CN117295157A - 一种用于可穿戴式背夹终端的定位方法及系统 - Google Patents
一种用于可穿戴式背夹终端的定位方法及系统 Download PDFInfo
- Publication number
- CN117295157A CN117295157A CN202311575550.1A CN202311575550A CN117295157A CN 117295157 A CN117295157 A CN 117295157A CN 202311575550 A CN202311575550 A CN 202311575550A CN 117295157 A CN117295157 A CN 117295157A
- Authority
- CN
- China
- Prior art keywords
- signal acquisition
- substation
- wifi signal
- subarea
- acquisition point
- 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 58
- 239000011159 matrix material Substances 0.000 claims abstract description 54
- 238000003066 decision tree Methods 0.000 claims abstract description 38
- 230000000903 blocking effect Effects 0.000 claims abstract description 20
- 238000007637 random forest analysis Methods 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000005259 measurement Methods 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000009825 accumulation Methods 0.000 claims description 11
- 230000005672 electromagnetic field Effects 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 7
- 230000004888 barrier function Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 235000014435 Mentha Nutrition 0.000 description 1
- 241001072983 Mentha Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 235000014569 mints Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明涉及无线定位技术领域，提出了一种用于可穿戴式背夹终端的定位方法及系统，包括：获取WiFi信号采集点的指纹数据序列、信号采集矩阵；基于WiFi信号采集点接收RSSI值的差异确定信号阻碍程度；基于不同WiFi信号采集点的信号波动矩阵之间的相似性度量结果确定信号干扰度；根据每个WiFi信号采集点受到周围电力设备产生电磁干扰的影响程度获取电磁干扰度；根据信号阻碍程度以及电磁干扰度确定每棵决策树的信号干扰权重；采用随机森林算法基于所述决策树的信号干扰权重获取可穿戴式背夹终端的定位结果。本发明通过对受干扰程度不同的指纹数据赋予不同的权重得到定位模型，提高背夹终端定位的精度。
Description
技术领域
本发明涉及无线定位技术领域，具体涉及一种用于可穿戴式背夹终端的定位方法及系统。
背景技术
变电站是一个重要的电力作业场所，作业人员需要对变电站中的电能计量装置进行日常的维护检修工作，以确保电能计量装置测量和计量的准确性，但是变电站中的危险电气设备较多，容易出现危险突发情况，因此需要对作业人员进行实时定位，以提供紧急救援和支持，并且可以通过定位作业人员进行更好的任务分配和调度，提高工作效率和资源利用率。背夹终端是一种可穿戴式智能设备，集成了手机不具备的硬件功能，比如红外扫描仪、定位模块、磁条卡读写器等硬件功能，可通过与手机营销现场作业APP进行适配，对电能表进行停复电、现场校时、密钥下装等操作，并且能够借助背夹终端对作业人员进行准确的定位。
WiFi位置指纹定位技术是一种基于WiFi信号的空间位置定位方法，通过采集各个无线接入点AP（Access Point）的接收信号强度值RSSI(Received Signal StrengthIndicator)来建立指纹库，并将目标点的指纹信息与指纹库进行匹配来得到目标点的位置信息，具有硬件部署成本低、定位精度相对较高、适用性强的优点，被广泛用于室内导航、安全防控、城市规划等多个领域。随机森林算法是一种用于WiFi位置指纹定位技术中指纹匹配的算法，随机森林算法的训练集是有放回的随机抽取，由于在较复杂的环境中采集的样本数据通常会伴随一些异常数据，而这会造成重复使用相同的异常样本数据进行不同决策树的训练，并且传统的随机森林算法中的各个决策树的投票权重是相同的，这会导致由较多异常样本数据生成的决策树占有较高的投票比重，导致随机森林模型出现过拟合的风险，进而影响定位的准确性。
发明内容
本发明提供一种用于可穿戴式背夹终端的定位方法及系统，以解决随机森林模型中每棵决策树预测结果权重相同造成存在背夹终端定位误差的问题，所采用的技术方案具体如下：
第一方面，本发明一个实施例提供一种用于可穿戴式背夹终端的定位方法，该方法包括以下步骤：
获取每个变电站子区域内每个WiFi信号采集点的指纹数据序列、信号采集矩阵；
基于每个变电站子区域内不同WiFi信号采集点接收RSSI值的差异确定每个变电站子区域内每个WiFi信号采集点的信号阻碍程度；
基于每个变电站子区域内不同WiFi信号采集点的信号波动矩阵之间的相似性度量结果确定每个变电站子区域内每个WiFi信号采集点的信号干扰度；根据所述每个WiFi信号采集点受到周围电力设备产生电磁干扰的影响程度获取每个变电站子区域内每个WiFi信号采集点的电磁干扰度；
根据变电站区域内所有WiFi信号采集点的信号阻碍程度以及电磁干扰度确定每棵决策树的信号干扰权重；采用随机森林算法基于所述决策树的信号干扰权重获取可穿戴式背夹终端的定位结果。
优选的，所述获取每个变电站子区域内每个WiFi信号采集点的指纹数据序列、信号采集矩阵的方法为：
将所有时刻下背夹终端在每个变电站子区域内每个WiFi信号采集点每一个可接收到的AP信号RSSI值的均值作为所述AP信号的参考值；
对背夹终端在每个变电站子区域内每个WiFi信号采集点所有可接收到的AP信号的参考值进行归一化处理，将所述归一化处理的结果按照降序顺序组成的序列作为初始数据序列；
将背夹终端在每个变电站子区域内每个WiFi信号采集点所有接收不到的AP信号的数量作为第一填充数量；将采用末端填充的方式在初始数据序列中填充第一填充数量个0后的结果作为指纹数据序列；
将背夹终端每个时刻在每个变电站子区域内每个WiFi信号采集点所有可接收到的AP信号的RSSI值组成的向量作为一个列向量，将所有时刻的列向量构建的矩阵作为每个变电站子区域内每个WiFi信号采集点的信号采集矩阵。
优选的，所述基于每个变电站子区域内不同WiFi信号采集点接收RSSI值的差异确定每个变电站子区域内每个WiFi信号采集点的信号阻碍程度的方法为：
将每个变电站子区域内每个WiFi信号采集点所有可接收到的AP信号的数量与每个变电站子区域内所有可接收到AP信号的数量的比值作为接收重合度；
根据每个变电站子区域内每个WiFi信号采集点接收相同AP信号RSSI值的差异确定所述每个WiFi信号采集点每个可接收AP信号的强度异常系数；
将所述强度异常系数在每个变电站子区域内每个WiFi信号采集点所有可接收到的AP信号上的累加结果的均值作为第一乘积因子；
每个变电站子区域内每个WiFi信号采集点的信号阻碍程度由接收重合度、第一乘积因子两部分组成，其中，所述信号阻碍程度与接收重合度成反比关系、与第一乘积因子成正比关系。
优选的，所述根据每个变电站子区域内每个WiFi信号采集点接收相同AP信号RSSI值的差异确定所述每个WiFi信号采集点每个可接收AP信号的强度异常系数的方法为：
将每个WiFi信号采集点每个可接收AP信号的参考值与预设参数之和的倒数作为第一计算因子；
将每个变电站子区域内可接收到同一个AP信号的任意两个WiFi信号采集点对应每个可接收AP信号参考值之间差值的平方作为第一差值；
将第一差值在每个变电站子区域内可接收到每个AP信号的所有WiFi信号采集点上累加结果的均值作为第二计算因子；
所述每个可接收AP信号的强度异常系数由第一计算因子、第二计算因子两部分组成，其中，所述强度异常系数分别与第一计算因子、第二计算因子成正比关系。
优选的，所述基于每个变电站子区域内不同WiFi信号采集点的信号波动矩阵之间的相似性度量结果确定每个变电站子区域内每个WiFi信号采集点的信号干扰度的方法为：
将每个变电站子区域内任意两个WiFi信号采集点对应信号波动矩阵的奇异值之间差值的平方作为第二差值；将第二差值在每个变电站子区域内所有WiFi信号采集点上累加结果的均值作为所述每个WiFi信号采集点的接收波动指数；
将每个变电站子区域内每个WiFi信号采集点对应信号波动矩阵中任意一列元素组成的向量作为所述信号波动矩阵的一个列向量；将所述信号波动矩阵的任意两个列向量之间的度量距离在所有列向量上的累加结果的均值作为第二乘积因子；将第二乘积因子与所述信号波动矩阵中所有元素的标准差的乘积作为每个WiFi信号采集点的信号不稳定系数；
每个WiFi信号采集点的信号干扰度由接收波动指数、信号不稳定系数两部分组成，其中，所述信号干扰度分别与接收波动指数、信号不稳定系数成正比关系。
优选的，所述信号波动矩阵的获取方法为：
利用预设尺度的滑动窗口按照逐行从左到右的顺序在每个变电站子区域内每个WiFi信号采集点的信号采集矩阵上滑动，将所述信号采集矩阵上每个滑动位置内所有元素的标准差作为一个局部波动值；
将所述信号采集矩阵上所有局部波动值按照滑动顺序组成的矩阵作为每个变电站子区域内每个WiFi信号采集点的信号波动矩阵。
优选的，所述根据所述每个WiFi信号采集点受到周围电力设备产生电磁干扰的影响程度获取每个变电站子区域内每个WiFi信号采集点的电磁干扰度的方法为：
将变电站区域所取最小外接矩形的左下角顶点作为坐标轴原点，采用聚类算法获取变电站区域内所有电力设备对应坐标点的聚类结果；
将与每个变电站子区域相邻的任意一个变电站子区域作为每个变电站子区域的一个相邻磁场干扰子区域；
根据每个变电站子区域内每个WiFi信号采集点受到相邻磁场干扰子区域内电力设备产生电磁场的干扰程度确定每个WiFi信号采集点的电磁干扰影响系数；
每个WiFi信号采集点的电磁干扰度由信号干扰度、电磁干扰影响系数两部分组成，其中，所述电磁干扰度分别与信号干扰度、电磁干扰影响系数成正比关系。
优选的，所述根据每个变电站子区域内每个WiFi信号采集点受到相邻磁场干扰子区域内电力设备产生电磁场的干扰程度确定每个WiFi信号采集点的电磁干扰影响系数的方法为：
将每个电力设备的平均运行功率与每个电力设备所在聚类簇内电力设备数量的乘积作为分子；
将所述聚类簇内所有电力设备对应坐标点之间欧式距离的均值与变电站区域内所有电力设备数量的乘积与预设参数的和作为分母；将分子与分母的比值作为每个电力设备的电磁干扰强度系数；
将每个变电站子区域的相邻磁场干扰子区域内每个电力设备与每个WiFi信号采集点之间的欧式距离与预设参数之和作为第一距离值；
将每个变电站子区域的任意一个相邻磁场干扰子区域内每个电力设备的电磁干扰强度与第一距离值的比值作为第一累加因子；将第一累加因子在每个变电站子区域的所有相邻磁场干扰子区域内所有电力设备上累加结果的均值作为每个WiFi信号采集点的电磁干扰影响系数。
优选的，所述根据变电站区域内所有WiFi信号采集点的信号阻碍程度以及电磁干扰度确定每棵决策树的信号干扰权重的方法为：
将每个WiFi信号采集点的电磁干扰度与信号阻碍程度的乘积作为每个WiFi信号采集点的综合干扰度；
将每个WiFi信号采集点的指纹数据序列作为一个样本，将每棵决策树抽取数据集中所有样本对应综合干扰度的均值作为每棵决策树的决策干扰指数；
将每棵决策树的决策干扰指数与预设参数之和的倒数作为每棵决策树的信号干扰权重。
第二方面，本发明实施例还提供了一种用于可穿戴式背夹终端的定位系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意一项所述方法的步骤。
本发明的有益效果是：本发明通过分析变电站子区域中障碍物导致的不同位置WiFi信号采集点接收AP信号的变化情况构建信号阻碍程度；其次结合变电站区域中各个AP信号的RSSI值的分布情况以及电气设备产生电磁场的空间分布情况构建电磁干扰度，其有益效果在于能够较为准确的评估变电站子区域中不同的AP信号干扰因素对采集得到的RSSI值的干扰程度；并基于信号阻碍程度以及电磁干扰度得到每棵决策树的信号干扰权重，提高了正常AP信号对应样本和受干扰指纹数据序列对应样本之间的差异性，对具有较大综合干扰程度的样本赋予较小的权重，降低背夹终端定位决策中受干扰的指纹数据序列对最终可穿戴式背夹终端定位结果的干扰，提高变电站区域内可穿戴式背夹终端定位的准确率。
附图说明
为了更清楚地说明本发明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，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他的附图。
图1为本发明一个实施例所提供的一种用于可穿戴式背夹终端的定位方法的流程示意图；
图2为本发明一个实施例所提供的信号波动矩阵获取示意图。
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。
请参阅图1，其示出了本发明一个实施例提供的一种用于可穿戴式背夹终端的定位方法的流程图，该方法包括以下步骤：
步骤S001，获取每个变电站子区域内每个WiFi信号采集点的指纹数据序列、信号采集矩阵。
首先获取变电站区域的最小外接矩形，将最小外接矩形划分成A个大小相等的网
格区域，并将所述最小外接矩形左下角的顶点作为坐标原点确定一个二维坐标系，其次分
别获取变电站区域内每个电力设备在二维坐标系中的坐标点，并利用功率表采集每个电力
设备运行一天的平均功率。将每个网格区域作为一个变电站子区域，将第i个变电站子区域
记为。其次在变电站区域内铺设R个AP点，每个铺设位置都能采集到R个AP信号，对于任意
一个变电站子区域，在每个变电站子区域内均匀选取N个WiFi信号采集点，并记录每个WiFi
信号采集点在上述二维坐标系中对应的坐标点，A、R、N的大小分别取经验值200、4、10。需要
说明的是，变电站子区域的数量、铺设AP点的数量、WiFi信号采集点的数量实施人员可根据
变电站区域的实际大小设置合适的值。
进一步地，利用可穿戴式背夹终端采集每个WiFi信号采集点可接收到的AP信号的
RSSI值，以及每个可接收到的AP信号的物理地址，即MAC地址（Media Access Control
Address）。其次利用每个WiFi信号采集点可接收到的AP信号的RSSI值构建每个WiFi信号采
集点的指纹数据序列。具体地，以变电站子区域内第j个WiFi信号采集点为例，将第j个
WiFi信号采集点可接收到的AP信号的数量记为，接收不到的AP信号的数量记为，连续
获取T个时刻下变电站子区域内第j个WiFi信号采集点可接收到的每个AP信号的RSSI值，
将T个时刻下背夹终端在变电站子区域内第j个WiFi信号采集点第x个可接收到的AP信号
RSSI值的均值作为第x个AP信号的参考值，其中，相邻两个数据采集时刻之间的间隔为
1min，T的大小取经验值300。
其次，对第j个WiFi信号采集点个可接收到的AP信号的参考值进行最大-最小值
归一化处理，将所述个参考值的归一化结果按照降序顺序组成的序列作为第j个WiFi信
号采集点的初始数据序列，最大-最小值归一化为公知技术，具体过程不再赘述。而对于
个第j个WiFi信号采集点接收不到的AP信号，将每个接收不到的AP信号的参考值置为0，并
采用末端补零的方式在第j个WiFi信号采集点的初始数据序列中添加个0，将经过上述处
理后得到的序列作为变电站子区域内第j个WiFi信号采集点的指纹数据序列。
进一步地，利用每个时刻每个WiFi信号采集点可接收到的AP信号的RSSI值构建每
个WiFi信号采集点的信号采集矩阵。具体地，将背夹终端每个时刻在变电站子区域内第j
个WiFi信号采集点个可接收到的AP信号的RSSI值组成的向量作为一个列向量，得到T个
时刻的列向量构建的矩阵，对T个时刻的列向量构建的矩阵中的所有元素进行最大-最小值
归一化处理，将处理后得到的矩阵作为变电站子区域内第j个WiFi信号采集点的信号采
集矩阵，所述信号采集矩阵中第一行第一列的元素为第j个WiFi信号采集点第一个采集时
刻接收到的第1个AP信号的RSSI值的归一化结果。
至此，得到每个WiFi信号采集点的指纹数据序列、信号采集矩阵，用于后续获取可穿戴式背夹终端的定位结果。
步骤S002，基于每个变电站子区域内不同WiFi信号采集点接收RSSI值的差异确定每个变电站子区域内每个WiFi信号采集点的信号阻碍程度。
由于变电站中通常存在大量的金属结构、墙体和电缆等障碍物，以及大量的高压设备和电力线路，这些都会对AP信号的传播造成干扰，进而导致采集的数据出现异常，因此本发明通过分析各个WiFi信号采集点采集的信号数据被变电站中各类AP信号干扰因素影响的程度，来对由随机森林算法构建的各个背夹终端定位决策树进行AP信号干扰程度的计算，对不同的背夹终端定位决策树赋予不同的投票权重，以提高随机森林模型的准确性。
当变电站子区域内各个WiFi信号采集点与其附近的AP之间不存在金属结构、墙体或者电缆等障碍物时，由于AP信号的传播不会受到障碍物的阻挡和衰减，则AP信号传播的路径更加直接和清晰，在这种情况下，AP的信号强度会相对均匀地覆盖该变电站子区域，而且由于信号传播路径的相似性，使得该变电站子区域内的各个WiFi信号采集点接收到的AP信号的数量是一样的，并且接收到的AP信号的RSSI值是比较接近的。
基于上述分析，此处构建信号阻碍程度，用于表征每个变电站子区域内的每个
WiFi信号采集点接收AP信号受到障碍物阻碍的程度，计算变电站子区域内第j个WiFi信
号采集点的信号阻碍程度：
式中，是变电站子区域内第j个WiFi信号采集点的接收重合度，是第j个
WiFi信号采集点可接收到的AP信号的数量，是变电站子区域内所有WiFi信号采集点可
接收到的AP信号的数量；
是变电站子区域内第j个WiFi信号采集点第r个可接收到AP信号的强度异
常系数，是第j个WiFi信号采集点接收到的第r个AP信号的RSSI值，Q是变电站子区域
内可接收到第r个AP信号的WiFi信号采集点的数量，q是变电站子区域内第q个可接收到
第r个AP信号的WiFi信号采集点的序号，是第q个WiFi信号采集点接收到的第r个AP信
号的RSSI值；是调参因子，用于防止分母为0，的大小取经验值1；
是变电站子区域内第j个WiFi信号采集点的信号阻碍程度。
式中，第j个WiFi信号采集点接收的AP传播信号被障碍物阻挡得越严重，第j个
WiFi信号采集点可接收到的AP信号的数量与变电站子区域内所有WiFi信号采集点可接
收到的AP信号的数量之间的差异越大，的值越小；第j个WiFi信号采集点接收的第r个AP
信号受阻碍衰减的程度越大，第个变电站子区域中的第个WiFi信号采集点所接收的第个
AP的WiFi信号强度越低，的值越小，第一计算因子的值越大，第一差值的值越大，第二计算因子的值越大，相应的，的值越大。
至此，得到每个WiFi信号采集点的信号阻碍程度，用于后续确定每个WiFi信号采集点的综合干扰度。
步骤S003，基于每个变电站子区域内不同WiFi信号采集点的信号波动矩阵之间的相似性度量结果确定每个变电站子区域内每个WiFi信号采集点的信号干扰度。
进一步地，利用每个变电站子区域内每个WiFi信号采集点的信号采集矩阵构建相
应的信号波动矩阵。具体地，以变电站子区域内第j个WiFi信号采集点的信号采集矩阵为
例，设置尺度为的滑动窗口，利用滑动窗口按照逐行从左到右的滑动顺序，每次滑动
步长为1，的大小取经验值20，对于任意一个滑动位置，将滑动窗口内所有元素的标准差
作为一个局部波动值b，将滑动窗口遍历整个信号采集矩阵后得到的所有局部波动值按照
滑动顺序组成的矩阵作为变电站子区域内第j个WiFi信号采集点的信号波动矩阵，为
信号波动矩阵中第一行第一列的元素值，信号波动矩阵的获取流程如图2所示。
进一步地，根据变电站子区域内第j个WiFi信号采集点的信号波动矩阵确定变电
站子区域内第j个WiFi信号采集点的信号干扰度：
式中，是变电站子区域内第j个WiFi信号采集点的接收波动指数，N是变电站子
区域内WiFi信号采集点的数量，、分别是变电站子区域内第j个WiFi信号采集点、第
p个WiFi信号采集点对应信号波动矩阵的奇异值；所述奇异值由矩阵奇异值分解技术获取，
矩阵奇异值分解为公知技术，具体过程不再赘述；
是变电站子区域内第j个WiFi信号采集点的信号不稳定系数，是变电站子
区域内第j个WiFi信号采集点对应信号波动矩阵中所有元素的标准差，、分别是所述
第j个WiFi信号采集点对应信号波动矩阵中中第c列、第g列元素组成的列向量，n是所述第j
个WiFi信号采集点对应信号波动矩阵中列向量的数量，是列向量、之间的欧式
距离；
是变电站子区域内第j个WiFi信号采集点的信号干扰度。
其中，第j个WiFi信号采集点、第p个WiFi信号采集点对应信号波动矩阵中元素的
分布越接近，相应的奇异值、之间的差值越小，第二差值的值越小，则变电站
子区域内不同WiFi信号采集点接收到AP信号时的波动情况较为相似，AP信号传输到变电
站子区域内被干扰的可能性越小，的值越小；第个变电站子区域中的第个WiFi信号采
集点接收各个AP的RSSI值越不稳定，接收到的各个AP信号的RSSI值的整体波动程度越大，
信号波动矩阵中列向量之间的差异越大，的值越大，第二乘积因子的
值越大；即的值越大，第个变电站子区域中的第个WiFi信号采集点接收信号被干扰的
可能性越大。
至此，得到每个WiFi信号采集点的信号干扰度，用于后续确定每棵决策树的信号干扰权重。
步骤S004，根据所述每个WiFi信号采集点受到周围电力设备产生电磁干扰的影响程度获取每个变电站子区域内每个WiFi信号采集点的电磁干扰度；根据变电站区域内所有WiFi信号采集点的信号阻碍程度以及电磁干扰度确定每棵决策树的信号干扰权重。
进一步地，由于变电站区域内存在大量各种类型、不同运行功率的电力设备，这些电力设备在运行时会产生电磁干扰，比如变压器在运行时，其内部变换器的原边线圈和副边线圈之间会产生磁场和电流，这些磁场会透过变压器的外壳并形成电磁场辐射，从而对周围的AP产生电磁干扰。并且一般情况下，电力设备的运行功率越大，其产生的电磁干扰越强，这是因为电力设备的功率越大，意味着其电流和电压也越大，则电流和电压的增加会导致电磁场的增强，从而产生更强的电磁干扰。而电磁干扰是变电站中AP信号的主要干扰源，并且环境对无线信号传播的影响相对较小，因此当某一变电站子区域附近不存在电力设备时，该变电站子区域接收的AP信号的RSSI值之间的变化是近似的，而电力设备产生的电磁干扰会导致被干扰的AP信号的RSSI值出现异常的波动。
基于上述分析，本发明根据每个变电站子区域内每个WiFi信号采集点相邻范围内
电力设备的分布情况评估每个WiFi信号采集点接收信号时受到电池干扰的程度。具体地，
以变电站子区域内第j个WiFi信号采集点为例，将与第i个变电站子区域相邻的任意一个
变电站子区域作为第i个变电站子区域的一个相邻磁场干扰子区域，需要说明的是，本发明
中的子区域相邻是指两个变电站子区域之间存在重合的边界点。其次将变电站区域内所有
电力设备对应的坐标点作为DBSCAN聚类算法的输入，DBSCAN聚类算法中邻域半径和Minpts
的大小分别取经验值5、2，将所有电力设备对应坐标点划分到k个聚类簇中，DBSCAN聚类算
法为公知技术，具体过程不再赘述。
基于上述分析，此处构建电磁干扰度，用于表征每个变电站子区域内每个WiFi信
号采集点接收信号时受到电力设备产生磁场的干扰程度，计算变电站子区域内第j个
WiFi信号采集点的电磁干扰度：
式中，是第f个电力设备的电磁干扰强度系数，是第f个电力设备运行一天的平
均功率，是第f个电力设备对应坐标点所在聚类簇内坐标点数量，是变电站区域内电力
设备的总数量，是第f个电力设备对应坐标点所在聚类簇内所有坐标点之间欧式距离的
均值，是调参因子，用于防止分母为0，的大小取经验值1；
是变电站子区域内第j个WiFi信号采集点的电磁干扰影响系数，是第i个变
电站子区域所有相邻磁场干扰子区域内电力设备的数量，是第f个电力设备对应的坐
标点与所述第j个WiFi信号采集点对应坐标点之间的欧式距离，是调参因子，用于防止分
母为0，的大小取经验值1；
是变电站子区域内第j个WiFi信号采集点的电磁干扰度，是变电站子区域内第j个WiFi信号采集点的信号干扰度。
其中，第个电力设备的运行功率越大，则该电力设备产生的电磁干扰越强，的
值越大，第f个电力设备附近存在电力设备的数量越多，电力设备之间的空间分布越密集，的值越小，的值越大，的值越大；第f个电力设备对应的坐标点与第j个WiFi信号采集
点对应坐标点之间的欧式距离越小，的值越小，第一距离值的值越小，第一
累加因子的值越大；即的值越大，变电站子区域内第j个WiFi信号采集点接收
信号时受到电力设备产生电磁场干扰的程度越高。
根据上述步骤，分别获取每个变电站子区域内每个WiFi信号采集点的信号阻碍程
度、电磁干扰度。其次，将每个变电站子区域内每个WiFi信号采集点的指纹数据序列作为训
练随机森林模型时的一个样本。根据每棵决策树抽取数据集中每个样本对应的信号阻碍程
度、电磁干扰度确定每棵决策树的信号干扰权重，计算第t棵决策树的信号干扰权重：
式中，是第个变电站子区域中的第个WiFi信号采集点的综合干扰度，分别是第个变电站子区域中的第个WiFi信号采集点的信号阻碍程度、电磁干扰度；
是第t棵决策树的决策干扰指数，是抽取数据集中的样本数量，的大小取经
验值128；
是第t棵决策树的信号干扰权重，是调参因子，用于防止分母为0，的大小取
经验值1。
至此，得到随机森林模型中每棵决策树的信号干扰权重，用于后续获取可穿戴式背夹终端的定位坐标。
步骤S005，采用随机森林算法基于所述决策树的信号干扰权重获取可穿戴式背夹终端的定位结果。
根据上述步骤，分别获取随机森林模型中每棵决策树的信号干扰权重。进一步地，将每个变电站子区域内每个WiFi信号采集点的指纹数据序列作为训练随机森林模型时的一个样本，将每个变电站子区域的序号值作为对应样本的标签，本发明中随机森林中决策树的数量设置为100，每棵决策树上节点分类特征的数量设置为4，每棵决策树的最大深度设置为50，利用所有变电站子区域内WiFi信号采集点的指纹数据序列构建本发明中的随机森林模型，将所得每棵决策树的信号干扰权重作为每棵决策树的输出结果的投票权重，得到随机森林定位预测模型，随机森林算法为公知技术，具体过程不再赘述。
其次，作业人员携带可穿戴式背夹终端的作业人员进入变电站区域后，根据上述流程采集的当前位置的指纹数据序列，输入训练好的随机森林定位预测模型中，输出该可穿戴式背夹终端的标签，根据所述标签获取对应的变电站子区域，得到携带可穿戴式背夹终端的作业人员的所在变电站子区域，完成对可穿戴式背夹终端的定位。
基于与上述方法相同的发明构思，本发明实施例还提供了一种用于可穿戴式背夹终端的定位系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种用于可穿戴式背夹终端的定位方法中任意一项所述方法的步骤。
本说明书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。以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的原则之内，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 (10)
1.一种用于可穿戴式背夹终端的定位方法，其特征在于，该方法包括以下步骤：
获取每个变电站子区域内每个WiFi信号采集点的指纹数据序列、信号采集矩阵；
基于每个变电站子区域内不同WiFi信号采集点接收RSSI值的差异确定每个变电站子区域内每个WiFi信号采集点的信号阻碍程度；
基于每个变电站子区域内不同WiFi信号采集点的信号波动矩阵之间的相似性度量结果确定每个变电站子区域内每个WiFi信号采集点的信号干扰度；根据所述每个WiFi信号采集点受到周围电力设备产生电磁干扰的影响程度获取每个变电站子区域内每个WiFi信号采集点的电磁干扰度；
根据变电站区域内所有WiFi信号采集点的信号阻碍程度以及电磁干扰度确定每棵决策树的信号干扰权重；采用随机森林算法基于所述决策树的信号干扰权重获取可穿戴式背夹终端的定位结果。
2.根据权利要求1所述的一种用于可穿戴式背夹终端的定位方法，其特征在于，所述获取每个变电站子区域内每个WiFi信号采集点的指纹数据序列、信号采集矩阵的方法为：
将所有时刻下背夹终端在每个变电站子区域内每个WiFi信号采集点每一个可接收到的AP信号RSSI值的均值作为所述AP信号的参考值；
对背夹终端在每个变电站子区域内每个WiFi信号采集点所有可接收到的AP信号的参考值进行归一化处理，将所述归一化处理的结果按照降序顺序组成的序列作为初始数据序列；
将背夹终端在每个变电站子区域内每个WiFi信号采集点所有接收不到的AP信号的数量作为第一填充数量；将采用末端填充的方式在初始数据序列中填充第一填充数量个0后的结果作为指纹数据序列；
将背夹终端每个时刻在每个变电站子区域内每个WiFi信号采集点所有可接收到的AP信号的RSSI值组成的向量作为一个列向量，将所有时刻的列向量构建的矩阵作为每个变电站子区域内每个WiFi信号采集点的信号采集矩阵。
3.根据权利要求1所述的一种用于可穿戴式背夹终端的定位方法，其特征在于，所述基于每个变电站子区域内不同WiFi信号采集点接收RSSI值的差异确定每个变电站子区域内每个WiFi信号采集点的信号阻碍程度的方法为：
将每个变电站子区域内每个WiFi信号采集点所有可接收到的AP信号的数量与每个变电站子区域内所有可接收到AP信号的数量的比值作为接收重合度；
根据每个变电站子区域内每个WiFi信号采集点接收相同AP信号RSSI值的差异确定所述每个WiFi信号采集点每个可接收AP信号的强度异常系数；
将所述强度异常系数在每个变电站子区域内每个WiFi信号采集点所有可接收到的AP信号上的累加结果的均值作为第一乘积因子；
每个变电站子区域内每个WiFi信号采集点的信号阻碍程度由接收重合度、第一乘积因子两部分组成，其中，所述信号阻碍程度与接收重合度成反比关系、与第一乘积因子成正比关系。
4.根据权利要求3所述的一种用于可穿戴式背夹终端的定位方法，其特征在于，所述根据每个变电站子区域内每个WiFi信号采集点接收相同AP信号RSSI值的差异确定所述每个WiFi信号采集点每个可接收AP信号的强度异常系数的方法为：
将每个WiFi信号采集点每个可接收AP信号的参考值与预设参数之和的倒数作为第一计算因子；
将每个变电站子区域内可接收到同一个AP信号的任意两个WiFi信号采集点对应每个可接收AP信号参考值之间差值的平方作为第一差值；
将第一差值在每个变电站子区域内可接收到每个AP信号的所有WiFi信号采集点上累加结果的均值作为第二计算因子；
所述每个可接收AP信号的强度异常系数由第一计算因子、第二计算因子两部分组成，其中，所述强度异常系数分别与第一计算因子、第二计算因子成正比关系。
5.根据权利要求1所述的一种用于可穿戴式背夹终端的定位方法，其特征在于，所述基于每个变电站子区域内不同WiFi信号采集点的信号波动矩阵之间的相似性度量结果确定每个变电站子区域内每个WiFi信号采集点的信号干扰度的方法为：
将每个变电站子区域内任意两个WiFi信号采集点对应信号波动矩阵的奇异值之间差值的平方作为第二差值；将第二差值在每个变电站子区域内所有WiFi信号采集点上累加结果的均值作为所述每个WiFi信号采集点的接收波动指数；
将每个变电站子区域内每个WiFi信号采集点对应信号波动矩阵中任意一列元素组成的向量作为所述信号波动矩阵的一个列向量；将所述信号波动矩阵的任意两个列向量之间的度量距离在所有列向量上的累加结果的均值作为第二乘积因子；将第二乘积因子与所述信号波动矩阵中所有元素的标准差的乘积作为每个WiFi信号采集点的信号不稳定系数；
每个WiFi信号采集点的信号干扰度由接收波动指数、信号不稳定系数两部分组成，其中，所述信号干扰度分别与接收波动指数、信号不稳定系数成正比关系。
6.根据权利要求5所述的一种用于可穿戴式背夹终端的定位方法，其特征在于，所述信号波动矩阵的获取方法为：
利用预设尺度的滑动窗口按照逐行从左到右的顺序在每个变电站子区域内每个WiFi信号采集点的信号采集矩阵上滑动，将所述信号采集矩阵上每个滑动位置内所有元素的标准差作为一个局部波动值；
将所述信号采集矩阵上所有局部波动值按照滑动顺序组成的矩阵作为每个变电站子区域内每个WiFi信号采集点的信号波动矩阵。
7.根据权利要求1所述的一种用于可穿戴式背夹终端的定位方法，其特征在于，所述根据所述每个WiFi信号采集点受到周围电力设备产生电磁干扰的影响程度获取每个变电站子区域内每个WiFi信号采集点的电磁干扰度的方法为：
将变电站区域所取最小外接矩形的左下角顶点作为坐标轴原点，采用聚类算法获取变电站区域内所有电力设备对应坐标点的聚类结果；
将与每个变电站子区域相邻的任意一个变电站子区域作为每个变电站子区域的一个相邻磁场干扰子区域；
根据每个变电站子区域内每个WiFi信号采集点受到相邻磁场干扰子区域内电力设备产生电磁场的干扰程度确定每个WiFi信号采集点的电磁干扰影响系数；
每个WiFi信号采集点的电磁干扰度由信号干扰度、电磁干扰影响系数两部分组成，其中，所述电磁干扰度分别与信号干扰度、电磁干扰影响系数成正比关系。
8.根据权利要求7所述的一种用于可穿戴式背夹终端的定位方法，其特征在于，所述根据每个变电站子区域内每个WiFi信号采集点受到相邻磁场干扰子区域内电力设备产生电磁场的干扰程度确定每个WiFi信号采集点的电磁干扰影响系数的方法为：
将每个电力设备的平均运行功率与每个电力设备所在聚类簇内电力设备数量的乘积作为分子；
将所述聚类簇内所有电力设备对应坐标点之间欧式距离的均值与变电站区域内所有电力设备数量的乘积与预设参数的和作为分母；将分子与分母的比值作为每个电力设备的电磁干扰强度系数；
将每个变电站子区域的相邻磁场干扰子区域内每个电力设备与每个WiFi信号采集点之间的欧式距离与预设参数之和作为第一距离值；
将每个变电站子区域的任意一个相邻磁场干扰子区域内每个电力设备的电磁干扰强度与第一距离值的比值作为第一累加因子；将第一累加因子在每个变电站子区域的所有相邻磁场干扰子区域内所有电力设备上累加结果的均值作为每个WiFi信号采集点的电磁干扰影响系数。
9.根据权利要求1所述的一种用于可穿戴式背夹终端的定位方法，其特征在于，所述根据变电站区域内所有WiFi信号采集点的信号阻碍程度以及电磁干扰度确定每棵决策树的信号干扰权重的方法为：
将每个WiFi信号采集点的电磁干扰度与信号阻碍程度的乘积作为每个WiFi信号采集点的综合干扰度；
将每个WiFi信号采集点的指纹数据序列作为一个样本，将每棵决策树抽取数据集中所有样本对应综合干扰度的均值作为每棵决策树的决策干扰指数；
将每棵决策树的决策干扰指数与预设参数之和的倒数作为每棵决策树的信号干扰权重。
10.一种用于可穿戴式背夹终端的定位系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-9任意一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311575550.1A CN117295157B (zh) | 2023-11-24 | 2023-11-24 | 一种用于可穿戴式背夹终端的定位方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311575550.1A CN117295157B (zh) | 2023-11-24 | 2023-11-24 | 一种用于可穿戴式背夹终端的定位方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117295157A true CN117295157A (zh) | 2023-12-26 |
| CN117295157B CN117295157B (zh) | 2024-02-13 |
Family
ID=89240987
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311575550.1A Active CN117295157B (zh) | 2023-11-24 | 2023-11-24 | 一种用于可穿戴式背夹终端的定位方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117295157B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104239712A (zh) * | 2014-09-05 | 2014-12-24 | 电子科技大学 | 一种雷达抗干扰效能实时评估方法 |
| JP2017003348A (ja) * | 2015-06-08 | 2017-01-05 | 日本電信電話株式会社 | 位置推定方法、位置推定装置、及び位置推定プログラム |
| CN107884744A (zh) * | 2017-10-12 | 2018-04-06 | 中国科学院半导体研究所 | 无源被动式室内定位方法及装置 |
| CN116543171A (zh) * | 2023-03-24 | 2023-08-04 | 维森视觉丹阳有限公司北京分公司 | 目标检测方法、装置和电子设备 |
-
2023
- 2023-11-24 CN CN202311575550.1A patent/CN117295157B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104239712A (zh) * | 2014-09-05 | 2014-12-24 | 电子科技大学 | 一种雷达抗干扰效能实时评估方法 |
| JP2017003348A (ja) * | 2015-06-08 | 2017-01-05 | 日本電信電話株式会社 | 位置推定方法、位置推定装置、及び位置推定プログラム |
| CN107884744A (zh) * | 2017-10-12 | 2018-04-06 | 中国科学院半导体研究所 | 无源被动式室内定位方法及装置 |
| CN116543171A (zh) * | 2023-03-24 | 2023-08-04 | 维森视觉丹阳有限公司北京分公司 | 目标检测方法、装置和电子设备 |
Non-Patent Citations (1)
| Title |
|---|
| 杨从亚等: "基于随机森林的智能终端定位模型和算法", 网络与信息化, vol. 33, no. 10, pages 451 - 453 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117295157B (zh) | 2024-02-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105653502B (zh) | 一种基于遗传算法的通信基站电磁辐射相关性分析方法 | |
| CN104683984B (zh) | 无线通信信号实时监测处理方法和系统 | |
| CN109963287A (zh) | 天线方向角优化方法、装置、设备及介质 | |
| CN112512069B (zh) | 基于信道波束图样的网络智能优化方法及装置 | |
| CN110636515B (zh) | 电力无线专网的网络规划评估方法 | |
| CN108375363B (zh) | 天线方位角偏转核查方法、装置、设备及介质 | |
| JP6696859B2 (ja) | 品質推定装置及び品質推定方法 | |
| Eriksson et al. | On long-term statistical dependences in channel gains for fixed wireless links in factories | |
| CN110348508A (zh) | 检验异常值的数据核验方法及其系统、电子设备 | |
| Qureshi et al. | Enhanced MDT-based performance estimation for AI driven optimization in future cellular networks | |
| EP3449267B1 (en) | A method for identifying the phases of a multi-phase distribution grid | |
| CN117295157B (zh) | 一种用于可穿戴式背夹终端的定位方法及系统 | |
| CN113743452B (zh) | 电能质量评估方法及装置 | |
| Sotiroudis et al. | Optimal artificial neural network design for propagation path-loss prediction using adaptive evolutionary algorithms | |
| CN116681186B (zh) | 一种基于智能终端的用电质量分析方法及装置 | |
| CN115802398A (zh) | 干扰优化方法及装置、存储介质及电子设备 | |
| CN112215482A (zh) | 一种户变关系识别方法和装置 | |
| CN115409132A (zh) | 一种配电网数据的处理方法及系统 | |
| CN110807014A (zh) | 一种基于交叉验证的台区数据异常甄别方法和装置 | |
| Nagao et al. | Geographical clustering of path loss modeling for wireless emulation in various environments | |
| CN109982246A (zh) | 一种蜂窝小区功率的调整方法、装置及介质 | |
| CN114615693A (zh) | 网络容量预测方法、装置、电子设备及计算机存储介质 | |
| Upadhyay et al. | Comparative analysis of tabular generative adversarial network (GAN) models for generation and validation of power grid synthetic datasets | |
| Dahi et al. | Models and solvers for coverage optimisation in cellular networks: Review and analysis | |
| CN117689183B (zh) | 基于智能井盖的有限空间工单优化方法及系统 |
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 |