【技術實現步驟摘要】
本專利技術涉及室內定位，更具體地說，本專利技術涉及基于機器學習的室內移動目標定位方法及系統。
技術介紹
1、現有的室內定位技術通常基于無線信號強度、到達時間或到達角度等物理參數，對單個目標或少量目標的移動軌跡進行測量和建模，定位模型一般假設目標之間的運動行為相互獨立，通過提取信號路徑特征或分布特性實現個體目標的定位，然而，在一些場景（如大型會議、工廠生產線或商場活動）中，可能會同時出現大量目標，且這些目標會在短時間內發生同步移動或批量進出。
2、現有技術中，室內定位方法對目標間運動行為的獨立性假設難以應對同步群體行為，導致無法適應因移動目標間的交互干擾和路徑重疊引發的動態變化，造成目標位置測量精度顯著下降。
技術實現思路
1、為了克服現有技術的上述缺陷，本專利技術的實施例提供基于機器學習的室內移動目標定位方法及系統以解決上述
技術介紹
中提出的問題。
2、為實現上述目的，本專利技術提供如下技術方案：
3、基于機器學習的室內移動目標定位方法，包括如下步驟：
4、s1：獲取多個移動目標在不同時刻的多源定位數據，將多源定位數據依據時間序列和標簽標識進行分組，得到多組獨立的移動目標信號序列；
5、s2：依據信號傳播路徑特性和移動目標間交互特性，提取每組移動目標信號序列的多維特征向量；
6、s3：基于深度神經網絡對多維特征向量的非線性特征進行建模以生成移動目標特征模型，基于移動目標特征模型預測各移動目標的初步位置信息；>
7、s4：當多個移動目標發生短時間群體行為變化時，通過高階圖卷積網絡分析移動目標信號的路徑特性，評估路徑交集區域內移動目標信號的重疊程度；通過多尺度嵌入熵分析移動目標信號的分布復雜性，評估移動目標信號分布動態變化的收斂速度；
8、s5：基于路徑交集區域內移動目標信號的重疊程度和移動目標信號分布動態變化的收斂速度，確定移動目標的群體同步程度；
9、s6：基于移動目標的群體同步程度對初步位置信息進行修正，輸出各移動目標的精準定位結果。
10、在一個優選的實施方式中，獲取多個移動目標在不同時刻的多源定位數據，將多源定位數據依據時間序列和標簽標識進行分組，得到多組獨立的移動目標信號序列，具體包括：
11、通過設置于室內環境中的多個無線信號采集裝置，采集多個移動目標在不同時間點的多源定位數據，多源定位數據包括信號強度、到達時間以及到達角度；
12、對多源定位數據進行預處理，包括濾除噪聲干擾和校正異常數據；
13、將預處理后的多源定位數據依據時間序列以及移動目標的標簽標識進行分組，生成多個獨立的移動目標信號序列；
14、其中，移動目標信號序列用于區分多源定位數據的時序特性，標簽標識為唯一標識每個移動目標的標記數據。
15、在一個優選的實施方式中，依據信號傳播路徑特性和移動目標間交互特性，提取每組移動目標信號序列的多維特征向量，具體包括：
16、計算每組移動目標信號序列的傳播路徑特性，傳播路徑特性包括信號傳播路徑的強度衰減值、信號到達時間差異值以及信號傳播路徑的方向變化值；
17、利用移動目標信號序列的交互關系計算移動目標間交互特性，移動目標間交互特性包括信號路徑重疊區域的強度分布值、時間間隔分布值以及信號方向角度的偏移分布值；
18、將傳播路徑特性和移動目標間交互特性進行多維數據結構化處理，生成每組移動目標信號序列的多維特征向量。
19、在一個優選的實施方式中，基于深度神經網絡對多維特征向量的非線性特征進行建模以生成移動目標特征模型，基于移動目標特征模型預測各移動目標的初步位置信息，具體包括：
20、構建深度神經網絡模型，包括輸入層、若干隱藏層和輸出層，輸入層接受多維特征向量作為輸入；
21、利用隨機初始化方法對深度神經網絡的權重參數和偏置參數進行初始化；
22、將移動目標對應的多維特征向量和已知位置信息作為訓練數據輸入深度神經網絡，利用反向傳播算法訓練深度神經網絡的權重參數和偏置參數；
23、訓練完成后，保存訓練好的深度神經網絡的權重參數和模型結構，形成用于預測的移動目標特征模型；
24、將實時獲取的多維特征向量輸入移動目標特征模型，通過深度神經網絡計算輸出各移動目標的初步位置信息。
25、在一個優選的實施方式中，通過高階圖卷積網絡分析移動目標信號的路徑特性，評估路徑交集區域內移動目標信號的重疊程度，具體包括：
26、基于移動目標信號的傳播路徑數據構建信號傳播路徑圖，圖的節點表示信號源和采集裝置，邊表示信號傳播路徑；
27、利用圖拓撲分析算法識別信號傳播路徑圖中的路徑交集區域，記錄每個路徑交集區域內的節點和邊關系；
28、將路徑交集區域內的節點和邊關系輸入高階圖卷積網絡模型，生成路徑交集區域的高階特征表示，高階特征表示特征包括信號強度和方向變化；
29、基于路徑交集區域的高階特征表示，綜合信號強度疊加值和方向相似度，計算信號重疊指數以評估路徑交集區域內移動目標信號的重疊程度。
30、在一個優選的實施方式中，通過多尺度嵌入熵分析移動目標信號的分布復雜性，評估移動目標信號分布動態變化的收斂速度，具體包括：
31、獲取移動目標信號在不同時刻的強度、方向和時間序列數據，構建移動目標信號的分布序列數據集；
32、將移動目標信號的分布序列數據按照預設時間尺度進行分段，對每個時間尺度內的分布序列數據進行分組處理，生成多尺度的分布子序列；
33、對每個分布子序列進行嵌入維度重構和狀態概率計算，基于概率分布計算每個時間尺度的嵌入熵值；
34、根據不同時間尺度對應的嵌入熵值，構建嵌入熵變化曲線，通過擬合曲線的變化趨勢，計算分布收斂速度指數以評估移動目標信號分布動態變化的收斂速度。
35、在一個優選的實施方式中，基于路徑交集區域內移動目標信號的重疊程度和移動目標信號分布動態變化的收斂速度，確定移動目標的群體同步程度，具體包括：
36、將信號重疊指數與收斂速度指數進行歸一化處理，將歸一化處理后的信號重疊指數與收斂速度指數分別賦予權重系數進行加權求和，計算得到群體同步程度系數。
37、在一個優選的實施方式中，基于移動目標的群體同步程度對初步位置信息進行修正，輸出各移動目標的精準定位結果，具體包括：
38、基于移動目標特征模型提取各移動目標的初步位置信息，初步位置信息包括位置坐標和時間戳；
39、將群體同步程度系數與初步位置信息進行關聯，生成包含同步程度影響權重的位置信息修正數據集；
40、基于位置信息修正數據集分析移動目標因群體行為引發的動態特征偏移量，動態特征偏移量包括信號強度偏移和方向偏移；
41、根據動態特征偏移量，利用修正模型對初步位置信息進行調整，生成修正后的移動目本文檔來自技高網...
【技術保護點】
1.基于機器學習的室內移動目標定位方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的基于機器學習的室內移動目標定位方法，其特征在于，獲取多個移動目標在不同時刻的多源定位數據，將多源定位數據依據時間序列和標簽標識進行分組，得到多組獨立的移動目標信號序列，具體包括：
3.根據權利要求2所述的基于機器學習的室內移動目標定位方法，其特征在于，依據信號傳播路徑特性和移動目標間交互特性，提取每組移動目標信號序列的多維特征向量，具體包括：
4.根據權利要求3所述的基于機器學習的室內移動目標定位方法，其特征在于，基于深度神經網絡對多維特征向量的非線性特征進行建模以生成移動目標特征模型，基于移動目標特征模型預測各移動目標的初步位置信息，具體包括：
5.根據權利要求4所述的基于機器學習的室內移動目標定位方法，其特征在于，通過高階圖卷積網絡分析移動目標信號的路徑特性，評估路徑交集區域內移動目標信號的重疊程度，具體包括：
6.根據權利要求5所述的基于機器學習的室內移動目標定位方法，其特征在于，通過多尺度嵌入熵分析移動目標信號的分布復雜性
7.根據權利要求6所述的基于機器學習的室內移動目標定位方法，其特征在于，基于路徑交集區域內移動目標信號的重疊程度和移動目標信號分布動態變化的收斂速度，確定移動目標的群體同步程度，具體包括：
8.根據權利要求7所述的基于機器學習的室內移動目標定位方法，其特征在于，基于移動目標的群體同步程度對初步位置信息進行修正，輸出各移動目標的精準定位結果，具體包括：
9.基于機器學習的室內移動目標定位系統，用于實現權利要求1-8任一項所述的基于機器學習的室內移動目標定位方法，其特征在于，包括信號序列分組模塊、多維特征提取模塊、特征建模預測模塊、路徑分布分析模塊、群體同步判定模塊以及定位結果修正模塊；
...【技術特征摘要】
1.基于機器學習的室內移動目標定位方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的基于機器學習的室內移動目標定位方法，其特征在于，獲取多個移動目標在不同時刻的多源定位數據，將多源定位數據依據時間序列和標簽標識進行分組，得到多組獨立的移動目標信號序列，具體包括：
3.根據權利要求2所述的基于機器學習的室內移動目標定位方法，其特征在于，依據信號傳播路徑特性和移動目標間交互特性，提取每組移動目標信號序列的多維特征向量，具體包括：
4.根據權利要求3所述的基于機器學習的室內移動目標定位方法，其特征在于，基于深度神經網絡對多維特征向量的非線性特征進行建模以生成移動目標特征模型，基于移動目標特征模型預測各移動目標的初步位置信息，具體包括：
5.根據權利要求4所述的基于機器學習的室內移動目標定位方法，其特征在于，通過高階圖卷積網絡分析移動目標信號的路徑特性，評估路徑交集區域內移動目標...
【專利技術屬性】
技術研發人員：朱文忠，顏勝萍，蔣月，羅朝陽，陳藝月，范雨婷，
申請(專利權)人：四川輕化工大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。