[发明专利]基于注意力机制的无线室内定位方法及系统

权利要求书

1.一种基于注意力机制的无线室内定位方法，其特征是，包括以下步骤：

在室内布置多个带有Ibeacon信标的信标节点和多个位置已知的参考节点；

连续采集多时刻各个参考节点与所有信标节点之间的RSSI值，将各个参考节点每时刻对应的RSSI值进行排序，组成各个参考节点每时刻对应的RSSI值序列；

利用时间卷积网络模型对各个参考节点每时刻对应的RSSI值序列进行训练，得到每个参考节点的概率序列；

对所有参考节点的概率序列进行加权处理，得到最终的定位位置；

所述时间卷积网络模型包括输入层、注意力机制层、时间卷积网络层和输出层；

所述利用时间卷积网络模型对各个参考节点每时刻对应的RSSI值序列进行训练的步骤包括：

将每个参考节点每时刻对应的RSSI值序列依次经过输入层输入到注意力机制层；

根据注意力机制对每个参考节点对应的所有时刻的RSSI值序列时间信息进行重要性选择，按照设定的时间段，将每个参考节点对应的多个RSSI值序列进行组合，得到若干个新的输入序列，并分别输入至时间卷积网络层；

利用时间卷积网络学习所有输入序列的时间与空间特征，并输出至输出层；

利用全连接层和分类层对得到的所有特征进行综合和分类，得到每个参考节点的概率序列。

2.根据权利要求1所述的基于注意力机制的无线室内定位方法，其特征是，还包括：

将每个信标节点的Ibeacon信标的Minor号设置成编号，根据所有信标节点的Ibeacon信标编号组成输入向量。

3.根据权利要求1所述的基于注意力机制的无线室内定位方法，其特征是，还包括：

依次为每个参考节点编号，根据所有参考节点的编号组成输出向量。

4.根据权利要求2所述的基于注意力机制的无线室内定位方法，其特征是，根据输入向量中信标节点的编号，分别将各个参考节点每时刻对应的RSSI值进行排序，组成各个参考节点每时刻对应的RSSI值序列；并对各个参考节点每时刻对应的RSSI值序列中RSSI值进行正规化处理。

5.根据权利要求1所述的基于注意力机制的无线室内定位方法，其特征是，所述注意力机制层包括重排层、全连接层、融合层和重塑层；

所述时间卷积网络层包括空洞因果卷积层、激活层和一维卷积层；

所述输出层包括全连接层和分类层。

6.根据权利要求3所述的基于注意力机制的无线室内定位方法，其特征是，所对所有参考节点的概率序列进行加权处理的方法为：

根据输出向量中参考节点的编号，将所有参考节点的概率序列进行排序；

顺序将每个参考节点的概率序列与该参考节点的实际坐标值相乘，并求和，得到最终定位位置。

7.一种室内定位系统，其特征是，包括：

数据采集单元，用于连续采集多时刻各个参考节点与所有信标节点之间的RSSI值，并输出值室内定位单元；

定位单元，用于将各个参考节点每时刻对应的RSSI值进行排序，组成各个参考节点每时刻对应的RSSI值序列；利用时间卷积网络模型对各个参考节点每时刻对应的RSSI值序列进行训练，得到每个参考节点的概率序列；并对所有参考节点的概率序列进行加权处理，得到最终的定位位置，输出至数据输出单元；

数据输出单元，用于输出得到的最终定位位置；

所述时间卷积网络模型包括输入层、注意力机制层、时间卷积网络层和输出层；

所述利用时间卷积网络模型对各个参考节点每时刻对应的RSSI值序列进行训练的步骤包括：

将每个参考节点每时刻对应的RSSI值序列依次经过输入层输入到注意力机制层；

根据注意力机制对每个参考节点对应的所有时刻的RSSI值序列时间信息进行重要性选择，按照设定的时间段，将每个参考节点对应的多个RSSI值序列进行组合，得到若干个新的输入序列，并分别输入至时间卷积网络层；

利用时间卷积网络学习所有输入序列的时间与空间特征，并输出至输出层；

利用全连接层和分类层对得到的所有特征进行综合和分类，得到每个参考节点的概率序列。