用于智慧电场的室内定位方法及其系统与流程

1.本发明涉及室内定位的领域，且更为具体地，涉及一种用于智慧电场的室内定位方法及其系统。


背景技术：

2.智慧电厂是发电企业在数字化、信息化与智能化基础上发展的一种更高的形态，通过推进智慧电厂的智慧数据、智慧生产、智慧安全、智慧经营、智慧综合等五个方面建设，进行持续优化产业结构，促进产业新业态发展。
3.室内外定位技术是实现火电厂智慧安全管控的基石，定位技术的精度高低，直接决定着智能工作票、防止走错间隔警示提醒、危险源误入警示提醒、逃生路径提示等功能的实现。
4.目前，全球定位系统(global positioning system,gps)和北斗卫星导航系统(beidou navigation satellite system,bds)等室外定位技术，已经被广泛应用在各种室外场景中。室内定位技术因为室内环境相较于室外环境来说，定位环境更加复杂，将室外定位技术应用在室内环境中，还远远达不到较好的定位效果。因此，为了更好地进行智慧电场的室内定位，期望一种用于智慧电场的室内定位方案。


技术实现要素：

5.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种用于智慧电场的室内定位方法及其系统，其通过深度神经网络模型分别对蓝牙信号的回波信号、参考磁场数据以及实时磁场数据进行高维隐含的关联特征提取，并将所述实时磁场数据特征分布映射到所述参考磁场数据的特征分布空间中，以分别获得第一特征向量、磁场特征向量和磁场查询向量。这样，进一步计算非刚性一致性损失函数通过位移向量的插值，以基于针对参考磁场矩阵的参考序列的上下文编码所获得的运动的位置航向特征和轨迹投影特征的秩序性的先验知识，在无准确的几何关系的情况下来描述隐特征表达之间的匹配程度，进而提高定位的准确性。
6.根据本技术的一个方面，提供了一种用于智慧电场的室内定位方法，其包括：从蓝牙模块获取蓝牙信号的回波信号；将所述蓝牙信号的回波信号通过第一卷积神经网络以获得第一特征向量；从后台数据库获取磁场数据的参考序列；将所述磁场数据的参考序列通过包含嵌入层的上下文编码器以获得多个磁场参考特征向量；将所述多个磁场参考特征向量进行二维排列为特征矩阵后通过第二卷积神经网络以获得参考磁场特征矩阵；从磁传感器获取实时采集的实时磁场数据的序列；将所述实时磁场数据的序列通过包含一维卷积层和全连接层的时序编码器以获得磁场特征向量；将所述磁场特征向量与所述参考磁场特征矩阵进行矩阵相乘以获得磁场查询向量；融合所述磁场查询向量和所述磁场特征向量以获得第二特征向量；对所述第二特征向量中各个位置的特征值进行基于最大值的归一化处理以生成第二转化特征向量；对所述第一特征向量中各个位置的特征值进行基于softmax函
数的归一化处理以生成第一转化特征向量；将所述第一转化特征向量和所述第二转化向量进行级联以生成解码特征向量；以及将所述解码特征向量通过解码器进行回归解码以生成解码值，所述解码值为室内定位结果。
7.根据本技术的另一个方面，提供了一种用于智慧电场的室内定位系统，其包括：回波信号获取单元，用于从蓝牙模块获取蓝牙信号的回波信号；第一卷积单元，用于将所述回波信号获取单元获得的所述蓝牙信号的回波信号通过第一卷积神经网络以获得第一特征向量；参考磁场数据获取单元，用于从后台数据库获取磁场数据的参考序列；上下文编码单元，用于将所述参考磁场数据获取单元获得的所述磁场数据的参考序列通过包含嵌入层的上下文编码器以获得多个磁场参考特征向量；第二卷积单元，用于将所述上下文编码单元获得的所述多个磁场参考特征向量进行二维排列为特征矩阵后通过第二卷积神经网络以获得参考磁场特征矩阵；实时磁场数据获取单元，用于从磁传感器获取实时采集的实时磁场数据的序列；时序编码单元，用于将所述实时磁场数据获取单元获得的所述实时磁场数据的序列通过包含一维卷积层和全连接层的时序编码器以获得磁场特征向量；矩阵相乘单元，用于将所述时序编码单元获得的所述磁场特征向量与所述第二卷积单元获得的所述参考磁场特征矩阵进行矩阵相乘以获得磁场查询向量；第二特征向量生成单元，用于融合所述矩阵相乘单元获得的所述磁场查询向量和所述时序编码单元获得的所述磁场特征向量以获得第二特征向量；第二转化特征向量生成单元，用于对所述第二特征向量生成单元获得的所述第二特征向量中各个位置的特征值进行基于最大值的归一化处理以生成第二转化特征向量；第一转化特征向量生成单元，用于对所述第一卷积单元获得的所述第一特征向量中各个位置的特征值进行基于softmax函数的归一化处理以生成第一转化特征向量；级联单元，用于将所述第一转化特征向量生成单元获得的所述第一转化特征向量和所述第二转化特征向量生成单元获得的所述第二转化向量进行级联以生成解码特征向量；以及解码单元，用于将所述级联单元获得的所述解码特征向量通过解码器进行回归解码以生成解码值，所述解码值为室内定位结果。
8.与现有技术相比，本技术提供的用于智慧电场的室内定位方法及其系统，其通过深度神经网络模型分别对蓝牙信号的回波信号、参考磁场数据以及实时磁场数据进行高维隐含的关联特征提取，并将所述实时磁场数据特征分布映射到所述参考磁场数据的特征分布空间中，以分别获得第一特征向量、磁场特征向量和磁场查询向量。这样，进一步计算非刚性一致性损失函数通过位移向量的插值，以基于针对参考磁场矩阵的参考序列的上下文编码所获得的运动的位置航向特征和轨迹投影特征的秩序性的先验知识，在无准确的几何关系的情况下来描述隐特征表达之间的匹配程度，进而提高定位的准确性。
附图说明
9.通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
10.图1为根据本技术实施例的用于智慧电场的室内定位方法的应用场景图；
11.图2为根据本技术实施例的用于智慧电场的室内定位方法的流程图；
12.图3为根据本技术实施例的用于智慧电场的室内定位方法的系统架构示意图；
13.图4为根据本技术实施例的用于智慧电场的室内定位方法中，所述第一卷积神经网络、所述第二卷积神经网络、所述包含嵌入层的上下文编码器、所述时序编码器和所述解码器的训练过程的流程图；
14.图5为根据本技术实施例的用于智慧电场的室内定位系统的框图。
具体实施方式
15.下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
16.场景概述
17.如前所述，智慧电厂是发电企业在数字化、信息化与智能化基础上发展的一种更高的形态，通过推进智慧电厂的智慧数据、智慧生产、智慧安全、智慧经营、智慧综合等五个方面建设，进行持续优化产业结构，促进产业新业态发展。
18.室内外定位技术是实现火电厂智慧安全管控的基石，定位技术的精度高低，直接决定着智能工作票、防止走错间隔警示提醒、危险源误入警示提醒、逃生路径提示等功能的实现。
19.目前，全球定位系统(global positioning system,gps)和北斗卫星导航系统(beidou navigation satellite system,bds)等室外定位技术，已经被广泛应用在各种室外场景中。室内定位技术因为室内环境相较于室外环境来说，定位环境更加复杂，将室外定位技术应用在室内环境中，还远远达不到较好的定位效果。因此，为了更好地进行智慧电场的室内定位，期望一种用于智慧电场的室内定位方案。
20.相应地，在本技术的技术方案中，这本质上是一个回归的过程，也就是，期望基于蓝牙信号的回波信号来获得定位结果，并且在进行定位计算时，对于某个待定样本，基于位置和航向信息，将当前的轨迹投影到平面图上，再使用深度神经网络模型来提取对应的磁场数据库中对应的磁场数据特征，然后将实时采集磁场数据关联特征和提取到的数据库中的磁场数据特征进行特征投影，这样就可以使用解码器对室内定位结果进行回归。
21.基于此，在本技术的技术方案中，首先，将蓝牙信号的回波信号通过第一卷积神经网络中进行处理，以提取出蓝牙信号的回波信号的局部关联隐含特征，以获得第一特征向量。
22.然后，从后台数据库中获取磁场数据的参考序列，再将磁场数据的参考序列通过包含嵌入层的上下文编码器中进行基于上下文的全局编码，以获得具有全局性磁场数据关联特征信息的多个磁场参考特征向量。这样，再将其进行二维排列为特征矩阵后通过第二卷积神经网络中进行特征提取，以挖掘出参考磁场数据间的高维关联特征信息，从而获得参考磁场特征矩阵。
23.并且，还将实时采集的实时磁场数据的序列通过包含一维卷积层和全连接层的时序编码器中进行时序编码处理，以提取出实时磁场数据在时间维度上的关联特征信息，从而获得磁场特征向量。这样，就可以将磁场特征向量与参考磁场特征矩阵进行矩阵相乘，以将实时磁场特征信息映射到参考磁场特征信息的高维特征空间中，从而获得磁场查询向
量。
24.进一步地，令磁场特征向量为vf，磁场查询向量为vs，在使用向量间的加权和计算其融合向量vc时引入非刚性一致性损失函数，具体为：
[0025][0026]
其中，vf表示所述磁场特征向量，vs表示所述磁场查询向量，||
·
||
22
表示向量的二范数的平方。
[0027]
这样，该非刚性一致性损失函数通过位移向量的插值，基于针对参考磁场矩阵的参考序列的上下文编码所获得的运动的位置航向特征和轨迹投影特征的秩序性的先验知识，在无准确的几何关系的情况下来描述隐特征表达之间的匹配程度。通过以其作为损失函数对参数化模型进行训练，可以基于向量之间的平滑过渡来实现参数化模型之间的特征工程一致性。
[0028]
再将转换后的第二特征向量进行最大值归一化，并将第一特征向量进行softmax(exp(xi)/∑exp(xi))归一化，再级联得到分类特征向量以进行分类，以得到室内定位的结果。
[0029]
基于此，本技术提出了一种用于智慧电场的室内定位方法，其包括：从蓝牙模块获取蓝牙信号的回波信号；将所述蓝牙信号的回波信号通过第一卷积神经网络以获得第一特征向量；从后台数据库获取磁场数据的参考序列；将所述磁场数据的参考序列通过包含嵌入层的上下文编码器以获得多个磁场参考特征向量；将所述多个磁场参考特征向量进行二维排列为特征矩阵后通过第二卷积神经网络以获得参考磁场特征矩阵；从磁传感器获取实时采集的实时磁场数据的序列；将所述实时磁场数据的序列通过包含一维卷积层和全连接层的时序编码器以获得磁场特征向量；将所述磁场特征向量与所述参考磁场特征矩阵进行矩阵相乘以获得磁场查询向量；融合所述磁场查询向量和所述磁场特征向量以获得第二特征向量；对所述第二特征向量中各个位置的特征值进行基于最大值的归一化处理以生成第二转化特征向量；对所述第一特征向量中各个位置的特征值进行基于softmax函数的归一化处理以生成第一转化特征向量；将所述第一转化特征向量和所述第二转化向量进行级联以生成解码特征向量；以及，将所述解码特征向量通过解码器进行回归解码以生成解码值，所述解码值为室内定位结果。
[0030]
图1图示了根据本技术实施例的用于智慧电场的室内定位方法的应用场景图。如图1所示，在该应用场景中，首先，从终端设备(例如，如图1中所示意的智能手机p)中的蓝牙模块(例如，如图1中所示意的r)获取蓝牙信号的回波信号，并且从后台数据库(例如，如图1中所示意的b)获取磁场数据的参考序列，以及从所述智能手机中的磁传感器(例如，如图1中所示意的m)获取实时采集的实时磁场数据的序列。然后，将获得的所述蓝牙信号的回波信号、所述磁场数据的参考序列以及实时磁场数据的序列输入至部署有用于智慧电场的室内定位算法的服务器中(例如，如图1中所示意的s)，其中，所述服务器能够以用于智慧电场的室内定位算法对所述蓝牙信号的回波信号、所述磁场数据的参考序列以及实时磁场数据的序列进行处理，以生成室内的定位结果。
[0031]
在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
[0032]
示例性方法
[0033]
图2图示了用于智慧电场的室内定位方法的流程图。如图2所示，根据本技术实施例的用于智慧电场的室内定位方法，包括：s110，从蓝牙模块获取蓝牙信号的回波信号；s120，将所述蓝牙信号的回波信号通过第一卷积神经网络以获得第一特征向量；s130，从后台数据库获取磁场数据的参考序列；s140，将所述磁场数据的参考序列通过包含嵌入层的上下文编码器以获得多个磁场参考特征向量；s150，将所述多个磁场参考特征向量进行二维排列为特征矩阵后通过第二卷积神经网络以获得参考磁场特征矩阵；s160，从磁传感器获取实时采集的实时磁场数据的序列；s170，将所述实时磁场数据的序列通过包含一维卷积层和全连接层的时序编码器以获得磁场特征向量；s180，将所述磁场特征向量与所述参考磁场特征矩阵进行矩阵相乘以获得磁场查询向量；s190，融合所述磁场查询向量和所述磁场特征向量以获得第二特征向量；s200，对所述第二特征向量中各个位置的特征值进行基于最大值的归一化处理以生成第二转化特征向量；s210，对所述第一特征向量中各个位置的特征值进行基于softmax函数的归一化处理以生成第一转化特征向量；s220，将所述第一转化特征向量和所述第二转化向量进行级联以生成解码特征向量；以及，s230，将所述解码特征向量通过解码器进行回归解码以生成解码值，所述解码值为室内定位结果。
[0034]
图3图示了根据本技术实施例的用于智慧电场的室内定位方法的架构示意图。如图3所示，在所述用于智慧电场的室内定位方法的网络架构中，首先，将获得的所述蓝牙信号的回波信号(例如，如图3中所示意的p1)通过第一卷积神经网络(例如，如图3中所示意的cnn1)以获得第一特征向量(例如，如图3中所示意的vf1)；接着，将获得的所述磁场数据的参考序列(例如，如图3中所示意的q1)通过包含嵌入层的上下文编码器(例如，如图3中所示意的e1)以获得多个磁场参考特征向量(例如，如图3中所示意的vf2)；然后，将所述多个磁场参考特征向量进行二维排列为特征矩阵(例如，如图3中所示意的mf1)后通过第二卷积神经网络(例如，如图3中所示意的cnn2)以获得参考磁场特征矩阵(例如，如图3中所示意的mf2)；接着，将获得的所述实时磁场数据的序列(例如，如图3中所示意的q2)通过包含一维卷积层和全连接层的时序编码器(例如，如图3中所示意的e2)以获得磁场特征向量(例如，如图3中所示意的vf3)；然后，将所述磁场特征向量与所述参考磁场特征矩阵进行矩阵相乘以获得磁场查询向量(例如，如图3中所示意的vf4)；接着，融合所述磁场查询向量和所述磁场特征向量以获得第二特征向量(例如，如图3中所示意的vf5)；然后，对所述第二特征向量中各个位置的特征值进行基于最大值的归一化处理以生成第二转化特征向量(例如，如图3中所示意的v1)；接着，对所述第一特征向量中各个位置的特征值进行基于softmax函数的归一化处理以生成第一转化特征向量(例如，如图3中所示意的v2)；然后，将所述第一转化特征向量和所述第二转化向量进行级联以生成解码特征向量(例如，如图3中所示意的vf)；以及，最后，将所述解码特征向量通过解码器(例如，如图3中所示意的d)进行回归解码以生成解码值，所述解码值为室内定位结果。
[0035]
在步骤s110和步骤s120中，从蓝牙模块获取蓝牙信号的回波信号，并将所述蓝牙信号的回波信号通过第一卷积神经网络以获得第一特征向量。如前所述，室内外定位技术是实现火电厂智慧安全管控的基石，定位技术的精度高低，直接决定着智能工作票、防止走错间隔警示提醒、危险源误入警示提醒、逃生路径提示等功能的实现。对于室内的定位这本质上是一个回归的问题，在本技术的技术方案中，期望基于所述蓝牙信号的回波信号来获
得定位结果，并且在进行定位计算时，对于某个待定样本，基于位置和航向信息，将所述当前的轨迹投影到平面图上，再使用深度神经网络模型来提取对应的磁场数据库中对应的磁场数据特征，然后将所述实时采集磁场数据关联特征和提取到的所述数据库中的磁场数据特征进行特征投影，这样就可以使用解码器对室内定位结果进行回归。
[0036]
也就是，具体地，在本技术的技术方案中，首先，从终端设备中的蓝牙模块获取蓝牙信号的回波信号。然后，将所述蓝牙信号的回波信号通过第一卷积神经网络中进行处理，以提取出所述蓝牙信号的回波信号的局部关联隐含特征，以获得第一特征向量。相应地，在一个具体示例中，所述第一卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿特征矩阵的全局均值池化处理和激活处理以由所述第一卷积神经网络的最后一层生成所述第一特征向量，其中，所述第一卷积神经网络的第一层的输入为所述蓝牙信号的回波信号。
[0037]
在步骤s130和步骤s140中，从后台数据库获取磁场数据的参考序列，并将所述磁场数据的参考序列通过包含嵌入层的上下文编码器以获得多个磁场参考特征向量。应可以理解，在基于蓝牙信号的回波信号来进行定位计算时，对于某个待定样本，需要基于位置和航向信息，将当前的轨迹投影到平面图上，再使用深度神经网络模型来提取对应的磁场数据库中对应的磁场数据特征。也就是，在本技术的技术方案中，进一步从后台数据库中获取磁场数据的参考序列，并将所述磁场数据的参考序列通过包含嵌入层的上下文编码器中进行基于上下文的全局编码，以获得具有全局性磁场数据关联特征信息的所述多个磁场参考特征向量。
[0038]
具体地，在本技术实施例中，将所述磁场数据的参考序列通过包含嵌入层的上下文编码器以获得多个磁场参考特征向量的过程，包括：首先，使用所述包含嵌入层的上下文的编码器模型的嵌入层分别将所述磁场数据的参考序列转化为输入向量以获得输入向量的序列。然后，使用所述包含嵌入层的上下文的编码器模型的转换器对所述输入向量的序列进行基于全局的上下文语义编码以获得所述多个磁场参考特征向量。
[0039]
在步骤s150中，将所述多个磁场参考特征向量进行二维排列为特征矩阵后通过第二卷积神经网络以获得参考磁场特征矩阵。也就是，在本技术的技术方案中，在得到具有全局性参考磁场关联特征的所述多个磁场特征向量后，再将其进行二维排列为特征矩阵后通过第二卷积神经网络中进行处理，以挖掘出所述多个磁场特征向量间的高维关联特征信息，从而获得所述参考磁场特征矩阵。
[0040]
在步骤s160和步骤s170中，从磁传感器获取实时采集的实时磁场数据的序列，并将所述实时磁场数据的序列通过包含一维卷积层和全连接层的时序编码器以获得磁场特征向量。也就是，在本技术的技术方案中，为了更准确地对室内位置进行定位，还需要从所述智能设备，例如智能手机中的磁传感器获取实时采集的实时磁场数据的序列。然后，将实时采集的所述实时磁场数据的序列通过包含一维卷积层和全连接层的时序编码器中进行时序编码处理，以提取出所述实时磁场数据的高维隐含关联特征以及所述实时磁场数据间的高维隐含关联特征分布信息，从而获得所述磁场特征向量。
[0041]
具体地，在本技术实施例中，将所述实时磁场数据的序列通过包含一维卷积层和全连接层的时序编码器以获得磁场特征向量的过程，包括：首先，将所述实时磁场数据的序列排列为一维的磁场输入向量。然后，使用所述时序编码器的全连接层以如下公式对所述
磁场输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：其中x是输入向量，y是输出向量，w是权重矩阵，b是偏置向量，表示矩阵乘。最后，使用所述时序编码器的一维卷积层以如下公式对所述磁场输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：
[0042][0043]
其中，a为卷积核在x方向上的宽度、f为卷积核参数向量、g为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。
[0044]
在步骤s180中，将所述磁场特征向量与所述参考磁场特征矩阵进行矩阵相乘以获得磁场查询向量。也就是，在本技术的技术方案中，在得到所述磁场特征向量和所述参考磁场特征矩阵后，就可以将所述磁场特征向量与所述参考磁场特征矩阵进行矩阵相乘，以将所述实时磁场特征信息映射到所述参考磁场特征信息的高维特征空间中，从而获得磁场查询向量。
[0045]
在步骤s190中，融合所述磁场查询向量和所述磁场特征向量以获得第二特征向量。也就是，在本技术的技术方案中，计算所述磁场查询向量和所述磁场特征向量间的加权和以得到所述第二特征向量。
[0046]
在步骤s200和步骤s210中，对所述第二特征向量中各个位置的特征值进行基于最大值的归一化处理以生成第二转化特征向量，并对所述第一特征向量中各个位置的特征值进行基于softmax函数的归一化处理以生成第一转化特征向量。应可以理解，由于所述第一特征向量和所述第二特征向量在高维特征空间中分别对应着不同的特征分布流形，而这些特征分布流形由于本身的不规则形状和散布位置，如果仅通过级联将这些特征分布流形按原位置和形状叠加，那么新获得的特征分布流形的边界会变得不规则和复杂。因此，在本技术的技术方案中，为了便于特征的融合，以提高定位回归的准确性。相应地，在一个具体示例中，可用公式xnorm＝(xi-xmin)/(xmax-xmin)进行最大值归一化处理，其中，xi表示所述第二特征向量中各个位置的特征值，i表示所述第二特征向量中的各个位置。然后，进一步对所述第二特征向量中各个位置的特征值进行基于最大值的归一化处理以生成第二转化特征向量，并且将所述第一特征向量中各个位置的特征值进行基于softmax函数的归一化处理以生成第一转化特征向量。
[0047]
具体地，在本技术实施例中，对所述第一特征向量中各个位置的特征值进行基于softmax函数的归一化处理以生成第一转化特征向量的过程，包括：以如下公式对所述第一特征向量中各个位置的特征值进行基于softmax函数的归一化处理以生成所述第一转化特征向量；其中，所述公式为：exp(xi)/∑exp(xi)。
[0048]
在步骤s220和步骤s230中，将所述第一转化特征向量和所述第二转化向量进行级联以生成解码特征向量，并将所述解码特征向量通过解码器进行回归解码以生成解码值，所述解码值为室内定位结果。也就是，在本技术的技术方案中，进一步将归一化后的所述第一转化特征向量和所述第二转化特征向量进行级联以生成解码特征向量，再将其通过解码器进行解码，进而回归得到室内的定位结果。
[0049]
具体地，在本技术实施例中，将所述解码特征向量通过解码器进行回归解码以生成解码值，所述解码值为室内定位结果的过程，包括：使用所述解码器的多个全连接层以如下公式对所述解码特征向量进行解码回归以获得所述解码值，其中，所述公式为：其中x是回归特征向量，y是解码值，w是权重矩阵，b是偏置向量，表示矩阵乘，h(
·
)为激活函数。
[0050]
特别地，在本技术的技术方案中，所述第一卷积神经网络、所述第二卷积神经网络、所述包含嵌入层的上下文编码器、所述时序编码器和所述解码器的训练过程，包括：从所述蓝牙模块获取训练蓝牙信号的回波信号；将所述训练蓝牙信号的回波信号通过所述第一卷积神经网络以获得训练第一特征向量；从所述后台数据库获取训练磁场数据的参考序列；将所述训练磁场数据的参考序列通过所述包含嵌入层的上下文编码器以获得多个训练磁场参考特征向量；将所述多个训练磁场参考特征向量进行二维排列为特征矩阵后通过所述第二卷积神经网络以获得训练参考磁场特征矩阵；从所述磁传感器获取实时采集的训练实时磁场数据的序列；将所述训练实时磁场数据的序列通过所述包含一维卷积层和全连接层的时序编码器以获得训练磁场特征向量；将所述训练磁场特征向量与所述训练参考磁场特征矩阵进行矩阵相乘以获得训练磁场查询向量；计算所述训练磁场查询向量和所述训练磁场特征向量间的非刚性一致性损失函数值，所述特征流形的非刚性一致性因数基于所述训练磁场查询向量和所述训练磁场特征向量之间的差分向量的二范数与所述训练磁场特征向量的二范数来构建；融合所述训练磁场查询向量和所述训练磁场特征向量以获得第二特征向量；对所述训练第二特征向量中各个位置的特征值进行基于最大值的归一化处理以生成训练第二转化特征向量；对所述训练第一特征向量中各个位置的特征值进行基于softmax函数的归一化处理以生成训练第一转化特征向量；将所述训练第一转化特征向量和所述训练第二转化向量进行级联以生成训练解码特征向量；将所述训练解码特征向量通过所述解码器以生成解码损失函数值；计算所述非刚性一致性损失函数值和所述解码损失函数值的加权和作为损失函数值来对所述第一卷积神经网络、所述第二卷积神经网络、所述包含嵌入层的上下文编码器、所述时序编码器和所述解码器进行训练。
[0051]
具体地，在本技术实施例中，计算所述训练磁场查询向量和所述训练磁场特征向量间的非刚性一致性损失函数值的过程，包括：以如下公式计算所述训练磁场查询向量和所述训练磁场特征向量间的所述非刚性一致性损失函数值；
[0052]
其中，所述公式为：
[0053][0054]
其中，vf表示所述训练磁场特征向量，vs表示所述训练磁场查询向量，||
·
||
22
表示向量的二范数的平方。应可以理解，该所述非刚性一致性损失函数通过位移向量的插值，基于针对参考磁场矩阵的参考序列的上下文编码所获得的运动的位置航向特征和轨迹投影特征的秩序性的先验知识，在无准确的几何关系的情况下来描述隐特征表达之间的匹配程度。通过以其作为损失函数对参数化模型进行训练，可以基于向量之间的平滑过渡来实现参数化模型之间的特征工程一致性，进而能够提高分类的准确性。
[0055]
图4图示了根据本技术实施例的用于智慧电场的室内定位方法中，所述第一卷积神经网络、所述第二卷积神经网络、所述包含嵌入层的上下文编码器、所述时序编码器和所
述解码器的训练过程的流程图。如图4所示，所述第一卷积神经网络、所述第二卷积神经网络、所述包含嵌入层的上下文编码器、所述时序编码器和所述解码器的训练过程，包括：s310，从所述蓝牙模块获取训练蓝牙信号的回波信号；s320，将所述训练蓝牙信号的回波信号通过所述第一卷积神经网络以获得训练第一特征向量；s330，从所述后台数据库获取训练磁场数据的参考序列；s340，将所述训练磁场数据的参考序列通过所述包含嵌入层的上下文编码器以获得多个训练磁场参考特征向量；s350，将所述多个训练磁场参考特征向量进行二维排列为特征矩阵后通过所述第二卷积神经网络以获得训练参考磁场特征矩阵；s360，从所述磁传感器获取实时采集的训练实时磁场数据的序列；s370，将所述训练实时磁场数据的序列通过所述包含一维卷积层和全连接层的时序编码器以获得训练磁场特征向量；s380，将所述训练磁场特征向量与所述训练参考磁场特征矩阵进行矩阵相乘以获得训练磁场查询向量；s390，计算所述训练磁场查询向量和所述训练磁场特征向量间的非刚性一致性损失函数值，所述特征流形的非刚性一致性因数基于所述训练磁场查询向量和所述训练磁场特征向量之间的差分向量的二范数与所述训练磁场特征向量的二范数来构建；s410，融合所述训练磁场查询向量和所述训练磁场特征向量以获得第二特征向量；s420，对所述训练第二特征向量中各个位置的特征值进行基于最大值的归一化处理以生成训练第二转化特征向量；s430，对所述训练第一特征向量中各个位置的特征值进行基于softmax函数的归一化处理以生成训练第一转化特征向量；s440，将所述训练第一转化特征向量和所述训练第二转化向量进行级联以生成训练解码特征向量；s450，将所述训练解码特征向量通过所述解码器以生成解码损失函数值；s460，计算所述非刚性一致性损失函数值和所述解码损失函数值的加权和作为损失函数值来对所述第一卷积神经网络、所述第二卷积神经网络、所述包含嵌入层的上下文编码器、所述时序编码器和所述解码器进行训练。
[0056]
综上，本技术实施例的用于智慧电场的室内定位方法被阐明，其通过深度神经网络模型分别对蓝牙信号的回波信号、参考磁场数据以及实时磁场数据进行高维隐含的关联特征提取，并将所述实时磁场数据特征分布映射到所述参考磁场数据的特征分布空间中，以分别获得第一特征向量、磁场特征向量和磁场查询向量。这样，进一步计算非刚性一致性损失函数通过位移向量的插值，以基于针对参考磁场矩阵的参考序列的上下文编码所获得的运动的位置航向特征和轨迹投影特征的秩序性的先验知识，在无准确的几何关系的情况下来描述隐特征表达之间的匹配程度，进而提高定位的准确性。
[0057]
示例性系统
[0058]
图5图示了根据本技术实施例的用于智慧电场的室内定位系统的框图。如图5所示，根据本技术实施例的用于智慧电场的室内定位系统400，包括：回波信号获取单元410，用于从蓝牙模块获取蓝牙信号的回波信号；第一卷积单元420，用于将所述回波信号获取单元410获得的所述蓝牙信号的回波信号通过第一卷积神经网络以获得第一特征向量；参考磁场数据获取单元430，用于从后台数据库获取磁场数据的参考序列；上下文编码单元440，用于将所述参考磁场数据获取单元430获得的所述磁场数据的参考序列通过包含嵌入层的上下文编码器以获得多个磁场参考特征向量；第二卷积单元450，用于将所述上下文编码单元440获得的所述多个磁场参考特征向量进行二维排列为特征矩阵后通过第二卷积神经网络以获得参考磁场特征矩阵；实时磁场数据获取单元460，用于从磁传感器获取实时采集的实时磁场数据的序列；时序编码单元470，用于将所述实时磁场数据获取单元460获得的所
述实时磁场数据的序列通过包含一维卷积层和全连接层的时序编码器以获得磁场特征向量；矩阵相乘单元480，用于将所述时序编码单元470获得的所述磁场特征向量与所述第二卷积单元450获得的所述参考磁场特征矩阵进行矩阵相乘以获得磁场查询向量；第二特征向量生成单元490，用于融合所述矩阵相乘单元480获得的所述磁场查询向量和所述时序编码单元470获得的所述磁场特征向量以获得第二特征向量；第二转化特征向量生成单元500，用于对所述第二特征向量生成单元490获得的所述第二特征向量中各个位置的特征值进行基于最大值的归一化处理以生成第二转化特征向量；第一转化特征向量生成单元510，用于对所述第一卷积单元420获得的所述第一特征向量中各个位置的特征值进行基于softmax函数的归一化处理以生成第一转化特征向量；级联单元520，用于将所述第一转化特征向量生成单元510获得的所述第一转化特征向量和所述第二转化特征向量生成单元500获得的所述第二转化向量进行级联以生成解码特征向量；以及，解码单元530，用于将所述级联单元520获得的所述解码特征向量通过解码器进行回归解码以生成解码值，所述解码值为室内定位结果。
[0059]
在一个示例中，在上述用于智慧电场的室内定位系统400中，所述第一卷积单元420，进一步用于：所述第一卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿特征矩阵的全局均值池化处理和激活处理以由所述第一卷积神经网络的最后一层生成所述第一特征向量，其中，所述第一卷积神经网络的第一层的输入为所述蓝牙信号的回波信号。
[0060]
在一个示例中，在上述用于智慧电场的室内定位系统400中，所述上下文编码单元440，进一步用于：使用所述包含嵌入层的上下文的编码器模型的嵌入层分别将所述磁场数据的参考序列转化为输入向量以获得输入向量的序列；以及，使用所述包含嵌入层的上下文的编码器模型的转换器对所述输入向量的序列进行基于全局的上下文语义编码以获得所述多个磁场参考特征向量。
[0061]
在一个示例中，在上述用于智慧电场的室内定位系统400中，所述时序编码单元470，进一步用于：将所述实时磁场数据的序列排列为一维的磁场输入向量；使用所述时序编码器的全连接层以如下公式对所述磁场输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：其中x是输入向量，y是输出向量，w是权重矩阵，b是偏置向量，表示矩阵乘；使用所述时序编码器的一维卷积层以如下公式对所述磁场输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：
[0062][0063]
其中，a为卷积核在x方向上的宽度、f为卷积核参数向量、g为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。
[0064]
在一个示例中，在上述用于智慧电场的室内定位系统400中，所述第一卷积神经网络、所述第二卷积神经网络、所述包含嵌入层的上下文编码器、所述时序编码器和所述解码器的训练过程，包括：从所述蓝牙模块获取训练蓝牙信号的回波信号；将所述训练蓝牙信号的回波信号通过所述第一卷积神经网络以获得训练第一特征向量；从所述后台数据库获取
训练磁场数据的参考序列；将所述训练磁场数据的参考序列通过所述包含嵌入层的上下文编码器以获得多个训练磁场参考特征向量；将所述多个训练磁场参考特征向量进行二维排列为特征矩阵后通过所述第二卷积神经网络以获得训练参考磁场特征矩阵；从所述磁传感器获取实时采集的训练实时磁场数据的序列；将所述训练实时磁场数据的序列通过所述包含一维卷积层和全连接层的时序编码器以获得训练磁场特征向量；将所述训练磁场特征向量与所述训练参考磁场特征矩阵进行矩阵相乘以获得训练磁场查询向量；计算所述训练磁场查询向量和所述训练磁场特征向量间的非刚性一致性损失函数值，所述特征流形的非刚性一致性因数基于所述训练磁场查询向量和所述训练磁场特征向量之间的差分向量的二范数与所述训练磁场特征向量的二范数来构建；融合所述训练磁场查询向量和所述训练磁场特征向量以获得第二特征向量；对所述训练第二特征向量中各个位置的特征值进行基于最大值的归一化处理以生成训练第二转化特征向量；对所述训练第一特征向量中各个位置的特征值进行基于softmax函数的归一化处理以生成训练第一转化特征向量；将所述训练第一转化特征向量和所述训练第二转化向量进行级联以生成训练解码特征向量；将所述训练解码特征向量通过所述解码器以生成解码损失函数值；计算所述非刚性一致性损失函数值和所述解码损失函数值的加权和作为损失函数值来对所述第一卷积神经网络、所述第二卷积神经网络、所述包含嵌入层的上下文编码器、所述时序编码器和所述解码器进行训练。
[0065]
在一个示例中，在上述用于智慧电场的室内定位系统400中，所述第二转化特征向量生成单元500，进一步用于：以如下公式对所述第二特征向量中各个位置的特征值进行基于最大值的归一化处理以生成所述第二转化特征向量；
[0066]
其中，所述公式为：
[0067]
x
norm
＝(x
i-x
min
)/(x
max-x
min
)
[0068]
其中，xi表示所述第二特征向量中各个位置的特征值，i表示所述第二特征向量中的各个位置。
[0069]
在一个示例中，在上述用于智慧电场的室内定位系统400中，所述第一转化特征向量生成单元510，进一步用于：对所述第一特征向量中各个位置的特征值进行基于softmax函数的归一化处理以生成第一转化特征向量，包括：以如下公式对所述第一特征向量中各个位置的特征值进行基于softmax函数的归一化处理以生成所述第一转化特征向量；其中，所述公式为：exp(xi)/∑exp(xi)。
[0070]
在一个示例中，在上述用于智慧电场的室内定位系统400中，所述解码单元530，进一步用于：使用所述解码器的多个全连接层以如下公式对所述解码特征向量进行解码回归以获得所述解码值，其中，所述公式为：以获得所述解码值，其中，所述公式为：其中x是回归特征向量，y是解码值，w是权重矩阵，b是偏置向量，表示矩阵乘，h(
·
)为激活函数。
[0071]
这里，本领域技术人员可以理解，上述用于智慧电场的室内定位系统400中的各个单元和模块的具体功能和操作已经在上面参考图1到图4的用于智慧电场的室内定位方法的描述中得到了详细介绍，并因此，将省略其重复描述。
[0072]
如上所述，根据本技术实施例的用于智慧电场的室内定位系统400可以实现在各种终端设备中，例如用于智慧电场的室内定位算法的服务器等。在一个示例中，根据本技术实施例的用于智慧电场的室内定位系统400可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该用于智慧电场的室内定位系统400可以是该终端设备的操作系统中
的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该用于智慧电场的室内定位系统400同样可以是该终端设备的众多硬件模块之一。
[0073]
替换地，在另一示例中，该用于智慧电场的室内定位系统400与该终端设备也可以是分立的设备，并且该用于智慧电场的室内定位系统400可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
[0074]
以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本技术为必须采用上述具体的细节来实现。
[0075]
本技术中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
[0076]
还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。
[0077]
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
[0078]
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。