【技术实现步骤摘要】
本专利技术涉及一种基于深度学习的双人室内无设备定位方法。
技术介绍
1、在定位领域使用最多的信号为卫星信号，如北斗、gps等，在室外利用卫星信号定位能达到很高的精度，可以满足商业化的需求，但是在室内环境中卫星信号几乎不可用，因为它们会受到墙体的阻隔和反射，无法进入室内，因此室内定位通常会在室内布置信号源以满足人们对位置服务的需求，常见的室内定位信号有zigbee、wi-fi、蓝牙等。室内定位又可分为有设备定位和无设备定位，二者区别在于测试者是否需要携带通信设备。当前室内定位技术的研究多为有设备定位，该方法通过对人体携带通信设备的定位来实现对人体位置的估计。有设备定位的优点是定位精度高，但是需要定位目标主动佩戴通信设备，且存在设备造价昂贵，携带的设备可能给用户带来不便的体验等缺点。无设备定位主要通过关注人体位于不同菲涅尔区导致的信号强度变化来感知人体的位置。菲涅耳区是在收发天线之间，由电波的直射路径与反射路径的行程差为整数倍的反射点形成的、以收发天线位置为焦点，以直射路径为轴的一系列椭球面，第n菲涅尔区的定义即为电波的直射路径与反射路径的行程差为的椭球面。接收端接收到的信号为直射路径与反射路径信号的叠加。直射路径信号为正弦波，根据第一菲涅尔区的定义可推出反射路径信号比直射路径信号延迟半个周期，又根据半波损失理论，反射波相比于入射波相位突变π，因此反射路径信号与直射路径信号同相。同理可推出，若n为奇数，则反射路径信号与直射路径信号同相，表现形式为信号强度幅值增大；若n为偶数，则反射路径信号与直射路径信号反相，表现形式为信号强度幅值减
2、无设备定位主要使用指纹比对方法。基于指纹比对的无设备定位方法分为离线采集和在线测试两个阶段。离线阶段在实验区域布置若干采样点，收集测试人员在不同位置时接收端接收到的信号强度值，利用合适的算法构建信号强度值到人员位置的映射关系；在线测试阶段，待定位目标进入实验区域，通过接收端接收到的无线链路的信号强度值与离线阶段构建的映射关系，预测出人员的位置。
3、现阶段无设备定位的研究多为单人定位，针对已有双人定位算法研究少，定位精度低的不足，本专利技术利用深度学习技术挖掘zigbee信号强度值数据包的特征，提出了基于深度学习的双人定位方法，达到了较高的精度。
技术实现思路
1、鉴于室内无设备定位的研究对象多为单人，且双人无设备定位研究少，精度低的问题，本专利技术提出一种双人场景下基于深度学习的无设备定位方法。开发zigbee信号强度值采集系统用于采集zigbee信号强度值数据包，利用包含有transformer encoder的神经网络构建信号强度值与人员位置的映射关系，预测出室内两个人员的位置。本专利技术解决了无设备定位在双人场景下研究少，精度低的问题。
2、本方法采用的技术方案包含以下步骤：
3、1.构建zigbee信号强度值采集网络；
4、2.对采集到的zigbee数据包进行预处理，将异常值进行平均值替代，并将一个周期内接收到的信号强度值转化为n*n的矩阵，其中n为zigbee路由器节点个数，本专利技术中n为10；并将其转换为dataloader形式，作为神经网络的输入；
5、3.离线阶段采用大量在不同位置采集到的信号强度值数据包对网络进行训练；
6、4.在线阶段通过训练好的神经网络接收新zigbee信号强度值数据包来预测两个人员的位置，完成结果的输出。
7、进一步地，本专利技术将室内定位问题转化为文本多标签分类问题，将接收到的维度为10*10的zigbee数据包视为一个句长为10，词嵌入维度为10的文本，作为神经网络的输入，对应的两个人员的位置作为神经网络的输出。
8、进一步地，本专利技术提出的神经网络为transformer encoder网络结构，以三维数据的形式输入数据，分别为batch大小、句子长度以及词嵌入维度，输出为长度为位置个数的一维向量，向量的值代表每一个位置上有人的概率。
9、进一步地，本专利技术提出了一种双人定位误差的计算公式，解决了单人定位误差无法直接应用到双人定位算法效果评估的问题。
10、transformer网络主要由三部分组成，分别是自注意力层，残差连接及归一化层，前馈神经网络层，注意力分数的计算公式如下：
11、
12、计算得到注意力分数后，完成编码，编码公式为：
13、
14、ti为目标矩阵的第i列。
15、本专利技术采用transformer网络完成多标签分类问题，使用到的损失函数为bceloss，公式为：
16、
17、其中x为网络的输出，y为真实标签，n为标签向量与结果向量的长度。
18、进一步地，为了验证模型的泛化性，训练数据和测试数据在不同的时间段采集，训练数据用于神经网络的训练，测试数据用于验证模型效果。模型效果用分类准确率与本专利技术定义的双人定位误差方法衡量。
19、本专利技术提出的针对双人场景下的基于深度学习的无设备定位方法，相对于已有方法有以下优点：
20、1.本专利技术创新性地将室内定位问题转化为自然语言处理领域中的文本多标签分类问题，提供了一种双人定位及多人定位建模的思路；
21、2.本专利技术为双人定位定义了距离误差计算方法。
22、3.本专利技术所设计神经网络模型定位误差小，分类成功率高，定位误差达到0.07m，分类成功率达到98.4％；
23、4.本专利技术所使用的zigbee路由器节点数可根据实验场景进行适当修改，经过实验验证，在本专利技术的实验场景下，最低可将zigbee路由器节点减少为7个，且能保证一定的定位精度。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的双人室内无设备定位方法，其特征在于，利用Transformer神经网络建立接收到的ZigBee信号强度值与两个人员位置的映射关系，实现双人场景下的无设备定位，包括以下步骤：
2.如权利要求1所述的基于深度学习的双人室内无设备定位方法，其特征在于，将双人定位问题转化为文本多标签分类问题，并以神经网络作为接收的ZigBee信号强度值与双人人员位置之间的非线性回归映射函数。
3.如权利要求1所述的基于深度学习的双人室内无设备定位方法，其特征在于，通过构造Transformer神经网络，采用大量具有差异性的数据对网络进行训练，完成对双人位置的估计，达到了高精度的效果。
4.如权利要求1所述的基于深度学习的双人室内无设备定位方法，其特征在于，定义了一种专门应用于双人定位的误差公式，弥补了欧氏距离无法直接应用在双人定位的不足。
5.如权利要求1所述的基于深度学习的双人室内无设备定位方法，其特征在于，ZigBee路由器节点可视实验环境的部署难度及现场情况而定，本专利技术使用的ZigBee路由器节点数为10个，经实验验证，在保
...【技术特征摘要】
1.一种基于深度学习的双人室内无设备定位方法，其特征在于，利用transformer神经网络建立接收到的zigbee信号强度值与两个人员位置的映射关系，实现双人场景下的无设备定位，包括以下步骤：
2.如权利要求1所述的基于深度学习的双人室内无设备定位方法，其特征在于，将双人定位问题转化为文本多标签分类问题，并以神经网络作为接收的zigbee信号强度值与双人人员位置之间的非线性回归映射函数。
3.如权利要求1所述的基于深度学习的双人室内无设备定位方法，其特征在于，通过构造transformer神经网络，采用大量具...
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。