基于人工智能算法的室内5G基站定位优化装置及方法与流程

基于人工智能算法的室内5g基站定位优化装置及方法
技术领域
1.本发明属于人工智能技术领域，尤其涉及一种基于人工智能算法的室内5g基站定位优化装置及方法,更具体的是基于人工智能卷积神经网络的5g基站的室内定位。


背景技术：

2.当前室内定位技术在生产和生活中发挥着重要作用,例如解决在地下停车场车主汽车定位的问题，室内商场目标商品的定位等问题中具有很大的应用价值。但是由于现代建筑质量比较高，室内环境密闭性强，对信号的传播具有很大的影像，因此室内定位会导致误差的出现。
3.随着物联网的发展，蓝牙定位技术，wi-fi定位技术等室内定位技术不断发展，5g基站定位也被人们广泛使用。根据采集的数据，常规的定位算法有三角定位算法，位置指纹定位算法。位置指纹算法又分为确定性算法和贝叶斯概率算法。确定性算法又通过k临近算法和加权k临近算法实现。贝叶斯概率通过在线接收到的信号强度，判断参考点所在位置的概率。这两种方法定位精确度均不高。随着人工智能技术的高速发展，人们使用卷积神经网络对信号进行提取特征。将wi-fi位置指纹识别将信号采集与室内定位相关联，从而提高室内定位技术的精度。但是由于wi-fi信号作为无线电信号传播不稳定，容易收到干扰，具有不稳定性，因此导致指纹定位系统难以在室内部署。
4.5g信号是新一代移动通信技术，成本低，能耗低。但是5g信号一般具有几十ghz的载波频率，所以穿墙能力很差，因此需要不断的进行技术更新和改进。


技术实现要素：

5.针对上述现有技术中存在的不足之处，本发明提供了一种基于人工智能算法的室内5g基站定位优化装置及方法。其目的是为了实现提5g信号高定位精度，减少环境因素的干扰，降低成本的发明目的。
6.本发明为实现上述目的所采用的技术方案是：
7.基于人工智能算法的室内5g基站定位优化方法，包括以下步骤：
8.离线采集5g nr全新无线空口信号数据；
9.对采集的5g nr全新无线空口信号数据进行数据预处理操作，得到5g指纹数据库；
10.抽取预处理后的5g nr全新无线空口信号数据参数作为输入，将数据分割；
11.将数据分割结果作为输入，对卷积神经网络模型进行训练，得到新的卷积神经网络模型；
12.在验证集中随机抽取一批数据，对应着随机找出室内的几个人的5g nr新无线空口信号数据参数，对新的卷积神经网络模型进行测试，得到网络输出的整数，通过坐标转换公式将整数转换成坐标值，得到目标位置，从而实现室内定位。
13.更进一步的，所述5g nr全新无线空口信号数据，包括同步信号接收功率、同步信号信噪比和同步信号接收质量。
14.更进一步的，所述对所采集的5g nr信号数据进行数据预处理操作，包括：使用正态分布3σ对数据进行限幅处理和计算高斯分布标准差构,构建位置指纹库。
15.更进一步的，所述数据分割的结果包括训练集和验证集；所述训练集为预处理后的5g nr信号数据的前80％，所述验证集为后20％。
16.更进一步的，所述将数据分割结果作为输入，对卷积神经网络模型进行训练，得到新的卷积神经网络模型；包括：
17.s41：利用训练集对卷积神经网络模型进行训练，利用adam优化算法对参数进行优化，得到训练好的卷积神经网络模型；
18.s42：利用验证集对所述训练好的卷积神经网络模型进行验证，得到验证结果；
19.s43：判断验证结果是否优于dnn网络测试结果，若是，将训练好的卷积神经网络模型作为新的神经网络模型输出；否则，返回步骤s3。
20.更进一步的，所述新的卷积神经网络模型包括：输入模块、卷积层、全连接层和输出模块；
21.所述卷积层用于对输入模块进行特征提取；输入模块的输出作为卷积层的输入，在卷积层中进行卷积运算；
22.所述卷积层的输出同时作为全连接层的输入；
23.所述全连接层包含输入层、两层隐藏层和输出层；输入层的神经元数量为64，第一层隐藏层的神经元数量为128，第二层隐藏层的神经元数量为128；输出层做为输出模块，含有48个神经元；隐藏层的激活函数采用relu函数，输出层的激活函数采用softmax函数，得到的结果通过坐标转换公式转换成坐标值；
24.所述卷积层的参数优化采用adam算法替代随机梯度下降优化算法。
25.基于人工智能算法的室内5g基站定位优化装置，包括：
26.收集模块：用于离线采集5g nr全新无线空口信号数据；
27.建库模块：用于对采集的5g nr全新无线空口信号数据进行数据预处理操作，构建5g指纹数据库；
28.分割模块：用于抽取预处理后的5g nr全新无线空口信号数据参数作为输入，将数据分割；将数据按照比例划分为训练集和验证集；
29.训练模块：用于将分割的数据作为该模块的输入数据，对卷积神经网络模型进行训练，构建新的卷积神经网络模型；
30.测试模块：用于在验证集中随机抽取一批数据，对新的卷积神经网络模型进行测试，得到输出结果，再通过坐标转换公式转换成坐标值，得到目标位置；抽取验证集中的一批数据，对训练好的新的卷积神经网络模型进行测试。
31.更进一步的，所述对训练好的新的卷积神经网络模型进行测试，包括：
32.从分割后的验证集中随机抽取一批数据，对训练好的新的卷积神经网络模型进行10次测试，得到训练结果的prf值；为了对比该模型的准确率，将这批数据同样放入传统的深度学习网络模型，得到prf值与新的卷积神经网络模型的prf值对比；从数据方面观察新的卷积神经网络模型的准确性。
33.一种计算机设备，包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现任一所述的基于人工智能算法的
室内5g基站定位优化方法的步骤。
34.一种计算机存储介质，所述计算机存储介质上存有计算机程序，所述计算机程序被处理器执行时实现任一所述的基于人工智能算法的室内5g基站定位优化方法的步骤。
35.本发明具有以下有益效果及优点：
36.本发明定位系统在日常领域起着非常重要的作用，不仅能够提高定位精度，还能够减少环境因素的干扰，降低成本。
37.为了提高定位系统的准确性，本发明将5g信号在室内部署子基站，将5g子基站的全新无线空口(new radio,nr)作为定位系统的数据采集终端ap(access point)，将5g技术与卷积神经网络相结合。
38.首先把5g nr信号参数使用3σ准则进行限幅处理，计算高斯分布的标准差，筛选出符合要求的数据集合，利用筛选后的数据构建位置指纹数据库。然后将采集到的数据重塑，分割，输入到cnn(卷积神经网络)中进行训练，提炼出模型。然后输入一批随机数据，分别用cnn模型和dnn(深度神经网络)模型进行训练，从精确率，召回率，方差，平均误差等多个方面进行分析对比。实验结果表明，基于卷积神经网络模型的性能优于深度神经网络，并且计算复杂度低，精确度高。
附图说明
39.本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
40.图1是本发明基于人工智能算法的室内5g基站定位优化方法的流程图；
41.图2是本发明卷积神经网络模型的结构示意图；
42.图3是本发明卷积运算示意图；
43.图4是本发明全连接层结构；
44.图5是本发明室内分割方式；
45.图6为训练指标变化图。
具体实施方式
46.为了能够更清楚地理解本发明的上述目的、特征和优点，下面将结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本技术的实施例及实施例中的特征可以相互组合。
47.在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
48.下面参照图1-图6描述本发明一些实施例的技术方案。
49.实施例1
50.本发明提供了一个实施例，是一种基于人工智能算法的室内5g基站定位优化装置及方法。如图1所示，图1是本发明基于人工智能算法的室内5g基站定位优化方法的流程图。
51.本发明提供一种基于人工智能算法的室内5g基站定位优化方法，包括：
52.s1：离线采集5g nr信号数据；离线采集5g nr全新无线空口(new radio,nr)信号
数据
53.所述5g nr信号数据包括同步信号接收功率(synchronization signal reference signal received power，ss-rsrp)、同步信号信噪比(synchronization signal signal to interference noise ratio，ss-sinr)和同步信号接收质量(synchronization signal reference signal receiving quality，ss-rsrq)。
54.s2：对所述5g nr信号数据进行数据预处理操作，得到5g指纹数据库；
55.所述5g nr信号数据进行预处理操作包括：使用正态分布3σ对数据进行限幅处理和计算高斯分布标准差/构建位置指纹库。
56.s3：将预处理后的5g nr参数抽取3000条作为输入，将数据分割。
57.所述数据分割结果包括训练集、验证集。在本发明中，主要将所述新的电力领域相关数据，即预处理后的5g nr信号数据的前80％作为训练集，后20％作为验证集。
58.s4：将所述数据分割结果作为输入，对卷积神经网络模型进行训练，得到新的卷积神经网络模型；
59.如图2所示，图2是本发明卷积神经网络模型的结构示意图，本发明所述得到新的卷积神经网络模型包括：输入模块、卷积层、全连接层和输出模块。
60.所述卷积层用于对所述输入模块进行特征提取。
61.所述输入模块的输出作为所述卷积层的输入，在所述卷积层中进行卷积运算。
62.如图4所示，图4是本发明全连接层结构。所述卷积层的输出同时作为所述全连接层的输入。所述全连接层包含输入层，两层隐藏层和输出层。所述输入层的神经元数量为64，第一层隐藏层的神经元数量为128，第二层隐藏层的神经元数量为128。所述输出层做为所述输出模块，含有48个神经元。所述隐藏层的激活函数采用relu函数，所述输出层的激活函数采用softmax函数。得到的结果通过坐标转换公式转换成坐标值。所述卷积层的参数优化采用adam算法替代随机梯度下降优化算法。
63.具体地，卷积运算是指在输入模块输入的重塑后的数据，数据格式为3
×
3的矩阵，经输入模块操作之后给到卷积层，进行卷积运算，如图3所示，图3是本发明卷积运算示意图。
64.卷积核大小为2
×
2，步长为1，卷积核对应位置与原始数据相乘再相加，再加上偏执值为卷积运算的结果，卷积运算最终的结果是生成特征图，将特征图拉伸成64
×
1的矩阵放入全连接层，将矩阵右乘128
×
64的权重矩阵，得到第一层隐藏层，然后使用relu激活函数得到第一层隐藏层的最终结果，第二层隐藏层采用类似的运算过程得到输出结果，将输出结果使用softmax函数运算的到对应位置的概率值。最后通过反向传播和adam优化算法不断调整卷积核和权重参数以及偏置值，降低损失函数。得到最终的卷积神经网络模型。
65.当然，在具体进行应用本发明的卷积神经网络模型之前，首先需要对本发明的卷积神经网络模型进行训练，从而使得训练后形成的新的卷积神经网络模型更加适配于定位系统，具体训练过程包括：
66.s41：利用训练集对所述卷积神经网络模型进行训练，利用adam优化算法对参数进行优化，得到训练好的卷积神经网络模型；
67.s42：利用验证集对所述训练好的卷积神经网络模型进行验证，得到验证结果；
68.s43：判断所述验证结果是否优于dnn网络测试结果，若是，将所述训练好的卷积神
经网络模型作为新的神经网络模型输出；否则，返回步骤s3。
69.dnn模型设计的思路只包括全连接层和激活函数，由于设计的过程对原始数据的特征提取不足导致模型的精确度有误差，因此本发明加入了卷积操作，进一步提升的对特征的提取。如图6所示，图6为训练指标变化图。
70.可选择地，所述卷积运算计算公式为：
[0071][0072]
其中，是第l层的第j个特征图；是第l-1层的第i个特征图；f为激活函数；m是输入特征图的集合；*为卷积运算；是第l层第j个特征图与第l-1层的第i个特征图相连的卷积核；是第l层的j个特征图的偏置。
[0073]
s5：在验证集中随机抽取一批数据对新的卷积神经网络模型进行测试，得到输出结果，再通过坐标转换公式转换成坐标值，得到目标位置。
[0074]
具体是在验证集中随机抽取一批数据，对应着随机找出室内的几个人的5g nr新无线空口信号数据参数，对新的卷积神经网络模型进行测试，得到网络输出的整数，再通过坐标转换公式将整数转换成坐标值，最终得到目标位置，从而实现室内定位。
[0075]
当然，在之后的具体应用过程中，新的卷积神经网络模型并非一直处于静态并一直应用下去，而是根据用户的不同输入数据，动态调整，以使得新的卷积神经网络模型能够更加准确地实现定位，从而满足精度需求。
[0076]
为了验证本发明的有效性，本发明对比了本发明所提供的卷积神经网络与dnn模型，其结果如表1所示，结果显示，本发明所提供的卷积神经网络在精确率，召回率，方差，平均误差等重要的评价指标下，有着较好的优势。说明本发明可以有效提升定位系统的精确度。
[0077]
表1评价指标数据测试结果
[0078]
[0079][0080]
如图5所示，图5是本发明室内分割方式。将室内按照俯视平面划分成8*6的矩形，每个测量点均在矩形的中心，将左下角矩阵的坐标设置为(0，0)右上角矩阵坐标设置成(7，5)，室内一共被划分为48的矩形。
[0081]
实施例2
[0082]
本发明又提供了一个实施例，是一种基于人工智能算法的室内5g基站定位优化装置，包括：
[0083]
收集模块：该模块用于离线采集5g nr全新无线空口信号数据；
[0084]
建库模块：用于使用3σ准则预处理收集模块获取的5g nr全新无线空口信号数据预处理操作，构建位置指纹库；
[0085]
分割模块：用于抽取预处理后的5g nr参数作为输入，将数据分割；将数据按照比例划分为训练集和验证集；
[0086]
训练模块：用于构建新的卷积神经网络模型，将分割模块分割完成的数据作为该模块的输入数据，对卷积神经网络模型进行训练。
[0087]
测试模块：用于在验证集中随机抽取一批数据，对新的卷积神经网络模型进行测试，得到输出结果，再通过坐标转换公式转换成坐标值，得到目标位置。抽取验证集中的一批数据，对训练好的新的卷积神经网络模型进行测试。
[0088]
所述对训练好的新的卷积神经网络模型进行测试，包括：
[0089]
从分割后的验证集中随机抽取一批数据，对训练好的新的卷积神经网络模型进行10次测试，得到训练结果的prf值；为了对比该模型的准确率，将这批数据同样放入传统的深度学习网络模型，得到prf值与新的卷积神经网络模型的prf值对比；从数据方面观察新的卷积神经网络模型的准确性。
[0090]
实施例3
[0091]
基于同一发明构思，本发明实施例还提供了一种计算机设备，包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序。所述处理器执行所述计算机程序时实现实施例1所述的任意一种基于人工智能算法的室内5g基站定位优化方法的步骤。
[0092]
实施例4
[0093]
基于同一发明构思，本发明实施例还提供了一种计算机存储介质，所述计算机存储介质上存有计算机程序，所述计算机程序被处理器执行时实现实施例1所述的任意一种基于人工智能算法的室内5g基站定位优化方法的步骤。
[0094]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0095]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0096]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0097]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0098]
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。