[发明专利]一种基于神经网络的宽带近场电磁定位方法及装置

权利要求书

1.一种基于神经网络的宽带近场电磁定位方法，其特征在于，包括：

采集宽带近场电磁信号特征信息和定位目标的三维坐标信息，构建数据集；

基于所述数据集，采用预设的神经网络算法进行训练和建模，得到定位系统回归模型；其中，所述定位系统回归模型的输入为所述宽带近场电磁信号特征信息，所述定位系统回归模型的输出为定位目标的三维坐标信息；

采集待定位目标对应的宽带近场电磁信号特征信息；

根据所述待定位目标对应的宽带近场电磁信号特征信息，利用所述定位系统回归模型，实时确定所述待定位目标的三维坐标信息，实现目标定位；

在采集宽带近场电磁信号特征信息之前，所述方法还包括：

向定位目标所在的定位区域发射宽带近场电磁信号；其中，宽带近场电磁信号为多正弦叠加信号，其公式如下：

式中，N是正弦信号的个数，A_k、和ω_k分别是第k个正弦信号的幅度、相位和角频率；

通过调整公式参数，产生频率间隔为1MHZ的1-10MHZ频段内的宽带信号；

所述宽带近场电磁信号特征信息包括：宽带近场电磁信号频率、各层介质的厚度和相对介电常数、接收点接收的各频率信号的接收角度，以及接收到的电场信号与磁场信号之间的相位差；其中，各层介质的相对介电常数采用基于频率混合的宽带混合模型LRM计算，公式如下：

式中，是土壤的相对介电常数，V_i是各种成分的体积分数，是第i种成分对应地相对介电常数，δ是结构因子；

所述数据集的构建过程，包括：

采集宽带近场电磁信号特征信息和定位目标的三维坐标信息；

对采集到的宽带近场电磁信号特征信息进行预处理，将预处理后的宽带近场电磁信号特征信息与目标的三维坐标信息一起构成数据集；

所述预处理的方式为线性函数归一化；

所述预设的神经网络算法为BP神经网络算法；BP神经网络包含3层，分别是输入层、隐藏层和输出层；输入层包含5个节点，分别对应特征值x1、x2、x3、x4和x5，x1表示线性函数归一化后的信号频率，x2表示线性函数归一化后的介质厚度，x3表示线性函数归一化后的介质相对介电常数，x4表示线性函数归一化后的信号接收角度，x5表示线性函数归一化后的接收的电场信号与磁场信号的相位差；输出层包含3个节点，分别对应目标值x、y和z，分别表示目标在x轴、y轴和z轴的坐标值；根据经验公式设置隐藏层的节点数为其中，α是区间[1,10]的整数；

BP神经网络在训练集上训练时，分为正向传播和反向传播；在正向传播时，隐藏层和输出层的神经元满足如下公式：

其中，X、H和Y分别是输入层、隐藏层和输出层的数据，W_H和b_H、W_Y和b_Y分别是隐藏层和输出层的权值和阈值；

隐藏层的激活函数Sigmoid函数公式如下：

其中，x为输入层传给隐藏层的数据；

在反向传播时，采用均方误差作为目标函数，公式如下：

式中，y是目标三维坐标的真实值，是BP神经网络对目标三维坐标的预测值，N是训练集的总样本数；

得到损失函数以后，再计算损失函数对输出层和隐藏层的每一个神经元的阈值和权值的梯度，并对其进行更新，更新公式如下：

式中，α为根据经验设置的学习率；这样就完成了一次梯度下降，然后循环继续迭代，直到达到合适的精度；

所述定位系统回归模型的训练过程，包括：

采用留出法将所述数据集按照7:3的比例划分为训练集与测试集；

在所述训练集上对BP神经网络进行训练，得到定位系统回归模型；

在所述测试集上对定位系统回归模型进行评估和验证。

2.一种基于神经网络的宽带近场电磁定位装置，其特征在于，包括：

信息采集模块，用于采集宽带近场电磁信号特征信息；

数据集构建模块，用于利用所述信息采集模块所采集的宽带近场电磁信号特征信息和定位目标的三维坐标信息，构建数据集；

定位模型建模模块，用于基于所述数据集构建模块所构建的数据集，采用预设的神经网络算法进行训练和建模，得到定位系统回归模型；其中，所述定位系统回归模型的输入为所述宽带近场电磁信号特征信息，所述定位系统回归模型的输出为定位目标的三维坐标信息；

实时定位模块，用于根据所述信息采集模块所采集的待定位目标对应的宽带近场电磁信号特征信息，利用所述定位模型建模模块所建立的定位系统回归模型，实时确定所述待定位目标的三维坐标信息，实现目标定位；

所述装置还包括信号发射模块，用于：

向定位目标所在的定位区域发射宽带近场电磁信号；其中，宽带近场电磁信号为多正弦叠加信号，其公式如下：

式中，N是正弦信号的个数，A_k、和ω_k分别是第k个正弦信号的幅度、相位和角频率；

通过调整公式参数，产生频率间隔为1MHZ的1-10MHZ频段内的宽带信号；

所述宽带近场电磁信号特征信息包括：宽带近场电磁信号频率、各层介质的厚度和相对介电常数、接收点接收的各频率信号的接收角度，以及接收到的电场信号与磁场信号之间的相位差；其中，各层介质的相对介电常数采用基于频率混合的宽带混合模型LRM计算，公式如下：

式中，是土壤的相对介电常数，V_i是各种成分的体积分数，是第i种成分对应地相对介电常数，δ是结构因子；

所述信息采集模块包括介质信息采集单元、信号接收单元和传输单元；

所述介质信息采集单元，用于采集各层介质的厚度，同时计算并采集各层介质对应于不同频率信号的相对介电常数；

所述信号接收单元，用于接收所述信号发射模块所发射的近场电磁宽带信号，采集信号的频率、接收角度，以及电场信号和磁场信号之间的相位差；

所述传输单元，用于将所述介质信息采集单元和所述信号接收单元所采集的信息发送至所述数据集构建模块和所述实时定位模块；

所述数据集构建模块具体用于：

采集宽带近场电磁信号特征信息和定位目标的三维坐标信息；

对采集到的宽带近场电磁信号特征信息进行预处理，将预处理后的宽带近场电磁信号特征信息与目标的三维坐标信息一起构成数据集；其中，所述预处理为：对宽带近场电磁信号特征信息进行线性函数归一化处理；

所述预设的神经网络算法为BP神经网络算法；BP神经网络包含3层，分别是输入层、隐藏层和输出层；输入层包含5个节点，分别对应特征值x1、x2、x3、x4和x5，x1表示线性函数归一化后的信号频率，x2表示线性函数归一化后的介质厚度，x3表示线性函数归一化后的介质相对介电常数，x4表示线性函数归一化后的信号接收角度，x5表示线性函数归一化后的接收的电场信号与磁场信号的相位差；输出层包含3个节点，分别对应目标值x、y和z，分别表示目标在x轴、y轴和z轴的坐标值；根据经验公式设置隐藏层的节点数为其中，α是区间[1,10]的整数；

BP神经网络在训练集上训练时，分为正向传播和反向传播；在正向传播时，隐藏层和输出层的神经元满足如下公式：

其中，X、H和Y分别是输入层、隐藏层和输出层的数据，W_H和b_H、W_Y和b_Y分别是隐藏层和输出层的权值和阈值；

隐藏层的激活函数Sigmoid函数公式如下：

其中，x为输入层传给隐藏层的数据；

在反向传播时，采用均方误差作为目标函数，公式如下：

式中，y是目标三维坐标的真实值，是BP神经网络对目标三维坐标的预测值，N是训练集的总样本数；

得到损失函数以后，再计算损失函数对输出层和隐藏层的每一个神经元的阈值和权值的梯度，并对其进行更新，更新公式如下：

式中，α为根据经验设置的学习率；这样就完成了一次梯度下降，然后循环继续迭代，直到达到合适的精度；

所述定位模型建模模块具体用于：

采用留出法将所述数据集按照7:3的比例划分为训练集与测试集；

在所述训练集上对BP神经网络进行训练，得到定位系统回归模型；

在所述测试集上对定位系统回归模型进行评估和验证。