(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211282950.9 (22)申请日 2022.10.20 (71)申请人 山东建筑大学 地址 250101 山东省济南市历城区临港开 发区凤鸣路10 00号 (72)发明人 毕京学　姚国标　曹鸿基　苏飞　 刘耀辉　郑国强　 (74)专利代理 机构 济南泉城专利商标事务所 37218 专利代理师 李桂存 (51)Int.Cl. G06F 17/18(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 3/00(2006.01) (54)发明名称 一种狭长空间中的定位方法 (57)摘要 本发明提供了一种狭长空间中的定位方法， 分为两个阶段， 离线阶段和在线阶段。 为方便表 述， 以狭长空间较窄的方向为x 方向， 以较长的方 向为y方向。 离线阶段负责指纹数据采集和处理, 分别构建x方向和y方向模型， 在线阶段先进行x 坐标估计,然后判断x坐标与y方向上哪个模型间 的距离最 短， 并以此模型估计 y坐标。 对窄方向上 的指纹特征利用降噪自动编码器辅助的卷积神 经网络进行深度挖掘， 对长方向上的指纹特征利 用改进粒子群优化的支持向量回归算法进行高 维空间建模， 并按照一定的策略进行定位估计， 能够大幅提高定位精度。 权利要求书4页 说明书9页 附图6页 CN 115357862 A 2022.11.18 CN 115357862 A 1.一种狭长空间中的定位方法， 其特 征在于， 包括以下步骤： 步骤1： 将空间延伸窄的方向作 为x方向， 将空间延伸长的方向作为y方向， 根据x方向和 y方向对空间进行网格化， 将网格的每个交汇点作为参考点； 在同一y方向上所有参考点构 成一条路径； 步骤2： 沿着每条路径分别在每个参考点处采集一定时间内的指纹信 息， 并同时保存参 考点坐标和路径， 未探测到的指纹特征赋值为一个极小的数值， 所述极小数值为小于 ‑120 的任一数值， 并对每个参考点处的指纹信息进行均值处理， 对指纹特征数据进 行归一化， 所 述归一化具体公式如下： 其中， 为第i个特征， 表示对应的归一化后数值， 取值范围为[0,1]， 表示特征数 据， 和 分别表示 最小值和最大值 函数； 步骤3： 选取指纹特征 与x方向坐标构建和训练x方向降噪自动编码器卷积神经网络模 型； 步骤3‑1： 将指纹特征添加高斯白噪声得到的新指 纹特征 作为x方向降噪自动编码器 卷积神经网络模型输入， 具体公式如下： 表示高斯白噪声， 是取值范围为[ ‑1,1]的正态分布随机数， β为正整数， 取值范围 为[1,5]； 步骤3‑2： 通过卷积层最小化输入与重构信号之间的误差对网络参数进行调整， 并使编 码器得到抗干扰的特 征 ； 步骤3‑4： 将特征 输入卷积神经网络， 所述卷积神经网络包括Dropout层、 池化层、 全 连接层、 Softmax层和输出层； 所述抽象特征通过Dropout层处理忽略部分特征， 然后依次经 过卷积层与池化层处理， 压缩数据和减少参数数量； 再通过全连接层进 行特征图处理， 全连 接层中的每个神经元与前一层的所有神经元进 行全连接， 每个神经元的激活函数均为 ReLu 函数； 最后通过Softmax回归输出x坐标； 步骤4： 选取每条路径上对应的指纹特征 与y方向坐标， 构建y方向粒子群优化的支持 向量回归 模型， 每个路径对应着一个y方向粒子群优化的支持向量回归 模型； 步骤4‑1： 所述y方向粒子群优化的支持向量回归 模型采用 ε ‑SVR， 具体公式如下： 其中， 和 是拉格朗日乘子， 取值范围为[0, C]，C为大于0的惩罚系数 表示第i个 样本指纹特征， 表示第j个样 本指纹特征， b表示位移， 表示核函数， 具体为径向基函 数， 所述径向基函数的核宽为 ；权　利　要　求　书 1/4 页 2 CN 115357862 A 2步骤4‑2： 通过拉格朗日函数和卡罗需 ‑库恩‑塔克条件约束模型参数， 使 接近y坐 标， 并最小化损失函数和最大化超平面间隔； 具体公式如下： 其中， 是SVR超平面的法向量， 和 是松弛变量， 为支持向量回归模型ε ‑SVR的容 忍值， 取值范围为[0.01,0.3]； 步骤4‑3： 采用粒子群优化 算法计算 参数 ； 具体公式如下： 其中，M为粒子群中粒子数目， 和 表示第i个粒子的参数值， 和 表示第i个粒子 参数 的速度值， 和 表示粒子的最大速度， 和 表示粒子的最大位置， 和 表示最小位置； 并且 ； 表示取值为[0,1]的随 机函数， 取值为[‑1,1]的随机函数； 步骤4‑4： 将步骤4 ‑3中得到的 代入支持向量回归 模型得到yPSOSVR模型； 步骤5： 在空间任意位置实时采集数据， 未探测到的数据赋为一个极小的数值， 所述极 小数值为小于 ‑120的任一数值， 构成一组对n维指纹特征， 根据步骤2的归一化公式对其进 行归一化； 步骤6： 利用x方向降噪自动编码器卷积神经网络模型和归一化的n维指纹特征进行x坐 标估计， 并限制其Dropout层不作用； 步骤7： 根据得到的x坐标分别计算 其到各路径的距离 ， 具体公式如下 所示： 式中， 为估算的坐标， 为第i条路径的坐标； 步骤8： 筛选出最小 对应的第i条路径的模型yPSOSVR； 利用筛选得到的模型yPSOSVR 和归一化的n维指纹特 征进行y坐标估计， 最终输出估计位置的x和y坐标。 2.根据权利要求1所述的狭长空间中的定位方法， 其特征在于， 所述x方向降噪自动编 码器卷积神经网络模型其结构依次包含特征数据和噪声、 输入层、 两个卷积层、 抽象特征、权　利　要　求　书 2/4 页 3 CN 115357862 A 3