[发明专利]一种基于机器学习的混合室内定位方法

权利要求书

1.一种基于机器学习的混合室内定位方法，其特征在于，包括：

A.离线网络训练阶段；

电力物联网终端接入多种制式无线网络，获得混合的无线信号强度信息，记录对应的位置信息组成数据集；

利用收集的数据集，对设计好的机器学习网络模型进行训练，直至模型收敛；

B.在线室内定位阶段；

电力物联网终端实时采集多种制式无线网络信息；

将无线网络信息输入到训练好的模型中；

运行训练好的模型算法，得到最终定位结果。

2.根据权利要求1所述的一种基于机器学习的混合室内定位方法，其特征在于，所述的训练过程包括以下步骤：

S1：准备M个训练数据集，表示为{X_m，y_m}，m∈M；

其中，X_m为第m个训练数据；y_m为第m个训练数据对应的标签；

S2：设计机器学习网络结构，网络结构的输入层和输出层根据实际的环境中的无线信号的个数以及网格点的个数确定；

S3：对收集得到的无线信号通过平均滤波法进行预处理；

S4：确定网络结构的规模、神经网络的层数和每一层神经元的个数，对网络结构模型的参数w，b进行初始化，其中w为权重，b为偏置；

S5：遍历每一个样本，对每一个样本进行正向传播，计算得到损失函数的值；

S6：使用反向传播算法，计算出各个参数的梯度；根据梯度下降方法，以最小化损失函数为目标，更新模型的参数，完成一次参数更新；

S7：判断模型是否收敛，若是，则结束训练，得到室内混合定位的模型，若否，则跳转到步骤S4。

3.根据权利要求2所述的一种基于机器学习的混合室内定位方法，其特征在于，所述的损失函数为：

其中，λ||W||²为正则化约束项；

L[x(m)，y(m)；w，b]表示数据m的损失函数，表达式为：

其中，函数h表示该模型的假设空间。

4.根据权利要求2或3所述的一种基于机器学习的混合室内定位方法，其特征在于，所述的梯度下降的表达式为：

其中，w_t+1为第t+1步的网络模型权重；b_t+1为第t+1步网络模型偏置；w_t为第t步的网络模型权重；b_t为第t步网络模型偏置；α为训练的学习率；为模型的梯度。

5.根据权利要求2所述的一种基于机器学习的混合室内定位方法，其特征在于，所述的网格点个数为室内定位位置模型的网格点个数，室内定位位置模型为将定位区域划分为一定精度的网格，每一个网格被标记为不同的标号，由网格中心位置的坐标表示该网格的位置。

6.根据权利要求5所述的一种基于机器学习的混合室内定位方法，其特征在于，进行训练的数据集包括网格标号与混合网络信号强度的信息对，数据集均匀覆盖每一个网络。

7.根据权利要求1所述的一种基于机器学习的混合室内定位方法，其特征在于，所述的多种制式无线网络为在电力系统中工作在免许可频段的专网，包括WiFi网络、ZigBee网路或Bluetooth网络。

8.根据权利要求1所述的一种基于机器学习的混合室内定位方法，其特征在于，所述的无线网络信息包括网络的RSSI信息、SSID以及设备的物理地址。

9.根据权利要求2所述的一种基于机器学习的混合室内定位方法，其特征在于，所述的机器学习网络为深度神经网络，机器学习网络由一定数量的隐藏层以及神经元组成；机器学习网络采用的激活函数为sigmod函数，机器学习网络最后一层的神经元的个数是网格的个数，第一层神经元的个数是电力物联网终端在该区域能够测量得到的混合无线信号强度的个数。