定位方法、装置、设备及存储介质制造方法及图纸

本发明专利技术公开了一种定位方法、装置、设备及存储介质，涉及定位技术领域，方法包括：获取实时MR数据；根据实时MR数据，利用训练获得的楼层分类模型进行楼层识别，获得楼层信息；其中，楼层分类模型基于图卷积神经网络和极限学习机获得；根据楼层信息，利用训练获得的位置回归模型进行平面坐标定位，获得坐标信息；其中，位置回归模型基于半监督回归算法和图卷积滤波器获得；根据楼层信息和坐标信息，得到定位结果。本发明专利技术解决了现有技术中的指纹定位方法存在室内定位准确度较低的问题，实现了增加了室内定位的准确度的效果。室内定位的准确度的效果。室内定位的准确度的效果。

【技术实现步骤摘要】
定位方法、装置、设备及存储介质


[0001]本专利技术涉及定位
，尤其涉及一种定位方法、装置、设备及存储介质。

技术介绍

[0002]指纹定位是一种基于无线电属性建立电子地图从而定位的方法。指纹定位方法，首先需要建立指纹库，然后根据用户使用时所产生的数据进行匹配，从而得出用户所在的位置。其中，指纹库的建立通过离线测量来收集各个位置的信号强度数据，即指纹数据，然后通过实际测量的值来计算位置的距离信息和高度信息，进行在线定位。现有的指纹定位方法在计算位置的高度信息时，存在误差较大的问题，导致室内定位准确度较低。

技术实现思路

[0003]本专利技术的主要目的在于：提供一种定位方法、装置、设备及存储介质，旨在解决现有技术中的指纹定位方法存在室内定位准确度较低的技术问题。
[0004]为实现上述目的，本专利技术采用如下技术方案：
[0005]第一方面，本专利技术提供了一种定位方法，所述方法包括：
[0006]获取实时MR数据；
[0007]根据所述实时MR数据，利用训练获得的楼层分类模型进行楼层识别，获得楼层信息；其中，所述楼层分类模型基于图卷积神经网络和极限学习机获得；
[0008]根据所述楼层信息，利用训练获得的位置回归模型进行平面坐标定位，获得坐标信息；其中，所述位置回归模型基于半监督回归算法和图卷积滤波器获得；
[0009]根据所述楼层信息和所述坐标信息，得到定位结果。
[0010]可选地，上述定位方法中，所述根据所述实时MR数据，利用训练获得的楼层分类模型进行楼层识别，获得楼层信息的步骤之前，所述方法还包括：
[0011]获取第一训练数据，所述第一训练数据包括原始数据和标签数据，所述原始数据包括多个点位的MR数据，所述标签数据基于所述原始数据进行位置信息标记后获得，其中，所述位置信息包括点位的所在楼层和所在楼层内的坐标；
[0012]基于图卷积神经网络和极限学习机构建神经网络架构；
[0013]根据所述第一训练数据，利用半监督分类算法对所述神经网络架构进行训练，获得楼层分类模型。
[0014]可选地，上述定位方法中，所述根据所述第一训练数据，利用半监督分类算法对所述神经网络架构进行训练，获得楼层分类模型的步骤包括：
[0015]以根据所述第一训练数据中每个点位的MR数据作为节点，任意两条MR数据之间的欧式距离为边，建立图结构，获得亲和矩阵；
[0016]根据所述亲和矩阵，得到对应的拉普拉斯矩阵；
[0017]根据所述拉普拉斯矩阵，利用半监督分类算法对所述神经网络架构进行训练，获得初始分类模型；
[0018]利用交替优化策略和梯度下降算法，对所述初始分类模型进行优化，得到楼层分类模型。
[0019]可选地，上述定位方法中，所述根据所述第一训练数据，利用半监督分类算法对所述神经网络架构进行训练，获得楼层分类模型的步骤之后，所述方法还包括：
[0020]根据所述第一训练数据中的标签数据，对所述楼层分类模型进行准确率评估；
[0021]若所述楼层分类模型的准确率达到预设准确率，确定所述楼层分类模型为训练获得的楼层分类模型；
[0022]若所述楼层分类模型的准确率未达到预设准确率，则返回根据所述第一训练数据，利用半监督分类算法对所述神经网络架构进行训练，获得楼层分类模型的步骤，直到训练获得的楼层分类模型的准确率达到预设准确率。
[0023]可选地，上述定位方法中，所述根据所述第一训练数据，利用半监督分类算法对所述神经网络架构进行训练，获得楼层分类模型的步骤还包括：
[0024]根据所述第一训练数据，利用半监督分类算法对所述神经网络架构进行训练，获得标签扩散结果矩阵；所述标签扩散结果矩阵包括具有楼层信息的MR数据。
[0025]可选地，上述定位方法中，所述根据所述第一训练数据，利用半监督分类算法对所述神经网络架构进行训练，获得楼层分类模型的步骤之后，所述方法还包括：
[0026]根据所述标签扩散结果矩阵，获取第二训练数据，所述第二训练数据为任意楼层的具有楼层信息的MR数据；
[0027]利用图卷积滤波器对所述第二训练数据进行滤波处理，得到滤波后的第二训练数据；其中，所述图卷积滤波器包括输入层、第一卷积层、第二卷积层和输出层，所述第一卷积层的维度小于所述输入层的维度，所述第二卷积层的维度等于所述输入层的维度；
[0028]根据所述滤波后的第二训练数据，利用半监督回归算法训练回归模型，获得初始回归模型；
[0029]利用梯度下降算法，对所述初始回归模型进行优化，得到所述任意楼层的位置回归模型。
[0030]可选地，上述定位方法中，所述利用梯度下降算法，对所述初始回归模型进行优化，得到所述任意楼层的位置回归模型的步骤之后，所述方法还包括：
[0031]针对所述标签扩散结果矩阵的每一楼层，获得对应的位置回归模型；
[0032]基于所述每一楼层的位置回归模型，确定为训练获得的位置回归模型。
[0033]第二方面，本专利技术提供了一种定位装置，所述装置包括：
[0034]数据获取模块，用于获取实时MR数据；
[0035]楼层分类模块，用于根据所述实时MR数据，利用训练获得的楼层分类模型进行楼层识别，获得楼层信息；其中，所述楼层分类模型基于图卷积神经网络和极限学习机获得；
[0036]坐标定位模块，用于根据所述楼层信息，利用训练获得的位置回归模型进行平面坐标定位，获得坐标信息；其中，所述位置回归模型基于半监督回归算法和图卷积滤波器获得；
[0037]定位结果模块，用于根据所述楼层信息和所述坐标信息，得到定位结果。
[0038]第三方面，本专利技术提供了一种定位设备，所述定位设备包括处理器和存储器，所述存储器中存储有定位程序，所述定位程序被所述处理器执行时，实现如上述的定位方法。
[0039]第四方面，本专利技术提供了一种计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序可被一个或多个处理器执行，以实现如上述的定位方法。
[0040]本专利技术提供的上述一个或多个技术方案，可以具有如下优点或至少实现了如下技术效果：
[0041]本专利技术提出的一种定位方法、装置、设备及存储介质，通过获取实时MR数据，根据实时MR数据，利用训练获得的楼层分类模型进行楼层识别，获得楼层信息，再根据该楼层信息，利用训练获得的位置回归模型进行平面坐标定位，获得坐标信息，最后根据楼层信息和坐标信息得到定位结果，实现了室内定位的目的；本专利技术先通过基于图卷积神经网络和极限学习机构建并训练得到的楼层分类模型进行楼层识别，再调取该楼层对应的基于半监督回归算法和图卷积滤波器构建并训练得到的位置回归模型进行坐标定位，在确定楼层的基础上，进一步定位具体坐标，相比现有利用MR数据直接定位三维坐标的方式，避免了利用MR数据计算楼高所造成的误差，增加了室内定位的准确度；并且，利用半监督学习算法来构建楼层分类模型和位置回本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种定位方法，其特征在于，所述方法包括：获取实时MR数据；根据所述实时MR数据，利用训练获得的楼层分类模型进行楼层识别，获得楼层信息；其中，所述楼层分类模型基于图卷积神经网络和极限学习机获得；根据所述楼层信息，利用训练获得的位置回归模型进行平面坐标定位，获得坐标信息；其中，所述位置回归模型基于半监督回归算法和图卷积滤波器获得；根据所述楼层信息和所述坐标信息，得到定位结果。2.如权利要求1所述的定位方法，其特征在于，所述根据所述实时MR数据，利用训练获得的楼层分类模型进行楼层识别，获得楼层信息的步骤之前，所述方法还包括：获取第一训练数据，所述第一训练数据包括原始数据和标签数据，所述原始数据包括多个点位的MR数据，所述标签数据基于所述原始数据进行位置信息标记后获得，其中，所述位置信息包括点位的所在楼层和所在楼层内的坐标；基于图卷积神经网络和极限学习机构建神经网络架构；根据所述第一训练数据，利用半监督分类算法对所述神经网络架构进行训练，获得楼层分类模型。3.如权利要求2所述的定位方法，其特征在于，所述根据所述第一训练数据，利用半监督分类算法对所述神经网络架构进行训练，获得楼层分类模型的步骤包括：以所述第一训练数据中每个点位的MR数据作为节点，任意两条MR数据之间的欧式距离为边，建立图结构，获得亲和矩阵；根据所述亲和矩阵，得到对应的拉普拉斯矩阵；根据所述拉普拉斯矩阵，利用半监督分类算法对所述神经网络架构进行训练，获得初始分类模型；利用交替优化策略和梯度下降算法，对所述初始分类模型进行优化，得到楼层分类模型。4.如权利要求2所述的定位方法，其特征在于，所述根据所述第一训练数据，利用半监督分类算法对所述神经网络架构进行训练，获得楼层分类模型的步骤之后，所述方法还包括：根据所述第一训练数据中的标签数据，对所述楼层分类模型进行准确率评估；若所述楼层分类模型的准确率达到预设准确率，确定所述楼层分类模型为训练获得的楼层分类模型；若所述楼层分类模型的准确率未达到预设准确率，则返回根据所述第一训练数据，利用半监督分类算法对所述神经网络架构进行训练，获得楼层分类模型的步骤，直到训练获得的楼层分类模型的准确率达到预设准确率。5.如权利要求2所述的定位方法，其特征在于，所述根据所述第一训练数据，利用半监督分...

【专利技术属性】
技术研发人员：张炎炎，刘泽宇，李鹏程，丁曼，刘娜，李欣，
申请(专利权)人：中国移动通信集团有限公司，
类型：发明
国别省市：