【技术实现步骤摘要】
本专利技术涉及数据定位，具体为基于数据增强的5g定位算法。
技术介绍
1、基于位置服务的场景化应用与普及让人们的饮食起居变得更加便捷，很多的学术研究者和相关工作人员纷纷开始对该领域技术进行钻研，基于位置的服务可以帮助工厂、仓库、物流等领域实现更加智能化的货物分拣、运输与管理，减少生产成本，提升工作效率；在医院、应急救援等特殊场景下，精准的定位技术也能够让救援过程更加高效和及时，精准可靠的定位性能对于基于位置的应用和相关服务而言是至关重要的一步，准确的位置预测和应用也成为了人类生活中的迫切需求，定位技术已经成为智慧城市、智慧生活发展的重要基础，因此定位的准确性和可靠性也越来越受到重视。
2、对于户外开阔区域下，gps和北斗可以提供较为精准的定位服务，然而，在人口密集的城市地区和复杂的室内环境下，这些信号容易受到建筑物的遮挡，无法直接穿过，导致覆盖范围有限的问题。
技术实现思路
1、针对现有技术的不足，本专利技术提供了基于数据增强的5g定位算法，解决了人口密集的城市地区和复杂的室内环境下，这些信号容易受到建筑物的遮挡，无法直接穿过，导致覆盖范围有限的问题。
2、为实现以上目的，本专利技术通过以下技术方案予以实现：基于数据增强的5g定位算法，包括以下步骤：
3、s1、首先在不同位置采集不同信号特征信息的多组数据，保证数据的覆盖度和准确性，以构建完整的指纹数据库；
4、s2、然后进行数据预处理和特征提取，确保数据的质量和可靠度；
6、s4、在结合神经网络进行匹配，提高匹配效果以及定位准确性。
7、优选的，所述步骤s1具体操作如下；
8、在5g系统定位环境中部署有a台基站，b个定位点，并在实验过程中采样n条数据，然后对于某一训练点或者测试点，其信号特征信息可表示为：
9、
10、其中db表示第b个网格点的指纹信息，表示接收到。第a个基站的第n条rssi、rsrp、rsrq的信号特征信息，由此通过对所有的训练点进行整合，可以在离线阶段构造完整指纹库；
11、
12、其中(xd，yd)代表第b个网格点对应的空间位置坐标信息。
13、优选的，所述步骤s1采用卡尔曼滤波(kalmanfilter)进行数据的滤波，过程如下：
14、x(k)＝ax(k-1)+by(k)+w(k)
15、其中x(k)是代表了系统在时间点的状态，即该时刻的信号特征信息，具体包括rssi、rsrp和rsrq,y表示时间点的系统控制输入，当环境保持稳定状态时，其值为0,a和b是系统中的参数值，其中通常设定为1，w(k)表示系统内的过程噪声。
16、优选的，所述卡尔曼滤波中的系统测量值可表示为：
17、z(k)＝hx(k)+v(k)
18、其中，z(k)代表的是在时刻k测量到的信号特征值，h是测量系统使用的参数，其值被设定为1；v(k)是具有r协方差的高斯白噪声，它在系统中为过程噪声，此外，r作为观测噪声的协方差，其值取决于各个参考点信号特征值的平均方差；
19、其中，z(k)代表的是在时刻k测量到的信号特征值，h是测量系统使用的参数，其值被设定为1；v(k)是具有r协方差的高斯白噪声，它在系统中为过程噪声，此外，r作为观测噪声的协方差，其值取决于各个参考点信号特征值的平均方差。
20、优选的，所述卡尔曼滤波中的预测阶段，根据现有状态使用模型预估系统的下一个状态；
21、x(k|k-1)＝ax(k-1|k-1)
22、式中x(k|k-1)是通过上一状态预估到的系统的当前状态，x(k-1|k-1)是上一个系统状态的最优结果；
23、此时预估系统的当前状态的协方差表示为；
24、p(k|k-1)＝ap(k-1|k-1)at+q
25、式中p(k|k-1)是预估系统的当前状态对应的协方差，p(k-1|k-1)是上一个系统状态对应的协方差，通过结合上述求得的系统状态，可以得到现在状态的最优结果为x(k|k)；
26、x(k|k)＝x(k|k-1)+kg(k)(z(k)-hx(k|k-1))
27、式中kg为卡尔曼增益；
28、
29、p(k|k)＝(i-kg(k)h)p(k|k-1)
30、式中为1的单位矩阵。
31、优选的，所述步骤s4中神经网络为cnn-bilstm混合神经网络，由循环神经网络和卷积神经网络组合而成。
32、优选的，所述混合神经网络模型由六个卷积层，一个bilstm层和一个softmax层构成。
33、优选的，所述合神经网络模型中采用adam(adaptivemomentestimation)作为网络模型的优化器。
34、本专利技术提供了基于数据增强的5g定位算法。与现有技术相比具备以下有益效果：
35、(1)、该基于数据增强的5g定位算法，通过采集数据、数据预处理、离线阶段构建指纹库、在现阶段进行匹配得出位置坐标，cnn-bilstm混合神经网络模型，并采集从六个基站发射的信号特征信息，再通过筛选构建多信号特征信息指纹库，然后使用指纹库训练cnnbilstm混合神经网络模型，最后通过误差累积分布函数(cumulativedistributionfunction，cdf)曲线评估定位结果，所构建的多基站多信号特征信息指纹库与现有的单基站或单信息特征信息指纹库相比具有更好的性能，从而有效提升预测精度，解决在人口密集的城市地区和复杂的室内环境下，这些信号容易受到建筑物的遮挡，无法直接穿过，导致覆盖范围有限的问题。
本文档来自技高网...【技术保护点】
1.基于数据增强的5G定位算法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于数据增强的5G定位算法，其特征在于：所述步骤S1具体操作如下；
3.根据权利要求1所述的基于数据增强的5G定位算法，其特征在于：所述步骤S1采用卡尔曼滤波(KalmanFilter)进行数据的滤波，过程如下：
4.根据权利要求3所述的基于数据增强的5G定位算法，其特征在于：所述卡尔曼滤波中的系统测量值可表示为：
5.根据权利要求4所述的基于数据增强的5G定位算法，其特征在于：所述卡尔曼滤波中的预测阶段，根据现有状态使用模型预估系统的下一个状态；
6.根据权利要求1所述的基于数据增强的5G定位算法，其特征在于：所述步骤S4中神经网络为CNN-BiLSTM混合神经网络，由循环神经网络和卷积神经网络组合而成。
7.根据权利要求4所述的基于数据增强的5G定位算法，其特征在于：所述混合神经网络模型由六个卷积层，一个BiLSTM层和一个softmax层构成。
8.根据权利要求5所述的基于数据增强的5G定位算法，其特征在于：
...【技术特征摘要】
1.基于数据增强的5g定位算法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于数据增强的5g定位算法，其特征在于：所述步骤s1具体操作如下；
3.根据权利要求1所述的基于数据增强的5g定位算法，其特征在于：所述步骤s1采用卡尔曼滤波(kalmanfilter)进行数据的滤波，过程如下：
4.根据权利要求3所述的基于数据增强的5g定位算法，其特征在于：所述卡尔曼滤波中的系统测量值可表示为：
5.根据权利要求4所述的基于数据增强的5g定位算法，其特征在于：所述卡尔曼滤波中的预测阶段，根据现有...
【专利技术属性】
技术研发人员：金志平，
申请(专利权)人：扬州通信设备有限公司，
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。