[发明专利]一种基于深度学习的强鲁棒性无线定位方法

权利要求书

1.一种基于深度学习的强鲁棒性无线定位方法，其特征在于，包括以下步骤：

步骤1：机器人采集多个时刻的轨迹位置，并采集多个时刻的无线信号强度，并划分为不同窗口；

步骤2：根据多个时刻的无线信号强度通过差分计算得到多个时刻的差分无线信号强度，将多个时刻的无线信号强度、多个时刻的差分无线信号强度依次根据一定时刻窗口分别划分为多组时序无线信号强度数据集、多组差分时序无线信号强度数据集，进一步构建批次训练样本，结合多个时刻的轨迹位置构建每个批次训练样本对应的真实位置标签；

步骤3：构建LSTM网络，将每个批次训练样本依次输入至LSTM网络通过预测得到每个批次训练样本对应的预测位置标签，结合每个批次训练样本的真实位置标签构建LSTM网络的损失函数，并通过BPTT算法优化网络参数得到优化后LSTM网络。

2.根据权利要求1所述的基于深度学习的强鲁棒性无线定位方法，其特征在于，

步骤1所述多个时刻的轨迹位置为：

(x_t,y_t),t∈[1,K]

其中，K表示采集时刻的数量，(x_t,y_t)表示第t个时刻采集的坐标，x_t表示第t个时刻采集的横坐标，y_t表示第t个时刻采集的纵坐标；

步骤1所述多个时刻的无线信号强度为：

其中，K表示采集时刻的数量，M表示无线基站的数量，表示第t个时刻采集到第j个基站的无线信号强度,RSSI_t表示第t个时刻采集的所有基站无线信号强度集合。

3.根据权利要求1所述的基于深度学习的强鲁棒性无线定位方法，其特征在于，

步骤2所述计算得到多个时刻的差分无线信号强度，具体为：

其中，K表示采集时刻的数量，M表示无线基站的数量，L表示窗口长度，表示在第t时刻来自第j个基站的信号强度，表示下一个窗口的第一个时刻的信号接收强度，DRSSI_t表示t时刻所有差分信号强度的集合；

步骤2所述多组时序无线信号强度数据集，定义为：

Adata_i＝{RSSI_(i-1)*L+1,RSSI_(i-1)*L+2,...,RSSI_(i-1)*L+L}

i∈[1,K/L]

其中，Adata_i表示第i组时序无线信号强度数据集，K表示采集时刻的数量，L表示时刻窗口的长度，K/L表示时序无线信号强度数据的组数，RSSI_(i-1)*L+j表示第i组时序无线信号强度数据集中第j个无线信号强度，j∈[1,L]；

步骤2所述多组差分时序无线信号强度数据集，定义为：

Bdata_i＝{DRSSI_(i-1)*L+1,DRSSI_(i-1)*L+2,....,DRSSI_(i-1)*L+L}

i∈[1,K/L]

其中，Bdata_i表示第i组时序差分无线信号强度数据集，K表示采集时刻的数量，L表示时刻窗口的长度，K/L表示时序差分无线信号强度数据的组数，DRSSI_(i-1)*L+j表示第i组时序差分无线信号强度数据集中第j个差分无线信号强度，j∈[1,L]；

步骤2所述批次训练样本，定义为：

Data_i＝{Aata_i,Bata_i}

i∈[1,K/L]

其中，Data_i表示第i批次训练样本，K表示采集时刻的数量，L表示时刻窗口的长度，K/L表示批次的数量；

步骤2所述每个批次训练样本对应的真实位置标签，定义为：

(x_i*L,y_i*L)。

4.根据权利要求1所述的基于深度学习的强鲁棒性无线定位方法，其特征在于，

步骤3所述构建LSTM网络为：

通过编码器、解码器、注意力模块、预测模块依次构建LSTM网络；

步骤3所述训练样本为：

所述编码器，将每个批次训练样本的差分无线信号强度数据集通过特征提取得到每个批次训练样本的差分无线信号强度序列特征，并且将每个批次训练样本中差分无线信号强度序列特征分别输出到所述的解码器、注意力模块；

所述解码器，将每个批次训练样本无线信号强度数据集结合编码器输入的差分无线信号强度序列特征，提取出无线信号强度的序列特征，并将抽取的无线信号强度的序列特征输入到所述的所述注意力模块、预测模块；

所述注意力模块，指将无线信号强度数据集的序列特征和差分的无线信号强度数据集的序列特征进行对齐操作，生成对差分无线信号强序列特征的不同权值，最后将加权后差分无线信号强度序列特征输入到预测模块；

所述预测模块，指由加权后的差分无线信号强度序列特征和无线信号强度序列特征融合，以及前一刻的位置估计信息，来预测当前批次所对应的位置

步骤3所述损失函数模型为：

其中，N代表样本点的数目，代表预测的坐标，K表示采集时刻的数量，L表示时刻窗口的长度。