基于神經網絡的無線定位方法、系統及路側單元的制作方法
【技術領域】
[0001] 本發明涉及無線定位領域，尤其涉及一種基于神經網絡的無線定位方法、系統及 路側單元。
【背景技術】
[0002] 目前利用天線陣列對無線信號的相位或幅度進行處理來估計空間信號的方位，從 而得到無線信號對應目標的位置的方法主要有1. MUSIC (Multiple Si即al Classification 多信號分類）算法W及改進算法、2.相位法相干信號解模糊W及改進算法、3.基于概率的 統計方法。上述多種算法都是基于某一類準則，去估計最大可能出現的無線信號角度方向， 雖然各有優缺點。但是由于其本身都是基于某一準則去估計，所W對于微小差別都無能為 力。
【發明內容】
[0003] 本發明要解決的技術問題在于，針對現有技術的上述定位時無法識別微小差別的 缺陷，提供一種基于神經網絡的無線定位方法、系統及路側單元，能在定位時識別微小差 別。
[0004] 本發明解決其技術問題所采用的技術方案是；構造一種基于神經網絡的無線定位 方法，包括：
[0005] S1.采集來自目標的無線信號數據，所采集的數據包括無線信號的幅度和/或相 位和/或功率；
[0006] S2.對所采集的數據進行預處理；
[0007] S3.將預處理后的數據輸入到預先建立的神經網絡模型中，并將所述神經網絡模 型的輸出作為目標的定位結果。
[0008] 在本發明所述的基于神經網絡的無線定位方法中，神經網絡模型根據下列步驟建 立：
[0009] S31.根據所要采集的數據的個數確定輸入神經元的個數，所要采集的數據的個數 與天線陣元的個數相關；
[0010] S32.確定輸出神經元的個數；
[0011] S33.確定神經元中間層數及中間層神經元個數；
[0012] S34.在訓練時采集來自已知目標的無線信號數據，并對所采集的數據進行預處 理；
[0013] S35.將一部分步驟S34所預處理后的數據用來訓練神經網絡模型，并通過不斷修 改各神經元間的權重，直至所述神經網絡模型符合預設規則的收斂。
[0014] 在本發明所述的基于神經網絡的無線定位方法中，
[0015] 所述神經網絡模型的輸出類型為定位區域時，將需定位的區域劃分成M個預設區 域，單個輸出神經元具有兩類輸出狀態，故神經網絡模型的輸出共有/類輸出狀態，其中N 為輸出神經元的個數，每類神經網絡模型的輸出狀態為空或與一個預設區域對應，如果輸 出狀態與一個預設區域對應，即確定目標在對應的預設區域內。
[0016] 在本發明所述的基于神經網絡的無線定位方法中，
[0017] 所述神經網絡模型的輸出類型為為相對坐標時，所述輸出神經元的個數為2,所述 輸出神經元的輸出為坐標值。
[0018] 在本發明所述的基于神經網絡的無線定位方法中，所述步驟S2包括：
[0019] 對所采集的無線信號進行預處理，獲得瞬時幅度值；或；
[0020] 對預設時間內所采集的無線信號的進行預處理，獲得所述無線信號的平均功率 值；或；
[0021] 對預設時間內所采集的無線信號進行預處理，獲得不同天線陣元之間無線信號的 相位差。
[0022] 本發明還構造一種路側單元，包括：
[0023] 采集模塊，用于采集來自電子標簽的無線信號數據，所采集的數據包括無線信號 的幅度和/或相位和/或功率；
[0024] 預處理模塊，用于對所采集的數據進行預處理；
[00巧]神經網絡處理模塊，用于將預處理后的數據輸入到預先建立的神經網絡模型中， 并將所述神經網絡模型的輸出作為攜帶電子標簽的車輛的定位結果。
[0026] 在本發明所述的路側單元中，所述神經網絡處理模塊包括：
[0027] 輸入模塊，用于根據所要采集的數據的個數確定輸入神經元的個數，所要采集的 數據的個數與天線陣元的個數相關；
[002引輸出模塊，用于確定輸出神經元的個數；
[0029] 中間模塊，用于確定神經元中間層數及中間層神經元個數；調整模塊，用于使用在 訓練時采集及預處理后的來自已知位置的電子標簽的無線信號數據訓練神經網絡模型，并 通過不斷修改各神經元間的權重，直至所述神經網絡模型符合預設規則的收斂。
[0030] 在本發明所述的路側單元中，所述采集模塊包括：
[0031] 天線陣列，用于接收來自電子標簽的無線信號，所述天線陣列為相控陣天線；
[0032] 射頻接收機，用于對所述天線陣列所接收的無線信號進行解調；
[0033] 模擬信號處理器，用于對所述射頻接收機解調后的信號進行處理；
[0034] 模數轉換器，用于對所述處理器處理后的信號進行模數轉換。
[00巧]本發明還構造一種基于神經網絡的無線定位系統，包括：
[0036] 采集模塊，用于采集來自目標的無線信號數據，所采集的數據包括無線信號的幅 度和/或相位和/或功率，所述采集模塊為多個天線；
[0037] 控制模塊，用于對所采集的數據進行預處理，并將預處理后的數據輸入到預先建 立的神經網絡模型中，且將所述神經網絡模型的輸出作為目標的定位結果。
[0038] 在本發明所述的基于神經網絡的無線定位系統中，所述控制模塊包括：
[0039] 第一輸入模塊，用于根據所要采集的數據的個數確定輸入神經元的個數，所要采 集的數據的個數與天線陣元的個數相關；
[0040] 第一輸出模塊，用于確定輸出神經元的個數；
[0041] 第一中間模塊，用于確定神經元中間層數及中間層神經元個數；
[0042] 第一調整模塊，用于使用在訓練時采集及預處理后的來自已知目標的無線信號數 據訓練神經網絡模型，并通過不斷修改各神經元間的權重，直至所述神經網絡模型符合預 設規則的收斂。
[0043] 實施本發明的技術方案，通過利用神經網絡（artificial neural network,ANN)技 術，對所采集到的無線信號數據進行融合處理，自適應識別信號的微小區別，給出更精確的 定位結果。
【附圖說明】
[0044] 下面將結合附圖及實施例對本發明作進一步說明，附圖中：
[0045] 圖1是本發明基于神經網絡的無線定位方法實施例一的流程圖；
[0046] 圖2是神經網絡模型建立方法實施例一的流程圖；
[0047] 圖3A-3E分別是不同輸出神經元個數與目標點定位結果的關系示意圖；
[0048] 圖4是H陣元天線陣列的示意圖；
[0049] 圖5是神經網絡模型中各神經元間權重實施例一的示意圖；
[0050] 圖6是本發明路側單元實施例一的邏輯圖；
[0051] 圖7是本發明一種基于神經網絡的無線定位系統實施例一的邏輯圖。
【具體實施方式】
[0052] 中國專利化200480025276. X公開了一種人工神經網絡的建立方法，人工神經網 絡（artificial neural network,縮寫 ANN),簡稱神經網絡（neural network,縮寫 NN),是 近年來興起的一種模仿生物神經網絡的結構和功能的數學模型或計算模型。神經網絡由大 量的人工神經元聯結進行計算。大多數情況下人工神經網絡能在外界信息的基礎上改變內 部結構，是一種自適應系統。現代神經網絡是一種非線性統計性數據建模工具，常用來對輸 入和輸出間復雜的關系進行建模，或用來探索數據的模式。
[0053] 通過運用人工神經網絡的學習能力，可W使得通過天線陣列定位目標位置自適應 的識別微小的差別，從而提局識別精度。
[0054] 圖1是本發明基于神經網絡的無線定位方法實施例一的流程圖，該基于神經網絡 的無線定位方法包括：
[0055] S1.采集來自目標的無線信號數據，所采集的數據包括無線信號的幅度和/或相 位和/或功率，即，所采集的數據可W包括幅度、相位、功率中的一個，也可W是幅度、相位、 功率的任意組合；
[0056] S2.對所采集的數據進行預處理，數據的預處理例如包括數據清理、數據集成、數 據變換、數據歸約等，在一個實施例中，可對所采集的無線信號的幅度進行預處理，W獲得 瞬時幅度值；或者，對預設時間內所采集的無線信號的相位進行預處理，W獲得不同天線陣 元之間無線信號的相位差，及對預設時間內所采集的無線信號的功率的進行預處理，獲得 所述無線信號的平均功率值。另外，多陣元天線陣列分別采集來自目標所發送的無線信號 的相位數據，在預處理時，分別計算出任意兩個陣元所采集的相位數據的差值，然后還可分 別對該些相位數據的差值進行歸一化處理