一种室内异常信号高精度定位方法、系统及装置.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN116033345A(43)申请公布日2023.04.28(21)申请号202211664148.6G06F18/2413(2023.01)(22)申请日2022.12.23(71)申请人南京中孚信息技术有限公司地址211800江苏省南京市浦口区江浦街道仁山路1号园区2号楼办公室东侧ER202室(72)发明人王超罗圣美孙晓舟(74)专利代理机构济南舜源专利事务所有限公司37205专利代理师赵阳(51)Int.Cl.H04W4/021(2018.01)H04W4/02(2018.01)H04W4/33(2018.01)G06N20/00(2019.01)权利要求书3页说明书8页附图7页(54)发明名称一种室内异常信号高精度定位方法、系统及装置(57)摘要本发明提出的一种室内异常信号高精度定位方法、系统及装置，属于无线信号定位技术领域。所述方法包括：在待定位空间内部署信号接收器，并进行区域和网格划分；设置指纹采集点，采集各指纹采集点发出的异常信号的信号强度数据；对采集的信号强度数据进行预处理，生成相应的采集指纹；使用采集指纹训练区域定位模型和网格定位模型；实时获取信号接收器采集的信号强度数据，使用区域定位模型预测异常信号所属的区域位置，根据预测出的区域位置使用网格定位模型预测异常信号的网格位置，并生成异常信号的坐标。本发明使用机器学习算法构建指纹地图数据库和算法模型，通过对比指纹与坐标间的非线性映射关系，即可查询得到目标信号的实际位置。CN116033345ACN116033345A权利要求书1/3页1.一种室内异常信号高精度定位方法，其特征在于，包括如下步骤：S1：在待定位空间内部署信号接收器，并对待定位空间进行区域和网格划分，设置指纹采集点，采集各指纹采集点发出的异常信号的信号强度数据；S2：对采集的信号强度数据进行预处理，生成相应的采集指纹；S3：使用采集指纹训练基于朴素贝叶斯算法的区域定位模型；S4：使用采集指纹训练基于K‑最近邻算法的网格定位模型；S5：实时获取信号接收器采集的信号强度数据，使用区域定位模型预测异常信号所属的区域位置，根据预测出的区域位置使用网格定位模型预测异常信号的网格位置，并生成异常信号的坐标。2.根据权利要求1所述的室内异常信号高精度定位方法，其特征在于，所述步骤S1包括：在待定位空间内部署个信号接收器，按照信号接收器的有效接收范围将待定位空间划分为若干区域，将每一个区域按照1米×1米的方块划分为若干个网格，每一个网格中心即为指纹采集点。3.根据权利要求2所述的室内异常信号高精度定位方法，其特征在于，所述步骤S2包括：假设共划分出个区域、个网格，信号源在第个网格处发出信号，则第个信号接收器所接收到的信号强度序列为：其中，表示时刻在第个网格处采集到的信号强度；通过以下公式对进行归一化并取平均得：即为第个网格处的指纹。4.根据权利要求3所述的室内异常信号高精度定位方法，其特征在于，所述步骤S3包括：将采集指纹与其所属区域id绑定生成数据集，根据朴素贝叶斯算法通过数据集学习联合概率分布，根据贝叶斯定理利用以下公式将联合概率分布转换为先验概率分布与条件概率分布之积：其中，区域类别的先验概率分布通过公式统计每个类别下有多少样本即可得到；因为朴素贝叶斯算法假设所有特征是条件独立的，该条件独立假设为：2CN116033345A权利要求书2/3页利用极大似然估计，可得：即给定区域类别为的条件下，第个探针接收的信号强度为某个特定值的概率等于类别为且第个探针接收的信号强度为的样本数量除以所有样本数量；得到与之后，基于朴素贝叶斯算法的区域分类模型训练完成。5.根据权利要求4所述的室内异常信号高精度定位方法，其特征在于，所述步骤S4包括：将采集指纹与其所属网格id绑定生成数据集，将数据集划分为训练集和测试集；将K值选择范围设置为，距离计算方法，其中时，采用欧式距离；时，采用曼哈顿距离；假设训练集为：测试集为：其中，表示K个探针接收的信号强度，表示网格id；采用穷举遍历的方式将不同的K值与P值进行组合，遍历测试集中的所有，将作为输入实例，在训练数据集中找到与该实例最近邻的K个实例，依据少数服从多数原则，该实例的类别为K个实例中占多数的类；计算测试集分类准确率，得到分类准确率最高时K值和P值，基于K‑最近邻算法的网格定位模型训练完成。6.根据权利要求5所述的室内异常信号高精度定位方法，其特征在于，所述步骤S5包括：K个信号接收器所接收到的5个时刻信号强度为：对进行归一化并取平均后得：将输入到基于朴素贝叶斯算法的区域分类模型中，利用朴素贝叶斯公式找出后验概率的最大类别作为输出，即3CN116033345A权利要求书3/3页其中，即为区域id，根据区域id选择相对应的