用于智慧电场的室内定位方法及其系统技术方案

本申请涉及室内定位的领域，其具体地公开了一种用于智慧电场的室内定位方法及其系统，其通过深度神经网络模型分别对蓝牙信号的回波信号、参考磁场数据以及实时磁场数据进行高维隐含的关联特征提取，并将所述实时磁场数据特征分布映射到所述参考磁场数据的特征分布空间中，以分别获得第一特征向量、磁场特征向量和磁场查询向量。这样，进一步计算非刚性一致性损失函数通过位移向量的插值，以基于针对参考磁场矩阵的参考序列的上下文编码所获得的运动的位置航向特征和轨迹投影特征的秩序性的先验知识，在无准确的几何关系的情况下来描述隐特征表达之间的匹配程度，进而提高定位的准确性。的准确性。的准确性。

【技术实现步骤摘要】
用于智慧电场的室内定位方法及其系统


[0001]本专利技术涉及室内定位的领域，且更为具体地，涉及一种用于智慧电场的室内定位方法及其系统。

技术介绍

[0002]智慧电厂是发电企业在数字化、信息化与智能化基础上发展的一种更高的形态，通过推进智慧电厂的智慧数据、智慧生产、智慧安全、智慧经营、智慧综合等五个方面建设，进行持续优化产业结构，促进产业新业态发展。
[0003]室内外定位技术是实现火电厂智慧安全管控的基石，定位技术的精度高低，直接决定着智能工作票、防止走错间隔警示提醒、危险源误入警示提醒、逃生路径提示等功能的实现。
[0004]目前，全球定位系统(global positioning system,GPS)和北斗卫星导航系统(BeiDou navigation satellite system,BDS)等室外定位技术，已经被广泛应用在各种室外场景中。室内定位技术因为室内环境相较于室外环境来说，定位环境更加复杂，将室外定位技术应用在室内环境中，还远远达不到较好的定位效果。因此，为了更好地进行智慧电场的室内定位，期望一种用于智慧电场的室内定位方案。

技术实现思路

[0005]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种用于智慧电场的室内定位方法及其系统，其通过深度神经网络模型分别对蓝牙信号的回波信号、参考磁场数据以及实时磁场数据进行高维隐含的关联特征提取，并将所述实时磁场数据特征分布映射到所述参考磁场数据的特征分布空间中，以分别获得第一特征向量、磁场特征向量和磁场查询向量。这样，进一步计算非刚性一致性损失函数通过位移向量的插值，以基于针对参考磁场矩阵的参考序列的上下文编码所获得的运动的位置航向特征和轨迹投影特征的秩序性的先验知识，在无准确的几何关系的情况下来描述隐特征表达之间的匹配程度，进而提高定位的准确性。
[0006]根据本申请的一个方面，提供了一种用于智慧电场的室内定位方法，其包括：从蓝牙模块获取蓝牙信号的回波信号；将所述蓝牙信号的回波信号通过第一卷积神经网络以获得第一特征向量；从后台数据库获取磁场数据的参考序列；将所述磁场数据的参考序列通过包含嵌入层的上下文编码器以获得多个磁场参考特征向量；将所述多个磁场参考特征向量进行二维排列为特征矩阵后通过第二卷积神经网络以获得参考磁场特征矩阵；从磁传感器获取实时采集的实时磁场数据的序列；将所述实时磁场数据的序列通过包含一维卷积层和全连接层的时序编码器以获得磁场特征向量；将所述磁场特征向量与所述参考磁场特征矩阵进行矩阵相乘以获得磁场查询向量；融合所述磁场查询向量和所述磁场特征向量以获得第二特征向量；对所述第二特征向量中各个位置的特征值进行基于最大值的归一化处理以生成第二转化特征向量；对所述第一特征向量中各个位置的特征值进行基于Softmax函
数的归一化处理以生成第一转化特征向量；将所述第一转化特征向量和所述第二转化向量进行级联以生成解码特征向量；以及将所述解码特征向量通过解码器进行回归解码以生成解码值，所述解码值为室内定位结果。
[0007]根据本申请的另一个方面，提供了一种用于智慧电场的室内定位系统，其包括：回波信号获取单元，用于从蓝牙模块获取蓝牙信号的回波信号；第一卷积单元，用于将所述回波信号获取单元获得的所述蓝牙信号的回波信号通过第一卷积神经网络以获得第一特征向量；参考磁场数据获取单元，用于从后台数据库获取磁场数据的参考序列；上下文编码单元，用于将所述参考磁场数据获取单元获得的所述磁场数据的参考序列通过包含嵌入层的上下文编码器以获得多个磁场参考特征向量；第二卷积单元，用于将所述上下文编码单元获得的所述多个磁场参考特征向量进行二维排列为特征矩阵后通过第二卷积神经网络以获得参考磁场特征矩阵；实时磁场数据获取单元，用于从磁传感器获取实时采集的实时磁场数据的序列；时序编码单元，用于将所述实时磁场数据获取单元获得的所述实时磁场数据的序列通过包含一维卷积层和全连接层的时序编码器以获得磁场特征向量；矩阵相乘单元，用于将所述时序编码单元获得的所述磁场特征向量与所述第二卷积单元获得的所述参考磁场特征矩阵进行矩阵相乘以获得磁场查询向量；第二特征向量生成单元，用于融合所述矩阵相乘单元获得的所述磁场查询向量和所述时序编码单元获得的所述磁场特征向量以获得第二特征向量；第二转化特征向量生成单元，用于对所述第二特征向量生成单元获得的所述第二特征向量中各个位置的特征值进行基于最大值的归一化处理以生成第二转化特征向量；第一转化特征向量生成单元，用于对所述第一卷积单元获得的所述第一特征向量中各个位置的特征值进行基于Softmax函数的归一化处理以生成第一转化特征向量；级联单元，用于将所述第一转化特征向量生成单元获得的所述第一转化特征向量和所述第二转化特征向量生成单元获得的所述第二转化向量进行级联以生成解码特征向量；以及解码单元，用于将所述级联单元获得的所述解码特征向量通过解码器进行回归解码以生成解码值，所述解码值为室内定位结果。
[0008]与现有技术相比，本申请提供的用于智慧电场的室内定位方法及其系统，其通过深度神经网络模型分别对蓝牙信号的回波信号、参考磁场数据以及实时磁场数据进行高维隐含的关联特征提取，并将所述实时磁场数据特征分布映射到所述参考磁场数据的特征分布空间中，以分别获得第一特征向量、磁场特征向量和磁场查询向量。这样，进一步计算非刚性一致性损失函数通过位移向量的插值，以基于针对参考磁场矩阵的参考序列的上下文编码所获得的运动的位置航向特征和轨迹投影特征的秩序性的先验知识，在无准确的几何关系的情况下来描述隐特征表达之间的匹配程度，进而提高定位的准确性。
附图说明
[0009]通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
[0010]图1为根据本申请实施例的用于智慧电场的室内定位方法的应用场景图；
[0011]图2为根据本申请实施例的用于智慧电场的室内定位方法的流程图；
[0012]图3为根据本申请实施例的用于智慧电场的室内定位方法的系统架构示意图；
[0013]图4为根据本申请实施例的用于智慧电场的室内定位方法中，所述第一卷积神经网络、所述第二卷积神经网络、所述包含嵌入层的上下文编码器、所述时序编码器和所述解码器的训练过程的流程图；
[0014]图5为根据本申请实施例的用于智慧电场的室内定位系统的框图。
具体实施方式
[0015]下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
[0016]场景概述
[0017]如前所述，智慧电厂是发电企业在数字化、信息化与智能化基础上发展的一种更高的形态，通过推进智慧电厂的智慧数据、智慧生本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于智慧电场的室内定位方法，其特征在于，包括：从蓝牙模块获取蓝牙信号的回波信号；将所述蓝牙信号的回波信号通过第一卷积神经网络以获得第一特征向量；从后台数据库获取磁场数据的参考序列；将所述磁场数据的参考序列通过包含嵌入层的上下文编码器以获得多个磁场参考特征向量；将所述多个磁场参考特征向量进行二维排列为特征矩阵后通过第二卷积神经网络以获得参考磁场特征矩阵；从磁传感器获取实时采集的实时磁场数据的序列；将所述实时磁场数据的序列通过包含一维卷积层和全连接层的时序编码器以获得磁场特征向量；将所述磁场特征向量与所述参考磁场特征矩阵进行矩阵相乘以获得磁场查询向量；融合所述磁场查询向量和所述磁场特征向量以获得第二特征向量；对所述第二特征向量中各个位置的特征值进行基于最大值的归一化处理以生成第二转化特征向量；对所述第一特征向量中各个位置的特征值进行基于Softmax函数的归一化处理以生成第一转化特征向量；将所述第一转化特征向量和所述第二转化向量进行级联以生成解码特征向量；以及将所述解码特征向量通过解码器进行回归解码以生成解码值，所述解码值为室内定位结果。2.根据权利要求1所述的用于智慧电场的室内定位方法，其中，将所述蓝牙信号的回波信号通过第一卷积神经网络以获得第一特征向量，包括：所述第一卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿特征矩阵的全局均值池化处理和激活处理以由所述第一卷积神经网络的最后一层生成所述第一特征向量，其中，所述第一卷积神经网络的第一层的输入为所述蓝牙信号的回波信号。3.根据权利要求2所述的用于智慧电场的室内定位方法，其中，将所述磁场数据的参考序列通过包含嵌入层的上下文编码器以获得多个磁场参考特征向量，包括：使用所述包含嵌入层的上下文的编码器模型的嵌入层分别将所述磁场数据的参考序列转化为输入向量以获得输入向量的序列；以及使用所述包含嵌入层的上下文的编码器模型的转换器对所述输入向量的序列进行基于全局的上下文语义编码以获得所述多个磁场参考特征向量。4.根据权利要求3所述的用于智慧电场的室内定位方法，其中，将所述实时磁场数据的序列通过包含一维卷积层和全连接层的时序编码器以获得磁场特征向量，包括：将所述实时磁场数据的序列排列为一维的磁场输入向量；使用所述时序编码器的全连接层以如下公式对所述磁场输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：其中X是输入向量，Y是输出向量，W是权重矩阵，B是偏置向量，表示矩阵乘；使用所述时序编码器的一维卷积层以如下公式对所述磁场输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。5.根据权利要求4所述的用于智慧电场的室内定位方法，其中，所述第一卷积神经网络、所述第二卷积神经网络、所述包含嵌入层的上下文编码器、所述时序编码器和所述解码
器的训练过程，包括：从所述蓝牙模块获取训练蓝牙信号的回波信号；将所述训练蓝牙信号的回波信号通过所述第一卷积神经网络以获得训练第一特征向量；从所述后台数据库获取训练磁场数据的参考序列；将所述训练磁场数据的参考序列通过所述包含嵌入层的上下文编码器以获得多个训练磁场参考特征向量；将所述多个训练磁场参考特征向量进行二维排列为特征矩阵后通过所述第二卷积神经网络以获得训练参考磁场特征矩阵；从所述磁传感器获取实时采集的训练实时磁场数据的序列；将所述训练实时磁场数据的序列通过所述包含一维卷积层和全连接层的时序编码器以获得训练磁场特征向量；将所述训练磁场特征向量与所述训练参考磁场特征矩阵进行矩阵相乘以获得训练磁场查询向量；计算所述训练磁场查询向量和所述训练磁场特征向量间的非刚性一致性损失函数值，所述特征流形的非刚性一致性因数基于所述训练磁场查询向量和所述训练磁场特征向量之间的差分向量的二范数与所述训练磁场特征向量的二范数来构建；融合所述训练磁场查询向量和所述训练磁场特征向量以获得第二特征向量；对所述训练第二特征向量中各个位置的特征值进行基于最大值的归一化处理以生成训练第二转化特征向量；对所述训练第一特征向量中各个位置的特征值进行基于Softmax函数的归一化处理以生成训练第一转化特征向量；将所述训...

【专利技术属性】
技术研发人员：陈杨，
申请(专利权)人：杭州隽睿信息科技有限公司，
类型：发明
国别省市：