一种基于双向循环卷积神经网络的可见光定位跟踪方法技术

本发明专利技术提出一种基于双向循环卷积神经网络的可见光定位跟踪方法，涉及可见光定位跟踪的技术领域，利用多个光电二极管在连续时刻下接收到的可见光信号，得到连续时刻下的观测数据并记录连续时刻下目标终端的位置坐标标签，对双向循环卷积神经网络模型进行训练，向训练好的双向循环卷积神经网络模型输入在线观测数据信息即可获取对应的目标终端位置定位估计，双向循环卷积神经网络模型能够挖掘并融合观测数据时间和空间特征信息，在定位估计过程中，不仅考虑当前观测信息，还根据连续时刻的观测数据信息，设计双向循环卷积神经网络提取连续时刻的时空特征信息，使得定位精度更高。使得定位精度更高。使得定位精度更高。

【技术实现步骤摘要】
一种基于双向循环卷积神经网络的可见光定位跟踪方法


[0001]本专利技术涉及可见光定位跟踪的
，更具体地，涉及一种基于双向循环卷积神经网络的可见光定位跟踪方法。

技术介绍

[0002]近年来，许多研究者在室内定位方面提出了较多的技术方案，其中，主流的室内无线定位技术包括Wi
‑
Fi、蓝牙、红外线、超宽带、超声波、可见光、射频技术、ZigBee等技术，其中，超宽带技术虽然在定位精度方面远胜于其他定位技术，但是部署成本较高，与其相比，可见光定位技术在部署难度与定位精度方面均适中，更具备发展潜力。
[0003]特别是随着发光二极管照明技术的快速发展，基于可见光的室内定位技术受到了越来越多的人关注。另外，由于深度学习的发展，基于可见光的室内定位方法结合深度学习方式，可以极大地提高无线定位性能。如现有技术中公开了一种结合可见光通信定位和惯导定位的定位方法，首先获取室内地图数据及用户设备的室内可见光通信定位数据，然后获取用户设备的室内惯导定位数据，结合室内可见光通信定位数据、室内惯导定位数据和室内地图数据，对用户设备所在的室内位置进行组合定位，其中，可见光通信定位数据和室内惯导定位数据是经过扩展卡尔曼滤波和经过神经网络深度学习处理的、用于进行组合定位的定位数据，提高了惯性传感器定位连续长时间室内定位的精度。但在实际定位过程中，无论是基于传统的信号传播模型还是基于指纹的可见光定位方法，都是根据独立位置点处的观测信息去得到目标定位信息，没有考虑观测数据集合的时间相关性。此外，目前神经网络深度学习大多使用二维卷积或者一维全连接网络的方式来对目标观测信息的相关特征进行提取，一维以及二维的神经网络结构都无法有效提取观测信息本身的空间纹理特征信息，同时由于缺乏对时间特征信息的提取，导致目标的定位性能受限，定位精度不高。

技术实现思路

[0004]为解决现有可见光定位跟踪方法无法有效提取观测信息本身的空间纹理特征信息，且由于缺乏对时间特征信息的提取，导致定位精度差的问题，本专利技术提出一种基于双向循环卷积神经网络的可见光定位跟踪方法，该方法定位精度高，定位性能强。
[0005]为了达到上述技术效果，本专利技术的技术方案如下：
[0006]一种基于双向循环卷积神经网络的可见光定位跟踪方法，所述方法包括以下步骤：
[0007]S1.为目标终端配备若干个光电二极管，令目标终端在室内做随机运动，利用光电二极管在每一时刻接收可见光信号，得到连续时刻下的观测数据，并记录连续时刻下目标终端的位置坐标标签；
[0008]S2.构建双向循环卷积神经网络模型，双向循环卷积神经网络模型包括正向循环记忆模块与反向循环记忆模块；
[0009]S3.将观测数据与位置坐标标签别进行预处理并记录预处理过程，将预处理后的
观测数据与位置坐标标签作为训练集，输入双向循环卷积神经网络，并训练网络模型参数集合，得到训练好的双向循环卷积神经网络模型；
[0010]S4.以S1所述的方式，实时获取连续时刻下的观测数据并进行预处理，然后将预处理后的观测数据输入至训练好的双向循环神经网络模型；
[0011]S5.正向循环记忆模块与反向循环记忆模块分别提取连续时刻下观测数据中的时空纹理特征信息并输出；
[0012]S6.融合正向循环记忆模块与反向循环记忆模块提取的时空纹理特征信息，作为当前时刻双向循环神经网络模型输出的目标终端定位估计；
[0013]S7.设置连续输入时刻次数最大值为T，重复执行T次S5～S6，得到T次连续时刻下的目标终端定位估计，对其进行与S3记录的预处理过程相反的操作，得到目标终端对应的连续时刻的位置估计；
[0014]优选地，在步骤S1中，设为目标终端配备了N个光电二极管(Photo Diode,PD)，以M个发光二极管(Light Emitting Diodes,LED)作为信标传输可见光，N个光电二极管感知可见光接收信号强度(Received Signal Strength,RSS)，设目标终端在t时刻的三维位置坐标参数为表示实数空间下的三维空间，与第m个LED发射器和第n个光电二极管PD相关的t时刻接收到的可见光接收强度值为t表示采样的时刻，且观测数据是目标终端在位置处获取的。令
[0015][0016]此时，M和N分别表示可见光RSS矩阵的行和列，vec[]表示堆叠为向量形式，设A
(t)
∈R
M
×
N
＝mat[z
(t)
]表示t时刻接收到的可见光RSS数据z
(t)
的矩阵形式，mat[]表示堆叠为矩阵形式。令目标终端在室内做随机运动，设连续时刻下的可见光RSS观测数据表征为集合和位置坐标标签为和位置坐标标签为为RSS观测数据的向量形式，其中，t表示连续观测时刻次序，T表示目标运动的最大连续时间刻度。
[0017]优选地，在步骤S2中，正向循环记忆模块用于挖掘过去时空特征，反向循环记忆模块用于挖掘未来时空特征，正向循环记忆模块与反向循环记忆模块的内部结构及网络参数均相同，二者均包括记忆细胞、隐藏态细胞和三个门结构分支，即遗忘门分支、记忆门分支及输出门分支。其中，遗忘门分支由全连接层组成；记忆门分支由若干个3D卷积层和全连接层组成，3D卷积层在前，全连接层在后，所有3D卷积层依次连接，随后全连接层再依次连接；所述输出门分支由全连接层组成；
[0018]优选地，步骤S3所述的对观测数据与位置坐标标签分别进行的预处理为归一化处理；步骤S3所述的将预处理后的观测数据与位置坐标标签作为训练集，观测数据在双向循环卷积神经网络模型的具体内部处理流程如下所示；
[0019]1).初始化记忆细胞与隐藏态细胞，并获取遗忘门分支、记忆门分支及输出门分支的输入信息；
[0020]根据连续时刻的可见光RSS观测数据的集合(向量形式为)，t表示连续观测时刻次序，T表示目标运动的最大连续时间刻度。设表
示正向循环记忆模块与反向循环记忆模块的模块序次，设第个模块中第t时刻的记忆细胞和隐藏态细胞分别为和第个模块中的记忆细胞和隐藏态细胞集合为和初始化正向循环记忆模块中的和为0，反向循环记忆模块的和为0。
[0021]正向与反向循环卷积记忆模块具备相同的内部结构，设在t时刻下，第个模块中遗忘门分支的输入信息为记忆门分支输入为输出门分支的输入为具体为：
[0022][0023][0024][0025][0026][0027][0028]其中，mat[]表示所有元素堆叠的矩阵形式，vec[]表示所有元素堆叠的向量形式。特别说明的是，在第个模块的记忆门分支中，首先将h
(1，t
‑
1)
(第2个模块的是h
(2，t+1)
)和z
(t)
拼接成一个维度为2MN的向量，然后将该向量按照顺序堆叠为维度为的矩阵，进而得到记忆门分支的输入数据正向循环记忆模块中的所有分支的输入信息均来源于(t
‑...

【技术保护点】

【技术特征摘要】
1.一种基于双向循环卷积神经网络的可见光定位跟踪方法，其特征在于，所述方法包括以下步骤：S1.为目标终端配备若干个光电二极管，令目标终端在室内做随机运动，利用光电二极管在每一时刻接收可见光信号，得到连续时刻下的观测数据，并记录连续时刻下目标终端的位置坐标标签；S2.构建双向循环卷积神经网络模型，双向循环卷积神经网络模型包括正向循环记忆模块与反向循环记忆模块；S3.将观测数据与位置坐标标签分别进行预处理并记录预处理过程，将预处理后的观测数据与位置坐标标签作为训练集，输入双向循环卷积神经网络，并训练网络模型参数集合，得到训练好的双向循环卷积神经网络模型；S4.以S1所述的方式，实时获取连续时刻下的观测数据并进行预处理，然后将预处理后的观测数据输入至训练好的双向循环神经网络模型；S5.正向循环记忆模块与反向循环记忆模块分别提取连续时刻下观测数据中的时空纹理特征信息并输出；S6.融合正向循环记忆模块与反向循环记忆模块提取的时空纹理特征信息，作为当前时刻双向循环神经网络模型输出的目标终端定位估计；S7.设置连续输入时刻次数最大值为T，重复执行T次S5～S6，得到T次连续时刻下的目标终端定位估计，对其进行与S3记录的预处理过程相反的操作，得到目标终端对应的连续时刻的位置估计。2.根据权利要求1所述的基于双向循环卷积神经网络的可见光定位跟踪方法，其特征在于，在步骤S1中，设为目标终端配备了N个光电二极管PD，以M个发光二极管LED作为信标传输可见光，N个光电二极管PD感知可见光接收信号强度RSS，设目标终端在t时刻的三维位置坐标参数为置坐标参数为表示实数空间下的三维空间，在t时刻接收到与第m个LED发射器和第n个光电二极管PD相关的可见光接收强度值为t表示采样的时刻，且观测数据是目标终端在位置处获取的；令此时，M和N分别表示可见光RSS矩阵的行和列，vec[]表示堆叠为向量形式，设A
(t)
∈R
M
×
N
＝mat[z
(t)
]表示t时刻接收到的可见光RSS数据z
(t)
的矩阵形式，mat[]表示堆叠为矩阵形式；令目标终端在室内做随机运动，设连续时刻下的可见光RSS观测数据表征为集合对应的位置坐标标签集合表示为为RSS观测数据的向量形式，其中，t表示连续观测时刻次序，T表示目标运动的最大连续时间刻度。3.根据权利要求2所述的基于双向循环卷积神经网络的可见光定位跟踪方法，其特征在于，在步骤S2中，正向循环记忆模块用于挖掘过去时空纹理特征，反向循环记忆模块用于挖掘未来时空纹理特征；正向循环记忆模块与反向循环记忆模块的内部结构及网络参数均相同，二者均包括记忆细胞、隐藏态细胞和三个门结构分支，门结构分支分别为遗忘门分支、记忆门分支和输出门分支，其中，遗忘门分支由全连接层组成；记忆门分支由若干个3D
卷积层和全连接层组成，3D卷积层在前，全连接层在后，所有3D卷积层依次连接，随后全连接层再依次连接；所述输出门分支由全连接层组成。4.根据权利要求3所述的基于双向循环卷积神经网络的可见光定位跟踪方法，其特征在于，步骤S3所述的将预处理后的观测数据与位置坐标标签作为训练集，在双向循环卷积神经网络模型的具体内部处理流程如下；1).初始化记忆细胞与隐藏态细胞，并获取遗忘门分支、记忆门分支及输出门分支的输入信息；根据连续时刻的可见光RSS观测数据的集合向量形式为t表示观测时刻次序，T表示目标运动的最大连续时间刻度；设表示正向循环记忆模块与反向循环记忆模块的模块序次，设第个模块中第t时刻的记忆细胞和隐藏态细胞分别为和第个模块中的记忆细胞和隐藏态细胞集合为和初始化正向循环记忆模块中的和为0，反向循环记忆模块的和为0；正向与反向循环卷积记忆模块具备相同的内部结构，设在t时刻下，第个模块中遗忘门分支的输入信息为记忆门分支输入为输出门分支的输入为具体为：具体为：具体为：具体为：具体为：具体为：其中，mat[]表示所有元素堆叠的矩阵形式，vec[]表示所有元素堆叠的向量形式；特别说明的是，在第个模块的记忆门分支中，首先将h
(1，t
‑
1)
或者h
(2，t+1)
和z
(t)
拼接成一个维度为2MN的向量，然后将该向量按照顺序堆叠为维度为的矩阵，进而得到记忆门分支的输入数据正向循环记忆模块中的所有分支的输入信息均来源于(t
‑
1)时刻隐藏态信息h
(1，t
‑
1)
和观测数据A
(t)
，反向循环记忆模块当中的输入信息均源于(t+1)时刻的隐藏态细胞信息h
(1，t+1)
和观测数据A
(t)
，向量形式为z
(t)
；2).遗忘门分支处理数据设第个模块中的遗忘门权重参数为遗忘门分支的偏置向量为sigmoid函数表示非线性激活函数，即第个模块中t时刻的遗忘门输出为具体处理公式如下：其中，设表示第个模块中遗忘门权重参数的向量形式，vectorize[]表示将矩阵中的元素逐个堆叠为向量形式；
3).记忆门分支处理数据设第个模块中t时刻的记忆门分支的输出为设不同模块的记忆门中均包含J
G
个3D卷积层和M
L
个全连接层，输入数据首先经过3D卷积层，然后再经过全连接层处理得到记忆门输出，即最后一层全连接层的输出即为记忆门输出；在3D卷积层当中，每个3D卷积层里面包含Y
(γ)
个卷积核，γ表示3D卷积层的层序次，γ＝1，2，
…
，J
G
，Y
(0)
＝1；设第个模块下记忆门分支中第γ层3D卷积层中的第ι个卷积核为其中ι表示3D卷积层中卷积核的序次，ι＝1，2，...，Y
(γ)
，M
G
、N
G
、K
G

【专利技术属性】
技术研发人员：朱杰友，周炳朋，
申请(专利权)人：中山大学，
类型：发明
国别省市：