System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及uwb超宽带定位,特别是涉及一种基于双向时间卷积网络的uwb煤矿井下定位方法。
技术介绍
1、煤炭工业是国家的重要基础产业,它关系着国家的经济命脉和能源支持。近年来,国家一直很重视煤矿的智能化建设,但更加注重煤矿管理的安全建设。井下人员的位置监测制约煤矿井下超定员生产、减少或避免了重大事故的发生,在矿井的建设管理、项目施工和应急救援等方面发挥着重要作用。因此,能够实现煤矿井下人员的准确位置监测对于国家煤炭事业的发展以及矿井开采建设与管理意义重大。
2、超宽带(ultra-wideband,uwb)技术具有带宽广、脉冲短、抗干扰能力强、的显著优势。理想的测试条件下,定位精度可达厘米级,是目前成熟度最高的高精度定位技术,也是室内环境下定位一直所研究的关键技术。《煤矿井下人员定位系统通用技术条件》明确指出:煤矿井下人员的精确定位系统的静态误差不应大于30cm。为使得对井下人员进行精确的位置监测、提高管理效率,保障灾后救援,全国大部分煤矿建设了基于uwb定位技术的定位系统。
3、uwb定位技术具有多种定位模式,twr(two way ranging)基于两个设备之间的双向通信,测量uwb射频信号的飞行时间实现测距。双曲线定位也称为到达时间差(tdoa)定位,是一种经典的测距技术,通过测量标签到达不同传感器的时间差来获得距离差,一般采用三个不同的传感器可以得到两个tdoa,标签位于两个tdoa决定的双曲线焦点上。aoa(angle of arrival,aoa)定位方法是利用无线信号到达角度差来确定物
4、可是井下环境复杂,无论选择何种定位模式,采用uwb测距所获得的测量数据除了受到uwb系统误差的影响以外,还包含了各种随机误差和非视距nlos(non line of sight)误差。nlos误差主要是由室内各种障碍物以及行人的走动等多因素造成,并且在不同的室内环境下所存在的非视距误差也不一样,以上的定位算法都不能对非视距误差进行一个有效处理。
技术实现思路
1、uwb信号在矿井复杂的环境下经常会受到wifi、蓝牙、手机等信号以及岩石壁、门窗等障碍物的干扰,进而导致uwb所测得的距离信息往往夹杂着随机误差和非视距误差;为削弱上述误差,本专利技术提出了一种基于双向时间卷积网络的uwb煤矿井下定位方法,获取更为准确的位置信息。
2、为实现上述目的,本专利技术提供了如下方案:
3、一种基于双向时间卷积网络的uwb煤矿井下定位方法,包括:
4、获取煤矿中基站与定位标签之间的距离信息;
5、将所述距离信息输入双向时间卷积网络定位模型,输出定位结果,其中,所述双向时间卷积网络定位模型通过训练集训练获得,所述训练集包括标签坐标数据和基站坐标,所述双向时间卷积网络定位模型中使用残差连接层对双向时间卷积网的输入和输出进行连接。
6、可选地,所述双向时间卷积网络定位模型包括:
7、输入层,用于输入所述距离信息;
8、卷积层,用于将所输入的距离信息进行特征提取;
9、残差连接层,用于将特征提取后的距离数据与所输入的距离信息相加,并基于relu激活函数对相加结果进行处理;
10、全连接层,用于对处理后的相加结果进行特征转换,获取定位结果;
11、输出层,用于输出所述定位结果。
12、可选地,将所输入的距离信息进行特征提取的方法为:
13、
14、其中,yt为卷积操作的输出,f为激活函数,wi为卷积核的权重,d为卷积核的膨胀因子,k为卷积核的大小,xt为输入数据,i为卷积核的当前位置相对于输入序列的索引。
15、可选地,获取所述定位结果的方法为:
16、
17、ai=f(zi)
18、其中,n为上一层的神经元数量,ωij为连接第j个输入神经元和第i个输出神经元之间的权重,xj为第j个输入神经元的输出,bi为第i个输出神经元的偏置,zi为第i个神经元的输入加权和,f(·)为激活函数,ai为第i个神经元的输出。
19、可选地,所述双向时间卷积网络定位模型的正向隐藏状态和反向隐藏状态为:
20、正向隐藏状态为:
21、htforward=σ(wf*xt+uf*ht-1forward+bf)
22、其中,htforward为时序卷积网络在正向上的隐藏状态,σ为激活函数,wf,uf为参数矩阵,xt为输出序列中的第t个时间步的输入,bf为偏置向量,*为卷积操作;
23、反向隐藏状态为:
24、htbackward=σ(wb*xt+ub*ht+1backward+bb)
25、其中,htbackward为时序卷积网络在反向上的隐藏状态,σ为激活函数,wb,ub为参数矩阵,xt为输出序列中的第t个时间步的输入,bb为偏置向量,*为卷积操作,ht是在时刻t的隐藏状态,ht+1backward为在时刻t+1的反向隐藏状态。
26、可选地,训练所述双向时间卷积网络定位模型包括:
27、s1.定义损失函数,根据所述损失函数,获取加权的均方误差损失,对所述均方误差损失进行正则化处理,获取正则化损失;
28、s2.对所述均方误差损失和所述正则化损失相加,获取总损失,将所述总损失作为优化器的目标,获取梯度;
29、s3.根据所述梯度,更新一阶矩估计和二阶矩估计,对更新后的一阶矩估计和二阶矩估计进行偏差校正,获取修正后的一阶矩估计和修正后的二阶矩估计,基于所述修正后的一阶矩估计和所述修正后的二阶矩估计,更新所述双向时间卷积网络定位模型的模型参数;
30、s4.设置迭代次数,重复所述s3,当重复次数满足所设置的迭代次数,输出更新后的模型参数。
31、可选地,定义所述损失函数的方法为:
32、
33、其中,avg为求平均,x,y,z为真实坐标,xg,yg,zg为模型计算得到的标签坐标,λ为正则化强度,i,j为权重矩阵w的行和列。
34、可选地,对所述均方误差损失进行正则化处理的方法为:
35、
36、其中,loss为加权的均方误差损失,λ为正则化系数,θ为模型的参数向量,||·||2为l2范数。
37、可选地,更新所述双向时间卷积网络定位模型的模型参数的方法为:
38、
39、其中,为修正后的一阶矩估计,为修正后的二阶矩估计,ξ是为了数值稳定性而添加的小常数,α为学习率,θt为当前的参数值,θt+1为更新后的参数值。
40、本专利技术的有益效果为:
41、本专利技术利用双向时间本文档来自技高网...
【技术保护点】
1.一种基于双向时间卷积网络的UWB煤矿井下定位方法,其特征在于,包括:
2.根据权利要求1所述的基于双向时间卷积网络的UWB煤矿井下定位方法,其特征在于,所述双向时间卷积网络定位模型包括:
3.根据权利要求2所述的基于双向时间卷积网络的UWB煤矿井下定位方法,其特征在于,将所输入的距离信息进行特征提取的方法为:
4.根据权利要求2所述的基于双向时间卷积网络的UWB煤矿井下定位方法,其特征在于,获取所述定位结果的方法为:
5.根据权利要求1所述的基于双向时间卷积网络的UWB煤矿井下定位方法,其特征在于,所述双向时间卷积网络定位模型的正向隐藏状态和反向隐藏状态为:
6.根据权利要求1所述的基于双向时间卷积网络的UWB煤矿井下定位方法,其特征在于,训练所述双向时间卷积网络定位模型包括:
7.根据权利要求6所述的基于双向时间卷积网络的UWB煤矿井下定位方法,其特征在于,定义所述损失函数的方法为:
8.根据权利要求6所述的基于双向时间卷积网络的UWB煤矿井下定位方法,其特征在于,对所述均方误差损失进行正则
9.根据权利要求6所述的基于双向时间卷积网络的UWB煤矿井下定位方法,其特征在于,更新所述双向时间卷积网络定位模型的模型参数的方法为:
...【技术特征摘要】
1.一种基于双向时间卷积网络的uwb煤矿井下定位方法,其特征在于,包括:
2.根据权利要求1所述的基于双向时间卷积网络的uwb煤矿井下定位方法,其特征在于,所述双向时间卷积网络定位模型包括:
3.根据权利要求2所述的基于双向时间卷积网络的uwb煤矿井下定位方法,其特征在于,将所输入的距离信息进行特征提取的方法为:
4.根据权利要求2所述的基于双向时间卷积网络的uwb煤矿井下定位方法,其特征在于,获取所述定位结果的方法为:
5.根据权利要求1所述的基于双向时间卷积网络的uwb煤矿井下定位方法,其特征在于,所述双向时间卷积网络定位...
【专利技术属性】
技术研发人员:连增增,贺刘辉,岳哲,慕洪涛,陈浩,赵辰瑞,何荣,李伟,刘宪云,
申请(专利权)人:河南理工大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。