CN117610601B - 一种基于物联网的物流设备智能定位方法及系统 - Google Patents
一种基于物联网的物流设备智能定位方法及系统 Download PDFInfo
- Publication number
- CN117610601B CN117610601B CN202311486699.2A CN202311486699A CN117610601B CN 117610601 B CN117610601 B CN 117610601B CN 202311486699 A CN202311486699 A CN 202311486699A CN 117610601 B CN117610601 B CN 117610601B
- Authority
- CN
- China
- Prior art keywords
- data
- node
- fuzzy
- edge
- logistics equipment
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000004364 calculation method Methods 0.000 claims abstract description 98
- 238000010586 diagram Methods 0.000 claims abstract description 89
- 238000004458 analytical method Methods 0.000 claims abstract description 51
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 25
- 238000012300 Sequence Analysis Methods 0.000 claims abstract description 15
- 230000008447 perception Effects 0.000 claims abstract description 13
- 238000013075 data extraction Methods 0.000 claims abstract description 10
- 230000008859 change Effects 0.000 claims description 50
- 238000012545 processing Methods 0.000 claims description 49
- 238000013507 mapping Methods 0.000 claims description 32
- 238000012937 correction Methods 0.000 claims description 20
- 238000010606 normalization Methods 0.000 claims description 20
- 125000004122 cyclic group Chemical group 0.000 claims description 19
- 238000011176 pooling Methods 0.000 claims description 17
- 238000007418 data mining Methods 0.000 claims description 16
- 230000003416 augmentation Effects 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000010276 construction Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 8
- 230000003068 static effect Effects 0.000 description 7
- 238000006073 displacement reaction Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 4
- 238000013439 planning Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000013480 data collection Methods 0.000 description 3
- 238000003909 pattern recognition Methods 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010835 comparative analysis Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
- G06K17/0022—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisions for transferring data to distant stations, e.g. from a sensing device
- G06K17/0029—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisions for transferring data to distant stations, e.g. from a sensing device the arrangement being specially adapted for wireless interrogation of grouped or bundled articles tagged with wireless record carriers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0833—Tracking
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及智能定位技术领域,尤其涉及一种基于物联网的物流设备智能定位方法及系统,该方法包括以下步骤:利用RFID电子标签持续获取物流设备位置数据及环境感知数据;根据环境感知数据对物流设备位置数据进行运动状态分析,以生成设备运动状态数据;通过设备运动状态数据对物流设备位置数据进行位置时序分析,以获取位置时序数据;基于位置时序数据对物流设备位置数据进行分布式节点位置图拟合,以构建分布式节点位置图;基于分布式节点位置图对物流设备位置数据进行第一位置数据提取,获取第一模糊位置数据;利用模糊逻辑定位算法对第一模糊位置数据进行位置范围卷积计算,以获得第一模糊卷积范围节点;本发明实现了高效、准确的物理设备定位。
Description
技术领域
本发明涉及智能定位技术领域,尤其涉及一种基于物联网的物流设备智能定位方法及系统。
背景技术
随着物流设备的不断发展,智能化已经成为物流行业的重要趋势,智能化物流设备能够实现实时定位、追踪和监控,提高物流操作的效率和可靠性,物联网技术的出现为物流设备的智能化提供了新的机遇和可能性,传统的物流设备定位方法主要依赖于人工操作和简单的定位技术,如GPS定位,然而,这些方法存在着定位不准确、受环境干扰影响大、无法实时监测等问题,无法提供对设备状态和工作条件的实时分析和反馈,难以做到及时预防和处理设备故障,传统的物联网的物流设备定位方法往往存在定位效率不高,定位不准确的问题,因此,为了满足现代物流设备定位的需求,需要智能化的物流设备智能定位方法。
发明内容
本发明为解决上述技术问题,提出了一种基于物联网的物流设备智能定位方法及系统,以解决至少一个上述技术问题。
为实现上述目的,本发明提供一种基于物联网的物流设备智能定位方法,包括以下步骤:
步骤S1:利用RFID电子标签持续获取物流设备位置数据及环境感知数据;根据环境感知数据对物流设备位置数据进行运动状态分析,以生成设备运动状态数据;
步骤S2:通过设备运动状态数据对物流设备位置数据进行位置时序分析,以获取位置时序数据;基于位置时序数据对物流设备位置数据进行分布式节点位置图拟合,以构建分布式节点位置图;
步骤S3:基于分布式节点位置图对物流设备位置数据进行第一位置数据提取,获取第一模糊位置数据;利用模糊逻辑定位算法对第一模糊位置数据进行位置范围卷积计算,以获得第一模糊卷积范围节点;
步骤S4:对物流设备位置数据进行第二位置数据提取,获取第二模糊位置数据;通过第二模糊位置数据对分布式节点位置图进行边缘节点标记,以生成第二模糊边缘节点数据;通过第一模糊卷积范围节点对第二模糊边缘节点数据进行精准边缘计算,以生成精准边缘位置数据;
步骤S5:通过精准边缘位置数据对分布式节点位置图进行边缘节点位置校正,以获得精准位置数据;通过精准位置数据对分布式节点位置图进行节点映射,构建实时分布式节点定位图;
步骤S6:利用循环卷积网络对实时分布式节点定位图进行动态卷积建模,构建分布式卷积智能定位模型,以执行物流设备智能定位作业。
本发明通过RFID电子标签实时获取物流设备的位置数据和环境感知数据,无需依赖人工观测或手动测试,确保数据的准确性和时效性,通过对环境感知数据的分析,判断物流设备的运动状态,如静止、移动或转向等,为后续定位分析提供基础数据。通过设备运动状态数据,对物流设备位置数据进行时序分析,获取物流设备在不同时间点的位置信息,从而了解设备的运动轨迹和变化趋势,基于位置时序数据,进行分布式节点位置图的拟合和构建,建立物流设备的空间位置参考系统,为后续定位提供基础框架。基于分布式节点位置图,提取物流设备的第一模糊位置数据,在粗略精度下的位置估计,为后续定位提供初始位置信息,利用模糊逻辑定位算法,对第一模糊位置数据进行位置范围卷积计算,得到第一模糊卷积范围节点,进一步缩小位置的模糊性,提高定位的准确性,通过对物流设备位置数据的进一步处理,提取第二模糊位置数据,更精细的位置估计结果,提高定位的精确度,通过对第二模糊位置数据进行边缘节点标记,并利用第一模糊卷积范围节点进行精准边缘计算,得到精准边缘位置数据,进一步提高定位的准确性和精度。利用精准边缘位置数据对分布式节点位置图进行边缘节点位置校正,修正位置图中的误差,提高位置的准确性和可靠性,通过精准位置数据对分布式节点位置图进行节点映射,将实时位置信息映射到位置图上,建立实时分布式节点定位图,为后续定位任务提供准确的位置参考,利用循环卷积网络对实时分布式节点定位图进行动态卷积建模,分析位置图中的动态变化和趋势,提取特征信息,为物流设备的智能定位提供更加精确的模型,通过构建分布式卷积智能定位模型,对物流设备进行智能定位,实现精准的位置追踪和定位,提高物流管理的效率和准确性。
优选地,步骤S1包括以下步骤:
步骤S11:利用RFID电子标签持续获取物流设备位置数据及环境感知数据;
步骤S12:对物流设备位置数据进行速度计算,以生成物流设备速度参数;
步骤S13:根据物流设备速度参数对物流设备位置数据进行停留时间分析,以获取停留时间;
步骤S14:基于停留时间对物流设备速度参数进行运动路径识别,生成物流设备运动路径;
步骤S15:根据环境感知数据对物流设备运动路径进行运动状态分析,以生成设备运动状态数据。
本发明通过使用RFID电子标签,实时获取物流设备的位置数据和环境感知数据,无需依赖人工观测或手动测试,确保数据的准确性和时效性。通过计算物流设备的位置数据,获得物流设备的运动速度参数,物流设备在单位时间内的位移量,提供了物流设备运动状态的定量指标。通过对物流设备速度参数和位置数据的分析,识别物流设备的停留时间,停留时间为设备在某一位置停留的持续时间,为后续运动路径识别提供基础数据。利用停留时间信息,识别物流设备的运动路径,表示设备在不同位置之间的运动轨迹,为后续的运动状态分析和智能定位提供关键信息。通过对环境感知数据与物流设备运动路径的对比分析,判断物流设备在不同位置和环境下的运动状态,如静止、移动或转向等,进一步丰富了物流设备的运动状态数据,为物流设备的智能定位提供更全面的信息。
优选地,步骤S2包括以下步骤:
步骤S21:通过设备运动状态数据对物流设备位置数据进行位置变化频率分析,以生成位置变化频率参数;
步骤S22:通过位置变化频率参数对物流设备位置数据进行位置时序分析,以获取位置时序数据;
步骤S23:对位置时序数据进行位置密度计算,以生成位置密度数据;
步骤S24:通过位置密度数据对物流设备位置数据进行位置轨迹重构,以获取时序位置轨迹线;
步骤S25:通过时序位置轨迹线对物流设备位置数据进行分布式节点位置图拟合,以构建分布式节点位置图。
本发明通过对设备运动状态数据与物流设备位置数据的分析,计算物流设备位置的变化频率参数,包括设备位置在单位时间内的变化次数,提供了位置数据变化的定量指标。利用位置变化频率参数,对物流设备位置数据进行时序分析,获取位置的时序数据,时序数据包括设备在不同时间点的位置信息,为后续的位置密度计算和位置轨迹重构提供基础数据。通过对位置时序数据的分析,计算物流设备位置的密度,设备在不同时间点的位置分布情况,提供了位置分布的定量指标,为后续的位置轨迹重构和节点位置图构建提供关键数据。利用位置密度数据,对物流设备的位置数据进行轨迹重构,生成时序位置轨迹线,时序位置轨迹线为设备在不同时间点的位置轨迹,为后续的节点位置图构建提供基础数据。利用时序位置轨迹线,进行分布式节点位置图的拟合,包括将设备的位置数据映射到一个分布式节点位置图上,该图反映了设备在不同时间点的位置分布情况,为物流设备的智能定位和路径规划提供了基础图形模型。
优选地,步骤S25包括以下步骤:
步骤S251:通过时序位置轨迹线对物流设备位置数据进行位置节点提取,以生成位置节点数据;
步骤S252:对位置节点数据进行空间分布分析,生成节点空间分布数据;
步骤S253:通过节点空间分布数据对物流设备位置数据进行分布式节点映射,生成分布式节点图;
步骤S254:对分布式节点图进行节点增强处理,构建分布式节点位置图。
本发明通过对时序位置轨迹线的分析,提取物流设备位置数据中的关键节点,设备在运动过程中的重要位置点,生成位置节点数据,为后续的空间分布分析和节点映射提供基础数据。通过对位置节点数据的分析,进行空间分布分析,计算节点在物流设备运动轨迹中的分布情况,生成节点空间分布数据,提供了节点在空间上的定量指标。利用节点空间分布数据,将物流设备位置数据映射到一个分布式节点图上,该图反映了节点在空间上的分布情况,提供了节点之间的关联关系,为后续的节点增强处理和位置图构建提供基础数据。通过对分布式节点图的处理,进行节点增强处理,加强节点之间的连接关系和拓扑结构,构建分布式节点位置图,该图反映了物流设备位置数据的整体结构和关联关系,为物流设备的智能定位和路径规划提供更准确的图形模型。
优选地,步骤S3包括以下步骤:
步骤S31:基于分布式节点位置图对物流设备位置数据进行第一位置数据提取,获取第一模糊位置数据;
步骤S32:利用模糊逻辑定位算法对第一模糊位置数据进行模糊范围最值分析,以生成最大最小值模糊范围数据;
步骤S33:利用最大最小值模糊范围数据对第一模糊位置数据进行增广计算,生成初始范围节点;
步骤S34:对初始范围节点进行并行范围卷积计算,生成模糊卷积范围节点集;
步骤S35:对模糊卷积范围节点集进行位置范围卷积计算,以获得第一模糊卷积范围节点。
本发明通过基于分布式节点位置图,从物流设备的位置数据中提取第一模糊位置数据,这些位置数据存在一定的不确定性,但可以提供物流设备所在的大致位置信息。通过模糊逻辑定位算法对第一模糊位置数据进行分析,计算出模糊范围的最大值和最小值,这些最值反映了物流设备位置的不确定性范围,提供了位置数据的模糊性信息。根据最大最小值模糊范围数据,对第一模糊位置数据进行增广计算,增广计算可以扩展位置数据的范围,提供更多可能的位置情况,增加对物流设备位置的覆盖性和准确性。通过并行范围卷积计算,对初始范围节点进行处理。并行计算可以提高计算效率,快速生成模糊卷积范围节点集,生成的模糊卷积范围节点集反映了物流设备位置的更多可能性,包括不确定性范围和变化趋势,为后续的位置范围卷积计算提供基础。利用模糊卷积范围节点集,进行位置范围卷积计算。这种计算可以从模糊卷积范围节点集中提取更准确的位置范围信息,进一步缩小物流设备位置的不确定性范围。计算得到的第一模糊卷积范围节点提供了物流设备位置可能的范围信息,有助于确定物流设备的大致位置范围。
优选地,步骤S4包括以下步骤:
步骤S41:对物流设备位置数据进行第二位置数据提取,获取第二模糊位置数据;
步骤S42:基于第一模糊卷积范围节点及第二模糊位置数据对分布式节点位置图进行边缘节点分析,以生成边缘节点数据;
步骤S43:通过边缘节点数据对分布式节点位置图进行边缘节点标记,以生成第二模糊边缘节点数据;
步骤S44:通过第一模糊卷积范围节点对第二模糊边缘节点数据进行精准边缘计算,以生成精准边缘位置数据。
本发明通过对物流设备位置数据进行分析,提取第二模糊位置数据,有助于了解设备在不同时间点的位置信息,为后续的边缘节点分析和精准边缘计算提供基础数据。例如,对设备在不同时间点的位置进行比较,以了解其移动方向和速度。通过结合第一模糊卷积范围节点和第二模糊位置数据,对分布式节点位置图进行边缘节点分析,边缘节点是与设备位置变化相关的关键节点,通过分析边缘节点,识别出设备位置变化的重要区域和节点,为后续的边缘节点标记和精准边缘计算提供依据。通过对分布式节点位置图进行边缘节点标记,生成第二模糊边缘节点数据,这些边缘节点被标记为与设备位置变化相关的节点,提供了位置变化的模糊边缘节点信息,通过边缘节点进一步缩小设备位置的范围,并提供更准确的位置定位结果。利用第一模糊卷积范围节点,对第二模糊边缘节点数据进行精准边缘计,得到精准的边缘位置数据,获取设备位置变化的精确位置信息。通过精准边缘计算,更准确地确定设备的位置,并提供更可靠和精确的位置定位结果。
优选地,步骤S5包括以下步骤:
步骤S51:利用边缘节点模糊位置匹配度计算公式对精准边缘位置数据与第二模糊边缘节点数据进行边缘模糊匹配计算,以生成边缘模糊位置匹配度指数;
步骤S52:确定边缘模糊位置匹配度指数大于或等于预设的边缘模糊位置匹配度阈值指数时,则对精准边缘位置数据进行标准差归一化处理,以生成标化精准边缘位置数据;
步骤S53:确定边缘模糊位置匹配度指数小于预设的边缘模糊位置匹配度阈值指数时,则对精准边缘位置数据进行均值归一化处理,以生成标化精准边缘位置数据;
步骤S54:通过标化精准边缘位置数据对分布式节点位置图进行精准位置计算,以生成精准位置参数;
步骤S55:通过精准位置参数对分布式节点位置图进行边缘节点位置校正,以获得精准位置数据;
步骤S56:通过精准位置数据对分布式节点位置图进行节点映射,构建实时分布式节点定位图。
本发明通过边缘节点模糊位置匹配度计算公式,计算精准边缘位置数据与第二模糊边缘节点数据之间的匹配程度,边缘模糊位置匹配度指数提供一种度量,用于评估精准边缘位置数据与边缘节点数据的相似性,通过边缘模糊位置匹配度指数帮助确定精准边缘位置数据的可靠性和准确性,根据边缘模糊位置匹配度指数与预设的边缘模糊位置匹配度阈值指数的比较结果,确定是否需要对精准边缘位置数据进行标准差归一化处理,标准差归一化处理通过将数据转化为均值为0、标准差为1的标准分布,使得数据具有相对一致的尺度,标化精准边缘位置数据有助于消除不同尺度带来的影响,并提供更一致的数据表示,边缘模糊位置匹配度指数小于预设的边缘模糊位置匹配度阈值指数时,选择对精准边缘位置数据进行均值归一化处理,均值归一化处理通过将数据减去均值,使得数据的均值为0,从而消除不同均值对数据分布的影响,标化精准边缘位置数据提供了一种相对一致的数据表示方式,有助于比较和分析位置数据,利用标化精准边缘位置数据,进行精准位置计算,以确定物流设备的精确位置,精准位置参数提供了物流设备在分布式节点位置图上的准确位置信息,为后续的边缘节点位置校正和节点映射提供基础数据,利用精准位置参数,进行边缘节点位置校正,对分布式节点位置图中的边缘节点进行位置调整,使其与精准位置参数一致,通过边缘节点位置校正,获得更精确的位置数据,提供了物流设备在分布式节点位置图上的准确位置信息,利用精准位置数据,进行节点映射,将精准位置数据映射到分布式节点位置图上的相应节点位置,通过节点映射,构建实时的分布式节点定位图,提供了物流设备当前的位置信息,实时分布式节点定位图帮助实时监控和追踪物流设备的位置,为物流管理和调度提供支持。
优选地,步骤S51中的边缘节点模糊位置匹配度计算公式具体为:
为边缘模糊位置匹配度指数,/>为边缘节点与精准边缘位置数据的X坐标差值,为边缘节点与精准边缘位置数据的y坐标差值,/>为边缘节点的X坐标,/>为边缘节点的Y坐标,/>为节点标准差,/>为第一模糊卷积范围节点的范围值,/>为边缘节点与第一模糊卷积范围节点的距离值,/>为位置匹配度调整因子,/>为边缘节点在分布式节点位置图长度。
本发明通过计算了边缘节点与精准边缘位置数据之间的X坐标差值(α)和y坐标差值(β),然后除以边缘节点的X坐标的自然对数/>,是通过计算坐标差值和节点的横坐标,来获得边缘节点在X方向上的位置匹配度,较小的坐标差值和较大的节点横坐标将增加位置匹配度,通过/>计算了节点的Y坐标(G),节点的标准差(σ)和第一模糊卷积范围节点的范围值(δ)之间的关系,节点的纵坐标除以π的平方根表示节点的位置在纵向上的分布情况,节点标准差和第一模糊卷积范围节点的范围值的比值表示节点位置的模糊程度,根据纵向位置分布和模糊程度,获得节点在纵向上的位置匹配度,/>计算了边缘节点与第一模糊卷积范围节点之间的距离值(ε),然后将其除以位置匹配度调整因子(k)乘以η和θ之间的比值的平方根,将边缘节点与第一模糊卷积范围节点之间的距离考虑到位置匹配的计算中,较小的距离值和较大的η与θ的比值将增加位置匹配度,/>计算位置匹配度调整因子(k)的自然对数被除以节点标准差(σ)、π的平方根、第一模糊卷积范围节点的范围值(δ)的立方根的乘积,根据节点标准差和范围值的影响,调整位置匹配度调整因子,公式通过考虑边缘节点与精准位置数据之间的坐标差异、节点位置的分布特点、标准差、范围值、距离值、位置匹配度调整因子和边缘节点长度等因素,计算了边缘节点的模糊位置匹配度指数,通过综合考虑这些因素,全面评估边缘节点与期望位置之间的位置匹配度,同时考虑坐标差异和节点位置分布的特点。
优选地,步骤S6包括以下步骤:
步骤S61:利用循环卷积网络对实时分布式节点定位图进行数据预处理,从而获得卷积样本集:
步骤S62:对卷积样本集进行膨胀卷积处理,生成分布式节点卷积序列;
步骤S63:对分布式节点卷积序列进行池化多层采样,生成分布式节点卷积网络;
步骤S64:对分布式节点卷积网络进行数据挖掘,生成分布式节点卷积图;
步骤S65:对分布式节点卷积图进行动态卷积建模,构建分布式卷积智能定位模型,以执行物流设备智能定位作业。
本发明通过循环卷积网络对实时分布式节点定位图进行数据预处理,对原始数据进行特征提取和转换,减少数据的维度和复杂性,提取出更有用的特征,并为后续的卷积处理和数据挖掘提供更适合的输入数据。通过对卷积样本集进行膨胀卷积处理,将卷积操作应用于样本集中的每个样本,膨胀卷积扩大感受野,捕捉更大范围内的特征信息,并提取出更丰富的空间特征,生成的分布式节点卷积序列包含了膨胀卷积处理后得到的特征序列,为下一步的池化和数据挖掘提供输入,通过对分布式节点卷积序列进行池化多层采样,减少数据的维度并提取出关键的特征信息,池化操作将特征图的尺寸缩小,并保留最重要的特征。多层采样逐渐减小尺寸并提取更高级别的特征,生成的分布式节点卷积网络包含了经过池化多层采样后的特征图,用于后续的数据挖掘和建模。通过对分布式节点卷积网络进行数据挖掘,从卷积特征中提取出更加丰富和有用的信息,数据挖掘包括各种机器学习和深度学习算法,用于识别模式、发现规律和提取关键特征。生成的分布式节点卷积图包含了经过数据挖掘处理后的信息,用于建立物流设备智能定位模型,通过对分布式节点卷积图进行动态卷积建模,建立物流设备智能定位模型。动态卷积建模考虑时间和空间的变化,捕捉物流设备位置的动态特性。构建分布式卷积智能定位模型通过学习和训练,提取出与物流设备位置相关的特征和模式,实现对物流设备的智能定位。
在本说明书中,提供一种基于物联网的物流设备智能定位系统,包括:
至少一个处理器;
与所述至少一个处理器通信连接的存储器;
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如上所述的一种基于物联网的物流设备智能定位方法。
本发明通过构建物联网的物流设备智能定位系统,使用RFID电子标签,持续获取物流设备的位置数据和环境感知数据,确保系统具有最新的位置和环境信息,使得物流设备的定位更加准确和可靠。通过对环境感知数据进行分析,推断物流设备的运动状态,例如移动、停止或转弯等,有助于识别设备的运动模式,并为后续的位置时序分析提供更准确的数据。利用设备运动状态数据,对物流设备的位置数据进行时序分析,获得位置随时间变化的信息。有助于了解设备的运动轨迹和位置变化趋势,并为后续的位置数据提取和建模提供基础。通过对位置时序数据进行拟合,建立分布式节点位置图。该位置图反映物流设备在空间中的分布情况,提供了节点之间的关联性和拓扑结构。基于分布式节点位置图,从物流设备的位置数据中提取第一模糊位置数据。这些位置数据存在一定的不确定性,但提供物流设备所在的大致位置信息。通过应用模糊逻辑定位算法,对第一模糊位置数据进行处理,计算出位置范围的卷积结果,得到第一模糊卷积范围节点,表示物流设备可能出现的位置范围。利用第二模糊位置数据对分布式节点位置图进行边缘节点标记,确定物流设备位置图中的边缘节点。这些边缘节点具有重要的定位和边缘计算意义,通过第一模糊卷积范围节点对第二模糊边缘节点数据进行精准边缘计算,得到精准边缘位置数据,精准边缘位置数据提供物流设备位置的更准确和精细的信息,有助于进一步定位和处理物流设备。利用精准边缘位置数据对分布式节点位置图中的边缘节点进行位置校正,提高节点位置的准确性,进一步提升物流设备的定位精度。通过精准位置数据对分布式节点位置图进行节点映射,构建实时分布式节点定位图,定位图反映物流设备在空间中的准确位置分布,为后续的定位和建模提供基础。通过循环卷积网络对实时分布式节点定位图进行动态卷积建模,有效地分析节点之间的关系和空间分布特征,构建物流设备智能定位的分布式卷积智能定位模型。利用构建的分布式卷积智能定位模型,执行物流设备的智能定位作业。模型根据实时数据对物流设备进行准确的定位,为物流管理和操作提供支持。
附图说明
图1为本发明一种基于物联网的物流设备智能定位方法及系统的步骤流程示意图;
图2为步骤S1的详细实施步骤流程示意图;
图3为步骤S2的详细实施步骤流程示意图;
图4为步骤S3的详细实施步骤流程示意图。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本申请实例提供一种基于物联网的物流设备智能定位方法及系统。所述基于物联网的物流设备智能定位方法及系统的执行主体包括但不限于搭载该系统的:机械设备、数据处理平台、云服务器节点、网络上传设备等可看作本申请的通用计算节点,所述数据处理平台包括但不限于:音频图像管理系统、信息管理系统、云端数据管理系统至少一种。
请参阅图1至图4,本发明提供一种基于物联网的物流设备智能定位方法,所述方法包括以下步骤:
步骤S1:利用RFID电子标签持续获取物流设备位置数据及环境感知数据;根据环境感知数据对物流设备位置数据进行运动状态分析,以生成设备运动状态数据;
步骤S2:通过设备运动状态数据对物流设备位置数据进行位置时序分析,以获取位置时序数据;基于位置时序数据对物流设备位置数据进行分布式节点位置图拟合,以构建分布式节点位置图;
步骤S3:基于分布式节点位置图对物流设备位置数据进行第一位置数据提取,获取第一模糊位置数据;利用模糊逻辑定位算法对第一模糊位置数据进行位置范围卷积计算,以获得第一模糊卷积范围节点;
步骤S4:对物流设备位置数据进行第二位置数据提取,获取第二模糊位置数据;通过第二模糊位置数据对分布式节点位置图进行边缘节点标记,以生成第二模糊边缘节点数据;通过第一模糊卷积范围节点对第二模糊边缘节点数据进行精准边缘计算,以生成精准边缘位置数据;
步骤S5:通过精准边缘位置数据对分布式节点位置图进行边缘节点位置校正,以获得精准位置数据;通过精准位置数据对分布式节点位置图进行节点映射,构建实时分布式节点定位图;
步骤S6:利用循环卷积网络对实时分布式节点定位图进行动态卷积建模,构建分布式卷积智能定位模型,以执行物流设备智能定位作业。
本发明通过RFID电子标签实时获取物流设备的位置数据和环境感知数据,无需依赖人工观测或手动测试,确保数据的准确性和时效性,通过对环境感知数据的分析,判断物流设备的运动状态,如静止、移动或转向等,为后续定位分析提供基础数据。通过设备运动状态数据,对物流设备位置数据进行时序分析,获取物流设备在不同时间点的位置信息,从而了解设备的运动轨迹和变化趋势,基于位置时序数据,进行分布式节点位置图的拟合和构建,建立物流设备的空间位置参考系统,为后续定位提供基础框架。基于分布式节点位置图,提取物流设备的第一模糊位置数据,在粗略精度下的位置估计,为后续定位提供初始位置信息,利用模糊逻辑定位算法,对第一模糊位置数据进行位置范围卷积计算,得到第一模糊卷积范围节点,进一步缩小位置的模糊性,提高定位的准确性,通过对物流设备位置数据的进一步处理,提取第二模糊位置数据,更精细的位置估计结果,提高定位的精确度,通过对第二模糊位置数据进行边缘节点标记,并利用第一模糊卷积范围节点进行精准边缘计算,得到精准边缘位置数据,进一步提高定位的准确性和精度。利用精准边缘位置数据对分布式节点位置图进行边缘节点位置校正,修正位置图中的误差,提高位置的准确性和可靠性,通过精准位置数据对分布式节点位置图进行节点映射,将实时位置信息映射到位置图上,建立实时分布式节点定位图,为后续定位任务提供准确的位置参考,利用循环卷积网络对实时分布式节点定位图进行动态卷积建模,分析位置图中的动态变化和趋势,提取特征信息,为物流设备的智能定位提供更加精确的模型,通过构建分布式卷积智能定位模型,对物流设备进行智能定位,实现精准的位置追踪和定位,提高物流管理的效率和准确性。
本发明实施例中,参考图1,为本发明一种基于物联网的物流设备智能定位方法及系统的步骤流程示意图,在本实例中,所述基于物联网的物流设备智能定位方法的步骤包括:
步骤S1:利用RFID电子标签持续获取物流设备位置数据及环境感知数据;根据环境感知数据对物流设备位置数据进行运动状态分析,以生成设备运动状态数据;
本实施例中,在物流设备上安装RFID电子标签,并确保标签能够持续地发送位置数据和环境感知数据,RFID电子标签通过无线通信技术将数据传输给数据收集系统,数据收集系统从RFID电子标签获取物流设备的位置数据,位置数据包括设备的实时坐标、时间戳等信息。数据收集系统从RFID电子标签获取物流设备的环境感知数据,包括温度、湿度、光照强度等与环境相关的信息,对物流设备的位置数据进行分析,通过比较连续的位置数据点之间的差异,计算设备在时间上的位移和速度,结合环境感知数据,分析设备的运动状态,例如静止、匀速运动、加速或减速等,根据运动状态分析的结果,生成设备的运动状态数据,运动状态数据包括设备的运动状态标识(如静止、行驶、停止)、速度、加速度等指标。
步骤S2:通过设备运动状态数据对物流设备位置数据进行位置时序分析,以获取位置时序数据;基于位置时序数据对物流设备位置数据进行分布式节点位置图拟合,以构建分布式节点位置图;
本实施例中,使用设备运动状态数据对物流设备位置数据进行位置时序分析,根据设备的运动状态标识和速度信息,推断设备在不同时间点的位置,通过将设备的位置和对应的时间进行关联,得到位置时序数据,物流设备在不同时间点的位置信息,从位置时序分析中获取物流设备的位置时序数据,位置时序数据包括设备的位置坐标和对应的时间戳,使用位置时序数据和拟合算法对物流设备位置数据进行分布式节点位置图拟合,拟合算法会根据位置时序数据中的位置坐标和时间信息,推测出物流设备在不同位置的节点信息,并生成分布式节点位置图。
步骤S3:基于分布式节点位置图对物流设备位置数据进行第一位置数据提取,获取第一模糊位置数据;利用模糊逻辑定位算法对第一模糊位置数据进行位置范围卷积计算,以获得第一模糊卷积范围节点;
本实施例中,根据物流设备的实际位置数据,从分布式节点位置图中提取第一位置数据,第一位置数据是指物流设备在某一时刻被确定为所在节点的位置数据,根据第一位置数据,获取第一模糊位置数据,第一模糊位置数据是指物流设备在某一时刻的位置数据,具有一定的不确定性和模糊性,利用模糊逻辑定位算法,用于对第一模糊位置数据进行位置范围卷积计算,能够考虑位置数据的不确定性,并计算出模糊卷积范围节点,使用模糊逻辑定位算法对第一模糊位置数据进行位置范围卷积计算,该计算过程考虑了位置数据的模糊性,根据节点的邻近关系和距离权重,计算出物流设备可能所在的模糊卷积范围节点,根据位置范围卷积计算的结果,获取第一模糊卷积范围节点,表示物流设备可能所在的位置范围,提供对设备位置的模糊定位。
步骤S4:对物流设备位置数据进行第二位置数据提取,获取第二模糊位置数据;通过第二模糊位置数据对分布式节点位置图进行边缘节点标记,以生成第二模糊边缘节点数据;通过第一模糊卷积范围节点对第二模糊边缘节点数据进行精准边缘计算,以生成精准边缘位置数据;
本实施例中,根据物流设备的实际位置数据,进一步提取第二位置数据,第二位置数据是指物流设备在某一时刻被确定为所在节点的位置数据,进一步减少位置的不确定性,根据第二位置数据,获取第二模糊位置数据,第二模糊位置数据是指物流设备在某一时刻的位置数据,具有较小的不确定性,利用第二模糊位置数据对分布式节点位置图进行边缘节点标记,根据第二模糊位置数据的节点信息,将与设备位置较接近的节点标记为边缘节点,根据边缘节点标记的结果,生成第二模糊边缘节点数据,第二模糊边缘节点数据包括边缘节点的位置信息。使用精准边缘计算算法对第二模糊边缘节点数据进行计算,该计算过程结合第一模糊卷积范围节点的位置信息,精确计算出边缘位置数据,根据精准边缘计算的结果,生成精准边缘位置数据,提供物流设备在边缘节点位置的精确位置信息。
步骤S5:通过精准边缘位置数据对分布式节点位置图进行边缘节点位置校正,以获得精准位置数据;通过精准位置数据对分布式节点位置图进行节点映射,构建实时分布式节点定位图;
本实施例中,利用精准边缘位置数据对分布式节点位置图中的边缘节点进行位置校正,根据精准边缘位置数据中的节点信息,更新分布式节点位置图中对应节点的位置信息,使其更准确地反映物流设备的实际位置,根据边缘节点位置校正后的分布式节点位置图,生成精准位置数据,精准位置数据反映物流设备在分布式节点上的精确位置,提供准确的设备位置信息,使用节点映射算法将精准位置数据映射到实时分布式节点定位图上,根据位置数据的具体数值和节点的邻近关系,将位置数据映射到最接近的节点上,更新实时分布式节点定位图中对应节点的位置信息,通过节点映射的过程,逐步更新实时分布式节点定位图,该图反映物流设备在节点上的实时位置,提供了实时的设备定位信息。
步骤S6:利用循环卷积网络对实时分布式节点定位图进行动态卷积建模,构建分布式卷积智能定位模型,以执行物流设备智能定位作业。
本实施例中,准备循环卷积网络模型,用于对实时分布式节点定位图进行动态卷积建模,循环卷积网络结合了卷积神经网络和循环神经网络的特性,能够处理时序数据并保留空间关系,将实时分布式节点定位图作为输入,通过循环卷积网络进行动态卷积建模,循环卷积网络会根据节点定位图的时序信息和空间关系,对节点状态进行建模,以提取特征并学习节点之间的动态关系,根据动态卷积建模的结果,构建分布式卷积智能定位模型,该模型能够利用节点定位图的时空特征,对物流设备进行智能定位,使用构建的分布式卷积智能定位模型,对物流设备进行智能定位作业,将实时的节点定位图输入模型,通过模型的推断或预测,得到物流设备的智能定位结果。
本实施例中,参考图2,为步骤S1的详细实施步骤流程示意图,本实施例中,所述步骤S1的详细实施步骤包括:
步骤S11:利用RFID电子标签持续获取物流设备位置数据及环境感知数据;
步骤S12:对物流设备位置数据进行速度计算,以生成物流设备速度参数;
步骤S13:根据物流设备速度参数对物流设备位置数据进行停留时间分析,以获取停留时间;
步骤S14:基于停留时间对物流设备速度参数进行运动路径识别,生成物流设备运动路径;
步骤S15:根据环境感知数据对物流设备运动路径进行运动状态分析,以生成设备运动状态数据。
本发明通过使用RFID电子标签,实时获取物流设备的位置数据和环境感知数据,无需依赖人工观测或手动测试,确保数据的准确性和时效性。通过计算物流设备的位置数据,获得物流设备的运动速度参数,物流设备在单位时间内的位移量,提供了物流设备运动状态的定量指标。通过对物流设备速度参数和位置数据的分析,识别物流设备的停留时间,停留时间为设备在某一位置停留的持续时间,为后续运动路径识别提供基础数据。利用停留时间信息,识别物流设备的运动路径,表示设备在不同位置之间的运动轨迹,为后续的运动状态分析和智能定位提供关键信息。通过对环境感知数据与物流设备运动路径的对比分析,判断物流设备在不同位置和环境下的运动状态,如静止、移动或转向等,进一步丰富了物流设备的运动状态数据,为物流设备的智能定位提供更全面的信息。
本实施例中,在物流设备上安装RFID电子标签,RFID标签通过无线通信技术与读取器进行通信,并提供设备的唯一标识和位置信息,通过RFID读取器不断扫描物流设备上的RFID标签,获取物流设备的位置数据,读取器会记录每个标签的标识信息以及被扫描的时间戳,从而获取设备的位置信息,除了位置数据,RFID电子标签还搭载其他传感器,如温度传感器、湿度传感器等,用于获取环境感知数据,通过读取RFID标签上的传感器数据,获取设备所处环境的相关信息,根据物流设备位置数据的时间戳,计算设备在相邻时间间隔内的位置变化,通过比较相邻位置的差异,得到设备在单位时间内的位移距离,利用位移距离和时间间隔,计算物流设备在单位时间内的平均速度,将位移距离除以时间间隔,得到速度参数,根据物流设备的速度参数,判断设备是否处于静止状态,通常将速度低于一定阈值的设备判定为停留状态,当设备被判定为停留状态时,记录该状态的起始时间戳,当设备的速度超过阈值时,记录停留状态的结束时间戳,通过时间戳的差值,可计算出设备的停留时间,根据筛选出的停留状态,识别设备的运动路径,通过连接停留状态的起始位置和结束位置,得到设备在不同位置之间的运动路径,利用环境感知数据,如温度、湿度等信息,对物流设备的运动路径进行分析,根据环境数据的变化情况,判断设备在不同位置或时间段的运动状态,如停留、加速、减速等,根据运动路径和运动状态的分析结果,生成设备的运动状态数据,运动状态数据反映设备在不同位置或时间段的具体运动状态,包括停留、匀速运动、加速、减速等。
本实施例中,参考图3,为步骤S2的详细实施步骤流程示意图,本实施例中,所述步骤S2的详细实施步骤包括:
步骤S21:通过设备运动状态数据对物流设备位置数据进行位置变化频率分析,以生成位置变化频率参数;
步骤S22:通过位置变化频率参数对物流设备位置数据进行位置时序分析,以获取位置时序数据;
步骤S23:对位置时序数据进行位置密度计算,以生成位置密度数据;
步骤S24:通过位置密度数据对物流设备位置数据进行位置轨迹重构,以获取时序位置轨迹线;
步骤S25:通过时序位置轨迹线对物流设备位置数据进行分布式节点位置图拟合,以构建分布式节点位置图。
本发明通过对设备运动状态数据与物流设备位置数据的分析,计算物流设备位置的变化频率参数,包括设备位置在单位时间内的变化次数,提供了位置数据变化的定量指标。利用位置变化频率参数,对物流设备位置数据进行时序分析,获取位置的时序数据,时序数据包括设备在不同时间点的位置信息,为后续的位置密度计算和位置轨迹重构提供基础数据。通过对位置时序数据的分析,计算物流设备位置的密度,设备在不同时间点的位置分布情况,提供了位置分布的定量指标,为后续的位置轨迹重构和节点位置图构建提供关键数据。利用位置密度数据,对物流设备的位置数据进行轨迹重构,生成时序位置轨迹线,时序位置轨迹线为设备在不同时间点的位置轨迹,为后续的节点位置图构建提供基础数据。利用时序位置轨迹线,进行分布式节点位置图的拟合,包括将设备的位置数据映射到一个分布式节点位置图上,该图反映了设备在不同时间点的位置分布情况,为物流设备的智能定位和路径规划提供了基础图形模型。
本实施例中,根据设备运动状态数据,分析物流设备位置的变化频率,通过计算设备位置在单位时间内的变化次数,得到位置变化频率参数,频率表示设备位置的变化速度和活跃程度,利用物流设备的位置数据和位置变化频率参数,进行位置时序分析,将位置数据按照时间顺序排序,形成位置时序数据集,根据位置变化频率参数,从位置时序数据集中提取具有一定时间间隔的位置数据,位置数据反映设备在不同时间点的具体位置,利用位置时序数据,计算每个位置点的密度,密度反映物流设备在不同位置上的停留时间或活动程度,根据计算得到的位置密度值,生成位置密度数据,位置密度数据表示设备在不同位置上的聚集程度或稀疏程度,利用位置密度数据,对物流设备的位置数据进行轨迹重构,根据位置密度的变化,确定设备在不同位置上的运动路径和轨迹,根据位置轨迹重构的结果,生成时序位置轨迹线,时序位置轨迹线能够展示设备在不同时间点的运动路径和位置变化情况。
本实施例中,步骤S25包括以下步骤:
步骤S251:通过时序位置轨迹线对物流设备位置数据进行位置节点提取,以生成位置节点数据;
步骤S252:对位置节点数据进行空间分布分析,生成节点空间分布数据;
步骤S253:通过节点空间分布数据对物流设备位置数据进行分布式节点映射,生成分布式节点图;
步骤S254:对分布式节点图进行节点增强处理,构建分布式节点位置图。
本发明通过对时序位置轨迹线的分析,提取物流设备位置数据中的关键节点,设备在运动过程中的重要位置点,生成位置节点数据,为后续的空间分布分析和节点映射提供基础数据。通过对位置节点数据的分析,进行空间分布分析,计算节点在物流设备运动轨迹中的分布情况,生成节点空间分布数据,提供了节点在空间上的定量指标。利用节点空间分布数据,将物流设备位置数据映射到一个分布式节点图上,该图反映了节点在空间上的分布情况,提供了节点之间的关联关系,为后续的节点增强处理和位置图构建提供基础数据。通过对分布式节点图的处理,进行节点增强处理,加强节点之间的连接关系和拓扑结构,构建分布式节点位置图,该图反映了物流设备位置数据的整体结构和关联关系,为物流设备的智能定位和路径规划提供更准确的图形模型。
本实施例中,根据时序位置轨迹线数据,提取物流设备位置数据中的关键位置节点,这些节点是设备运动轨迹上的特定位置点,通常是设备运动方向改变或重要转折点,根据提取得到的位置节点,生成位置节点数据,每个位置节点包含设备的具体位置信息,如经度、纬度等,利用位置节点数据,计算节点在空间上的分布情况,使用统计方法或空间分析算法来评估节点之间的空间关系和分布特征,根据计算得到的节点空间分布情况,生成节点空间分布数据,节点空间分布数据反映节点在空间上的聚集程度、分散程度或分布规律,确定将节点空间分布数据映射到分布式节点图的规则,这些规则基于节点的空间位置、分布特征或其他相关因素进行定义,根据节点空间分布数据和映射规则,将物流设备位置数据映射到相应的分布式节点,每个节点代表一个特定的空间位置或区域,根据物流设备位置数据的映射结果,生成分布式节点图,图中的节点表示不同的物流设备位置,边表示节点之间的连接关系或空间邻近关系,确定对分布式节点图进行节点增强的规则,这些规则基于节点的重要性、连接关系、空间属性或其他相关因素进行定义,根据节点增强规则,对分布式节点图中的节点进行增强处理,处理方式包括节点属性修正、节点连接调整、节点权重更新等,根据节点增强处理的结果,构建分布式节点位置图,该图对物流设备的位置信息进行了增强和优化,能够更好地反映设备在空间上的位置关系和分布情况。
本实施例中,参考图4,为步骤S3的详细实施步骤流程示意图,本实施例中,所述步骤S3的详细实施步骤包括:
步骤S31:基于分布式节点位置图对物流设备位置数据进行第一位置数据提取,获取第一模糊位置数据;
步骤S32:利用模糊逻辑定位算法对第一模糊位置数据进行模糊范围最值分析,以生成最大最小值模糊范围数据;
步骤S33:利用最大最小值模糊范围数据对第一模糊位置数据进行增广计算,生成初始范围节点;
步骤S34:对初始范围节点进行并行范围卷积计算,生成模糊卷积范围节点集;
步骤S35:对模糊卷积范围节点集进行位置范围卷积计算,以获得第一模糊卷积范围节点。
本发明通过基于分布式节点位置图,从物流设备的位置数据中提取第一模糊位置数据,这些位置数据存在一定的不确定性,但可以提供物流设备所在的大致位置信息。通过模糊逻辑定位算法对第一模糊位置数据进行分析,计算出模糊范围的最大值和最小值,这些最值反映了物流设备位置的不确定性范围,提供了位置数据的模糊性信息。根据最大最小值模糊范围数据,对第一模糊位置数据进行增广计算,增广计算可以扩展位置数据的范围,提供更多可能的位置情况,增加对物流设备位置的覆盖性和准确性。通过并行范围卷积计算,对初始范围节点进行处理。并行计算可以提高计算效率,快速生成模糊卷积范围节点集,生成的模糊卷积范围节点集反映了物流设备位置的更多可能性,包括不确定性范围和变化趋势,为后续的位置范围卷积计算提供基础。利用模糊卷积范围节点集,进行位置范围卷积计算。这种计算可以从模糊卷积范围节点集中提取更准确的位置范围信息,进一步缩小物流设备位置的不确定性范围。计算得到的第一模糊卷积范围节点提供了物流设备位置可能的范围信息,有助于确定物流设备的大致位置范围。
本实施例中,根据分布式节点位置图,提取物流设备位置数据中与节点位置相对应的位置信息,位置数据是设备的经纬度坐标或其他位置表示形式,基于提取得到的物流设备位置数据,获取第一模糊位置数据,第一模糊位置数据包括设备的位置范围、模糊位置描述或其他模糊表示形式,选择适用的模糊逻辑定位算法,并准备算法所需的参数和规则集,对第一模糊位置数据进行模糊范围最值分析,根据模糊逻辑的模糊化过程,包括模糊隶属度函数的定义和推理规则的应用,基于模糊范围最值分析的结果,生成最大最小值模糊范围数据,表示第一模糊位置数据的模糊范围,通常以最大值和最小值的形式表示。准备增广计算所需的参数和规则,包括最大最小值模糊范围数据和计算方法,利用最大最小值模糊范围数据对第一模糊位置数据进行增广计算,根据模糊逻辑的增广运算,如模糊交、模糊并或其他增广方式,根据增广计算的结果,生成初始范围节点,这些节点代表第一模糊位置数据在模糊范围内的不确定位置,对模糊卷积范围节点集进行位置范围卷积计算,根据位置范围卷积的计算方式,如根据节点之间的位置关系计算范围卷积,根据位置范围卷积计算的结果,获取第一模糊卷积范围节点,第一模糊卷积范围节点代表第一模糊位置数据经过模糊卷积后的位置范围。
本实施例中,步骤S4包括以下步骤:
步骤S41:对物流设备位置数据进行第二位置数据提取,获取第二模糊位置数据;
步骤S42:基于第一模糊卷积范围节点及第二模糊位置数据对分布式节点位置图进行边缘节点分析,以生成边缘节点数据;
步骤S43:通过边缘节点数据对分布式节点位置图进行边缘节点标记,以生成第二模糊边缘节点数据;
步骤S44:通过第一模糊卷积范围节点对第二模糊边缘节点数据进行精准边缘计算,以生成精准边缘位置数据。
本发明通过对物流设备位置数据进行分析,提取第二模糊位置数据,有助于了解设备在不同时间点的位置信息,为后续的边缘节点分析和精准边缘计算提供基础数据。例如,对设备在不同时间点的位置进行比较,以了解其移动方向和速度。通过结合第一模糊卷积范围节点和第二模糊位置数据,对分布式节点位置图进行边缘节点分析,边缘节点是与设备位置变化相关的关键节点,通过分析边缘节点,识别出设备位置变化的重要区域和节点,为后续的边缘节点标记和精准边缘计算提供依据。通过对分布式节点位置图进行边缘节点标记,生成第二模糊边缘节点数据,这些边缘节点被标记为与设备位置变化相关的节点,提供了位置变化的模糊边缘节点信息,通过边缘节点进一步缩小设备位置的范围,并提供更准确的位置定位结果。利用第一模糊卷积范围节点,对第二模糊边缘节点数据进行精准边缘计,得到精准的边缘位置数据,获取设备位置变化的精确位置信息。通过精准边缘计算,更准确地确定设备的位置,并提供更可靠和精确的位置定位结果。
本实施例中,物流设备位置数据中提取第二位置数据,准备边缘节点分析所需的参数和规则,包括第一模糊卷积范围节点和第二模糊位置数据,基于第一模糊卷积范围节点和第二模糊位置数据,对分布式节点位置图进行边缘节点分析,根据节点之间的位置关系、模糊逻辑的应用和其他相关规则,根据边缘节点分析的结果,生成边缘节点数据,边缘节点数据分布式节点位置图中与第二模糊位置数据相关的边缘节点,利用边缘节点数据对分布式节点位置图进行边缘节点标记,将边缘节点的标记信息与节点位置图相关联,根据边缘节点标记的结果,生成第二模糊边缘节点数据,表示分布式节点位置图中被标记为边缘节点的第二模糊位置数据,准备精准边缘计算所需的参数和规则,包括第一模糊卷积范围节点和第二模糊边缘节点数据,利用第一模糊卷积范围节点对第二模糊边缘节点数据进行精准边缘计算,使用第一模糊卷积范围节点的信息进行位置的修正和精确化,根据精准边缘计算的结果,生成精准边缘位置数据,这些数据表示第二模糊边缘节点经过精准计算后的准确位置信息。
本实施例中,步骤S5包括以下步骤:
步骤S51:利用边缘节点模糊位置匹配度计算公式对精准边缘位置数据与第二模糊边缘节点数据进行边缘模糊匹配计算,以生成边缘模糊位置匹配度指数;
步骤S52:确定边缘模糊位置匹配度指数大于或等于预设的边缘模糊位置匹配度阈值指数时,则对精准边缘位置数据进行标准差归一化处理,以生成标化精准边缘位置数据;
步骤S53:确定边缘模糊位置匹配度指数小于预设的边缘模糊位置匹配度阈值指数时,则对精准边缘位置数据进行均值归一化处理,以生成标化精准边缘位置数据;
步骤S54:通过标化精准边缘位置数据对分布式节点位置图进行精准位置计算,以生成精准位置参数;
步骤S55:通过精准位置参数对分布式节点位置图进行边缘节点位置校正,以获得精准位置数据;
步骤S56:通过精准位置数据对分布式节点位置图进行节点映射,构建实时分布式节点定位图。
本发明通过边缘节点模糊位置匹配度计算公式,计算精准边缘位置数据与第二模糊边缘节点数据之间的匹配程度,边缘模糊位置匹配度指数提供一种度量,用于评估精准边缘位置数据与边缘节点数据的相似性,通过边缘模糊位置匹配度指数帮助确定精准边缘位置数据的可靠性和准确性,根据边缘模糊位置匹配度指数与预设的边缘模糊位置匹配度阈值指数的比较结果,确定是否需要对精准边缘位置数据进行标准差归一化处理,标准差归一化处理通过将数据转化为均值为0、标准差为1的标准分布,使得数据具有相对一致的尺度,标化精准边缘位置数据有助于消除不同尺度带来的影响,并提供更一致的数据表示,边缘模糊位置匹配度指数小于预设的边缘模糊位置匹配度阈值指数时,选择对精准边缘位置数据进行均值归一化处理,均值归一化处理通过将数据减去均值,使得数据的均值为0,从而消除不同均值对数据分布的影响,标化精准边缘位置数据提供了一种相对一致的数据表示方式,有助于比较和分析位置数据,利用标化精准边缘位置数据,进行精准位置计算,以确定物流设备的精确位置,精准位置参数提供了物流设备在分布式节点位置图上的准确位置信息,为后续的边缘节点位置校正和节点映射提供基础数据,利用精准位置参数,进行边缘节点位置校正,对分布式节点位置图中的边缘节点进行位置调整,使其与精准位置参数一致,通过边缘节点位置校正,获得更精确的位置数据,提供了物流设备在分布式节点位置图上的准确位置信息,利用精准位置数据,进行节点映射,将精准位置数据映射到分布式节点位置图上的相应节点位置,通过节点映射,构建实时的分布式节点定位图,提供了物流设备当前的位置信息,实时分布式节点定位图帮助实时监控和追踪物流设备的位置,为物流管理和调度提供支持。
本实施例中,利用边缘节点模糊位置匹配度计算公式,对精准边缘位置数据与第二模糊边缘节点数据进行边缘模糊匹配计算,得到边缘模糊位置匹配度指数,表示它们之间的匹配程度。准备预设的边缘模糊位置匹配度阈值指数,该阈值用于判断是否对精准边缘位置数据进行标准差归一化处理,如果边缘模糊位置匹配度指数大于或等于预设的边缘模糊位置匹配度阈值指数,则对精准边缘位置数据进行标准差归一化处理,通过计算精准边缘位置数据的标准差,并将每个数据点减去均值后除以标准差来实现,经过标准差归一化处理后,得到标化精准边缘位置数据,标化精准边缘位置数据精准边缘位置数据在匹配度指数高于阈值时的标准化结果,如果边缘模糊位置匹配度指数小于预设的边缘模糊位置匹配度阈值指数,则对精准边缘位置数据进行均值归一化处理,通过计算精准边缘位置数据的均值,并将每个数据点减去均值后除以均值来实现,经过均值归一化处理后,得到标化精准边缘位置数据,标化精准边缘位置数据表示精准边缘位置数据在匹配度指数低于阈值时的标准化结果,利用标化精准边缘位置数据,结合分布式节点位置图,进行精准位置计算,例如使用加权平均或其他算法来计算节点的精准位置,通过精准位置计算,得到每个节点的精准位置参数,这些参数表示节点在整个分布式系统中的准确位置,通过精准位置计算,得到每个节点的精准位置参数,这些参数表示节点在整个分布式系统中的准确位置,经过边缘节点位置校正后,得到包含所有节点的精准位置数据,精准位置数据反映分布式系统中每个节点的准确位置,原始的分布式节点位置图进行节点映射,将每个节点的位置信息更新为其对应的精准位置数据,通过节点映射,得到实时的分布式节点定位图,该图反映每个节点的精准位置,并用于后续的定位和导航等应用。
本实施例中,步骤S51中的边缘节点模糊位置匹配度计算公式具体为:
为边缘模糊位置匹配度指数,/>为边缘节点与精准边缘位置数据的X坐标差值,为边缘节点与精准边缘位置数据的y坐标差值,/>为边缘节点的X坐标,/>为边缘节点的Y坐标,/>为节点标准差,/>为第一模糊卷积范围节点的范围值,/>为边缘节点与第一模糊卷积范围节点的距离值,/>为位置匹配度调整因子,为边缘节点在分布式节点位置图长度。
本发明通过计算了边缘节点与精准边缘位置数据之间的X坐标差值(α)和y坐标差值(β),然后除以边缘节点的X坐标的自然对数/>,是通过计算坐标差值和节点的横坐标,来获得边缘节点在X方向上的位置匹配度,较小的坐标差值和较大的节点横坐标将增加位置匹配度,通过/>计算了节点的Y坐标(G),节点的标准差(σ)和第一模糊卷积范围节点的范围值(δ)之间的关系,节点的纵坐标除以π的平方根表示节点的位置在纵向上的分布情况,节点标准差和第一模糊卷积范围节点的范围值的比值表示节点位置的模糊程度,根据纵向位置分布和模糊程度,获得节点在纵向上的位置匹配度,/>计算了边缘节点与第一模糊卷积范围节点之间的距离值(ε),然后将其除以位置匹配度调整因子(k)乘以η和θ之间的比值的平方根,将边缘节点与第一模糊卷积范围节点之间的距离考虑到位置匹配的计算中,较小的距离值和较大的η与θ的比值将增加位置匹配度,/>计算位置匹配度调整因子(k)的自然对数被除以节点标准差(σ)、π的平方根、第一模糊卷积范围节点的范围值(δ)的立方根的乘积,根据节点标准差和范围值的影响,调整位置匹配度调整因子,公式通过考虑边缘节点与精准位置数据之间的坐标差异、节点位置的分布特点、标准差、范围值、距离值、位置匹配度调整因子和边缘节点长度等因素,计算了边缘节点的模糊位置匹配度指数,通过综合考虑这些因素,全面评估边缘节点与期望位置之间的位置匹配度,同时考虑坐标差异和节点位置分布的特点。
本实施例中,步骤S6包括以下步骤:
步骤S61:利用循环卷积网络对实时分布式节点定位图进行数据预处理,从而获得卷积样本集:
步骤S62:对卷积样本集进行膨胀卷积处理,生成分布式节点卷积序列;
步骤S63:对分布式节点卷积序列进行池化多层采样,生成分布式节点卷积网络;
步骤S64:对分布式节点卷积网络进行数据挖掘,生成分布式节点卷积图;
步骤S65:对分布式节点卷积图进行动态卷积建模,构建分布式卷积智能定位模型,以执行物流设备智能定位作业。
本发明通过循环卷积网络对实时分布式节点定位图进行数据预处理,对原始数据进行特征提取和转换,减少数据的维度和复杂性,提取出更有用的特征,并为后续的卷积处理和数据挖掘提供更适合的输入数据。通过对卷积样本集进行膨胀卷积处理,将卷积操作应用于样本集中的每个样本,膨胀卷积扩大感受野,捕捉更大范围内的特征信息,并提取出更丰富的空间特征,生成的分布式节点卷积序列包含了膨胀卷积处理后得到的特征序列,为下一步的池化和数据挖掘提供输入,通过对分布式节点卷积序列进行池化多层采样,减少数据的维度并提取出关键的特征信息,池化操作将特征图的尺寸缩小,并保留最重要的特征。多层采样逐渐减小尺寸并提取更高级别的特征,生成的分布式节点卷积网络包含了经过池化多层采样后的特征图,用于后续的数据挖掘和建模。通过对分布式节点卷积网络进行数据挖掘,从卷积特征中提取出更加丰富和有用的信息,数据挖掘包括各种机器学习和深度学习算法,用于识别模式、发现规律和提取关键特征。生成的分布式节点卷积图包含了经过数据挖掘处理后的信息,用于建立物流设备智能定位模型,通过对分布式节点卷积图进行动态卷积建模,建立物流设备智能定位模型。动态卷积建模考虑时间和空间的变化,捕捉物流设备位置的动态特性。构建分布式卷积智能定位模型通过学习和训练,提取出与物流设备位置相关的特征和模式,实现对物流设备的智能定位。
本实施例中,使用循环卷积网络对实时分布式节点定位图进行数据预处理,预处理方法包括数据平滑、去噪、归一化等,以提升数据质量和可处理性,通过数据预处理,得到卷积样本集,每个样本代表一个时间点的分布式节点定位图,在后续的处理中会用于卷积操作,对卷积样本集进行膨胀卷积处理,膨胀卷积是一种扩展卷积感受野的技术,在保持计算效率的同时增加模型的感知范围,通过膨胀卷积操作,生成分布式节点卷积序列,每个节点的位置信息会在卷积过程中与周围节点的信息进行卷积操作,从而得到节点的卷积特征序列,对分布式节点卷积序列进行池化操作,池化是一种降采样技术,减少数据的维度并保留关键特征,进行多层的池化操作,逐渐降低数据的维度和复杂度,每一层的池化操作都会减少节点的个数和特征的维度,经过多层池化操作后,得到分布式节点卷积网络,该网络由多个层次的池化操作构成,每一层对应着不同程度的降采样和特征提取,对分布式节点卷积网络进行数据挖掘操作,数据挖掘包括特征提取、模式识别、聚类分析等方法,以从网络中提取有用的信息和模式,经过数据挖掘操作后,得到分布式节点卷积图,反映节点之间的关系和特征分布,用于后续的分析和建模,利用分布式节点卷积图进行动态卷积建模,动态卷积是一种结合时间和空间信息的卷积操作,捕捉节点之间的时序关系和动态变化,通过动态卷积建模,构建分布式卷积智能定位模型,该模型利用节点之间的卷积特征和时序信息,实现对物流设备的智能定位和跟踪。
本实施例中,提供一种基于物联网的物流设备智能定位系统,包括:
至少一个处理器;
与所述至少一个处理器通信连接的存储器;
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如上所述的一种基于物联网的物流设备智能定位方法。
本发明通过构建物联网的物流设备智能定位系统,使用RFID电子标签,持续获取物流设备的位置数据和环境感知数据,确保系统具有最新的位置和环境信息,使得物流设备的定位更加准确和可靠。通过对环境感知数据进行分析,推断物流设备的运动状态,例如移动、停止或转弯等,有助于识别设备的运动模式,并为后续的位置时序分析提供更准确的数据。利用设备运动状态数据,对物流设备的位置数据进行时序分析,获得位置随时间变化的信息。有助于了解设备的运动轨迹和位置变化趋势,并为后续的位置数据提取和建模提供基础。通过对位置时序数据进行拟合,建立分布式节点位置图。该位置图反映物流设备在空间中的分布情况,提供了节点之间的关联性和拓扑结构。基于分布式节点位置图,从物流设备的位置数据中提取第一模糊位置数据。这些位置数据存在一定的不确定性,但提供物流设备所在的大致位置信息。通过应用模糊逻辑定位算法,对第一模糊位置数据进行处理,计算出位置范围的卷积结果,得到第一模糊卷积范围节点,表示物流设备可能出现的位置范围。利用第二模糊位置数据对分布式节点位置图进行边缘节点标记,确定物流设备位置图中的边缘节点。这些边缘节点具有重要的定位和边缘计算意义,通过第一模糊卷积范围节点对第二模糊边缘节点数据进行精准边缘计算,得到精准边缘位置数据,精准边缘位置数据提供物流设备位置的更准确和精细的信息,有助于进一步定位和处理物流设备。利用精准边缘位置数据对分布式节点位置图中的边缘节点进行位置校正,提高节点位置的准确性,进一步提升物流设备的定位精度。通过精准位置数据对分布式节点位置图进行节点映射,构建实时分布式节点定位图,定位图反映物流设备在空间中的准确位置分布,为后续的定位和建模提供基础。通过循环卷积网络对实时分布式节点定位图进行动态卷积建模,有效地分析节点之间的关系和空间分布特征,构建物流设备智能定位的分布式卷积智能定位模型。利用构建的分布式卷积智能定位模型,执行物流设备的智能定位作业。模型根据实时数据对物流设备进行准确的定位,为物流管理和操作提供支持。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于物联网的物流设备智能定位方法,其特征在于,包括以下步骤:
步骤S1:利用RFID电子标签持续获取物流设备位置数据及环境感知数据;根据环境感知数据对物流设备位置数据进行运动状态分析,以生成设备运动状态数据;
步骤S2:通过设备运动状态数据对物流设备位置数据进行位置时序分析,以获取位置时序数据;基于位置时序数据对物流设备位置数据进行分布式节点位置图拟合,以构建分布式节点位置图;
步骤S3:基于分布式节点位置图对物流设备位置数据进行第一位置数据提取,获取第一模糊位置数据;利用模糊逻辑定位算法对第一模糊位置数据进行位置范围卷积计算,以获得第一模糊卷积范围节点;
步骤S4:对物流设备位置数据进行第二位置数据提取,获取第二模糊位置数据;通过第二模糊位置数据对分布式节点位置图进行边缘节点标记,以生成第二模糊边缘节点数据;通过第一模糊卷积范围节点对第二模糊边缘节点数据进行精准边缘计算,以生成精准边缘位置数据;
步骤S5:通过精准边缘位置数据对分布式节点位置图进行边缘节点位置校正,以获得精准位置数据;通过精准位置数据对分布式节点位置图进行节点映射,构建实时分布式节点定位图;
步骤S6:利用循环卷积网络对实时分布式节点定位图进行动态卷积建模,构建分布式卷积智能定位模型,以执行物流设备智能定位作业。
2.根据权利要求1所述的基于物联网的物流设备智能定位方法,其特征在于,步骤S1的具体步骤为:
步骤S11:利用RFID电子标签持续获取物流设备位置数据及环境感知数据;
步骤S12:对物流设备位置数据进行速度计算,以生成物流设备速度参数;
步骤S13:根据物流设备速度参数对物流设备位置数据进行停留时间分析,以获取停留时间;
步骤S14:基于停留时间对物流设备速度参数进行运动路径识别,生成物流设备运动路径;
步骤S15:根据环境感知数据对物流设备运动路径进行运动状态分析,以生成设备运动状态数据。
3.根据权利要求1所述的基于物联网的物流设备智能定位方法,其特征在于,步骤S2的具体步骤为:
步骤S21:通过设备运动状态数据对物流设备位置数据进行位置变化频率分析,以生成位置变化频率参数;
步骤S22:通过位置变化频率参数对物流设备位置数据进行位置时序分析,以获取位置时序数据;
步骤S23:对位置时序数据进行位置密度计算,以生成位置密度数据;
步骤S24:通过位置密度数据对物流设备位置数据进行位置轨迹重构,以获取时序位置轨迹线;
步骤S25:通过时序位置轨迹线对物流设备位置数据进行分布式节点位置图拟合,以构建分布式节点位置图。
4.根据权利要求3所述的基于物联网的物流设备智能定位方法,其特征在于,步骤S25的具体步骤为:
步骤S251:通过时序位置轨迹线对物流设备位置数据进行位置节点提取,以生成位置节点数据;
步骤S252:对位置节点数据进行空间分布分析,生成节点空间分布数据;
步骤S253:通过节点空间分布数据对物流设备位置数据进行分布式节点映射,生成分布式节点图;
步骤S254:对分布式节点图进行节点增强处理,构建分布式节点位置图。
5.根据权利要求1所述的基于物联网的物流设备智能定位方法,其特征在于,步骤S3的具体步骤为:
步骤S31:基于分布式节点位置图对物流设备位置数据进行第一位置数据提取,获取第一模糊位置数据;
步骤S32:利用模糊逻辑定位算法对第一模糊位置数据进行模糊范围最值分析,以生成最大最小值模糊范围数据;
步骤S33:利用最大最小值模糊范围数据对第一模糊位置数据进行增广计算,生成初始范围节点;
步骤S34:对初始范围节点进行并行范围卷积计算,生成模糊卷积范围节点集;
步骤S35:对模糊卷积范围节点集进行位置范围卷积计算,以获得第一模糊卷积范围节点。
6.根据权利要求1所述的基于物联网的物流设备智能定位方法,其特征在于,步骤S4的具体步骤为:
步骤S41:对物流设备位置数据进行第二位置数据提取,获取第二模糊位置数据;
步骤S42:基于第一模糊卷积范围节点及第二模糊位置数据对分布式节点位置图进行边缘节点分析,以生成边缘节点数据;
步骤S43:通过边缘节点数据对分布式节点位置图进行边缘节点标记,以生成第二模糊边缘节点数据;
步骤S44:通过第一模糊卷积范围节点对第二模糊边缘节点数据进行精准边缘计算,以生成精准边缘位置数据。
7.根据权利要求1所述的基于物联网的物流设备智能定位方法,其特征在于,步骤S5的具体步骤为:
步骤S51:利用边缘节点模糊位置匹配度计算公式对精准边缘位置数据与第二模糊边缘节点数据进行边缘模糊匹配计算,以生成边缘模糊位置匹配度指数;
步骤S52:确定边缘模糊位置匹配度指数大于或等于预设的边缘模糊位置匹配度阈值指数时,则对精准边缘位置数据进行标准差归一化处理,以生成标化精准边缘位置数据;
步骤S53:确定边缘模糊位置匹配度指数小于预设的边缘模糊位置匹配度阈值指数时,则对精准边缘位置数据进行均值归一化处理,以生成标化精准边缘位置数据;
步骤S54:通过标化精准边缘位置数据对分布式节点位置图进行精准位置计算,以生成精准位置参数;
步骤S55:通过精准位置参数对分布式节点位置图进行边缘节点位置校正,以获得精准位置数据;
步骤S56:通过精准位置数据对分布式节点位置图进行节点映射,构建实时分布式节点定位图。
8.根据权利要求7所述的基于物联网的物流设备智能定位方法,其特征在于,步骤S51中的边缘节点模糊位置匹配度计算公式具体为:
P为边缘模糊位置匹配度指数,α为边缘节点与精准边缘位置数据的X坐标差值,β为边缘节点与精准边缘位置数据的y坐标差值,γ为边缘节点的X坐标,G为边缘节点的Y坐标,σ为节点标准差,δ为第一模糊卷积范围节点的范围值,ε为边缘节点与第一模糊卷积范围节点的距离值,k为位置匹配度调整因子,L为边缘节点在分布式节点位置图长度。
9.根据权利要求1所述的基于物联网的物流设备智能定位方法,其特征在于,步骤S6的具体步骤为:
步骤S61:利用循环卷积网络对实时分布式节点定位图进行数据预处理,从而获得卷积样本集:
步骤S62:对卷积样本集进行膨胀卷积处理,生成分布式节点卷积序列;
步骤S63:对分布式节点卷积序列进行池化多层采样,生成分布式节点卷积网络;
步骤S64:对分布式节点卷积网络进行数据挖掘,生成分布式节点卷积图;
步骤S65:对分布式节点卷积图进行动态卷积建模,构建分布式卷积智能定位模型,以执行物流设备智能定位作业。
10.一种基于物联网的物流设备智能定位系统,其特征在于,所述系统包括:
至少一个处理器;
与所述至少一个处理器通信连接的存储器;
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如权利要求1至9中任一项所述的一种基于物联网的物流设备智能定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311486699.2A CN117610601B (zh) | 2023-11-08 | 2023-11-08 | 一种基于物联网的物流设备智能定位方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311486699.2A CN117610601B (zh) | 2023-11-08 | 2023-11-08 | 一种基于物联网的物流设备智能定位方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117610601A CN117610601A (zh) | 2024-02-27 |
CN117610601B true CN117610601B (zh) | 2024-06-21 |
Family
ID=89955325
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311486699.2A Active CN117610601B (zh) | 2023-11-08 | 2023-11-08 | 一种基于物联网的物流设备智能定位方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117610601B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108981730A (zh) * | 2017-05-31 | 2018-12-11 | 百度(美国)有限责任公司 | 用于为操作自动驾驶车辆生成参考路径的方法和系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5283575A (en) * | 1991-11-08 | 1994-02-01 | Zexel Corporation | System and method for locating a travelling vehicle |
CN109946731B (zh) * | 2019-03-06 | 2022-06-10 | 东南大学 | 一种基于模糊自适应无迹卡尔曼滤波的车辆高可靠融合定位方法 |
CN116403404A (zh) * | 2023-04-20 | 2023-07-07 | 湖南大学深圳研究院 | 基于运动不确定性扩散模型的车辆轨迹预测方法及系统 |
-
2023
- 2023-11-08 CN CN202311486699.2A patent/CN117610601B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108981730A (zh) * | 2017-05-31 | 2018-12-11 | 百度(美国)有限责任公司 | 用于为操作自动驾驶车辆生成参考路径的方法和系统 |
Non-Patent Citations (1)
Title |
---|
物联网环境下的移动机器人定位与控制;许坤;《中国优秀硕士学位论文全文数据库》;20170315;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117610601A (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Meng et al. | An overview on trajectory outlier detection | |
CN113157800B (zh) | 实时发现空中动态目标识别方法 | |
CN114463932B (zh) | 非接触式施工安全距离主动动态识别预警系统及方法 | |
US11928813B2 (en) | Method and system for detecting change to structure by using drone | |
CN117252863B (zh) | 一种地理信息异常数据快速检测分析方法 | |
CN112100435A (zh) | 一种基于边缘端交通音视频同步样本的自动标注方法 | |
CN113436223A (zh) | 点云数据的分割方法、装置、计算机设备和存储介质 | |
Ren et al. | Improved shape-based distance method for correlation analysis of multi-radar data fusion in self-driving vehicle | |
CN117272022B (zh) | 一种mems振荡器的检测方法 | |
CN114387332A (zh) | 一种管道测厚方法及装置 | |
CN117610601B (zh) | 一种基于物联网的物流设备智能定位方法及系统 | |
CN117828527A (zh) | 多源数据融合与态势生成方法及系统 | |
CN116975581B (zh) | 一种基于step格式的钣金件快速识别方法 | |
CN111222203A (zh) | 一种轴承使用寿命模型创建及其预测方法 | |
CN115114985A (zh) | 一种基于集合理论的传感器系统分布式融合方法 | |
CN110119782A (zh) | 基于fpga的sar图像变化检测方法 | |
CN116861175B (zh) | 一种基于神经网络的运行轨迹校正方法 | |
CN117932456B (zh) | 一种顾及空间异质性的集成空间预测方法 | |
CN118332482B (zh) | 基于噪点清洗的土壤数据采集方法及系统 | |
CN118467968A (zh) | 一种回填质量监控方法 | |
CN117390364B (zh) | 一种用于运营状态下桥梁响应的时空域建模拟合方法 | |
CN116975561B (zh) | 一种基于step格式的车床工艺识别方法 | |
CN118296570B (zh) | 基于bim技术的路桥可视化施工运维系统及方法 | |
CN110187340B (zh) | 一种基于熵的探测目标的信息表征方法及系统 | |
CN114386522A (zh) | 基于深度学习的动态目标快速感知方法及系统 |
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 |