一种无线信号定位方法及其装置制造方法及图纸

本发明专利技术提供了一种无线信号定位方法及其装置，属于无线网络与深度学习相结合的交叉技术领域，该方法利用深度学习技术探究移动物体或人体对无线信号有规律的影响，构建物体位置与无线信号影响数据之间的权重模型，通过实时监测、分析无线信号影响数据预测当前物体的位置，与现有技术相比，本发明专利技术中的移动物体或人体无需绑定无线设备，即可稳定、快速、准确的预测有效区域内移动物体或人体的位置，该方法可选择的配合人体传感器和家电控制器，实现基于用户位置信息的个性化家居管控效果，可广泛的应用于智能家居领域。应用于智能家居领域。应用于智能家居领域。

【技术实现步骤摘要】
一种无线信号定位方法及其装置


[0001]本专利技术涉及一种无线信号定位方法及其装置，属于无线网络与深度学习相结合的交叉


技术介绍

[0002]随着计算机应用技术的发展，物联网和智能家居的概念已经逐渐普及，市面上也涌现出了多种智能家居产品，例如：智能音箱、智能电视、智能空调等等，常见的智能家居产品缺少对用户位置的感知功能，极少产品虽然配置了红外传感器等设备用于感知人体，但是依旧处于独立工作状态，无法实现智能家居产品基于用户位置的统一管理。
[0003]目前，部分学者提出了基于无线信号定位的技术方案，以解决智能家居产品对用户位置的感知问题。例如 ：一种基于无线信号数据融合的室内定位方法（CN104640076B），该技术文献通过Wi
‑
Fi信号和RFID信号融合的方式，结合卡尔曼滤波器对接收信号进行噪声优化处理，并将得到的优化了的RSSI值进行三边测量计算，从而得到移动节点的定位坐标；基于神经网络学习的RSSI室内定位测距方法、室内定位平台（CN109814066A），该技术文献解决了室内复杂多变的环境问题以及随着有人无人自动切换模型，则由RSSI转换为距离的精度将会明显提升，定位结果也会更加精确；一种基于卷积神经网络的新型CSI室内定位方法（CN111212379A），利用图像识别的方式实现室内定位，提升了定位性能的稳定性，有效降低了由噪声和信息丢失引起定位误差，能够满足室内定位应用场景中的高精度、低成本要求。
[0004]上述基于无线信号定位的技术方案中，一部分方案需要依靠额外的传感器或其他信号源进行定位预测，另一部分则需要在被检测物体或人体上绑定无线设备，利用随身携带的设备收到各个AP的信号变化来推理定位，均存在布线复杂、应用成本高等技术问题，不利于推广。

技术实现思路

[0005]面对上述技术背景和技术问题，本专利技术提出了一种无线信号定位方法及其装置，该方法利用深度学习技术探究移动物体对无线信号有规律的影响，移动物体或人体无需绑定无线设备，即可稳定、快速、准确的预测有效区域内移动物体或人体的位置，该方法可选择的配合人体传感器和家电控制器，实现基于用户位置信息的个性化家居管控效果，可广泛的应用于智能家居领域。
[0006]为达到上述目的，本专利技术的实施例采用如下技术方案：一种无线信号定位方法，其特征在于，包括如下操作步骤：1）区域划分：将有效区域等分成多个子区域作为数据采样点；2）无线信号收集：将物体或人体依次移动到不同的数据采样点中，并依次记录无线网络中多个无线设备对应的影响数据；3）数据构建：基于采样点序号和影响数据构建原始数据；
4）数据预处理：对原始数据进行归一化、白化或滤波处理，保留有效数据；5）权重模型构建：基于有效数据，利用神经网络技术构建权重模型；6）权重模型预测：基于当前的影响数据，通过权重模型推断出物体或人体所在的子区域。
[0007]优选的，所述子区域的形状为正方形、长方形、六边形中的一种。
[0008]优选的，所述无线网络包括wifi网络、蓝牙网络、sub
‑
1Ghz网络、2.4G网络、4G网络、5G网络或6G网络中的一种或多种组合优选的，所述影响数据包括无线设备的物理地址、RSSI、CSI或LQI信息中的一种或多种，其中CSI信息包含但不限于幅度、相位、时延、天线编号、传播的路径等信息中的一种或多种组合。
[0009]优选的，所述影响数据还包括当前采集区域和非当前采集区的流量数据、当前采集区域和非当前采集区的窗帘状态信息、当前采集区域和非当前采集区的门窗状态信息、当前采集区域和非当前采集区的临时通信设备数量和状态信息、当前采集区域和非当前采集区的活体数量和状态信息中的一种或多种组合，状态信息包含但不限于开、关、半开合、高/低/中通信数据量、活体动/静状态、活体快/慢状态。
[0010]优选的，所述无线信号收集过程中采用如下数据记录格式：F
i
=(L
i
, H
i , CN
i , N
i , C
i , W
i , D
i , T
i ,MAC
i1
,RSSI
i1
,CSI
i1
,LQI
i1
…
,MAC
in
,RSSI
in
,CSI
in
, LQI
in
)，其中：L
i
表示物体或人体在第i个采样点；H
i
表示第i个采样点中物体或人体的状态；CN
i
表示当前采集区域的网络通信情况；N
i
表示非当前采集区域的网络通信情况；C
i
表示记录第i个采样点数据时有效区域内窗帘状态；W
i
表示记录第i个采样点数据时有效区域内窗户状态；D
i
表示记录第i个采样点数据时有效区域内门的状态；T
i
表示记录第i个采样点数据的记录时间；MAC
in
表示在第i个采样点记录的第n个无线设备的物理地址；RSSI
in
表示在第i个采样点记录的第n个无线设备的RSSI数据；CSI
in
表示在第i个采样点记录的第n个无线设备的CSI数据； LQI
i
表示在第i个采样点记录的第n个无线设备的LQI数据。
[0011]优选的，所述原始数据包括如下指纹数据模型：所述指纹数据模型包括所有采样点的记录数据，其中：L
m
表示物体或人体在第m个采样点；H
m
表示第m个采样点中物体或人体的状态；CN
m
表示当前采集区域的网络通信情况；N
m
表示非当前采集区域的网络通信情况；C
m
表示记录第m个采样点数据时有效区域内窗帘状态；W
m
表示记录第m个采样点数据时有效区域内窗户状态；D
m
表示记录第m个采样点数据时有效区域内门的状态；T
m
表示记录第m个采样点数据的记录时间；MAC
mn
表示在第m个采样点记录的第n个无线设备的物理地址；RSSM
mn
表示在第m个采样点记录的第n个无线设备的RSSM数据；CSM
mn
表示在第m个采样点记录的第n个无线设备的CSM数据； LQM
m
表示在第m个采样点记录的第n个无线设备的LQM数据。
[0012]优选的，所述神经网络包括DNN网络、CNN网络、RNN网络、LSTM网络、GRU网络、BiRNN网络、双向LSTM网络、BiGRU网络、或ELM网络中的一种或多种组合。
[0013]优选的，上述无线信号定位方法用的定位装置，包括处理器以及与所述处理器相
连的无线电路、电源电路、通讯电路、人体红外传感器电路和GPIO控制阵列电路，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种无线信号定位方法，其特征在于，包括如下操作步骤：1）区域划分：将有效区域等分成多个子区域作为数据采样点；2）无线信号收集：将物体或人体依次移动到不同的数据采样点中，并依次记录无线网络中多个无线设备对应的影响数据；3）数据构建：基于采样点序号和影响数据构建原始数据；4）数据预处理：对原始数据进行归一化、白化或滤波处理，保留有效数据；5）权重模型构建：基于有效数据，利用神经网络技术构建权重模型；6）权重模型预测：基于当前的影响数据，通过权重模型推断出物体或人体所在的子区域。2.根据权利要求1所述的无线信号定位方法，其特征在于，所述子区域的形状为正方形、长方形、六边形中的一种。3.根据权利要求1所述的无线信号定位方法，其特征在于，所述无线网络包括wifi网络、蓝牙网络、sub
‑
1Ghz网络、2.4G网络、4G网络、5G网络或6G网络中的一种或多种组合。4.根据权利要求1所述的无线信号定位方法，其特征在于，所述影响数据包括无线设备的物理地址、RSSI、CSI或LQI信息中的一种或多种组合。5.根据权利要求4所述的无线信号定位方法，其特征在于，所述影响数据还包括当前采集区域和非当前采集区的流量数据、当前采集区域和非当前采集区的窗帘状态信息、当前采集区域和非当前采集区的门窗状态信息、当前采集区域和非当前采集区的临时通信设备数量和状态信息、当前采集区域和非当前采集区的活体数量和状态信息。6.根据权利要求1所述的无线信号定位方法，其特征在于，所述无线信号收集过程中采用如下数据记录格式：F
i
=(L
i
, H
i , CN
i
, N
i , C
i
, W
i , D
i , T
i ,MAC
i1
,RSSI
i1
,CSI
i1
,LQI
i1
…
,MAC
in
,RSSI
in
,CSI
in
, LQI
in
)，其中：L
i
表示物体或人体在第i个采样点；H
i
表示第i个采样点中物体或人体的状态；CN
i
表示当前采集区域的网络通信情况；N
i
表示非当前采集区域的网络通信情况；C
i
表示记录第i个采样点数据时有效区域内窗帘状态；W
i
表示记录第i个采样点数据时有效区域内窗户状态；D
i
表示记录第i个采样点数据时有效区域内门的状态；T
i
表示记录第i个采样点数据的记录时间；MAC
in
表示在第i个采样点记录的第n个无线设备的物理地址；RSSI
in
表示在第i个采样点记录的第n个无线设备的RSSI数据；CSI
in
表示在第i个采样点...

【专利技术属性】
技术研发人员：许朔，
申请(专利权)人：许扬杰，
类型：发明
国别省市：