本發(fā)明涉及一種基于c-l-att網(wǎng)絡(luò)模型的室內(nèi)定位方法，具體是室內(nèi)定位算法優(yōu)化。

背景技術(shù)：

1、隨著物聯(lián)網(wǎng)(i?ot)和智能設(shè)備的快速發(fā)展，室內(nèi)定位技術(shù)在智能建筑、智能工廠、物流管理和安防監(jiān)控等領(lǐng)域得到了廣泛應(yīng)用。與全球定位系統(tǒng)在室外定位的成熟應(yīng)用相比，室內(nèi)環(huán)境中的復(fù)雜性和多變性使得精確的室內(nèi)定位技術(shù)面臨諸多挑戰(zhàn)。

2、低功耗藍(lán)牙(ble)技術(shù)由于其低成本、低功耗和易于部署的特點(diǎn)，成為室內(nèi)定位系統(tǒng)中的一種重要選擇?；赽le的指紋網(wǎng)格定位技術(shù)通過(guò)在室內(nèi)區(qū)域均勻部署多個(gè)ble設(shè)備，采集各指紋網(wǎng)格點(diǎn)上的信號(hào)強(qiáng)度值(rssi)，構(gòu)建指紋網(wǎng)格數(shù)據(jù)庫(kù)，并利用該數(shù)據(jù)庫(kù)進(jìn)行實(shí)時(shí)定位。然而，傳統(tǒng)的指紋網(wǎng)格定位方法在實(shí)際應(yīng)用中存在以下幾個(gè)主要問(wèn)題：

3、(1)信號(hào)干擾和不穩(wěn)定：室內(nèi)環(huán)境中的墻壁、家具和人群等障礙物會(huì)對(duì)ble信號(hào)產(chǎn)生反射、衰減和多路徑效應(yīng)，導(dǎo)致rssi數(shù)據(jù)的不穩(wěn)定和噪聲。這種信號(hào)干擾嚴(yán)重影響了定位精度。

4、(2)高精度定位的需求：隨著應(yīng)用場(chǎng)景的復(fù)雜化和多樣化，對(duì)室內(nèi)定位精度的要求越來(lái)越高?，F(xiàn)有的基于ble的定位方法在精度和穩(wěn)定性方面仍存在不足，難以滿(mǎn)足某些高精度定位應(yīng)用的需求。

5、(3)數(shù)據(jù)處理和計(jì)算復(fù)雜度：大規(guī)模的指紋網(wǎng)格數(shù)據(jù)需要高效的處理和計(jì)算方法。傳統(tǒng)的定位算法在處理大規(guī)模數(shù)據(jù)時(shí)往往效率低下，難以實(shí)現(xiàn)實(shí)時(shí)定位。

6、經(jīng)檢索，中國(guó)專(zhuān)利申請(qǐng)?zhí)枮閏n202410090259.3，申請(qǐng)公布日為2024年04月26日的專(zhuān)利申請(qǐng)文件公開(kāi)了一種基于卷積神經(jīng)網(wǎng)絡(luò)的wifi室內(nèi)定位方法及系統(tǒng)。該方法包括：在預(yù)設(shè)的建筑物內(nèi)部各個(gè)位置測(cè)量并記錄接收到的wifi信號(hào)強(qiáng)度以及對(duì)應(yīng)的實(shí)際位置坐標(biāo),形成原始數(shù)據(jù)集；對(duì)上述原始數(shù)據(jù)集進(jìn)行處理，包括清洗無(wú)效或不完整的記錄，歸一化wifi信號(hào)強(qiáng)度，并將實(shí)際位置坐標(biāo)進(jìn)行量化處理；利用處理后的數(shù)據(jù)集訓(xùn)練cnn模型，其中該cnn模型的輸入為wifi信號(hào)強(qiáng)度,輸出為對(duì)應(yīng)的位置坐標(biāo)；對(duì)訓(xùn)練完成的cnn模型進(jìn)行測(cè)試，計(jì)算cnn模型的定位精度；若達(dá)到預(yù)設(shè)的定位精度要求，則將此cnn模型用于實(shí)現(xiàn)室內(nèi)導(dǎo)航；用戶(hù)設(shè)備自動(dòng)收集當(dāng)前的wifi信號(hào)強(qiáng)度，輸入cnn模型得出預(yù)測(cè)位置,并結(jié)合地圖信息提供導(dǎo)航服務(wù)，但是，依賴(lài)于卷積神經(jīng)網(wǎng)絡(luò)的性能，受限于cnn在處理時(shí)間序列數(shù)據(jù)和長(zhǎng)時(shí)間依賴(lài)性上的能力，缺乏對(duì)時(shí)間序列數(shù)據(jù)和長(zhǎng)時(shí)間依賴(lài)性的處理能力，復(fù)雜環(huán)境下定位精度不足。

7、經(jīng)檢索，中國(guó)專(zhuān)利申請(qǐng)?zhí)枮閏n202111637172.6，申請(qǐng)公布日為2023年06月27日的專(zhuān)利申請(qǐng)文件公開(kāi)了一種基于cnn-rnn的wi-fi室內(nèi)定位方法。該方法包括：模型訓(xùn)練階段在定位區(qū)域中選定坐標(biāo)原點(diǎn)，建立坐標(biāo)系，并以特定間距繪制網(wǎng)格；在每個(gè)網(wǎng)格點(diǎn)上收集wi-fi指紋并轉(zhuǎn)換為差分矩陣，建立基于網(wǎng)格點(diǎn)的指紋庫(kù)；使用數(shù)據(jù)增強(qiáng)擴(kuò)充指紋庫(kù)后，利用軌跡生成方法生成基于行人軌跡的指紋庫(kù)，并作為訓(xùn)練數(shù)據(jù)，訓(xùn)練基于cnn和rnn的定位模型；在定位階段實(shí)時(shí)收集wi-f?i信息，并轉(zhuǎn)換為差分矩陣指紋，將其與模型上一時(shí)刻定位的結(jié)果相結(jié)合，輸入到定位模型中，但是，雖然結(jié)合了歷史狀態(tài)的指紋信息和上一時(shí)刻的定位結(jié)果，但在復(fù)雜或動(dòng)態(tài)變化的環(huán)境中(如人員密集的公共場(chǎng)所)，定位精度和穩(wěn)定性仍然存在不足。

8、為此，本發(fā)明提出了一種基于c-l-att網(wǎng)絡(luò)模型的室內(nèi)定位方法，旨在結(jié)合卷積神經(jīng)網(wǎng)絡(luò)、改進(jìn)的自適應(yīng)門(mén)控機(jī)制長(zhǎng)短期記憶網(wǎng)絡(luò)(ag-l)和改進(jìn)的多頭融合自適應(yīng)注意力機(jī)制(m-ha)，通過(guò)構(gòu)建高效的深度學(xué)習(xí)模型c-l-att，實(shí)現(xiàn)高精度室內(nèi)定位。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于c-l-att網(wǎng)絡(luò)模型的室內(nèi)定位方法，特別是通過(guò)構(gòu)建加入了改進(jìn)的自適應(yīng)門(mén)控機(jī)制長(zhǎng)短期記憶網(wǎng)絡(luò)(ag-l)以及att網(wǎng)絡(luò)加入了改進(jìn)的多頭融合自適應(yīng)注意力機(jī)制(m-ha)，以提高模型的特征提取和識(shí)別能力，實(shí)現(xiàn)高精度的室內(nèi)定位。該方法旨在有效解決現(xiàn)有技術(shù)中信號(hào)干擾、不穩(wěn)定性、定位精度不足和數(shù)據(jù)處理復(fù)雜度高的問(wèn)題，特別是在復(fù)雜室內(nèi)環(huán)境中。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：

3、本發(fā)明提出了一種基于c-l-att網(wǎng)絡(luò)模型的室內(nèi)定位方法，包括如下步驟：

4、部署低功耗藍(lán)牙(ble)設(shè)備，在目標(biāo)區(qū)域內(nèi)劃分指紋網(wǎng)格，采集每個(gè)指紋網(wǎng)格點(diǎn)上的信號(hào)強(qiáng)度值(rssi)；

5、構(gòu)建指紋網(wǎng)格數(shù)據(jù)庫(kù)，對(duì)采集到的信號(hào)強(qiáng)度值進(jìn)行預(yù)處理，包括去噪和標(biāo)準(zhǔn)化處理，并按照指紋網(wǎng)格點(diǎn)的位置構(gòu)建指紋網(wǎng)格數(shù)據(jù)庫(kù)；

6、搭建一種新型的深度學(xué)習(xí)模型c-l-att，結(jié)合卷積神經(jīng)網(wǎng)絡(luò)、改進(jìn)的自適應(yīng)門(mén)控機(jī)制長(zhǎng)短期記憶網(wǎng)絡(luò)(ag-l)以及att網(wǎng)絡(luò)加入了改進(jìn)的多頭融合自適應(yīng)注意力機(jī)制(m-ha)，以提高模型的特征提取和識(shí)別能力；

7、使用預(yù)處理后的指紋網(wǎng)格數(shù)據(jù)庫(kù)，將數(shù)據(jù)集劃分為多個(gè)數(shù)據(jù)子集，對(duì)c-l-att模型進(jìn)行訓(xùn)練，調(diào)整模型參數(shù)，使其能夠準(zhǔn)確學(xué)習(xí)和提取指紋數(shù)據(jù)的空間和時(shí)間特征；

8、利用訓(xùn)練好的c-l-att模型對(duì)新的指紋數(shù)據(jù)進(jìn)行測(cè)試，實(shí)現(xiàn)高精度的室內(nèi)定位，并驗(yàn)證模型在復(fù)雜室內(nèi)環(huán)境中的抗干擾能力。

9、進(jìn)一步的，所述采集每個(gè)指紋網(wǎng)格點(diǎn)上的信號(hào)強(qiáng)度值，包括：

10、在目標(biāo)室內(nèi)區(qū)域內(nèi)均勻部署多個(gè)低功耗藍(lán)牙(ble)設(shè)備，確保ble信號(hào)覆蓋整個(gè)區(qū)域；

11、將室內(nèi)區(qū)域按照一米間隔劃分為等距的網(wǎng)格點(diǎn)，每個(gè)網(wǎng)格點(diǎn)作為一個(gè)指紋采集點(diǎn)；

12、使用移動(dòng)設(shè)備在每個(gè)指紋網(wǎng)格點(diǎn)上采集來(lái)自所有部署的ble設(shè)備的信號(hào)強(qiáng)度值(rssi)。

13、進(jìn)一步的，所述構(gòu)建指紋網(wǎng)格數(shù)據(jù)庫(kù)，包括：

14、使用深度學(xué)習(xí)卡爾曼濾波(l-ka?lman)模型對(duì)預(yù)處理后的rssi數(shù)據(jù)進(jìn)行平滑處理；

15、根據(jù)指紋網(wǎng)格點(diǎn)的位置，將預(yù)處理后的rss?i數(shù)據(jù)組織成指紋網(wǎng)格數(shù)據(jù)庫(kù)，并將數(shù)據(jù)庫(kù)劃分為多個(gè)數(shù)據(jù)子集，作為深度學(xué)習(xí)模型的訓(xùn)練集和測(cè)試集。

16、進(jìn)一步的，所述改進(jìn)的自適應(yīng)門(mén)控機(jī)制長(zhǎng)短期記憶網(wǎng)絡(luò)(ag-l)，包括：

17、計(jì)算遺忘門(mén)，遺忘門(mén)決定了前一時(shí)間步的記憶單元狀態(tài)ct-1中有多少信息被保留，公式如下：

18、ft＝σ(wf·[ht-1，xt]+bf)+γ·tanh(wf，adaptive·[ht-1，xt]+bff，adaptive)

19、這里，標(biāo)準(zhǔn)遺忘門(mén)σ(wf·[ht-1，xt]+bf)計(jì)算當(dāng)前時(shí)間步的遺忘比率，自適應(yīng)項(xiàng)γ·tanh(wff，adaptive·[ht-1，xt]+bff，adaptive)提高了模型對(duì)不同環(huán)境和信號(hào)變化的適應(yīng)能力；

20、計(jì)算輸入門(mén)，輸入門(mén)決定了當(dāng)前時(shí)間步的新信息中有多少被寫(xiě)入記憶單元狀態(tài)，公式如下：

21、it＝σ(wi·[ht-1，xt]+bi)+γ·tanh(wi,adaptive·[ht-1，xt]+bi,adaptive)

22、自適應(yīng)項(xiàng)的引入使得輸入門(mén)能夠更靈活地控制新信息的寫(xiě)入，提高了模型在處理不同信號(hào)時(shí)的靈活性；

23、計(jì)算候選記憶單元狀態(tài)，候選記憶單元狀態(tài)表示當(dāng)前時(shí)間步的潛在信息，公式如下：

24、

25、輸出門(mén)的自適應(yīng)項(xiàng)提高了輸出控制的靈活性和精確性；

26、計(jì)算隱藏狀態(tài)，隱藏狀態(tài)ht是ag-l網(wǎng)絡(luò)的輸出，包含時(shí)間步的信息，公式如下：

27、ht＝ot*tanh(ct)

28、隱藏狀態(tài)ht將被用于下一時(shí)間步的計(jì)算以及模型的最終輸出。

29、進(jìn)一步的，所述改進(jìn)的多頭融合自適應(yīng)注意力機(jī)制(m-ha)，，包括：

30、計(jì)算查詢(xún)、鍵和值矩陣，從ag-l網(wǎng)絡(luò)輸出的隱藏狀態(tài)中提取查詢(xún)(q)、鍵(k)和值(v)矩陣，矩陣公式如下：

31、q＝htwq

32、k＝htwk

33、v＝htwv

34、其中，ht表示ag-l網(wǎng)絡(luò)輸出的隱藏狀態(tài)，包含當(dāng)前時(shí)間步的信息，wq表示查詢(xún)矩陣的權(quán)重，wk表示鍵矩陣的權(quán)重，wv表示值矩陣的權(quán)重；

35、計(jì)算注意力分?jǐn)?shù)并引入自適應(yīng)項(xiàng)，計(jì)算查詢(xún)和鍵的點(diǎn)積得到注意力分?jǐn)?shù)，并引入自適應(yīng)項(xiàng)動(dòng)態(tài)調(diào)整權(quán)重，公式如下：

36、

37、其中，表示查詢(xún)向量q與鍵向量k的相似度，dk表示鍵向量的維度用于縮放點(diǎn)積結(jié)果，表示值向量在加權(quán)求和中的貢獻(xiàn)度，表示一個(gè)可學(xué)習(xí)的偏置向量用于調(diào)整注意力分?jǐn)?shù)；

38、計(jì)算每個(gè)注意力頭的輸出，使用注意力權(quán)重對(duì)值矩陣進(jìn)行加權(quán)求和，得到每個(gè)注意力頭的輸出，公式如下：

39、

40、其中，headi表示注意力權(quán)重對(duì)值向量進(jìn)行加權(quán)求和；

41、拼接并線性變換注意力頭的輸出：將所有注意力頭的輸出拼接在一起，通過(guò)線性變換得到最終的注意力輸出，公式如下：

42、m-ha(q，k，v)＝concat(head1，head2，...，headh)wo

43、其中，concat表示拼接操作將所有注意力頭的輸出拼接在一起以便后續(xù)進(jìn)行線性變換，wo表示輸出權(quán)重矩陣用于將拼接后的向量變換到最終的輸出空間。

44、進(jìn)一步的，所述的將數(shù)據(jù)集劃分為多個(gè)數(shù)據(jù)子集，包括：

45、將預(yù)處理后的指紋網(wǎng)格數(shù)據(jù)集劃分為訓(xùn)練集和驗(yàn)證集，訓(xùn)練集用于訓(xùn)練模型，驗(yàn)證集用于在訓(xùn)練過(guò)程中評(píng)估模型的性能和調(diào)整超參數(shù)，其中訓(xùn)練集占總數(shù)據(jù)集的75％；

46、為了進(jìn)一步評(píng)估模型的性能，采用交叉驗(yàn)證技術(shù)。將數(shù)據(jù)集分為k個(gè)子集，依次選擇一個(gè)子集作為驗(yàn)證集，其余子集作為訓(xùn)練集，進(jìn)行k次訓(xùn)練和驗(yàn)證，最后平均k次驗(yàn)證結(jié)果，得到模型的綜合性能指標(biāo)；

47、確保每個(gè)數(shù)據(jù)子集中包含的數(shù)據(jù)樣本具有代表性和多樣性，覆蓋各種可能的環(huán)境變化和信號(hào)干擾情況。這有助于提高模型的泛化能力和魯棒性。

48、進(jìn)一步的，所述驗(yàn)證模型在復(fù)雜室內(nèi)環(huán)境中的抗干擾能力和魯棒性，包括：

49、模擬實(shí)際應(yīng)用場(chǎng)景中的動(dòng)態(tài)環(huán)境，在人員移動(dòng)、設(shè)備移動(dòng)條件下測(cè)試模型在信號(hào)不斷變化情況下的定位性能；

50、進(jìn)行長(zhǎng)時(shí)間的連續(xù)測(cè)試，觀察模型在長(zhǎng)時(shí)間運(yùn)行中的穩(wěn)定性和性能變化；

51、在改變室內(nèi)家具布置、人員密度和活動(dòng)情況等多種不同的室內(nèi)環(huán)境條件下進(jìn)行測(cè)試，評(píng)估模型在面對(duì)不同環(huán)境干擾時(shí)的適應(yīng)能力和穩(wěn)定性。

52、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果如下：

53、1.本發(fā)明提出了一種基于c-l-att網(wǎng)絡(luò)模型的室內(nèi)定位方法，能夠在數(shù)據(jù)預(yù)處理后準(zhǔn)確提取rssi數(shù)據(jù)的空間和時(shí)間特征。融合了卷積神經(jīng)網(wǎng)絡(luò)和改進(jìn)的自適應(yīng)門(mén)控機(jī)制長(zhǎng)短期記憶網(wǎng)絡(luò)(ag-l)以及改進(jìn)的多頭融合自適應(yīng)注意力機(jī)制(m-ha)進(jìn)一步增強(qiáng)了模型對(duì)復(fù)雜信號(hào)模式的理解和處理能力。本發(fā)明顯著增強(qiáng)了模型對(duì)信號(hào)干擾的適應(yīng)能力，提高了定位系統(tǒng)的魯棒性和穩(wěn)定性，即使在信號(hào)波動(dòng)較大的環(huán)境中也能保持較高的定位精度。

54、2.本發(fā)明在多種復(fù)雜室內(nèi)環(huán)境條件下進(jìn)行了充分的驗(yàn)證，確保模型在動(dòng)態(tài)變化和長(zhǎng)時(shí)間運(yùn)行中表現(xiàn)出高魯棒性和穩(wěn)定性，通過(guò)高效的數(shù)據(jù)預(yù)處理和深度學(xué)習(xí)算法的應(yīng)用，降低了計(jì)算復(fù)雜度，使得本發(fā)明能夠在實(shí)時(shí)環(huán)境中高效運(yùn)行，實(shí)現(xiàn)了實(shí)時(shí)、高效的定位服務(wù)。