一种基于机器学习的混合室内定位方法技术

本发明专利技术公开了一种基于机器学习的混合室内定位方法。为了克服现有技术采用单一的网络制式进行定位，难以综合各种无线定位技术的优点的问题；本发明专利技术包括：A.离线网络训练阶段；电力物联网终端接入多种制式无线网络，获得混合的无线信号强度信息，记录对应的位置信息组成数据集；利用收集的数据集，对设计好的机器学习网络模型进行训练，直至模型收敛；B.在线室内定位阶段；电力物联网终端实时采集多种制式无线网络信息；将无线网络信息输入到训练好的模型中；运行训练好的模型算法，得到最终定位结果。完成的模型能够利用多种无线网络制式的信号信息，实现混合无线室内定位，综合各种无线定位技术的优点。

【技术实现步骤摘要】
一种基于机器学习的混合室内定位方法
本专利技术涉及一种无线通信室内定位领域，尤其涉及一种基于机器学习的混合室内定位方法。
技术介绍
由于现代通信和网络技术的飞速发展，各种各样的通信和网络技术必将会被应用到智能电网以及泛在电力物联网的场景中，满足各类电力业务的需求。如常见的WiFi网络、ZigBee网络、Bluetooth网络、LoRa网络等，由于其具有容易部署，复杂度低，通信速率多样化，成本低等特点，这些电力无线专网早已部署在电力物联网中。另一方面，随着互联网和无线技术的迅猛发展，以互联网为基础的智能化经济发展新形态改变了人们的生活方式，同时也带来了层出不穷的应用，其中包括定位技术。目前，人们已经可以借助全球定位系统、北斗等卫星定位技术在户外实现精度可达一米的精确定位。在高度发达的信息时代背景下，移动用户对位置信息的需求已经不仅仅局限于户外粗略定位，精确的实时定位需求与日俱增。但是，由于房屋墙壁建筑等建筑材料的遮挡，室内的卫星信号会大幅衰减，导致其定位严重失准，精度降低。目前还缺少可广泛使用的、较为成熟的、精度较高的室内定位技术。因此，本文档来自技高网...

【技术保护点】
1.一种基于机器学习的混合室内定位方法，其特征在于，包括：/nA.离线网络训练阶段；/n电力物联网终端接入多种制式无线网络，获得混合的无线信号强度信息，记录对应的位置信息组成数据集；/n利用收集的数据集，对设计好的机器学习网络模型进行训练，直至模型收敛；/nB.在线室内定位阶段；/n电力物联网终端实时采集多种制式无线网络信息；/n将无线网络信息输入到训练好的模型中；/n运行训练好的模型算法，得到最终定位结果。/n

【技术特征摘要】
1.一种基于机器学习的混合室内定位方法，其特征在于，包括：
A.离线网络训练阶段；
电力物联网终端接入多种制式无线网络，获得混合的无线信号强度信息，记录对应的位置信息组成数据集；
利用收集的数据集，对设计好的机器学习网络模型进行训练，直至模型收敛；
B.在线室内定位阶段；
电力物联网终端实时采集多种制式无线网络信息；
将无线网络信息输入到训练好的模型中；
运行训练好的模型算法，得到最终定位结果。


2.根据权利要求1所述的一种基于机器学习的混合室内定位方法，其特征在于，所述的训练过程包括以下步骤：
S1：准备M个训练数据集，表示为{Xm，ym}，m∈M；
其中，Xm为第m个训练数据；ym为第m个训练数据对应的标签；
S2：设计机器学习网络结构，网络结构的输入层和输出层根据实际的环境中的无线信号的个数以及网格点的个数确定；
S3：对收集得到的无线信号通过平均滤波法进行预处理；
S4：确定网络结构的规模、神经网络的层数和每一层神经元的个数，对网络结构模型的参数w，b进行初始化，其中w为权重，b为偏置；
S5：遍历每一个样本，对每一个样本进行正向传播，计算得到损失函数的值；
S6：使用反向传播算法，计算出各个参数的梯度；根据梯度下降方法，以最小化损失函数为目标，更新模型的参数，完成一次参数更新；
S7：判断模型是否收敛，若是，则结束训练，得到室内混合定位的模型，若否，则跳转到步骤S4。


3.根据权利要求2所述的一种基于机器学习的混合室内定位方法，其特征在于，所述的损失函数为：



其中，λ||W||2为正则化约束项；
L[x(m)，y(m)；w，b]表示数据m的损失函数，表达式为：
<...

【专利技术属性】
技术研发人员：储建新，邓亮，赵燕波，潘克勤，朱伟刚，徐芸玲，徐奕洁，陈娇娇，姚鸣涛，徐峰，张水冰，沈斌，潘加平，田翔，杨纲，王斌，
申请(专利权)人：海盐南原电力工程有限责任公司，
类型：发明
国别省市：浙江;33