【技术实现步骤摘要】
本专利技术涉及室内定位，特别涉及一种基于lstm机器学习模型的泛源指纹匹配定位方法。
技术介绍
1、目前，室内定位直接市场需求日益增大。然而卫星信号在室内受墙壁遮挡和多径效应等影响，定位性能急剧下降乃至失效，无法满足室内定位需求，因此亟需提出行之有效的室内定位新方案。
2、目前已有许多室内定位方法，其中一种常见的方式是通过事先采集wifi、地磁等信号数据和位置坐标，用于建立指纹库。实际使用时，通过实时采集信号数据，利用匹配算法寻找与指纹库中最接近的特征，从而输出对应的位置，实现匹配定位。
3、然而，传统的匹配算法中，卡尔曼滤波方式在非高斯分布场景中表现不佳；粒子滤波方式需要考虑高维空间样本稀疏和例子退化等问题；最邻近算法预测速度较慢，难以满足用户对实时定位的需求。
技术实现思路
1、为解决上述现有技术中所存在的问题，本专利技术提供了如下技术方案：
2、一种基于lstm机器学习模型的泛源指纹匹配定位方法，包括以下步骤：
3、通过足履泛源终端采集不同位置的泛源信号强度数据和位置信息，基于所述泛源信号和位置信息构建训练指纹库、验证指纹库和测试指纹库；
4、构建lstm机器学习模型，通过所述训练指纹库对所述lstm机器学习模型进行训练，获得初始模型，通过所述验证指纹库和测试指纹库对初始模型进行验证和优化，获得定位模型；
5、实时采集泛源信号强度数据，并对实时采集的泛源信号强度数据进行预处理，获得预处理数据，将所述预处理
6、优选的，所述泛源信号包括wifi、蓝牙、蜂窝基站、地磁、气压和光照。
7、优选的，构建lstm机器学习模型的方法包括：搭建输入门、遗忘门、输出门和记忆单元，并设置激活函数、损失函数和优化器。
8、优选的，对所述lstm机器学习模型进行训练的方法包括：将训练指纹库中的泛源信号强度数据作为输入，与泛源信号强度数据对应的位置坐标作为输出，基于所述输入和输出对lstm模型进行训练。
9、优选的，在对lstm模型进行训练的过程中通过损失函数和优化器来调整模型的权重和偏置，以最小化预测输出与实际输出之间的差距作为调整量。
10、优选的，基于初始模型获得定位模型的方法包括：
11、将验证指纹库中的泛源信号强度数据输入到初始模型中，通过所述初始模型对泛源信号强度数据下的行人位置进行匹配预测，获得预测位置信息；
12、将所述预测位置信息与行人真实位置进行对比，得到定位误差，当定位误差大于定位判断阈值时，通过所述定位误差对初始模型进行调整，当定位误差小于等于定位判断阈值时，得到初始定位模型；
13、将测试指纹库导入初始定位模型，进行性能测试评估，当评估合格时获得定位模型。
14、优选的，得到初始定位模型的方法还包括：当所述定位误差大于定位判断阈值的次数超出采集阈值时，通过足履泛源终端丰富训练指纹库，重新对所述lstm机器学习模型进行训练。
15、优选的，对实时泛源信号强度数据进行预处理的方法包括：对实时泛源信号强度数据进行格式统一处理，获得与定位模型输入格式对应的预处理数据。
16、本专利技术具有如下技术效果：
17、本专利技术提供了一种基于lstm机器学习模型的泛源指纹匹配定位方法，通过大量的数据对模型进行训练，能够应对复杂环境下的特性，并根据环境的变化进行调整，有效应对非线性场景，提升计算和预测效率，提高室内定位的鲁棒性和准确性。
本文档来自技高网...【技术保护点】
1.一种基于LSTM机器学习模型的泛源指纹匹配定位方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于LSTM机器学习模型的泛源指纹匹配定位方法，其特征在于，
3.根据权利要求1所述的基于LSTM机器学习模型的泛源指纹匹配定位方法，其特征在于，
4.根据权利要求1所述的基于LSTM机器学习模型的泛源指纹匹配定位方法，其特征在于，
5.根据权利要求4所述的基于LSTM机器学习模型的泛源指纹匹配定位方法，其特征在于，
6.根据权利要求1所述的基于LSTM机器学习模型的泛源指纹匹配定位方法，其特征在于，
7.根据权利要求6所述的基于LSTM机器学习模型的泛源指纹匹配定位方法，其特征在于，
8.根据权利要求1所述的基于LSTM机器学习模型的泛源指纹匹配定位方法，其特征在于，
【技术特征摘要】
1.一种基于lstm机器学习模型的泛源指纹匹配定位方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于lstm机器学习模型的泛源指纹匹配定位方法，其特征在于，
3.根据权利要求1所述的基于lstm机器学习模型的泛源指纹匹配定位方法，其特征在于，
4.根据权利要求1所述的基于lstm机器学习模型的泛源指纹匹配定位方法，其特征在于，
...【专利技术属性】
技术研发人员：夏鸣，张展蓬，王家乐，施闯，
申请(专利权)人：北京航空航天大学，
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。