【技术实现步骤摘要】
本专利技术涉及环境感知融合定位，尤其涉及一种基于贝叶斯滤波神经网络的定位方法、系统及电子设备。
技术介绍
1、目前，在进行环境感知融合定位时，通过引入贝叶斯滤波算法来将用户在多个时刻的信息联立起来，以克服在环境信息没有先验的情况下，多径信息无法提升用户位置的估计精度的问题。
2、传统贝叶斯滤波算法及其衍生算法基于隐马尔可夫模型，在给定了隐变量状态的运动方程和观测方程时，能够迭代地推断某个时刻隐变量状态的后验分布，以此对该隐变量进行估计。当运动方程和观测方程均为线性方程时，贝叶斯滤波即为卡尔曼滤波。但是由于运动方程和观测方程在复杂的环境融合定位场景中为高维的非线性方程，因此难以对贝叶斯滤波的结果进行闭式表示，因此产生了若干近似算法，如扩展卡尔曼滤波算法、容积卡尔曼滤波算法等。例如：粒子滤波算法基于蒙特卡洛估计，使用重要性采样的方式对贝叶斯滤波进行拟合。
3、因而，现有的贝叶斯滤波算法在应用于环境感知融合定位的任务中时存在以下问题：
4、精度上，现有贝叶斯滤波算法无法在本任务中获取闭式解，因此必须依赖如扩展卡尔曼滤波、粒子滤波等近似算法，而近似算法在环境融合定位问题中依赖超参数的调整。超参数会对贝叶斯滤波算法的收敛速度、精度产生较大的影响，且依赖于对该任务精通的技术人员的精确调整。除此之外，在模型的简洁性上，由于环境融合的定位算法需要应对多径的生灭、匹配等复杂问题，在实际系统中为了将这种复杂的观测模型融入贝叶斯滤波算法，需要对滤波算法进行复杂的推导，这限制了贝叶斯滤波算法在这类问题上的可拓展性，即
技术实现思路
1、本专利技术提供基于贝叶斯滤波神经网络的定位方法、系统及电子设备，用以解决现有技术中因在环境感知融合定位中应用贝叶斯滤波算法时，需要依赖近似算法以及复杂的推导，才能得到定位结果，进而影响定位速度和定位精度的缺陷。
2、本专利技术提供一种基于贝叶斯滤波神经网络的定位方法，包括：
3、获取在每个采样时刻，基站在接收到目标对象发射的波形信号后，生成的观测波形矩阵；
4、将所述观测波形矩阵输入至预设的定位模型，得到所述定位模型输出的所述目标对象的定位信息；
5、其中，所述定位模型利用循环神经网络对贝叶斯滤波结果进行拟合，所述循环神经网络通过包括运动似然和观测似然的代价函数训练，所述运动似然基于目标对象样本的运动模型生成，所述观测似然基于采用参数估计算法确定的所述目标对象样本的位置信息生成。
6、根据本专利技术所述的基于贝叶斯滤波神经网络的定位方法，所述循环神经网络基于长短期记忆网络构建。
7、根据本专利技术所述的基于贝叶斯滤波神经网络的定位方法，所述代价函数还包括：
8、基于所述循环神经网络训练过程中的其他先验信息构建的先验约束；
9、所述其他先验信息包括基于回环检测、初值约束、地图约束以及生灭过程产生的先验信息。
10、根据本专利技术所述的基于贝叶斯滤波神经网络的定位方法，所述将所述观测波形矩阵输入至预设的定位模型，得到由所述定位模型输出的所述目标对象的定位信息，包括：
11、将所述观测波形矩阵输入至所述定位模型的结果拟合层，由所述结果拟合层利用所述循环神经网络对所述贝叶斯滤波结果进行拟合，得到所述结果拟合层输出的所述目标对象的后验分布；
12、将所述后验分布输入至所述定位模型的定位确认层，由所述定位确认层基于所述后验分布确定所述目标对象的定位信息，得到所述定位确认层输出的所述目标对象的所述定位信息。
13、本专利技术还提供一种基于贝叶斯滤波神经网络的定位系统，包括：
14、获取模块，用于获取在每个采样时刻，基站在接收到目标对象发射的波形信号后，生成的观测波形矩阵；
15、定位模块，用于将所述观测波形矩阵输入至预设的定位模型，得到所述定位模型输出的所述目标对象的定位信息；
16、其中，所述定位模型利用循环神经网络对贝叶斯滤波结果进行拟合，所述循环神经网络通过包括运动似然和观测似然的代价函数训练，所述运动似然基于目标对象样本的运动模型生成，所述观测似然基于采用参数估计算法确定的所述目标对象样本的位置信息生成。
17、根据本专利技术所述的基于贝叶斯滤波神经网络的定位系统，所述循环神经网络基于长短期记忆网络构建。
18、根据本专利技术所述的基于贝叶斯滤波神经网络的定位系统，所述代价函数还包括：
19、基于所述循环神经网络训练过程中的其他先验信息构建的先验约束；
20、所述其他先验信息包括基于回环检测、初值约束、地图约束以及生灭过程产生的先验信息。
21、根据本专利技术所述的基于贝叶斯滤波神经网络的定位系统，所述定位模块具体用于：
22、将所述观测波形矩阵输入至所述定位模型的结果拟合层，由所述结果拟合层利用所述循环神经网络对所述贝叶斯滤波结果进行拟合，得到所述结果拟合层输出的所述目标对象的后验分布；
23、将所述后验分布输入至所述定位模型的定位确认层，由所述定位确认层基于所述后验分布确定所述目标对象的定位信息，得到所述定位确认层输出的所述目标对象的所述定位信息。
24、本专利技术还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如上所述的基于贝叶斯滤波神经网络的定位方法。
25、本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的基于贝叶斯滤波神经网络的定位方法。
26、本专利技术提供的基于贝叶斯滤波神经网络的定位方法、系统及电子设备，通过获取在每个采样时刻，基站在接收到目标对象发射的波形信号后，生成的观测波形矩阵，然后将观测波形矩阵输入至预设的定位模型，从而得到定位模型输出的目标对象的定位信息，而定位模型利用循环神经网络对贝叶斯滤波结果进行拟合，循环神经网络通过包括运动似然和观测似然的代价函数训练，运动似然基于目标对象样本的运动模型生成，观测似然基于采用参数估计算法确定的所述目标对象样本的位置信息生成。实现了利用循环神经网络对贝叶斯滤波结果进行拟合，从而解决了在面向环境感知融合定位中应用贝叶斯滤波算法，影响定位速度和定位精度的问题，进而能够显著提升传统环境感知融合定位算法的可拓展性，并提升其收敛速度与定位精度。
本文档来自技高网...【技术保护点】
1.一种基于贝叶斯滤波神经网络的定位方法，其特征在于，包括：
2.根据权利要求1所述的基于贝叶斯滤波神经网络的定位方法，其特征在于，所述循环神经网络基于长短期记忆网络构建。
3.根据权利要求2所述的基于贝叶斯滤波神经网络的定位方法，其特征在于，
4.根据权利要求1至3任一项所述的基于贝叶斯滤波神经网络的定位方法，其特征在于，所述将所述观测波形矩阵输入至预设的定位模型，得到由所述定位模型输出的所述目标对象的定位信息，包括：
5.一种基于贝叶斯滤波神经网络的定位系统，其特征在于，包括：
6.根据权利要求5所述的基于贝叶斯滤波神经网络的定位系统，其特征在于，所述循环神经网络基于长短期记忆网络构建。
7.根据权利要求6所述的基于贝叶斯滤波神经网络的定位系统，其特征在于，
8.根据权利要求5至7任一项所述的基于贝叶斯滤波神经网络的定位系统，其特征在于，所述定位模块具体用于：
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的基于贝叶斯滤波神经网络的定位方法。
...【技术特征摘要】
1.一种基于贝叶斯滤波神经网络的定位方法，其特征在于，包括：
2.根据权利要求1所述的基于贝叶斯滤波神经网络的定位方法，其特征在于，所述循环神经网络基于长短期记忆网络构建。
3.根据权利要求2所述的基于贝叶斯滤波神经网络的定位方法，其特征在于，
4.根据权利要求1至3任一项所述的基于贝叶斯滤波神经网络的定位方法，其特征在于，所述将所述观测波形矩阵输入至预设的定位模型，得到由所述定位模型输出的所述目标对象的定位信息，包括：
5.一种基于贝叶斯滤波神经网络的定位系统，其特征在于，包括：
6.根据权利要求5所述的基于贝叶斯滤波神经网络的定位系统，其特征在于，所述...
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。