基于深度学习的无线层析成像目标定位方法和系统技术方案

本发明专利技术公开了基于深度学习的无线层析成像目标定位方法和系统。本发明专利技术先基于无源定位的无线传感网络生成RSS数据集，然后采用所述RSS数据集训练该神经网络，最后将基于无源定位的无线传感网络实测RSS衰减值数据送入神经网络进行无线层析成像目标定位。本发明专利技术基于CNN和Transformer实现了无线层析成像无源定位的神经网络，节省了定位时间，提高了定位精度。本发明专利技术减少了无线层析成像目标定位传感器节点的数量，降低了复杂度，节省了成本。节省了成本。节省了成本。

【技术实现步骤摘要】
基于深度学习的无线层析成像目标定位方法和系统


[0001]本专利技术属于无源目标定位
，具体地，涉及基于深度学习的无线层析成像目标定位方法和系统。

技术介绍

[0002]基于接收信号强度(RSS，Received Signal Strength)的定位技术可以分为基于测距的定位和无需测距的定位。
[0003]基于RSS测距的无线探测技术需要在空间中部署多个无线传感器节点，同时目标携带一个无线节点，通过测量未知节点和信标节点之间的RSS推导未知节点和信标节点之间的距离进而确定目标位置。这种技术存在的问题是是目标必须额外携带设备，无法实现免设备携带定位。
[0004]基于RSS的无需测距的定位技术包括指纹定位和无线层析成像定位。对于指纹定位，环境一旦发生改变则需要更新指纹库，维护成本高，因此不适用于实时定位。无线层析成像技术(RTI，Radio Tomographic Imaging)是一种新兴的低功率、低成本的无线探测技术，其原理是通过阴影权重模型，构建RSS变化值与目标位置之间的关系，然后通过求解非适定方程反演出目标位置图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的无线层析成像无源定位方法，其特征在于，包括基于无源定位的无线传感网络生成RSS数据集的步骤，基于CNN和Transformer Encoder搭建神经网络并采用所述RSS数据集训练该神经网络的步骤，基于无源定位的无线传感网络实测RSS衰减值数据的步骤和无线层析成像目标定位的步骤；基于无源定位的无线传感网络生成RSS数据集的步骤中，n个无线传感节点布置在定位区域四周，形成了由n(n
‑
1)条无线链路构成的无线传感网络，无线传感节点发送并接收信号以便对定位区域内的目标进行定位；RSS数据包括像素矩阵数据和RSS衰减值数据；像素矩阵数据是将定位区域进行网格状划分，每个网格为一个像素，含目标网格和不含目标网格用不同数值表示的矩阵数据；RSS衰减值数据是由无线链路衰减值组成的向量数据；RSS数据集采用实际测量得到或者采用无线信号衰减模型生成得到；RSS数据集包括RSS训练集和RSS验证集；基于CNN和Transformer Encoder搭建神经网络并采用所述RSS数据集训练该神经网络的步骤中，基于CNN和Transformer Encoder搭建的神经网络包括依次相连的输入层、第一CNN层、第一Transformer Encoder层、第一批量归一化和激活层、第二CNN模块、第二Transformer Encoder模块、第二批量归一化和激活层、展平和失活层、以及全连接和激活函数层；将RSS数据集中的RSS衰减值数据作为所述神经网络的输入，RSS数据集中的像素矩阵数据作为所述神经网络的输出，进行神经网络的训练，神经网络的第一层神经元的个数等于RSS衰减值数据的维度，神经网络最后一层神经元的个数等于像素矩阵数据的维度；无线层析成像目标定位的步骤中，采用完成训练的神经网络，将基于无源定位的无线传感网络实测RSS衰减数据的步骤中得到的实测RSS数据作为的输入，输出重建图像的像素矩阵，像素矩阵中亮度最大的像素中心即为目标位置的估计。2.如权利要求1所述的基于深度学习的无线层析成像目标定位方法，其特征在于，RSS数据集采用无线信号衰减模型生成，步骤包括：设定初始化参数的步骤S101，该步骤中，均匀划分定位区域为P个像素，设定无线传感节点为有n个，n个无线传感节点布置在定位区域四周，每个节点发送并接收信号，由此形成L＝n(n
‑
1)条无线链路；生成像素矩阵数据的步骤S102；该步骤中，共生成N
total
幅图像的像素矩阵数据，对于每幅图像，在定位区域随机生成m个目标，目标为边长h个像素的正方形，目标位置在定位区域随机生成，由此生成像素矩阵数据Δx，m为不大于5的随机自然数，h为不大于5的自然数；通过无线信号衰减模型生成RSS衰减值数据Δr的步骤S103；该步骤中，根据每幅图像的像素矩阵数据Δx生成所有链路的RSS衰减值为元素的RSS衰减值数据Δr，所述RSS衰减值数据Δr采用以下无线信号衰减模型生成：Δr＝WΔx+χ
η
其中，Δr＝[Δr1,Δr2,
…
,Δr
L
]
T
，Δr
i
表示第i条链路的RSS的衰减值，Δx＝[Δx1,Δx2,
…
,Δx
P
]
T
，Δx
j
表示定位区域中第j个像素的值，W是L
×
P维的权重矩阵，其中，[W]
i,j
＝w
i,j
，w
i,j
表示第j像素的值对第i条链路的衰减值的影响因子；χ
η
是服从高斯分布的测量噪声，χ
η
～N(0,η2)；RSS的衰减值数据Δr进行归一化处理的步骤S104，该步骤中，对RSS的衰减值数据Δr进行归一化处理的公式为：
式中，Δr
i
表示第i条链路的RSS衰减值；生成RSS数据集的步骤S105；该步骤中，将N
total
幅图像的像素矩阵数据Δx和RSS的衰减值数据Δr作为RSS数据集，并且将RSS数据集按照比例划分，一部分作为训练集，一部分作为验证集，用于神经网络的训练。3.如权利要求2所述的基于深度学习的无线层析成像目标定位方法，其特征在于，步骤S103中，w
i,j
采用椭圆模型计算，即：式中，是第i条链路收发节点间的距离，和分别为第j个像素中心到第i条链路收发节点两端的距离，λ是调节椭圆短轴长度的可控变量。4.如权利要求2或3所述的基于深度学习的无线层析成像目标定位方法，其特征在于，采用所述RSS数据集训练该神经网络的步骤包括正向传播的步骤步骤S210和反向传播的步骤S220，所述神经网络进行正向传播的步骤S210包括：步骤S211，将RSS数据集中的N
total
个RSS衰减值数据Δr分批送入输入层，每批N个RSS衰减值数据Δr，送入输入层后重塑为图片向量；步骤S212，将重塑后的图片向量送入第一CNN层中进行二维卷积，提取特征并将提取的特征重塑为第一Transformer Encoder层的输入向量；步骤S213，所述输入向量依次经过第一Transformer Encoder层的第二特征提取，第一批量归一化和激活层(BN&ReLU)的第一批量归一化和激活运算，第二CNN层中进行二维卷积的第三特征提取，第二Transformer Encoder层的第四特征提取，批量归一化和激活层(BN&ReLU)的第二批量归一化和激活运算，最后送入展平和失活层进行展平和失活处理；步骤S214：将展平和失活处理后的向量送入全连接和激活函数层，通过全连接层和Sigmoid激活函数，将最终的输出向量转化成概率表示，完成重建的像素矩阵数据的分类；所述神经网络反向传播训练并调整超参数的步骤S220，该步骤中，采用损失函数对神经网络进行反向传播训练，训练完成后得到训练好的神经网...

【专利技术属性】
技术研发人员：刘珩，陆智超，杨凯，高翔，张先超，
申请(专利权)人：嘉兴学院，
类型：发明
国别省市：