基于MobileNetV3网络的定位终端场景感知方法技术

本发明专利技术涉及一种基于MobileNetV3网络的定位终端场景感知方法，4包括以下步骤：步骤S1:获取各工作场景中的指纹数据，构建指纹数据库；步骤S2:对指纹数据库中的指纹数据进行数据降维和场景标注，得到处理后的指纹数据；步骤S3:构建改进的MobileNetV3网络模型，并基于处理后的指纹数据进行训练，获得训练后的模型。步骤S4:对已经训练好的网络模型进行模型剪枝、量化和知识蒸馏，得到最优的模型；步骤S5:基于最优的模型对采集到的指纹数据进行场景感知，实现场景分类。本发明专利技术在保证复杂场景感知精度的同时，实现场景感知的低功耗和高效率。率。率。

【技术实现步骤摘要】
Block，只选用步长为1的Inverted Residual Block，将MobileNetV3网络中的Average Pooling替换为Adaptive Average Pooling。
[0009]进一步的，所述步骤S4具体为：步骤S41:将网络中的卷积核的每一个通道加入稀疏约束，将稀疏约束最小的参数结果全部置为0;步骤S42:将网络中卷积核的数据类型由float转变为int，降低模型内存大小。
[0010]进一步的，所述步骤S5还包括将使用Pytorch框架编写的最优的模型，转换成ONNX格式，部署到定位终端中，将定位终端部署到实际工作场景，对指纹数据进行采集，对采集到的指纹数据进行场景感知。
[0011]进一步的，所述定位终端会根据检测到的场景类别，采用不同的定位算法，提高定位精度。
[0012]进一步的，室内场景采用UWB、AOA，TDOA定位技术，室外场景采用北斗定位技术。
[0013]本专利技术与现有技术相比具有以下有益效果：本专利技术保证复杂场景感知精度的同时，实现场景感知的低功耗和高效率。
附图说明
[0014]图1是本专利技术方法流程图；图2是本专利技术一实施例中Inverted Residual Block结构；图3是本专利技术一实施例中nverted Residual Block 加入SE模块示意图；图4是本专利技术MobileNetV3网络结构图；图5是本专利技术改进Inverted Residual Block结构。
具体实施方式
[0015]下面结合附图及实施例对本专利技术做进一步说明。
[0016]请参照图1，本专利技术提供一种基于MobileNetV3网络的定位终端场景感知方法，包括以下步骤：步骤S1:获取各工作场景中的指纹数据，构建指纹数据库；步骤S2:对指纹数据库中的指纹数据进行数据降维和场景标注，得到处理后的指纹数据；步骤S3:构建改进的MobileNetV3网络模型，并基于处理后的指纹数据进行训练，获得训练后的模型。
[0017]步骤S4:对已经训练好的网络模型进行模型剪枝、量化和知识蒸馏，得到最优的模型；步骤S5:基于最优的模型对采集到的指纹数据进行场景感知，实现场景分类。
[0018]在本实施例中，所述步骤S1中获取指纹数据，具体如下：通过终端采集周围AP发送的全部信息，再通过滤波方法再通过均值测算指纹数据，其中指纹数据由来自基站的RSS接收信号强度组成。
[0019]通过如下三种方法获得指纹数据：1.技术人员大范围人工采集指纹数据，由于其设备精良，数据采集操作规范，故优
点在于数据采集规范，离群点和异常点较少，数据稳定，但费时费力，很难快速构建指纹数据库。
[0020]2.采用众包的方式，将采集指纹数据的任务发布给非专业人员进行指纹数据的数据采集，可以快速收集指纹信息，但也会因为其分专业的因素采集到一些异常点，导致指纹数据库的污染。
[0021]3.利用移动群智感知的思想，应用大量普通用户的移动性,设计无线信号指纹地图自动构建技术,将原本需要专业人士持专用设备执行专门任务才能完成的现场勘测任务,通过大量普通用户以普通设备无意识参与的方式得以完成,成功取消了指纹定位中耗时费力的人工现场勘测环节,大幅降低了指纹定位方法的部署代价。真实环境中的实验验证了自动构建的指纹地图与人工勘测的性能相当。通过在各种工作场景的采集大量的指纹数据构建指纹数据库。
[0022]在本实施例中，场景标注根据实际工作场景和需求进行划分，具体划分为两个超类，包括室内场景和室外场景，在对室内场景划分为两个子类，包括简单室内场景（视距通信、弱多径效应的场景）和复杂室内场景（非视距通信、强多径效应场景）；室外通信划分为三个子类，包括空旷室外场景、桥梁隧道场景、雨雪天气场景。
[0023]在本实施例中，MobileNetV3网络采用可分离卷积思想和ResNet网络中的Residual Block结构设计思路，网络由若干个Inverted Residual Block组成，一个Inverted Residual Block包含Projection Layer、Depthwise卷积层和Expansion Layer和H
‑
swish激活函数等结构，并且保留Residual Block中的shortcut机制，Inverted Residual Block结构如图2所示。
[0024]其中，Projection Layer为通道升维的1*1卷积；Depthwise卷积层为3*3的分组卷积，针对每一个通道进行分组；Expansion Layer为通道降维的1*1卷积；Inverted Residual Block构成纺锤形结构，保证在使用Depthwise卷积进行特征提取时，保留足够特征。
[0025]MobileNetV3网络还在部分Inverted Residual Block中加入SE结构，用来构建特征图各通道间的内部依存关系，并据此调整特征，提高了网络精度。加入SE结构的Inverted Residual Block如图3所示。
[0026]MobileNetV3利用两种 AutoML 技术，为给定的问题找到最佳的神经网络架构， 首先使用 MnasNet 进行粗略结构的搜索，然后使用强化学习从一组离散的选择中选择最优配置。之后，MobileNetV3 再使用 NetAdapt 对体系结构进行微调，这体现了 NetAdapt 的补充功能，它能够以较小的降幅对未充分利用的激活通道进行调整。MobileNetV3网络结构图如图4所示。
[0027]在本实施例中，步骤S4具体为：步骤S41:将网络中的卷积核的每一个通道加入稀疏约束，将稀疏约束最小的参数结果全部置为0，以实现模型剪枝；步骤S42:将网络中卷积核的数据类型由float转变为int，降低模型内存大小，以实现量化，进一步降低模型数据存储。
[0028]在本实施例中，步骤S5还包括将使用Pytorch框架编写的最优的模型，转换成ONNX格式，部署到定位终端中，将定位终端部署到实际工作场景，对指纹数据进行采集，对采集
到的指纹数据进行场景感知。
[0029]具体的，由于现在主流的深度学习框架需要使用python语言编写，但终端设备通常只支持C或C++语言，想要将神经网络部署到终端设备，可以通过ONNX格式，将Python编写的神经网络转变为C++语言的框架。
[0030]神经网络交换（Open Neural Network Exchange）ONNX 是微软提出的简单表示深度学习模式的开放格式，主流深度学习框架（包括Pytorch、TensorFlow、Keras）可以导出或转换为标准ONNX 格式，可使模型在不同框架之间进行转移，而且可以在各种平台和终端设备上运行。
[0031]在本实施例中，定位终端会根据检测到的场景类别，采用不同的定位算法，提高定位精度。室内场景采用UWB、AOA，TDOA定位技术，室外场景采用北斗定位技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于MobileNetV3网络的定位终端场景感知方法，其特征在于，包括以下步骤：步骤S1:获取各工作场景中的指纹数据，构建指纹数据库；步骤S2:对指纹数据库中的指纹数据进行数据降维和场景标注，得到处理后的指纹数据；步骤S3:构建改进的MobileNetV3网络模型，并基于处理后的指纹数据进行训练，获得训练后的模型;步骤S4:对已经训练好的网络模型进行模型剪枝、量化和知识蒸馏，得到最优的模型；步骤S5:基于最优的模型对采集到的指纹数据进行场景感知，实现场景分类。2.根据权利要求1所述的基于MobileNetV3网络的定位终端场景感知方法，其特征在于，所述步骤S1中获取指纹数据，具体如下：通过终端采集周围AP发送的全部信息，再通过滤波方法再通过均值测算指纹数据，其中指纹数据由来自基站的RSS接收信号强度组成。3.根据权利要求1所述的基于MobileNetV3网络的定位终端场景感知方法，其特征在于，所述场景标注根据实际工作场景和需求进行划分，具体划分为两个超类，包括室内场景和室外场景，在对室内场景划分为两个子类，包括简单室内场景和复杂室内场景；室外通信划分为三个子类，包括空旷室外场景、桥梁隧道场景、雨雪天气场景。4.根据权利要求1所述的基于MobileNetV3网络的定位终端场景感知方法，其特征在于，所述改进的MobileNetV3网络模型，基于MobileNetV3，将Mob...

【专利技术属性】
技术研发人员：林树，苏素燕，石明星，陈俊，姜乃祺，陈端云，陈少昕，徐伟，黄丽芬，吴晓勤，黄琦斌，陈金旺，陈芳，
申请(专利权)人：国网福建省电力有限公司福州大学，
类型：发明
国别省市：