[發明專利]基于深度學習的移動設備定位及追蹤系統及其使用方法

在審

• 申請號: 201710042506.2
• 申請日: 2017-01-20
• 公開（公告）號: CN108616812A
• 公開（公告）日: 2018-10-02
• 發明（設計）人: 路松峰
• 申請（專利權）人: 武漢金石貓眼科技有限公司
• 主分類號: H04W4/029
• 分類號: H04W4/029;H04W4/021;H04W4/33;G01S5/10;G01S5/02
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.基于深度學習的移動設備定位和追蹤系統及其使用方法,其特征在于：

1.1系統由服務器、應用客戶端和探測客戶端組成，應用客戶端和探測客戶端通過局域網或者互聯網與服務器通信，探測客戶端包括兩塊網卡，一塊與服務器通信，另一塊用來進行移動設備檢測；

1.2系統包括移動設備定位模型生成模塊；

1.3系統包括數據采集模塊；

1.4系統包括數據通信模塊；

1.5系統包括移動設備的移動軌跡模型生成模塊；

1.6系統包括移動設備定位與追蹤模塊；

1.7系統包括異常設備預警模塊。

2.根據權利要求1所述的移動設備定位模型生成方法，其特征在于：在1.2中，首先建立無障礙物情況下的移動設備定位模型，采集無障礙物情況下移動設備的指紋，即移動設備與檢測設備之間信號強度與位置之間的數學模型。其模型構造方法如下：

1)隨意擺放多個探測設備的位置；

2)采集沒個移動設備的WIF信號強度，獲得當前的指紋數據；

3)多次修改探測設備的位置，并重復步驟2)；

4)采用支持向量機算法對采集的結果進行分類，并獲取無障礙物情況下平均的移動設備定位模型，然后采用非線性回歸算法建立信號強度與位置之間的參數模型；

5)再多次采集探測設備位置及移動信號強度來驗證模型；

然后建立有障礙物情況下的移動設備定位模型，本發明建立包括材質及障礙系數組成的多種障礙模型，分別對不同障礙模型采集多次參數，然后與無障礙物情況下的移動設備與信號強度模型參數一起做為深度學習中深度信念網絡模型的輸入參數，通過多次回歸得到有障礙物情況下移動設備與探測設備信號的強度的關系模型。

3.根據權利要求1所述的移動設備的移動軌跡模型生成方法，其特征在于：在1.5中，本發明首先采集系統檢測范圍內的地形路線圖，對探測設備所在的地點按照應用需求進行分類，即獲取場景的分類，包括：商業區、學校、工廠、小區、機關、街道等。然后根據已經采集到設備屬性信息，采用聚類算法對設備進行聚類，獲得設備或者用戶的分類，把用戶分類、場景分類和路線信息進行離散化，作為深度學習的輸入參數，進過多次迭代獲得用戶的移動軌跡模型，即不同的時間不同的用戶的移動軌跡有不同的規律。從而獲得移動設備的移動軌跡模型的預測模型。

4.根據權利要求1所述的移動設備的定位與追蹤方法，其特征在于：在1.6中，應用服務器發出待監測設備的屬性信息，經服務器廣播到指定監測區域的探測設備，探測設備開始進行監聽，當發現待測設備出現時，把檢測到的信號傳遞回服務器，服務器綜合多個檢測設備的檢測信號，根據定位模型計算出的待測設備位置信息，然后根據移動設備的移動軌跡模型計算出其下一步的預期軌跡。該定位和追蹤過程是個不斷調整的動態過程。