和接收信号强度确定为该时域特征向量,然后将该时域特征向量输入一维卷积神经网络模型,得到该信号数据的时域特征。
可以理解的是,该服务器还可以对该到达时间差和接收信号强度进行傅里叶变换、离散时间傅里叶变换或者离散傅里叶变换,得到该频域特征向量,然后将该频域特征向量输入上述一维卷积神经网络模型,得到该信号数据的频域特征。
应理解,该服务器还可以对时域特征向量和频域特征向量进行短时傅里叶变换、快速傅里叶变化或者小波变换,得到该时频域特征向量,然后将该时频域特征向量输入上述一维卷积神经网络模型,得到该信号数据的时频域特征。
可选地,上述一维卷积神经网络模型的结构可以为TextCNN、CharCNN、VDCNN等。
S1022、服务器对时域特征、频域特征以及时频域特征进行特征处理,得到时域融合特征、频域融合特征以及时频域融合特征。
应理解,该时域融合特征为该信号数据在时域维度的特征之间的融合,该频域融合特征为该信号数据在频域维度的特征之间的融合,该时频域融合特征为该信号数据在时频域维度的特征之间的融合。
在本申请实施例的一种实现方式中,该服务器可以对该时域特征、频域特征以及时频域特征进行特征融合,得到该时域融合特征、频域融合特征以及时频域融合特征。
S1023、服务器拼接时域融合特征、频域融合特征以及时频域融合特征,得到多域融合特征。
在本申请实施例的一种实现方式中,该服务器可以对该时域融合特征、频域融合特征以及时频域融合特征进行串联拼接,得到该多域融合特征。
本申请实施例中,服务器对信号到达时间差和所述接收信号强度进行特征提取,得到所述信号数据的时域特征、所述信号数据的频域特征以及所述信号数据的时频域特征,可以从时域维度、频域维度和时频域维度分别表征该信号数据的特征,由于该时域融合特征为该信号数据在时域维度上的特征的融合,该频域融合特征为该信号数据在该频域维度上的融合,该时频域融合特征为该信号数据在该时频域维度上的融合,因此该服务器拼接所述时域融合特征、所述频域融合特征以及所述时频域融合特征进行,得到的多域融合特征,可以从不同角度准确、全面的表征该信号数据的特征。
结合图5,如图6所示,在本申请实施例的一种实现方式中,服务器对时域特征、频域特征以及时频域特征进行特征处理,得到时域融合特征,具体可以包括S1022a-S1022b。
S1022a、服务器基于注意力机制和频域特征,从时域特征中确定第一时域关键特征,以及基于注意力机制和时频域特征,从时域特征中确定第二时域关键特征。
具体的,服务器可以基于注意力机制从该时域特征中提取出该频域特征认为关键的、具有强关联的特征,将其确定为第一时域关键特征,以及基于注意力机制从该时域特征中提取出该时频域特征认为关键的、具有强关联的特征,并将其确定为第二时域关键特征。
S1022b、服务器拼接第一时域关键特征、第二时域关键特征以及时域特征,得到所述时域融合特征。
在一种可选地实现方式中,服务器还可以基于注意力机制和时域特征,从频域特征中确定第一频域关键特征,以及基于注意力机制和时频域特征,从频域特征中确定第二频域关键特征,然后拼接第一频域关键特征、第二频域关键特征以及频域特征,得到所述频域融合特征。
在另一种可选地实现方式中,服务器还可以基于注意力机制和时域特征,从时频域特征中确定第一时频域关键特征,以及基于注意力机制和频域特征,从时频域特征中确定第二时频域关键特征,然后拼接第一时频域关键特征、第二时频域关键特征以及时频域特征,得到所述时频域融合特征。
本申请实施例中,该服务器基于注意力机制可以准确地从该时域特征中确定出该频域特征认为关键的特征、以及该时频域认为关键的特征,由于该时域特征为该单个域的所有特征,因此,该服务器对该第一时域关键特征、第二时域关键特征以及时域特征进行拼接,得到的时域融合特征可以准确地表征该时域维度的所有特征。
结合图4,如图7所示,在本申请实施例的一种实现方式中,该位置信息确定方法还包括S104-S106。
S104、服务器获取多个信号数据以及多个信号数据中每个信号数据对应的位置信息。
应理解,该每个信号数据对应的位置信息为该信号数据对应的终端的位置信息。
可以理解的是,该每个信号数据包括一个信号到达时间差和一个接收信号强度。
可选地,该位置信息可以为经纬度信息。
S105、服务器确定每个信号数据的多域融合特征。
应理解,该服务器可以基于上述方法确定该每个信号数据的多域融合特征。
S106、服务器基于多个信号数据的多域融合特征以及每个信号数据对应的位置信息对预设位置预测模型进行训练,得到目标位置预测模型。
具体的,该服务器可以将该多个信号数据的多域融合特征中每个信号数据的溶解特征输入该预设位置预测模型,得到该每个信号数据对应的预测位置信息,然后基于该每个信号数据对应的位置信息对该每个信号数据对应的预测位置信息确定目标损失,然后基于该目标损失调整该与预设位置预测模型的参数,得到该目标位置预测模型。
本申请实施例中,由于该服务器基于每个信号数据对应的真实位置信息以及该每个信号数据的多域融合特征对该预设位置预测模型进行训练,可以提高了位置预测模型进行终端位置预测的准确性。
以下以一个示例说明本申请实施例提供的位置信息确定方法。
示例性的,该位置信息确定方法包括S201-S206。
S201、提取多域特征向量。
具体的,服务器从目标终端额信号数据中提取时域特征向量、频域特征向量以及时频域特征向量。
S202、提取多域特征。
具体的,服务器可以基于一维卷积神经网络,得到该时域特征、频域特征以及时频域特征。
S203、提取多域关键特征。
具体的,服务器可以提取出第一时域关键特征、第二时域关键特征、第一频域关键特征、第二频域关键特征、第一时频域关键特征以及第二时频域关键特征。
S204、第一级特征融合。
具体的,服务器对该时域特征、第一时域关键特征以及第二时域关键特征进行拼接,得到该时域融合特征;对该频域特征、第一频域关键特征以及第二频域关键特征进行拼接,得到该频域融合特征;对该时频域特征、第一时频域关键特征以及第二时频域关键特征进行拼接,得到该时频域融合特征。
S205、第二级特征融合。
具体的,服务器拼接该时域融合特征、频域融合特征以及时频域融合特征,得到该多域融合特征。
S206、确定位置信息。
具体的,服务器将该多域融合特征输入目标位置预测模型,得到该目标终端的位置信息。
本申请实施例提供的位置信息确定方法,通过在时域、频域和时频域三个维度上提取信号特征,充分利用了各个维度的信息,提高了信号特征的可靠性,从而提高了终端位置信息确定的准确性。
其次,采用深度学习算法对信号特征进行提取,能够自动提取多域原始特征中的典型元素,进一步提高了终端位置信息确定的准确性。
以及,采用注意力机制通过多域特征交互信息对单一域中的特征进行了优化提取,提高了融合特征质量,也最终提升了终端位置信息确定的准确性。
并且,本申请采用分层融合技术通过对单一域特征与该域关键特征、及其融合后的特征进行分层融合,最终提升了融合质量。
本申请实施例可以根据上述方法示例对服务器等进行功能模块的划分,例如,可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。需要说明的是,本申请实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
在采用对应各个功能划分各个功能模块的情况下,图8示出了上述实施例中所涉及的位置信息确定装置的一种可能的结构示意图,如图8所示,位置信息确定装置30可以包括:获取模块301、确定模块302以及处理模块303。
获取模块301,用于获取目标终端的信号数据,该信号数据包括信号到达时间差和接收信号强度。
确定模块302,用于基于该信号到达时间差和该接收信号强度,确定该信号数据的多域融合特征,该多域融合特征用于表征该信号数据在时域维度、频域维度以及时频域维度中的特征。
处理模块303,用于将该多域融合特征输入目标位置预测模型,得到该目标终端的位置信息,该终端位置预测模型用于预测一个终端的位置信息。
可选地,处理模块303,具体用于对该信号到达时间差和该接收信号强度进行特征提取,得到该信号数据的时域特征、该信号数据的频域特征以及该信号数据的时频域特征。
处理模块303,还具体用于对该时域特征、该频域特征以及该时频域特征进行特征处理,得到时域融合特征、频域融合特征以及时频域融合特征。
处理模块303,还具体用于拼接该时域融合特征、该频域融合特征以及该时频域融合特征进行,得到该多域融合特征。
可选地,处理模块303,还具体用于基于注意力机制和频域特征,从该时域特征中确定第一时域关键特征,以及基于该注意力机制和时频域特征,从该时域特征中确定第二时域关键特征。
处理模块303,还具体用于拼接该第一时域关键特征、第二时域关键特征以及该时域特征,得到该时域融合特征。
可选地,获取模块301,还用于获取多个信号数据以及该多个信号数据中每个信号数据对应的位置信息。
确定模块302,还用于确定每个信号数据的多域融合特征。
处理模块303,还用于基于该多个信号数据的多域融合特征以及该每个信号数据对应的位置信息对预设位置预测模型进行训练,得到该目标位置预测模型。
在采用集成的单元的情况下,图9示出了上述实施例中所涉及的位置信息确定装置的一种可能的结构示意图。如图9所示,位置信息确定装置40可以包括:处理模块401和通信模块402。处理模块401可以用于对位置信息确定装置40的动作进行控制管理。通信模块402可以用于支持位置信息确定装置40与其他实体的通信。可选地,如图9所示,该位置信息确定装置40还可以包括存储模块403,用于存储位置信息确定装置40的程序代码和数据。
其中,处理模块401可以是处理器或控制器。通信模块402可以是收发器、收发电路或通信接口等。存储模块403可以是存储器。
其中,当处理模块401为处理器,通信模块402为收发器,存储模块403为存储器时,处理器、收发器和存储器可以通过总线连接。总线可以是外设部件互连标准(peripheralcomponent interconnect,PCI)总线或扩展工业标准结构(extended industry standardarchitecture,EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。
应理解,在本申请的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件程序实现时,可以全部或部分地以计算机程序产品的形式来实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户终端线(Digital Subscriber Line,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可以用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带),光介质(例如,DVD)、或者半导体介质(例如固态硬盘(Solid State Disk,SSD))等。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种位置信息确定方法,其特征在于,包括:
获取目标终端的信号数据,所述信号数据包括信号到达时间差和接收信号强度;
基于所述信号到达时间差和所述接收信号强度,确定所述信号数据的多域融合特征,所述多域融合特征用于表征所述信号数据在时域维度、频域维度以及时频域维度中的特征;
将所述多域融合特征输入目标位置预测模型,得到所述目标终端的位置信息,所述终端位置预测模型用于预测一个终端的位置信息。
2.根据权利要求1所述的位置信息确定方法,其特征在于,所述基于所述信号到达时间差和所述接收信号强度,确定所述信号数据的多域融合特征,包括:
对所述信号到达时间差和所述接收信号强度进行特征提取,得到所述信号数据的时域特征、所述信号数据的频域特征以及所述信号数据的时频域特征;
对所述时域特征、所述频域特征以及所述时频域特征进行特征处理,得到时域融合特征、频域融合特征以及时频域融合特征;
拼接所述时域融合特征、所述频域融合特征以及所述时频域融合特征进行,得到所述多域融合特征。
3.根据权利要求2所述的位置信息确定方法,其特征在于,对所述时域特征、所述频域特征以及所述时频域特征进行特征处理,得到时域融合特征,包括:
基于注意力机制和频域特征,从所述时域特征中确定第一时域关键特征,以及基于所述注意力机制和时频域特征,从所述时域特征中确定第二时域关键特征;
拼接所述第一时域关键特征、第二时域关键特征以及所述时域特征,得到所述时域融合特征。
4.根据权利要求1-3中任一项所述的位置信息确定方法,其特征在于,所述方法还包括:
获取多个信号数据以及所述多个信号数据中每个信号数据对应的位置信息;
确定每个信号数据的多域融合特征;
基于所述多个信号数据的多域融合特征以及所述每个信号数据对应的位置信息对预设位置预测模型进行训练,得到所述目标位置预测模型。
5.一种位置信息确定装置,其特征在于,包括:获取模块、确定模块以及处理模块;
所述获取模块,用于获取目标终端的信号数据,所述信号数据包括信号到达时间差和接收信号强度;
所述确定模块,用于基于所述信号到达时间差和所述接收信号强度,确定所述信号数据的多域融合特征,所述多域融合特征用于表征所述信号数据在时域维度、频域维度以及时频域维度中的特征;
所述处理模块,用于将所述多域融合特征输入目标位置预测模型,得到所述目标终端的位置信息,所述终端位置预测模型用于预测一个终端的位置信息。
6.根据权利要求5所述的位置信息确定装置,其特征在于,
所述处理模块,具体用于对所述信号到达时间差和所述接收信号强度进行特征提取,得到所述信号数据的时域特征、所述信号数据的频域特征以及所述信号数据的时频域特征;
所述处理模块,还具体用于对所述时域特征、所述频域特征以及所述时频域特征进行特征处理,得到时域融合特征、频域融合特征以及时频域融合特征;
所述处理模块,还具体用于拼接所述时域融合特征、所述频域融合特征以及所述时频域融合特征进行,得到所述多域融合特征。
7.根据权利要求6所述的位置信息确定装置,其特征在于,
所述处理模块,还具体用于基于注意力机制和频域特征,从所述时域特征中确定第一时域关键特征,以及基于所述注意力机制和时频域特征,从所述时域特征中确定第二时域关键特征;
所述处理模块,还具体用于拼接所述第一时域关键特征、第二时域关键特征以及所述时域特征,得到所述时域融合特征。
8.根据权利要求5-7中任一项所述的位置信息确定装置,其特征在于,
所述获取模块,还用于获取多个信号数据以及所述多个信号数据中每个信号数据对应的位置信息;
所述确定模块,还用于确定每个信号数据的多域融合特征;
所述处理模块,还用于基于所述多个信号数据的多域融合特征以及所述每个信号数据对应的位置信息对预设位置预测模型进行训练,得到所述目标位置预测模型。
9.一种服务器,其特征在于,所述服务器包括:
处理器;
被配置为存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如权利要求1-4中任一项所述的位置信息确定方法。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,当所述计算机可读存储介质中的指令由服务器执行时,使得所述服务器能够执行如权利要求1-4中任一项所述的位置信息确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310944959.XA CN116866828A (zh) | 2023-07-28 | 2023-07-28 | 一种位置信息确定方法、装置、服务器及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310944959.XA CN116866828A (zh) | 2023-07-28 | 2023-07-28 | 一种位置信息确定方法、装置、服务器及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116866828A true CN116866828A (zh) | 2023-10-10 |
Family
ID=88219040
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310944959.XA Pending CN116866828A (zh) | 2023-07-28 | 2023-07-28 | 一种位置信息确定方法、装置、服务器及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116866828A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117405127A (zh) * | 2023-11-02 | 2024-01-16 | 深圳市天丽汽车电子科技有限公司 | 一种基于车载5g天线的导航方法、系统、设备及介质 |
CN117434497A (zh) * | 2023-12-20 | 2024-01-23 | 深圳市宇隆移动互联网有限公司 | 卫星通信终端的室内定位方法、装置、设备及存储介质 |
-
2023
- 2023-07-28 CN CN202310944959.XA patent/CN116866828A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117405127A (zh) * | 2023-11-02 | 2024-01-16 | 深圳市天丽汽车电子科技有限公司 | 一种基于车载5g天线的导航方法、系统、设备及介质 |
CN117405127B (zh) * | 2023-11-02 | 2024-06-11 | 深圳市天丽汽车电子科技有限公司 | 一种基于车载5g天线的导航方法、系统、设备及介质 |
CN117434497A (zh) * | 2023-12-20 | 2024-01-23 | 深圳市宇隆移动互联网有限公司 | 卫星通信终端的室内定位方法、装置、设备及存储介质 |
CN117434497B (zh) * | 2023-12-20 | 2024-03-19 | 深圳市宇隆移动互联网有限公司 | 卫星通信终端的室内定位方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116866828A (zh) | 一种位置信息确定方法、装置、服务器及存储介质 | |
CN112598762B (zh) | 三维车道线信息生成方法、装置、电子设备和介质 | |
CN110491166A (zh) | 一种寻找车辆的方法、装置、系统、存储介质及用户终端 | |
CN109996168B (zh) | 一种获取终端位置的方法及装置 | |
CN111435159A (zh) | 一种进行定位的方法和设备 | |
Bai et al. | A new method for improving Wi-Fi-based indoor positioning accuracy | |
CN110084317B (zh) | 用于识别图像的方法和装置 | |
CN109327887B (zh) | 用于生成信息的方法和装置 | |
CN110636536A (zh) | 一种频率校准方法及装置 | |
CN113411743B (zh) | 一种终端定位方法、装置及终端 | |
CN114298326A (zh) | 模型训练方法、装置及模型训练系统 | |
CN107431893A (zh) | 用于mimo系统中的位置确定的指纹匹配 | |
JP2021148738A (ja) | 通信装置及び位置特定方法 | |
CN112566013B (zh) | 目标设备的定位方法、装置、设备及计算机存储介质 | |
KR102202950B1 (ko) | 핑거프린트 측위 방법 및 이를 위한 장치 | |
CN112946576B (zh) | 声源定位方法、装置和电子设备 | |
CN114679680A (zh) | 基于ip地址的定位方法、装置、可读介质和电子设备 | |
FI3777329T3 (fi) | Soluunpääsymenettelyn parantaminen | |
KR101591566B1 (ko) | 위치 추적 방법 및 장치 | |
CN114760684A (zh) | 无线定位方法、路径识别模型的训练方法和装置 | |
CN109116342B (zh) | 定位方法、装置、介质和计算设备 | |
Machaj et al. | Scalability optimization of seamless positioning service | |
CN110212956B (zh) | 一种无线信道散射径分簇方法及装置 | |
Wang et al. | Deep Learning‐Based Localization with Urban Electromagnetic and Geographic Information | |
US9641218B2 (en) | Tracking asset computing devices |
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 |