基于循环神经网络的定位方法技术

本发明专利技术公开了一种基于循环神经网络的定位方法，具体包括以下步骤：步骤S1，构建循环神经网络；步骤S2，天线阵列的IQ采样是在不同时刻进行的，使用不同天线的IQ抽样作为循环神经网络的输入特征，对IQ采样信号进行预处理；步骤S3，用训练集训练循环神经网络的权值和偏置；IQ采样信号经过预处理后，分别估计方位角、俯仰角；步骤S4，接收待定位的标签的IQ数据，利用方位角、俯仰角，根据几何关系计算标签的三维坐标。本发明专利技术基于循环神经网络的定位方法，输入数据为蓝牙信号的IQ采样值，循环神经网络输出值为AOA，利用循环神经网络获得AOA后，获得高精度的标签定位。得高精度的标签定位。得高精度的标签定位。

【技术实现步骤摘要】
基于循环神经网络的定位方法


[0001]本专利技术涉及无线定位
，具体涉及基于循环神经网络的定位方法。

技术介绍

[0002]随着医疗条件不断改善，医疗资源的不断优化，规模以上的医院科室比较多。患者从停车场到门诊挂号、就诊、缴费、检查，再到办理住院等一系列的诊疗流程，需要花费很多时间和精力。根据调查，首次来医院就诊的患者，无论哪个年龄层，从进医院起，首先会先向到导诊台、服务中心、最近的医院窗口等方式前去寻求帮助；甚至有30％的复诊病人，也会在诊疗过程中通过寻求帮助以找到自己的目标科室。很多医院都会在门诊部设置楼层地图和科室指引标识，以缓解患者迷路、寻找科室困难等问题，但实际的效果并不是特别理想。为了解决上述问题，研制了一套房间级的基于蓝牙AOA的室内定位系统，缓解病患寻找科室的难题。
[0003]蓝牙低功耗(BLE)作为一种新兴技术，具有超低能耗和低延迟的优点，在室内定位、家庭智能化和无线个人区域网(WPAN)通信等多个应用领域有巨大的发展势头。蓝牙定位算法主要包括三大类：RSSI测距类算法、依赖特征匹配的指纹库定位算法、AOA的定位法。其中AOA定位法精度较高，不需要标签与基站之间的时间同步，所需部署的节点数较少。现有的AOA估计算法，包括基于谱峰搜索的和普通神经网络的，谱峰搜索的原理为：基站采样到得到IQ信号之后，需要对IQ信号进行特征分解、谱峰搜索，计算复杂且耗时、难以在低成本的基站上完成解算。
[0004]蓝牙AOA主要利用基站接收到的IQ数据来计算不同天线的相位差，进而计算标签与基站之间的方位角、俯仰角。但在室内环境中，由于多径传播、非视距传播等状况，IQ数据波动较大，所计算的角度也存在偏差。
[0005]所以，迫切需要一种稳定、精确的蓝牙AOA估计方法，提高测角精度。

技术实现思路

[0006]本专利技术要解决的技术问题就在于：本专利技术提供一种基于循环神经网络的定位方法，输入数据为蓝牙信号的IQ采样值，循环神经网络输出值为AOA，利用循环神经网络获得AOA后，获得高精度的标签定位。
[0007]为解决上述技术问题，本专利技术提出的技术方案为：
[0008]一种基于循环神经网络的定位方法，具体包括以下步骤：
[0009]步骤S1，构建循环神经网络；
[0010]步骤S2，训练集
[0011]天线阵列的IQ采样是在不同时刻进行的，使用不同天线的IQ抽样作为循环神经网络的输入特征，对IQ采样信号进行预处理；
[0012]步骤S3，用训练集训练循环神经网络的权值和偏置；IQ采样信号经过预处理后，分别估计方位角、俯仰角；
[0013]步骤S4，接收待定位的标签的IQ数据，利用方位角、俯仰角，根据几何关系计算标签的三维坐标。
[0014]作为上述技术方案的进一步改进为：
[0015]优选地，所述步骤S1中，循环神经网络的计算方法如下：
[0016]s
t
＝φ(U
·
x
t
+W
·
s
t
‑1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(0.4)
[0017][0018]式(1.1)表示隐藏层的计算公式，是网络中的循环层，其中是激活函数；
[0019]式(1.2)是输出层的计算公式，是激活函数；
[0020]上式中，x
t
表示t时刻输入层向量，s
t
是一个代表t时刻隐藏层状态的向量，s
t
‑1是一个代表t
‑
1时刻隐藏层状态的向量，U是输入层到隐藏层的权重矩阵，o
t
表示t时刻输出层的值，V是隐藏层到输出层的权重矩阵，W则是上一隐藏层的值作为这一次输入的一个权重矩阵。
[0021]优选地，所述步骤S2中，IQ信号进入神经网络之前，先进行预处理，将范围归一化到(0,1)，归一化的方法为：
[0022][0023]用蓝牙标签和天线阵列采集数据集X＝(x1,x2,x3,
…
,x
k
)，其中x
i
＝(x
IQ
,θ
i
,φ
i
)；角度值的处理为：俯仰角除以90度，方位角分为4个象限，每个象限的角度跨度为90度，处理方式为：X
new
＝(X
‑
N*90)/90，N为象限数
[0024]优选地，所述集数据集时，方位角范围0～360度，3度为一个间隔采样；俯仰角范围0～90度，1度一个间隔采样。
[0025]优选地，所述步骤S3中，所述估计方位角、俯仰角的方法为：
[0026]对于俯仰角，进入到第一层循环神经网络，进行正则化、进入第二层循环神经网络、再进行正则化、再进入第三层循环神经网络，估计俯仰角；
[0027]对于方位角，进入到象限分类循环神经网络，再进入对应象限的神经网络估计方位角。
[0028]优选地，所述步骤S4中，计算标签坐标所构建的数学模型为：
[0029][0030]其中，方位角为θ、俯仰角为φ、标签坐标为(x,y,z)，第i个基站坐标为(x
i
,y
i
,z
i
)。
[0031]本专利技术提供的基于循环神经网络的定位方法，与现有技术相比，有以下优点：
[0032]本专利技术的基于循环神经网络的定位方法，基站采样到IQ信号视为一组时间序列，直接通过训练好的RNN神经网络，得到高精度AOA(方位角+俯仰角)，大大降低了计算时间。传统算法在多经干扰环境下角度分辨率较低，本专利技术的定位方法神经网络模型学得了多经干扰环境下的特征，所以在多经干扰较为严重的环境中，精度比传统算法高，提高了定位精度。
附图说明
[0033]图1是本专利技术RNN网络结构的示意图。
[0034]图2是本专利技术循环网络拓扑结构的示意图。
[0035]图3是本专利技术实施例中基于RNN的AOA估计神经网络结构的示意图。
[0036]图4是本专利技术实施例中象限分类器的示意图。
[0037]图5是本专利技术AOA定位原理图。
具体实施方式
[0038]以下对本专利技术的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本专利技术，并不用于限制本专利技术。
[0039]图1至图4示出了本专利技术基于循环神经网络的定位方法的一种实施方式，循环神经网络(RNN)是一种特殊的神经网络结构，如图1所示，它用来处理序列数据。时间序列数据是指在不同时间点上收集到的数据。该神经网络具有记忆性，即该时刻的输出不仅跟该时刻的输入有关，还跟上一时刻的输入有关。
[0040]AOA定位原理如图5所示，设未知节点坐标为u0＝(x,y,z)，锚节点坐标为u0与之间的方位角、俯仰角分别为(通过循环神经网络获得)，根据算法就可以算得u0的坐标。
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于循环神经网络的定位方法，其特征在于，具体包括以下步骤：步骤S1，构建循环神经网络；步骤S2，训练集天线阵列的IQ采样是在不同时刻进行的，使用不同天线的IQ抽样作为循环神经网络的输入特征，对IQ采样信号进行预处理；步骤S3，用训练集训练循环神经网络的权值和偏置；IQ采样信号经过预处理后，分别估计方位角、俯仰角；步骤S4，接收待定位的标签的IQ数据，利用方位角、俯仰角，根据几何关系计算标签的三维坐标。2.根据权利要求1所述的基于循环神经网络的定位方法，其特征在于，所述步骤S1中，循环神经网络的计算方法如下：s
t
＝φ(U
·
x
t
+W
·
s
t
‑1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(0.1)式(1.1)表示隐藏层的计算公式，是网络中的循环层，其中是激活函数；式(1.2)是输出层的计算公式，是激活函数；上式中，x
t
表示t时刻输入层向量，s
t
是一个代表t时刻隐藏层状态的向量，s
t
‑1是一个代表t
‑
1时刻隐藏层状态的向量，U是输入层到隐藏层的权重矩阵，o
t
表示t时刻输出层的值，V是隐藏层到输出层的权重矩阵，W则是上一隐藏层的值作为这一次输入的一个权重矩阵。3.根据权利要求1所述的基于循环神经网络的定位方法，其特征在于，所述步...

【专利技术属性】
技术研发人员：王志强，周彦，陈洋卓，李思怡，郭晓靖，钟鑫媛，孟筱，唐添美，苏子祎，
申请(专利权)人：湘潭大学，
类型：发明
国别省市：