基于路径匹配与编码译码循环神经网络的室内定位方法
专利汇可以提供基于路径匹配与编码译码循环神经网络的室内定位方法专利检索，专利查询，专利分析的服务。并且本 发明 涉及室内 定位 方法，尤其涉及一种基于路径匹配与编码译码循环神经网络的室内定位方法。本发明包括训练阶段和测试阶段。训练阶段在待定位区域中设计行走路径，并采集移动设备在各路径上行走时来自AP的 信号 接收强度动态时间序列；对RSS时间序列进行预处理；通过插值得到对应的 位置 时间序列；建立编码译码循环神经网络模型，用长短时记忆作为模型的基本组件，定位 服务器 利用预处理后的RSS时间序列及对应的位置时间序列对循环神经网络模型进行训练。测试阶段获取在线RSS数据，得到RSS时间序列；对RSS时间序列进行预处理，把预处理后的RSS时间序列作为已训练好的 深度学习 模型的输入，得到的输出序列作为对移动设备的路径位置估计。，下面是基于路径匹配与编码译码循环神经网络的室内定位方法专利的具体信息内容。
1.基于路径匹配与编码译码循环神经网络的室内定位方法，该方法用于基于M个AP、一个移动设备和定位服务器构成的定位系统，所述AP与移动设备构成M个收发对，其特征在于，所述的定位方法包括训练阶段和测试阶段；
训练阶段：
在待定位区域中设计的路径上行走，并采集移动设备在各路径上行走时来自AP的动态RSS时间序列；对RSS时间序列进行预处理；用插值法得到对应的位置时间序列；建立编码译码循环神经网络模型，用LSTM作为模型的基本组件，定位服务器利用预处理后的RSS时间序列及对应的位置时间序列对循环神经网络模型进行训练；训练阶段具体包括以下步骤：
S1、数据采集：
手持移动设备在待定位区域数据采集路径上匀速移动，同时移动设备无线网卡接收来自M个AP以固定速率发送的数据包，获取RSS数据，把从路径的起点到终点采集的数据作为一次RSS时间序列数据采集；数据采集总共进行N次，第n次数据采集的RSS时间序列记为：
nS＝[ns1ns2…nsT]，n＝1,...,N，
其中T表示序列的长度，nst(t＝1,...T)表示第n次数据采集来自各AP以△t为区间长度的等长时间区间[(t-1)△t,t·△t]内的RSS数据的均值 组成的RSS向量，
记为：
S2、数据预处理：
数据预处理包括对步骤S1中采集到的数据集{nS,n＝1,...,N}进行中心化、归一化、切片以得到适合循环神经网络网络训练的数据集；
数据集的中心化的方法是把所有数据减去其均值；
数据集的归一化方法是把中心化后的数据除以其标准差；
当数据集中时间序列nS长度T较大时，可采用重叠切片的方式得到T-L+1个长度L(L
根据采集路径的端点、长度和T的大小插值得到与RSS时间序列对应的位置时间序列nty＝[nyt,...,nyt+L-1]，t＝1,...,T-L+1，即RSS时间序列ntx对应的位置标签序列，其中nyt∈R2表示RSS向量nst对应的二维位置坐标；将序列对{ntx,nty}作为训练编码译码循环神经网络模型的输入和输出对，记为{x,y}；
S4、建立编码译码循环神经网络模型：
模型由编码器和译码器两部分组成，两部分均采用循环神经网络结构；
译码器的目的是，给定的固定长向量表示c和先前预测到的路径{y1,...,yt-1}，预测下一个时刻的位置yt，即译码器将联合概率分解为有序条件概率来定义匹配路径y的概率：
其中，y＝(y1,...,yL)，对于循环神经网络，每个条件概率模型为：
p(yt|{y1,...,yt-1},c)＝g(yt-1,st,c)
其中g为非线性多层函数用于输出yt的概率，st为译码器的隐藏层状态；为了引入对齐机制，重新定义模型架构：
p(yi|{y1,...,yi-1},x)＝g(yi-1,si,ci)
其中si为译码器在i时刻的隐藏层状态，计算方式为：
si＝f(si-1,yi-1),ci)
对于每个目标位置yi都有一个不同的编码ci，
权重αij的计算方式为：
其中eij＝a(si-1,hj)，是一个对齐模型，它表示译码器中第i-1时刻与编码器中第i时刻的匹配程度；将对齐模型a参数化为与所提出的系统的所有其他组件联合训练的前馈神经网络；
编码器处理输入RSS时间序列x，通过下面公式把输入序列编码成固定长向量表示c，ht＝f(xt,ht-1)，
和
c＝q({h1,...,hL})，
其中 为t时刻的采样数据， 为t时刻的隐藏状态；f和q表示某个非线性函
数，设定用LSTM单元作为f；
编码器采用双向循环神经网络,包含前向和后向循环神经网络，前向循环神经网络 按原始顺序读取输入序列并计算前向隐藏层状态 后向循环神经网络 以逆向读取
输入序列得到后向隐藏层状态 最后的编码器隐藏层状态由前向和后向隐藏层
状态拼接得到，
测试阶段：
移动设备获取在线RSS数据，得到RSS时间序列；对RSS时间序列进行预处理，把预处理后的RSS时间序列作为已训练好的深度学习模型的输入，得到的输出序列作为对移动设备的路径位置估计。
2.根据权利要求1所述的基于路径匹配与编码译码循环神经网络的室内定位方法，其特征在于，所述测试阶段具体包括以下步骤：
S5、移动设备在待定位区域中设计的路径上在线采集RSS时间序列，按照步骤S2对RSS时间序列进行预处理；
S6、处理后的RSS时间序列作为训练好的网络模型的输入，得到的输出作为对移动设备行走路径的估计。
3.根据权利要求2所述的基于路径匹配与编码译码循环神经网络的室内定位方法，其特征在于，所述编码译码循环神经网络模型隐藏层采用LSTM作为基本组件；其每一个隐藏层单元都采用LSTM单元，LSTM单元的具体公式表示如下：
it＝σ(Wxixt+Whiht-1+Wcict-1+bi)
ft＝σ(Wxfxt+Whfht-1+Wcfct-1+bf)
ct＝ftct-1+it tanh(Wxcct-1+Whcht-1+bc)
ot＝σ(Wxoxt+Whoht-1+Wcoct-1+bo)
ht＝ottanh(ct)
其中，i、f、o、c、h分别表示输入门、遗忘门，输出门，单元激活向量，隐藏层状态，Wxi、Whi、Wci分别为输入特征向量、隐藏层状态、单元激活向量与输入门之间的权重矩阵，Wxf、Whf、Wcf分别为输入特征向量、隐藏层状态、单元激活向量与遗忘门之间的权重矩阵，Wxo、Who、Wco分别为输入特征向量、隐藏层状态、单元激活向量与输出门之间的权重矩阵，Wxc、Whc分别为输入特征向量、隐藏层单元与单元激活向量之间的权重矩阵，所述权重矩阵均为对角阵；bi、bf、bc、bo分别为输入门、遗忘门、输出门、单元激活向量的偏差值，t作为下标时表示采样时刻，σ为逻辑sigmoid激活函数，门使用σ激活函数：
其中，x是输入数据，它能够把输入数据“压缩”到[0,1]范围内，特别的，若输入为非常大的正数时，输出为1；
tanh为另一种激活函数；输入和隐藏层状态通常使用tanh激活函数：
其中，x是输入数据，tanh激活函数能够把输入数据压缩到[-1,1]范围内，当输入为0时，tanh函数输出为0。
基于路径匹配与编码译码循环神经网络的室内定位方法
背景技术
发明内容
具体实施方式
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种基于BERT并融合可区分属性特征的刑事案件刑期预测方法 | 2020-05-08 | 650 |
| 增强具有外部存储器的神经网络 | 2020-05-08 | 740 |
| 语音识别方法、服务器及计算机可读存储介质 | 2020-05-08 | 448 |
| 一种基于神经网络计算的多目标直接定位方法 | 2020-05-15 | 54 |
| 基于节气特征的土遗址温度预测方法 | 2020-05-11 | 236 |
| 高阶邻域混合的网络表示学习方法及装置 | 2020-05-12 | 581 |
| 一种智能学习的纯电动汽车能量管理控制方法 | 2020-05-13 | 823 |
| 文本处理模型的运行方法、装置、电子设备、及存储介质 | 2020-05-14 | 670 |
| 基于大数据的行业分类方法、装置、设备及存储介质 | 2020-05-11 | 937 |
| 一种基于删减型前馈小世界神经网络出水BOD预测方法 | 2020-05-12 | 847 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
