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() 基于单一标记信号的楼层识别方法技术_技高网

基于单一标记信号的楼层识别方法技术

技术编号:43262317 阅读:4 留言:0更新日期:2024-11-08 20:41
提供了一种用于识别建筑物楼层的方法,包括:对一个从所述建筑物的底层收集的并检测到接入点的信号样本进行标记;在一个二分图中对所述多个信号样本和接入点进行建模;利用图神经网络处理所述二分图以获取每个信号样本相对于检测到的接入点的特征嵌入向量;将多个所述特征嵌入向量聚类为特征嵌入向量簇,直到所述特征嵌入向量簇的总数等于建筑物的楼层数;以及对所述起始簇进行索引,使用后续楼层号码对其他所述排序了的特征嵌入向量簇进行索引。本发明专利技术利用了楼层之间信号溢出的效应,仅需要一个标记信号样本,对射频信号进行有效聚类,并对聚类所得的节点簇进行准确索引,相对于其它算法具有更优越和高效的聚类性能。

【技术实现步骤摘要】

本专利技术总体来说涉及楼层识别技术。更具体地说,本专利技术涉及一种基于单一标记信号的楼层识别方法


技术介绍

1、传统上楼层识别技术会使用不同的传感器(例如气压计和惯性测量单元(inertial measurement unit,imu))检测楼层的变化,但这些技术一般会受到传感器设备异构性的限制,需要用户按照特定路线进行数据收集。

2、有些研究则探讨了利用信号传播模型预测楼层标签的技术。然而,这些技术需要知道接入点(access point,ap)的位置,阻碍了它们在实际部署中的应用。例如,有些研究在离线阶段测量射频信号的压力读数,然后利用这些读数获取接入点楼层信息,并存储这些信息在数据库中用于在线推理。有些研究首先识别在测量的射频信号中具有最强信号的接入点,然后将信号分布转换为带有相应接入点位置的图像,并将这些图像用于训练卷积神经网络模型进行楼层分类。

3、另外,许多智能城市的应用通过利用带有楼层标签的射频(radio frequency,rf)信号来实现。这些智能城市的应用包括例如城市中的多层导航,用于疫情控制的地理围栏,在没有视觉信息的环境中的机器人救援或导航,以及在受限区域内的无人机监视。在这些应用场景中,通常需要受过训练的调查员收集带有楼层标签的所有射频信号,既劳动密集又成本昂贵。一种实际的解决方案是利用众包方式在建筑中收集来自不同的人贡献的不同子集信号。然而,尽管众包的射频信号足以覆盖整座建筑物,但它们大部分是未标记的。因此,关键问题在于如何利用未标记的射频信号进行楼层识别。

4、最近,由于具有强大的学习能力和高预测准确性,基于机器学习的楼层识别解决方案引起了越来越多人的兴趣。然而,基于机器学习的楼层识别需要用大量标记的数据训练模型,在众包的应用情境中很难获得这样的数据。例如,某些方案的楼层分类器需要使用从建筑物不同楼层收集的标记射频信号来训练,然后进行在线部署。某些方案需要选择可靠的接入点并从来自这些接入点的射频信号中提取特征,用相应的楼层标签训练softmax分类器。某些方案假设每层都有一些可用于楼层识别的标记射频信号。某些方案以众包方式从不同感知客户端获得一组带有楼层标签的射频信号数据集,并通过联邦式学习训练楼层分类模型.这些方案对标记数据的强烈需求极大地阻碍了基于机器学习的楼层识别应用的推广。另外,由于射频信号是异构的,不同的射频信号可能只观测到建筑物中不同的接入点子集。如图3所示,使用由建筑物中所有接入点的超集构成的向量来表示射频信号的传统方式,会使得许多向量条目为空。这些空的条目通常会用一些任意小的值填充,会导致强差人意的应用性能。在一些机器学习解决方案中,射频信号被建模为一个二分图以解决上述的问题。然而,它们的嵌入技术仅限于静态二分图,不适合处理新到来的射频信号(即图中的新节点)。


技术实现思路

1、本专利技术的目的是提供一种楼层识别方法,该方法基于众包式射频信号,仅需对在底层获取的信号样本进行标记,不需对在其他楼层获取的信号样本进行标记就能够实现具高准确性的楼层识别,减轻了对大量标记数据的要求。

2、根据本专利技术的第一方面,提供了一种用于识别建筑物楼层的方法。所述方法包括以下步骤:a)对一个从所述建筑物的底层收集的并检测到接入点的信号样本进行标记;b)在一个二分图中对所述多个信号样本和接入点进行建模;c)利用图神经网络处理所述二分图以获取每个信号样本相对于检测到的接入点的特征嵌入向量;d)将多个所述特征嵌入向量聚类为特征嵌入向量簇,直到所述特征嵌入向量簇的总数等于建筑物的楼层数;以及e)对所述起始簇进行索引,使用后续楼层号码对其他所述排序了的特征嵌入向量簇进行索引。

3、根据本专利技术的第二方面,提供了一种非暂时性计算机可读介质,其用于存储计算机指令,所述指令在由一个或多个处理器执行时使所述一个或多个处理器执行根据本专利技术的第一方面提供的用于识别建筑物楼层的方法。

4、本专利技术提供的基于众包射频信号的楼层识别方法利用了楼层之间信号溢出的效应,,仅需要一个标记信号样本,使用针对射频信号的图神经网络(graph neural networkfor rf signals,rf-gnn)高效地对(可能是动态的)图上的大量射频信号进行向量表示,对射频信号进行有效聚类,并对聚类所得的节点簇进行准确索引。本专利技术相对于其它算法具有更优越和高效的聚类性能,在调整兰德指数(adjusted rand index,ari)和标准化互信息(normalized mutual information,nmi)方面分别提高了23%和25%。

本文档来自技高网...

【技术保护点】

1.一种用于识别建筑物楼层的方法,其特征在于,包括以下步骤:

2.根据权利要求1所述的方法,其特征在于,所述步骤a)包括:

3.根据权利要求2所述的方法,其特征在于,所述步骤b)包括:

4.根据权利要求3所述的方法,其特征在于,所述步骤c)包括:

5.根据权利要求4所述的方法,其特征在于,所述步骤d)包括:

6.根据权利要求5所述的方法,其特征在于,所述簇之间的距离被定义为:

7.根据权利要求6所述的方法,其特征在于,所述步骤e)包括:

8.根据权利要求7所述的方法,其特征在于,

9.根据权利要求1所述的方法,其特征在于,还包括基于二分图上生成的一组短距随机游走以无监督方式训练所述图神经网络。

10.根据权利要求9所述的方法,其特征在于,所述图神经网络通过使用损失函数LG进行训练,所述损失函数LG定义为:LG:=-log(σ(ri·rj))-τ×Ez~Pr(z)log(σ(-ri·rz)),其中σ(x)=1/(1+exp(-x)),ri·rj表示ri和rj的内积,Pr(z)是用户定义的节点分布,Ez~Pr(z)是Pr(z)的期望值。

11.一种非暂时性计算机可读介质,其用于存储计算机指令,所述指令在由一个或多个处理器执行时使所述一个或多个处理器执行根据权利要求1-10中任何一项所述的方法。

...

【技术特征摘要】

1.一种用于识别建筑物楼层的方法,其特征在于,包括以下步骤:

2.根据权利要求1所述的方法,其特征在于,所述步骤a)包括:

3.根据权利要求2所述的方法,其特征在于,所述步骤b)包括:

4.根据权利要求3所述的方法,其特征在于,所述步骤c)包括:

5.根据权利要求4所述的方法,其特征在于,所述步骤d)包括:

6.根据权利要求5所述的方法,其特征在于,所述簇之间的距离被定义为:

7.根据权利要求6所述的方法,其特征在于,所述步骤e)包括:

8.根据权利要求7所述的方法,其特征在于,

9.根据权利要求1所述的方法,其...

【专利技术属性】
技术研发人员:陈双幸卓伟鹏赵家豪
申请(专利权)人:香港科技大学
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1