用于无线感测装置的部署方法和系统制造方法及图纸

本申请提供用于无线感测装置的部署方法和系统。其中，该用于无线感测装置的部署方法包括下列步骤：S1：获取待部署区域的空间结构信息；S2：计算无线感测装置的布局；S3：根据布局计算信号强度，并判断信号强度是否符合需求；S4：通过无线感测装置接收到的信号，判断默认神经网络模型是否符合需求，如果不符合需求，则根据无线感测装置接收到的信号来通过迁移学习对预训练的神经网络模型进行优化；S5：将已优化的神经网络模型部署到所述无线感测装置中。通过采用本申请的用于无线感测装置的部署方法和系统，能够实现无线感测装置的快速部署和自动配置，有效地提高了部署效率并降低部署成本。

【技术实现步骤摘要】
用于无线感测装置的部署方法和系统
本申请涉及无线感测装置的部署和应用。更具体而言，本申请涉及一种用于无线感测装置的部署方法，其旨在通过迁移学习(transferlearning)来改善无线感测装置的部署效率。本申请还涉及一种用于无线感测装置的部署系统。
技术介绍
随着智能建筑建造和运营技术的不断提高，越来越多的智能建筑系统需要实时感测建筑内的人的存在以及人的活动类型。一种典型的无线感测装置是通过室内无线网络信号或Wi-Fi信号的波动来感测某个感兴趣区域(Region-of-interest，缩写为ROI)中是否有人存在，并且能够通过无线网络信号的波动类型和特征来感测人的动作状态。该类型的无线感测装置可通过部署一个或多个信道状态信息(ChannelStateInformation，缩写为CSI)发射器和传感器来感测无线信号。然而，在现有的无线感测装置的部署期间，通常需要采用神经网络(NeuralNetwork)来学习感兴趣区域内的人活动与无线信号之间的关联性。神经网络所采用预训练的模型通常不能适应实际建筑中的复杂环境。为了使模型获得期望的性能，通常需要根据实际环境重新训练或优化(fine-tuned)模型。这需要收集大量的现场数据和长时间的训练。此外，部署、调试和调整发射器和传感器的操作需要耗费大量的工作时间。因此，本领域中存在对改善的无线感测装置的部署方法和系统的持续需求，所期望的是新的解决方案能够缩短部署时间并提高部署的准确性。
技术实现思路
本申请一方面的目的在于提供一种用于无线感测装置的部署方法，其旨在提高无线感测装置的部署操作的效率和自动化程度。本申请另一方面的目的在于提供一种用于无线感测装置的部署系统。本申请的目的是通过如下技术方案实现的：一种用于无线感测装置的部署方法，包括下列步骤：S1：获取待部署区域的空间结构信息；S2：计算无线感测装置的布局；S3：根据布局计算信号强度，并判断信号强度是否符合需求；S4：通过无线感测装置接收到的信号，判断默认神经网络模型是否符合需求，如果不符合需求，则根据无线感测装置接收到的信号来通过迁移学习对预训练的神经网络模型进行优化；S5：将已优化的神经网络模型部署到无线感测装置中。在上述部署方法中，可选地，在步骤S1中，从BIM模型或建筑结构数据软件来获得待部署区域的空间结构信息。在上述部署方法中，可选地，无线感测装置包括发射器和接收器，在步骤S2中，无线感测装置的布局包括：发射器的位置、接收器的位置和感兴趣区域的位置。在上述部署方法中，可选地，在步骤S3中，根据计算模型以及发射器和接收器的位置来计算感兴趣区域中的无线信号强度。在上述部署方法中，可选地，在步骤S4中，神经网络模型包括用于根据Wi-Fi信号来检测人活动的卷积神经网络模型，采用无线感测装置接收到的信号特征作为卷积神经网络模型的优化中的输入。在上述部署方法中，可选地，在步骤S5中，还包括将已优化的神经网络模型存储到数据库中。在上述部署方法中，可选地，各个步骤由以下平台之一来执行：服务器、无线感测装置的接收器和手持设备。一种用于无线感测装置的部署系统，包括：空间结构信息获取模块，其配置为获取待部署区域的空间结构信息；无线感测装置计算模块，其配置为计算无线感测装置的布局；信号强度规划模块，其配置为根据布局计算信号强度，并判断信号强度是否符合需求；模型优化模块，其配置为通过无线感测装置接收到的信号，判断默认神经网络模型是否符合需求，如果不符合需求，则根据无线感测装置接收到的信号来通过迁移学习对预训练的神经网络模型进行优化；以及部署模块，其配置为将已优化的神经网络模型部署到无线感测装置中。在上述部署系统中，可选地，空间结构信息获取模块配置为从BIM模型或建筑结构数据软件来获得待部署区域的空间结构信息。在上述部署系统中，可选地，无线感测装置包括发射器和接收器，计算无线感测装置的布局包括：设定和/或计算发射器的位置、感兴趣区域的位置和接收器的位置。在上述部署系统中，可选地，计算信号强度包括根据计算模型以及发射器和接收器的位置来计算感兴趣区域中的无线信号强度。在上述部署系统中，可选地，模型优化模块还配置为根据采用默认神经网络模型来测试来自无线感测装置的现场数据。在上述部署系统中，可选地，神经网络模型包括根据Wi-Fi信号来检测人活动的卷积神经网络模型，采用无线感测装置接收到的信号特征作为卷积神经网络模型的优化中的输入。在上述部署系统中，可选地，部署模块还配置为将已优化的神经网络模型存储到数据库中。在上述部署系统中，可选地，空间结构信息获取模块、无线感测装置计算模块、信号强度规划模块、模型优化模块和部署模块部署在以下一个或多个上：服务器、无线感测装置的接收器和手持设备。本申请的用于无线感测装置的部署方法和系统具有结构简单、使用方便、运行效率高等优点。通过采用本申请的用于无线感测装置的部署方法和系统，能够实现无线感测装置的快速部署和自动配置，有效地提高了部署效率并降低部署成本。附图说明以下将结合附图和优选实施例来对本申请进行进一步详细描述，但是本领域技术人员将领会的是，这些附图仅是出于解释优选实施例的目的而绘制的，并且因此不应当作为对本申请范围的限制。此外，除非特别指出，附图仅是意在概念性地表示所描述对象的组成或构造并可能包含夸张性显示，并且附图也并非一定按比例绘制。图1是无线感测装置的结构示意图。图2是根据本申请的用于无线感测装置的部署系统的一个实施例在与图1所示的无线感测装置结合使用时的结构示意图。图3是本申请的用于无线感测装置的部署方法的一个实施例的流程图。具体实施方式以下将参考附图来详细描述本申请的优选实施例。本领域中的技术人员将领会的是，这些描述仅为描述性的、示例性的，并且不应被解释为限定了本申请的保护范围。首先，需要说明的是，在本文中所提到的顶部、底部、朝上、朝下等方位用语是相对于各个附图中的方向来定义的，它们是相对的概念，并且因此能够根据其所处于的不同位置和不同的实用状态而变化。所以，不应将这些或其他方位用语理解为限制性用语。此外，还应当指出的是，对于本文的实施例中描述或隐含的任意单个技术特征，或在附图中示出或隐含的任意单个技术特征，仍能够在这些技术特征(或其等同物)之间继续进行组合，从而获得未在本文中直接提及的本申请的其他实施例。应当注意的是，在不同的附图中，相同的参考标号表示相同或大致相同的组件。图1是无线感测装置的结构示意图。其中，图1图示了典型的无线感测装置100，其包括发射器110和接收器120。发射器110典型地用于发出无线信号，因此也称为CSI发射器。发射器110的一个实施例是市售的Wi-Fi发射装置，例如商用无线路由器、家用无线路由器、便携式路由器或无线网卡等。发射器110所发出的无线本文档来自技高网...

【技术保护点】
1.一种用于无线感测装置的部署方法，其特征在于，包括下列步骤：/nS1：获取待部署区域的空间结构信息；/nS2：计算无线感测装置的布局；/nS3：根据所述布局计算信号强度，并判断信号强度是否符合需求；/nS4：通过所述无线感测装置接收到的信号，判断默认神经网络模型是否符合需求，如果不符合需求，则根据所述无线感测装置接收到的信号来通过迁移学习对预训练的神经网络模型进行优化；/nS5：将已优化的神经网络模型部署到所述无线感测装置中。/n

【技术特征摘要】
1.一种用于无线感测装置的部署方法，其特征在于，包括下列步骤：
S1：获取待部署区域的空间结构信息；
S2：计算无线感测装置的布局；
S3：根据所述布局计算信号强度，并判断信号强度是否符合需求；
S4：通过所述无线感测装置接收到的信号，判断默认神经网络模型是否符合需求，如果不符合需求，则根据所述无线感测装置接收到的信号来通过迁移学习对预训练的神经网络模型进行优化；
S5：将已优化的神经网络模型部署到所述无线感测装置中。


2.根据权利要求1所述的部署方法，其特征在于，在步骤S1中，从BIM模型或建筑结构数据软件来获得待部署区域的空间结构信息。


3.根据权利要求1所述的部署方法，其特征在于，所述无线感测装置包括发射器和接收器，在步骤S2中，无线感测装置的布局包括：发射器的位置、接收器的位置和感兴趣区域的位置。


4.根据权利要求3所述的部署方法，其特征在于，在步骤S3中，根据计算模型以及所述发射器和所述接收器的位置来计算所述感兴趣区域中的无线信号强度。


5.根据权利要求1所述的部署方法，其特征在于，在步骤S4中，所述神经网络模型包括用于根据Wi-Fi信号来检测人活动的卷积神经网络模型，采用所述无线感测装置接收到的信号特征作为卷积神经网络模型的优化中的输入。


6.根据权利要求1所述的部署方法，其特征在于，各个步骤由以下平台之一来执行：服务器、所述无线感测装置的接收器和手持设备。


7.一种用于无线感测装置的部署系统，其特征在于，包括：
空间结构信息获取模块，其配...

【专利技术属性】
技术研发人员：侯军，贾真，奚杰，林均仰，孙元菁，陈天元，
申请(专利权)人：开利公司，
类型：发明
国别省市：美国;US