基于注意力机制的无线室内定位方法及系统技术方案

本发明专利技术公开了一种基于注意力机制的无线室内定位方法及系统，定位精度高。该方法包括以下步骤：在室内布置多个带有Ibeacon信标的信标节点和多个位置已知的参考节点；连续采集多时刻各个参考节点与所有信标节点之间的RSSI值，将各个参考节点每时刻对应的RSSI值进行排序，组成各个参考节点每时刻对应的RSSI值序列；利用时间卷积网络模型对各个参考节点每时刻对应的RSSI值序列进行训练，得到每个参考节点的概率序列；对所有参考节点的概率序列进行加权处理，得到最终的定位位置。

【技术实现步骤摘要】
基于注意力机制的无线室内定位方法及系统
本公开涉及室内定位领域，具体涉及一种基于注意力机制的无线室内定位方法及系统。
技术介绍
定位技术在室内导航、智慧医疗、移动社交等领域发挥着十分重要的作用。随着移动互联网的高速发展，室内定位技术对全球行业市场而言具有很大的前景。目前的室内定位方法主要分为2种：基于信号强度的测距定位方法；基于特征匹配的指纹定位方法。基于指纹数据库的定位方法利用无线信号的多径传播来构建RSSI(ReceivedSignalStrengthIndicator)指纹地图，能够更好地适应室内环境，而且硬件成本相对较低，因而得到广泛的关注与研究。常用的无线信号有WiFi，蓝牙，RFID等，近年来，BLE室内定位技术因为覆盖范围广、低功耗、传输快等优点而引起了研究者的广泛关注，特别是在iBeacon被推出后，低功耗蓝牙定位技术得到了快速发展。一般的智能手机都配备了蓝牙数据接收模块，因此在室内环境中只需额外的増加一些低成本的iBeacon信标就可以在智能手机上实现米级的室内行人定位。指纹定位方法分为两个阶段：离线训练阶段和在线定位阶段。离线阶段，布置基站，利用智能手机采集预设定的接入点(AccessPoint,AP)与各参考节点(ReferencePoint,RP)之间的RSSI值，并将其处理成一维向量，建立实验场景的特征指纹数据库。在线阶段将待测点的RSSI指纹与指纹库进行对比匹配来估计待测点的坐标。指纹算法定位的准确性主要受RSSI值的影响，而RSSI值的波动性往往很大，如何从原始的RSSI指纹中挑选可靠的特征，发现好的映射函数成为了研究的热点。深度学习网络具有良好的模型泛化学习能力，能从复杂的输入信号中提取有效的特征，学习和构建高精度、强鲁棒性的数学模型，基于此，利用深度学习神经网络能够从复杂的RSSI指纹中提取其高代表性特征表示，成为了提高指纹定位算法精度的有效手段。Liu等人提出利用DNN网络来提取无线指纹信号的特征表示，再利用HMM精确定位。Jang等人将一维的无线信号Reshape为二维信号，再利用CNN网络去提取特征。然而，专利技术人在研发过程中发现，这些方法都存在定位精度不高的问题。
技术实现思路
为了克服上述现有技术的不足，本公开提供了一种基于注意力机制的无线室内定位方法及系统，定位精度高。本公开所采用的技术方案是：一种基于注意力机制的无线室内定位方法，该方法包括以下步骤：在室内布置多个带有Ibeacon信标的信标节点和多个位置已知的参考节点；连续采集多时刻各个参考节点与所有信标节点之间的RSSI值，将各个参考节点每时刻对应的RSSI值进行排序，组成各个参考节点每时刻对应的RSSI值序列；利用时间卷积网络模型对各个参考节点每时刻对应的RSSI值序列进行训练，得到每个参考节点的概率序列；对所有参考节点的概率序列进行加权处理，得到最终的定位位置。一种室内定位系统，该系统包括：数据采集单元，用于连续采集多时刻各个参考节点与所有信标节点之间的RSSI值，并输出值室内定位单元；定位单元，用于将各个参考节点每时刻对应的RSSI值进行排序，组成各个参考节点每时刻对应的RSSI值序列；利用时间卷积网络模型对各个参考节点每时刻对应的RSSI值序列进行训练，得到每个参考节点的概率序列；并对所有参考节点的概率序列进行加权处理，得到最终的定位位置，输出至数据输出单元；数据输出单元，用于输出得到的最终定位位置。一种计算机可读存储介质，其中存储有多条指令，其特征是，所述指令适于由终端设备的处理器加载并执行如上所述的一种基于注意力机制的无线室内定位方法。一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，其特征是，所述指令适于由处理器加载并执行如上所述的一种基于注意力机制的无线室内定位方法。通过上述技术方案，本公开的有益效果是：本公开在时间卷积网络模型中引入注意力机制，对输入的RSSI值序列的时间信息进行重要性选择，得到包含空间信息和时间信息的输入序列，采用时间卷积网络对所有输入序列进行训练，得到包含时间信号和空间信息的特征，利用全连接层和分类层对得到的所有特征进行综合和分类后，得到每个参考节点的概率序列，大大减弱了RSSI值序列随时间波动所带来的影响，提高了定位精度。附图说明构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本申请，并不构成对本公开的不当限定。图1是根据一种或多种实施方式的基于注意力机制的无线室内定位方法流程图；图2是根据一种或多种实施方式的室内参考节点和信标节点布置图；图3是根据一种或多种实施方式的时间卷积网络模型结构图；图4是根据一种或多种实施方式的注意力机制层结构图；图5是根据一种或多种实施方式的时间卷积网络层结构图；图6是根据一种或多种实施方式的输出层结构图；图7是根据一种或多种实施方式的时间卷积网络与结合注意力机制的时间卷积网络的训练过程对比图。具体实施方式下面结合附图与实施例对本公开作进一步说明。应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本公开使用的所有技术和科学术语具有与本公开所属
的普通技术人员通常理解的相同含义。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。一种或多种实施例提供一种基于注意力机制的无线室内定位方法，将采集的原始RSSI值序列按照时域顺序组合起来，组成新的输入序列，使输入序列既包括空间信息也包括时间信息，然后将输入序列输入到时间卷积网络模型中，使训练得到的概率序列既包括空间信息也包括时间信息。请参阅附图1，该室内定位方法包括以下步骤：S101，在室内布置多个带有Ibeacon信标的信标节点，将每个ibeacon信标的Minor号设置成编号，根据所有Ibeacon信标的编号组合成输入向量。具体地，在室内环境中布置N个信标节点，并在每个信标节点布置一个Ibeacon信标，请参阅附图2，分别为所有Ibeacon信标编号，将每个ibeacon信标的Minor号设置成唯一的ID编号，根据所有Ibeacon信标的ID编号组合成输入向量bssid_map，维度为N。在本实施例中，每个输入数据都是N维的，可根据向量bssid_map中所有Ibeacon信标ID的编号顺序，对输入数据进行排序。所述输入数据为参考节点与其周围信标节点之间的RSSI值。S102，在室内布置多个位置已知的参考节点，按照参考节点在环境坐标系中的实际坐标位置，依次为其编号，根据所有参考节点的编号组合成输出向量。具体地，根据室内平面地图，将室内待定位区域划分成M个方格，每个方格为一个参考节点，每一个方格代表一个定位区域，请参阅附图2，按照参考节点在环境坐标系中的实际坐标位置，依次为每个参考节点编号，根据所有参考节点的编号组合成输出向量label_map，维度为M。在本实施例中，每个输出数据都是M维的，可根据向量l本文档来自技高网...

【技术保护点】
1.一种基于注意力机制的无线室内定位方法，其特征是，包括以下步骤：在室内布置多个带有Ibeacon信标的信标节点和多个位置已知的参考节点；连续采集多时刻各个参考节点与所有信标节点之间的RSSI值，将各个参考节点每时刻对应的RSSI值进行排序，组成各个参考节点每时刻对应的RSSI值序列；利用时间卷积网络模型对各个参考节点每时刻对应的RSSI值序列进行训练，得到每个参考节点的概率序列；对所有参考节点的概率序列进行加权处理，得到最终的定位位置。

【技术特征摘要】
2019.02.19 CN 20191012289101.一种基于注意力机制的无线室内定位方法，其特征是，包括以下步骤：在室内布置多个带有Ibeacon信标的信标节点和多个位置已知的参考节点；连续采集多时刻各个参考节点与所有信标节点之间的RSSI值，将各个参考节点每时刻对应的RSSI值进行排序，组成各个参考节点每时刻对应的RSSI值序列；利用时间卷积网络模型对各个参考节点每时刻对应的RSSI值序列进行训练，得到每个参考节点的概率序列；对所有参考节点的概率序列进行加权处理，得到最终的定位位置。2.根据权利要求1所述的基于注意力机制的无线室内定位方法，其特征是，还包括：将每个信标节点的ibeacon信标的Minor号设置成编号，根据所有信标节点的ibeacon信标编号组成输入向量。3.根据权利要求1所述的基于注意力机制的无线室内定位方法，其特征是，还包括：依次为每个参考节点编号，根据所有参考节点的编号组成输出向量。4.根据权利要求2所述的基于注意力机制的无线室内定位方法，其特征是，根据输入向量中信标节点的编号，分别将各个参考节点每时刻对应的RSSI值进行排序，组成各个参考节点每时刻对应的RSSI值序列；并对各个参考节点每时刻对应的RSSI值序列中RSSI值进行正规化处理。5.根据权利要求1所述的基于注意力机制的无线室内定位方法，其特征是，所述时间卷积网络模型包括输入层、注意力机制层、时间卷积网络层和输出层；所述注意力机制层包括重排层、全连接层、融合层和重塑层；所述时间卷积网络层包括空洞因果卷积层、激活层和一维卷积层；所述输出层包括全连接层和分类层。6.根据权利要求5所述的基于注意力机制的无线室内定位方法，其特征是，所述利用时间卷积网络模型对各个参考节点每时刻对应的RSSI值序...

【专利技术属性】
技术研发人员：刘炽，张伟，鲁威志，顾建军，
申请(专利权)人：山东大学，
类型：发明
国别省市：山东,37