用于智慧电场的室内定位方法及其系统与流程

技术特征：
1.一种用于智慧电场的室内定位方法，其特征在于，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。2.根据权利要求1所述的用于智慧电场的室内定位方法，其中，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，包括：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。3.根据权利要求2所述的用于智慧电场的室内定位方法，其中，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，包括：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。4.根据权利要求3所述的用于智慧电场的室内定位方法，其中，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，包括：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：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。5.根据权利要求4所述的用于智慧电场的室内定位方法，其中，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。6.根据权利要求5所述的用于智慧电场的室内定位方法，其中，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，包括：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；其中，所述公式为：x
norm
＝(x
i-x
min
)/(x
max-x
min
)其中，x
i
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。7.根据权利要求6所述的用于智慧电场的室内定位方法，其中，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，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)/∑
i
exp(-xi)。8.根据权利要求7所述的用于智慧电场的室内定位方法，其中，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，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：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。9.一种用于智慧电场的室内定位系统，其特征在于，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。10.根据权利要求9所述的用于智慧电场的室内定位系统，其中，所述第一卷积单元，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。

技术总结
本申请涉及室内定位的领域，其具体地公开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。的准确性。的准确性。


技术研发人员：陈杨
受保护的技术使用者：杭州隽睿信息科技有限公司
技术研发日：2022.09.15
技术公布日：2022/12/16