[发明专利]一种基于时空间融合特征的室内定位方法

权利要求书

1.一种基于时空间融合特征的室内定位方法，其特征在于，包括如下步骤：

建立基于时空间融合特征的位置预测网络，所述位置预测网络以定位信号序列为输入，各定位信号序列提取的时空间融合特征对应的位置为输出；

采集待确定位置的定位信号序列；

将所述定位信号序列作为所述位置预测网络的输入；

所述位置预测网络输出该定位信号序列对应的位置；

其中，建立基于时空间融合特征的位置预测网络包括训练阶段和测试阶段；

所述训练阶段包括：

步骤S1，对定位序列信号进行预处理，转换为定位序列信号对应时间维度和空间维度下的数据表示形式；

步骤S2，提取定位序列信号对应时间维度和空间维度下的时间特征和空间特征，将所述时间特征和空间特征融合为时空间特征，基于时空间特征构建位置预测输出单元，得到位置预测网络模型，并基于预处理后的训练数据对模型进行训练；

所述步骤S2包括以下步骤：

步骤S21，构建基于双向长短期记忆网络的多层级循环神经网络来提取定位信号序列对应时间维度下的时间特征；

步骤S22，构建基于ResNet的多尺度卷积神经网络来提取定位信号序列对应空间维度下的空间特征；

构建基于ResNet的多尺度卷积神经网络包括构建用于提取空间特征的网络前端和用于对空间特征进行映射转换的网络后端。

2.根据权利要求1所述的基于时空间融合特征的室内定位方法，其特征在于，所述步骤S1包括以下步骤：

步骤S11，采用经验模态分解算法对定位序列信号数据进行频率分量分解，然后将高频噪声进行过滤；

步骤S12，计算原序列的梯度序列；

步骤S13，将梯度序列分别转换为对应时间维度和空间维度下的数据表示形式。

3.根据权利要求1所述的基于时空间融合特征的室内定位方法，其特征在于，所述步骤S2中基于双向长短期记忆网络的多层级循环神经网络来提取定位信号序列对应时间维度下的时间特征包括以下步骤：

步骤S211，在低层级使用多个小尺度的双向LSTM分段对梯度序列进行特征提取；

步骤S212，将得到的特征序列作为高层级双向LSTM的输入，提取出更高维度上的序列时间特征。

4.根据权利要求3所述的基于时空间融合特征的室内定位方法，其特征在于，所述网络前端为预先训练好的去掉分类层的ResNet-34网络，所述网络后端为预先训练好的ResNet-34网络添加的归一化层、非线性激活函数层和全连接层。

5.根据权利要求4所述的基于时空间融合特征的室内定位方法，其特征在于，步骤S2中将所述时间特征和空间特征融合为时空间特征是将提取的时间特征和空间特征通过全连接层进行融合。

6.根据权利要求1所述的基于时空间融合特征的室内定位方法，其特征在于，所述位置预测输出单元包括全连接参数层、归一化层、非线性激活函数层、预测位置输出层。

7.根据权利要求1所述的基于时空间融合特征的室内定位方法，其特征在于，所述测试阶段包括：

步骤S3，加载训练好的位置预测网络模型，根据输入的测试序列信号输出对应的位置预测结果。