物联网的室内定位方法、装置、终端设备和存储介质

技术领域

本发明涉及室内定位领域，尤其涉及一种物联网的室内定位方法、装置、终端设备和存储介质。

背景技术

今年来，第五代通信技术已经开始试验成功。作为物联网的室内定位技术，在智慧城市发展中显示出强大的作用。目前的物联网的室内定位技术采用射频识别室内定位技术，利用射频方式，固定天线把无线电信号调成电磁场，附着于物品的标签经过磁场后生成感应电流把数据传送出去，以多对双向通信交互数据达到识别和三角定位的目的。但该射频识别室内定位技术易受外界环境干扰、且定位精度差。因此，需要对室内定位技术进行改进，实现不受外界环境干扰、提高定位精度的室内定位技术。

发明内容

针对上述技术问题，本发明实施例提供了一种物联网的室内定位方法、装置、终端设备和存储介质，在数据信息较少的情况下，建立标签信号强度值与位置坐标的关系，从而可以提高定位方法的定位精度。

本发明实施例的第一方面提供一种物联网的室内定位方法，步骤包括：

获取若干个参考标签与一待测标签信号强度矢量，根据所述信号强度矢量确定与所述待测标签位置最接近的所述参考标签；

获取最接近的所述参考标签的实际位置，根据所述实际位置确定所述待测标签的初始估计定位坐标；

根据相关性参数选择与所述初始估计定位坐标相关性最强的样本集；

采用神经网络模型对所述样本集进行训练，确定最终定位坐标。

优选的，所述获取若干个参考标签与一待测标签信号强度矢量，根据所述信号强度矢量确定与所述待测标签位置最接近的所述参考标签，具体包括：

获取所述参考标签的第一信号强度矢量，且获取所述待测标签的第二信号强度矢量；

根据所述第一信号矢量、所述第二信号矢量计算欧式距离；

根据所述欧式距离确定与待测标签位置最接近的参考标签。

所述获取最接近的所述参考标签的实际位置，根据所述实际位置确定所述待测标签的初始估计定位坐标，具体包括：

获取最接近的所述参考标签的实际位置；

根据所述欧式距离确定所述参考标签的权重值；

根据所述权重值及最接近的所述参考标签的实际位置，确定所述待测标签的初始估计定位坐标。

优选的，所述根据相关性参数选择与所述初始估计定位坐标相关性最强的样本集，具体包括：

获取待测标签的实际位置；

根据所述待测标签的实际位置与若干组所述待测标签的初始估计定位坐标分别计算相关系数；

选择最小的相关系数对应的一组所述待测标签的信号强度的样本集。

本发明实施例的第二方面提供一种物联网的室内定位装置，包括：

标签确定模块，用于获取若干个参考标签与一待测标签信号强度矢量，根据所述信号强度矢量确定与所述待测标签位置最接近的所述参考标签；

初始位置确定模块，用于获取最接近的所述参考标签的实际位置，根据所述实际位置确定所述待测标签的初始估计定位坐标；

样本集选择模块，用于根据相关性参数选择与所述初始估计定位坐标相关性最强的样本集；

最终位置确定模块，用于采用神经网络模型对所述样本集进行训练，确定最终定位坐标。

优选的，所述标签确定模块包括：

信号强度获取单元，用于获取所述参考标签的第一信号强度矢量，且获取所述待测标签的第二信号强度矢量；

距离计算单元，用于根据所述第一信号矢量、所述第二信号矢量计算欧式距离；

参考标签确定单元，用于根据所述欧式距离确定与待测标签位置最接近的参考标签。

优选的，所述初始位置确定模块包括：

第一位置获取单元，用于获取最接近的所述参考标签的实际位置；

权重确定单元，用于根据所述欧式距离确定所述参考标签的权重值；

初始坐标确定单元，用于根据所述权重值及最接近的所述参考标签的实际位置，确定所述待测标签的初始估计定位坐标。

优选的，所述样本集确定模块包括：

第二位置获取单元，用于获取待测标签的实际位置；

相关系数计算单元，用于根据所述待测标签的实际位置与若干组所述待测标签的初始估计定位坐标分别计算相关系数；

样本集选择单元，用于选择最小的相关系数对应的一组所述待测标签的信号强度的样本集。

本发明实施例的第三方面提供一种终端设备，包括：至少一个处理器和存储器；

所述存储器存储计算机程序；所述至少一个处理器执行所述存储器存储的计算机程序，以实现上述的物联网的室内定位方法。

本发明实施例的第四方面提供一种计算机可读存储介质，其特征在于，该计算机可读存储介质中存储有计算机程序，所述计算机程序被执行时实现上述的物联网的室内定位方法。

本发明实施例提供的技术方案中的物联网的室内定位方法，相对于现有技术，本发明实施例在数据信息较少的情况下，建立标签信号强度值与位置坐标的关系，从而可以提高定位方法的定位精度。实验研究表明，本发明提出的物联网的室内定位方法的平均定位误差约为0.9m，比传统LANDMARC算法的平均定位误差低64％，提高了定位精度室内定位精度。

附图说明

图1为本发明实施例中物联网的室内定位方法的流程图。

图2为本发明实施例中实验室位置部署参考图。

图3为本发明实施例中四种室内定位方法的定位误差对比图。

图4为本发明实施例中四种室内定位方法的距离误差累积分布函数图。

图5为本发明实施例中物联网的室内定位装置的结构示意图。

图6为本发明实施例中一种终端设备的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明提供了一种物联网的室内定位方法，在数据信息较少的情况下，建立标签信号强度值与位置坐标的关系，从而可以提高定位算法的定位精度。请参阅图1，下面对本发明实施例中的物联网的室内定位方法的具体步骤进行详细描述：

步骤S1、获取若干个参考标签与一待测标签信号强度矢量，根据信号强度矢量确定与待测标签位置最接近的参考标签；

步骤S2、获取最接近的参考标签的实际位置，根据实际位置确定待测标签的初始估计定位坐标；

步骤S3、根据相关性参数选择与初始估计定位坐标相关性最强的样本集；

步骤S4、采用神经网络模型对样本集进行训练，确定最终定位坐标。

在步骤S1之前需要设置参考标签及读卡器的位置，通过读卡器对参考标签及待测标签进行信号强度矢量的读取。参考标签、待测标签及读卡器均分布于室内定位范围内。优选的，参考标签均匀分布，更优的，参考标签为阵列排列，但并不以此为限；待测标签位于若干个参考标签相邻位置；读卡器部署于室内定位范围的边缘处。下面以一个实验实施例对部署位置进行说明：请参阅图1，在10m*10m实验室的四个角落放置四个读卡器，在实验室内设置121个参考标签，形成于11*11的阵列排列。图2只是作为一个实施例进行说明，并不以此实施例为限。

当室内定位范围内的参考标签、待测标签及读卡器的位置确定后，则开始获取相关信息。具体的，步骤S1详细描述如下：

步骤S11、获取参考标签的第一信号强度矢量，且获取待测标签的第二信号强度矢量。假设，排列参考标签的数量为M，待测标签的数量为N，读卡器的数量为k。

则，在第i个参考标签中观察到的第一信号强度矢量为

在第j个待测标签的第二信号强度矢量为：

其中，0

步骤S12、根据第一信号矢量、第二信号矢量计算欧式距离。根据上述的公式(1)、(2)可以获得第i个参考标签与第j个待测标签之间的欧式距离，具体的公式如下：

步骤S13、根据欧式距离确定与待测标签位置最接近的参考标签。则，根据上述的公式(3)可以得出M个欧式距离值，也即是M个参考标签分别与第j个待测标签之间的欧式距离值，具体公式如下：

Ej＝(E

选取E

在信号强度矢量收集过程中，对第i个参考标签的第一信号强度矢量及第j个待测标签的第二信号强度矢量的采集值并不是唯一的。对第一信号强度矢量进行n次采集，由公式(1)可得n个第一信号强度矢量，得到参考标签的初始信号强度样本集

当确定好最接近的参考标签后，需根据该参考标签的位置对待测标签的位置进行初步估计。下面对步骤S2进行详细描述：

步骤S21、获取最接近的参考标签的实际位置。在对第i个参考标签实际位置获取时并不是唯一的，需要获取第i个参考标签的实际位置，在进行样本集的处理过程中剩下p个参考标签的实际位置，每个参考标签的实际位置的坐标为(x

步骤S22、根据欧式距离确定参考标签的权重值。参考标签的关联的权重值定义如下公式：

其中，l是距离待测标签最近的参考标签。

步骤S23、根据权重值及最接近的参考标签的实际位置，得到待测标签的初始估计定位坐标。

待测标签的初始估计定位坐标为(x,y)，将公式(5)代入，则具体的计算公式如下：

下面进一步的选择待测标签的样本集，具体的步骤S3如下：

步骤S31、获取待测标签的实际位置。

根据读卡器可以读取待测标签的实际距离为(x

步骤S32、根据待测标签的实际位置与若干组待测标签的初始估计定位坐标分别计算相关系数。

第j个待测标签可得到q组样本集，则可根据公式(x)得到q组的待测标签的初始估计定位坐标(x

步骤S33、选择最小的相关系数对应的一组待测标签的信号强度的样本集。由上述公式(7)计算可得q组相关系数d

在选取待测标签的信号强度的样本集后，进一步的对该待测标签的信号强度的样本集进行神经网络模型的训练，从而得到更加精确的待测标签的最终定位坐标。

RBF(Radial Basis Function，径向基)神经网络是现有技术，在此不再累赘。遗传算法是一种能够实现全局搜索的高效算法，具有自然规律的生物方法，能够自动获取与搜索空间相关的内容，经过变异、交叉等方法，以群体中的所有染色体为对象，获得新一代群体并达到最终的预期结果。本发明采用遗传算法对RBF神经网络进行优化，对RBF神经网络的输出权值、宽度、高斯函数中心等参数进行优化，利用遗传算法优化后的RBF神经网络建立训练模型，可提高输出结果的精确度，从而可使得室内定位精确度更高。

通过上述的物联网的室内定位方法，可通过实验数据说明本发明实施例的定位误差、定位精度的优势，请参阅图3、图4。

图3所示，本发明提出的物联网的室内定位方法最终得到的平均定位误差约为0.9m，比LANDARC算法的室内定位方法的平均定位误差小64％，比RBF-LANDARC算法的室内定位方法的平均定位误差小56％，比DBSCAN-RBF-LANDARC算法的室内定位方法的平均定位误差小18％。本发明物联网的室内定位方法的定位误差在0.09～3.45m之间波动，波动范围较小，定位精度较优。

图4所示,本发明提出的物联网的室内定位方法在1m范围内的定位精度为80％，LANDMARC算法的室内定位方法的定位精度为15％，RBF-LANDMARC算法的室内定位方法的定位精度为25％，DBSCAN-RBF-LANDMARC算法的室内定位方法的定位精度为60％。本文提出的物联网的室内定位方法在2m范围内的定位精度为85％，LANDMARC算法、RBF-LANDMARC算法和DBSCAN-RBF-LANDMARC算法的室内定位方法的定位精度分别为60％、40％和75％。由此可见，本发明改进的物联网的室内定位方法具有较好的定位精度。

基于上述的物联网的室内定位方法，本发明还提供了一种物联网的室内定位装置100，请参阅图5，该物联网的室内定位装置100包括：

标签确定模块110，用于获取若干个参考标签与一待测标签信号强度矢量，根据信号强度矢量确定与待测标签位置最接近的参考标签；

初始位置确定模块120，用于获取最接近的参考标签的实际位置，根据实际位置确定待测标签的初始估计定位坐标；

样本集选择模块130，用于根据相关性参数选择与初始估计定位坐标相关性最强的样本集；

最终位置确定模块140，用于采用神经网络模型对样本集进行训练，确定最终定位坐标。

其中，标签确定模块110包括：

信号强度获取单元111，用于获取参考标签的第一信号强度矢量，且获取待测标签的第二信号强度矢量；

距离计算单元112，用于根据第一信号矢量、第二信号矢量计算欧式距离；

参考标签确定单元113，用于根据欧式距离确定与待测标签位置最接近的参考标签。

其中，初始位置确定模块120包括：

第一位置获取单元121，用于获取最接近的参考标签的实际位置；

权重确定单元122，用于根据欧式距离确定参考标签的权重值；

初始坐标确定单元123，用于根据权重值及最接近的参考标签的实际位置，确定待测标签的初始估计定位坐标。

其中，样本集确定模块130包括：

第二位置获取单元131，用于获取待测标签的实际位置；

相关系数计算单元132，用于根据待测标签的实际位置与若干组待测标签的初始估计定位坐标分别计算相关系数；

样本集选择单元133，用于选择最小的相关系数对应的一组待测标签的信号强度的样本集。

本申请实施例各装置中的各模块的功能可以参见上述方法中的对应描述，在此不再赘述。

本发明再一实施例提供一种终端设备，用于执行上述实施例提供的产品异常的收集方法。

图6是本发明的一种终端设备的结构示意图，如图6所示，该终端设备包括：至少一个处理器601和存储器602；

所述存储器存储计算机程序；所述至少一个处理器执行所述存储器存储的计算机程序，以实现上述实施例提供的产品异常的收集方法。

本发明再一实施例还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，所述计算机程序被执行时实现上述的产品异常的收集方法。

本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明实施例是参照根据本发明实施例的方法、电子设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理电子设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理电子设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理电子设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理电子设备上，使得在计算机或其他可编程电子设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程电子设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者电子设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者电子设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者电子设备中还存在另外的相同要素。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。