【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 ...
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。