本发明专利技术公开了一种基于多信号相似度度量的位置感知方法、装置及介质，所述方法包括：获取第一移动终端和第二移动终端的RSSI序列；将所述第一移动终端和第二移动终端的RSSI序列添加至RSSI层，更新AP位置异构图；根据预先训练好的分层图神经网络模型，分别计算第一移动终端及第二移动终端的RSSI序列的特征向量；计算第一移动终端及第二移动终端的RSSI序列的特征向量相似度，得到第一移动终端和第二移动终端的位置相似度。本发明专利技术可以通过对AP间、AP与位置间、不同信号间的相关性进行建模，从而实现对多信号RSSI序列相似度的度量，确定不同移动终端的相对位置。移动终端的相对位置。移动终端的相对位置。
【技术实现步骤摘要】
基于多信号相似度度量的位置感知方法、装置及介质
[0001]本专利技术涉及定位
，尤其涉及一种基于多信号相似度度量的位置感知方法、装置及介质。
技术介绍
[0002]随着物联网技术与感应器技术的发展，大量的信号，例如Wi
‑
Fi信号、蓝牙信号等，被广泛应用于各种定位与感知场景。RSSI序列可以用来表示空间中的一个位置，距离相近的位置由于信号差异较小，RSSI序列也相似。因此，RSSI序列的相似度反映了其对应的位置在空间中的远近程度。衡量RSSI序列的相似度在智慧城市场景中有着大量的应用，例如：位置追踪、室内定位、无人驾驶等等。
[0003]现有技术主要针对同一种信号相似度的比较，无法满足两种不同信号的RSSI序列的相似度比较。在现实场景中，不同用户的设备开启的权限存在差异，例如用户开启了Wi
‑
Fi的权限但没开启蓝牙权限，用户开启了蓝牙的权限但没有开启Wi
‑
Fi的权限。使用现有技术是无法满足通过两种不同信号的RSSI序列进行相似度比较的需求。另外，不同设备对信号的感知能力存在差异；两个不同的设备即使共处一地，扫描到的AP数量以及信号的强弱也存在差异。其次，信号的强弱随环境的变化而存在差异。即使同一部设备在同一个地方，不同时刻扫描到的AP数量以及信号的强弱也不同。
[0004]综上，现有技术缺乏对接入点之间相关性、以及位置与接入点之间相关性的考虑，无法克服因设备差异与环境变化差异而带来的信号噪声的影响，性能受到很大的限制。
专利技术内容
[0005]本专利技术提供了一种基于多信号相似度度量的位置感知方法，通过对AP之间、AP与位置之间、不同信号之间的相关性进行建模，学习位置的特征表达，从而实现对多信号RSSI序列相似度的度量，确定不同移动终端的相对位置。
[0006]本专利技术实施例提供了一种基于多信号相似度度量的位置感知方法，包括：
[0007]获取第一移动终端的RSSI序列和第二移动终端的RSSI序列；
[0008]将所述第一移动终端的RSSI序列和所述第二移动终端的RSSI序列添加至RSSI层，更新AP位置异构图；所述AP位置异构图是通过第一节点同构图和第二节点同构图连接得到的；
[0009]根据预先训练好的分层图神经网络模型，计算第一移动终端的RSSI序列的特征向量和第二移动终端的RSSI序列的特征向量；
[0010]计算所述第一移动终端的RSSI序列的特征向量和所述第二移动终端的RSSI序列的特征向量的相似度，得到第一移动终端和第二移动终端的位置相似度。
[0011]其中，所述第一节点同构图，具体包括：
[0012]获取第一信号的RSSI数据集，所述第一信号的RSSI数据集包含至少一个RSSI序列；其中，定义一个第一信号的RSSI序列为：
[0013][0014]其中表示第k个节点，表示R
i
中第k个节点的信号强度；
[0015]根据所述第一信号的RSSI数据集构建第一节点同构图。
[0016]其中，所述第二节点同构图，具体包括：
[0017]获取第二信号的RSSI数据集，所述第二信号的RSSI数据集包含至少一个RSSI序列；其中，定义一个第二信号的RSSI序列为：
[0018][0019]其中表示第k个节点，表示R
j
中第k个节点的信号强度；
[0020]根据所述第二信号的RSSI数据集构建第二节点同构图。
[0021]进一步的，所述AP位置异构图，具体包括：
[0022]用节点R
k
表示一个RSSI序列，将所有数据集中的RSSI序列构建RSSI序列层，利用所述第一节点同构图和所述第二节点同构图构建AP位置异构图；
[0023]其中，如果RSSI序列中的节点信号强度存在s
k，i
≠0，则将R
k
与节点a
i
连接起来，AP位置异构图中的边e(R
k
，a
i
)的权重定义如下：
[0024][0025]作为上述方案的改进，预先训练好的分层图神经网络模型，具体包括：
[0026]将所述第一节点同构图输入至第一图卷积网络中，利用图自监督学习的方法，获得第一节点的特征向量；
[0027]将所述第二节点同构图输入至第二图卷积网络中，利用图自监督学习的方法，获得第二节点的特征向量；
[0028]基于学习到的所述第一节点的特征向量，将所述第一节点同构图输入至第三图卷积网络中，获得第三节点的特征向量；
[0029]基于学习到的所述第二节点的特征向量，将所述第二节点同构图输入至第四图卷积网络中，获得第四节点的特征向量；
[0030]根据所述AP位置异构图、所述第三节点的特征向量以及所述第四节点的特征向量，在RSSI序列层通过特征聚合的方式获得每个RSSI序列的特征向量；
[0031]计算两个RSSI序列的特征向量相似度；
[0032]通过构建RSSI对，对分层图神经网络模型进行训练。
[0033]其中，所述特征聚合的计算方式为：
[0034][0035]其中Neigh(R
k
)表示R
k
在AP位置异构图中的邻居节点，w(R
k
，a
i
)表示边e(R
k
，a
i
)的权重，W5是可学习参数，是RSSI序列中节点a
i
的特征向量。
[0036]其中，所述相似度计算的公式为：
[0037][0038]其中l
i
与l
j
分别是第一移动终端的RSSI序列的特征向量和第二移动终端的RSSI序列的特征向量。
[0039]相应地，本专利技术实施例还提供了一种基于多信号相似度度量的位置感知装置，包括：
[0040]获取目标序列模块，用于获取第一移动终端的RSSI序列和第二移动终端的RSSI序列；
[0041]更新AP位置异构图模块，用于将所述第一移动终端的RSSI序列和所述第二移动终端的RSSI序列添加至RSSI层，更新AP位置异构图；所述AP位置异构图是通过第一节点同构图和第二节点同构图连接得到的；
[0042]获取特征向量模块，用于根据预先训练好的分层图神经网络模型，计算第一移动终端的RSSI序列的特征向量和第二移动终端的RSSI序列的特征向量；
[0043]相似度计算模块，用于计算所述第一移动终端的RSSI序列的特征向量和所述第二移动终端的RSSI序列的特征向量的相似度，得到第一移动终端和第二移动终端的位置相似度。
[0044]相应地，本专利技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述基于多信号相似度度量的位置感知方法的步骤。
[0045]相比于现有技术，本专利技术具有如下有益效果：本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于多信号相似度度量的位置感知方法，其特征在于，包括：获取第一移动终端的RSSI序列和第二移动终端的RSSI序列；将所述第一移动终端的RSSI序列和所述第二移动终端的RSSI序列添加至RSSI层，更新AP位置异构图；所述AP位置异构图是通过第一节点同构图和第二节点同构图连接得到的；根据预先训练好的分层图神经网络模型，计算第一移动终端的RSSI序列的特征向量和第二移动终端的RSSI序列的特征向量；计算所述第一移动终端的RSSI序列的特征向量和所述第二移动终端的RSSI序列的特征向量的相似度，得到第一移动终端和第二移动终端的位置相似度。2.如权利要求1所述的一种基于多信号相似度度量的位置感知方法，其特征在于，所述第一节点同构图，具体包括：获取第一信号的RSSI数据集，所述第一信号的RSSI数据集包含至少一个RSSI序列；其中，定义一个第一信号的RSSI序列为：其中表示第k个节点，表示R
i
中第k个节点的信号强度；根据所述第一信号的RSSI数据集构建第一节点同构图。3.如权利要求1所述的一种基于多信号相似度度量的位置感知方法，其特征在于，所述第二节点同构图，具体包括：获取第二信号的RSSI数据集，所述第二信号的RSSI数据集包含至少一个RSSI序列；其中，定义一个第二信号的RSSI序列为：其中表示第k个节点，表示R
j
中第k个节点的信号强度；根据所述第二信号的RSSI数据集构建第二节点同构图。4.如权利要求1所述的一种基于多信号相似度度量的位置感知方法，其特征在于，所述AP位置异构图，具体包括：用节点R
k
表示一个RSSI序列，将所有数据集中的RSSI序列构建RSSI序列层，利用所述第一节点同构图和所述第二节点同构图构建AP位置异构图；其中，如果RSSI序列中的节点信号强度存在s
k,i
≠0，则将R
k
与节点a
i
连接起来，AP位置异构图中的边e(R
k
,a
i
)的权重定义如下：5.如权利要求1所述的一种基于多信号相似度度量的位置感知方法，其特征在于，所述预先训练好的分层图神经网络模型，具体包括：将所述第一节点同构图输入至第一图卷积网络中，利用图自监督学习的方法，获得第一节点的特征向量；将所述第二节...
【专利技术属性】
技术研发人员：刘洋，李冠耀，张明，张啸，胡鑫，程晓晖，黄淑娟，
申请(专利权)人：广州市城市规划勘测设计研究院，
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。