[发明专利]基于深度学习的移动设备定位及追踪系统及其使用方法

权利要求书

1.基于深度学习的移动设备定位和追踪系统及其使用方法,其特征在于：

1.1系统由服务器、应用客户端和探测客户端组成，应用客户端和探测客户端通过局域网或者互联网与服务器通信，探测客户端包括两块网卡，一块与服务器通信，另一块用来进行移动设备检测；

1.2系统包括移动设备定位模型生成模块；

1.3系统包括数据采集模块；

1.4系统包括数据通信模块；

1.5系统包括移动设备的移动轨迹模型生成模块；

1.6系统包括移动设备定位与追踪模块；

1.7系统包括异常设备预警模块。

2.根据权利要求1所述的移动设备定位模型生成方法，其特征在于：在1.2中，首先建立无障碍物情况下的移动设备定位模型，采集无障碍物情况下移动设备的指纹，即移动设备与检测设备之间信号强度与位置之间的数学模型。其模型构造方法如下：

1)随意摆放多个探测设备的位置；

2)采集没个移动设备的WIF信号强度，获得当前的指纹数据；

3)多次修改探测设备的位置，并重复步骤2)；

4)采用支持向量机算法对采集的结果进行分类，并获取无障碍物情况下平均的移动设备定位模型，然后采用非线性回归算法建立信号强度与位置之间的参数模型；

5)再多次采集探测设备位置及移动信号强度来验证模型；

然后建立有障碍物情况下的移动设备定位模型，本发明建立包括材质及障碍系数组成的多种障碍模型，分别对不同障碍模型采集多次参数，然后与无障碍物情况下的移动设备与信号强度模型参数一起做为深度学习中深度信念网络模型的输入参数，通过多次回归得到有障碍物情况下移动设备与探测设备信号的强度的关系模型。

3.根据权利要求1所述的移动设备的移动轨迹模型生成方法，其特征在于：在1.5中，本发明首先采集系统检测范围内的地形路线图，对探测设备所在的地点按照应用需求进行分类，即获取场景的分类，包括：商业区、学校、工厂、小区、机关、街道等。然后根据已经采集到设备属性信息，采用聚类算法对设备进行聚类，获得设备或者用户的分类，把用户分类、场景分类和路线信息进行离散化，作为深度学习的输入参数，进过多次迭代获得用户的移动轨迹模型，即不同的时间不同的用户的移动轨迹有不同的规律。从而获得移动设备的移动轨迹模型的预测模型。

4.根据权利要求1所述的移动设备的定位与追踪方法，其特征在于：在1.6中，应用服务器发出待监测设备的属性信息，经服务器广播到指定监测区域的探测设备，探测设备开始进行监听，当发现待测设备出现时，把检测到的信号传递回服务器，服务器综合多个检测设备的检测信号，根据定位模型计算出的待测设备位置信息，然后根据移动设备的移动轨迹模型计算出其下一步的预期轨迹。该定位和追踪过程是个不断调整的动态过程。