(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210120544.6 (22)申请日 2022.02.09 (65)同一申请的已公布的文献号 申请公布号 CN 114758364 A (43)申请公布日 2022.07.15 (73)专利权人 四川大学 地址 610065 四川省成 都市一环路南 一段 24号 (72)发明人 王天择　孙奕髦　董兵　赖伟　 黄文炜　 (74)专利代理 机构 北京卓恒知识产权代理事务 所(特殊普通 合伙) 11394 专利代理师 孔鹏 (51)Int.Cl. G06V 40/12(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G16Y 10/25(2020.01)G16Y 40/60(2020.01) H04W 64/00(2009.01) (56)对比文件 CN 107832834 A,2018.0 3.23 CN 112312541 A,2021.02.02 CN 110234085 A,2019.09.13 CN 110300370 A,2019.10.01 CN 112085738 A,2020.12.15 US 2021112371 A1,2021.04.15 US 2020402 223 A1,2020.12.24 郭昕刚 等.基 于k-means及改进k近邻的 WiFi指纹定位 算法. 《长 春工业大学学报》 .2018, 第39卷(第1期),全 文. 章燕芳.多传感器位置指纹信息的采集与处 理技术. 《中国优秀硕士学位 论文全文数据库 (信息科技 辑)》 .2021,(第2期),全 文. Kevin M. Chen 等.Semi-Supervised Learning with GANs for Device-Fre e Fingerprinting Indoor Localization. 《GLOBECOM 2020 - 2020 IE EE Global Communications Conference》 .2021,全 文. 审查员 康环环 (54)发明名称 基于深度学习的工业物联网场景融合定位 方法及系统 (57)摘要 本发明公开了一种基于深度学习的工业物 联网场景融合定位方法及系统， 当需要获得待测 位置的位置信息， 位置指纹识别网络通过卷积神 经网络提取待测目标接受到的指纹信息的特征， 然后通过画像提取层提取出指纹信息特征的特 征画像， 由预测层基于特征画 像预测出指纹信息 的指纹特征， 由全连接层将该指纹特征与预先设 定好位置指纹库中的标准指纹信息进行匹配， 并 将匹配成功的标准指纹信息对应的位置信息输 出， 作为待测目标的位置信息。 实现了在线定位，消除了位置标签 之间匹配的依赖性， 提高了定位 鲁棒性和精度。 该位置指纹识别网络具有良好的 迁移性， 能够适用于不同的环境， 提高了对定位 的环境适应性。 权利要求书2页 说明书14页 附图2页 CN 114758364 B 2022.09.23 CN 114758364 B 1.一种基于深度学习的工业物联网场景融合定位方法， 其特 征在于， 所述方法包括： 获得待测目标接收到的指纹信 息， 所述指纹信 息用于表征所述待测目标所在的位置特 征； 将所述指纹信 息输入预先训练好的位置指纹识别网络 中， 所述位置指纹识别网络输出 所述待测目标的位置信息； 其中， 位置指纹识别网络由卷积神经网络、 画像提取层、 预测层、 全连接层和对抗网络 构成， 所述卷积神经网络的输入是所述指纹信息， 所述画像提取层的输入是卷积神经网络 的输出； 所述预测层的输入是所述画像提取层的输出， 所述对抗网络的输入是所述卷积神 经网络的输出和所述预测层的输出； 所述预测层输出所述待测目标的位置信息， 所述对抗 网络用于消除环境特征对预测层的输出的指纹特征的影响； 所述全连接层的输入是所述预 测层的输出， 所述预测层的输出 是所述待测目标的位置信息 。 2.根据权利要求1所述的基于深度学习的工业物联网场景融合定位方法， 其特征在于， 所述位置指纹识别网络的训练方法包括： 确定多个预定位置的多个指纹数据， 将每个预定位置的多个指纹数据的20%设置在验 证集中， 将 每个预定位置的多个指纹数据的8 0%设置在训练集中； 所述验证集中的指纹数据 被预先标注了所述指纹数据表征的预定位置； 将训练集和验证集输入卷积神经网络 中， 通过卷积神经网络分别提取出训练集中的训 练特征和验证集中的验证特 征； 通过画像提取层提取训练特征的第 一特征画像， 通过画像提取层提取验证特征的第 二 特征画像； 通过预测层， 将第一特征画像映射到潜在空间中， 得到第 一潜在特征， 将第 二特征画像 映射到潜在空间中， 得到第二潜在特征； 基于第一潜在特征得到第一预测向量； 基于第二潜 在特征得到第二预测向量； 基于第一预测向量获得未标注数据的第一损失函数， 基于第二 预测向量获得 标注数据的第二损失函数； 通过对抗网络， 将训练特征、 第一预测向量、 将验证特征、 第二预测向量进行融合操作， 得到融合数据；  将融合数据分别映射到第二空间， 得到映射特征； 基于映射特征得到第三 损失函数； 基于第一损失函数、 第二损失函数和第三损失函数， 得到模型损失函数； 当模型损失函数收敛或者模型训练次数大于设定值， 确定位置指纹识别网络训练结 束， 并确定预测层输出的第一预测向量 为所述待测目标的位置信息 。 3.根据权利要求2所述的基于深度学习的工业物联网场景融合定位方法， 其特征在于， 所述将训练特征、 第一预测向量、 将验证特征、 第二预测向量进 行融合操作， 得到融合数据， 包括： 基于所述训练特 征、 所述第一预测向量、 第二预测向量获得第一融合向量； 基于所述验证特 征、 所述第一预测向量、 第二预测向量获得第二融合向量； 对所述第一融合向量和所述第二融合向量进行加权求和， 得到融合数据。 4.一种基于深度学习的工业物联网场景融合定位系统， 其特 征在于， 所述系统包括： 获取模块， 用于获得待测目标接收到的指纹信息， 所述指纹信息用于表征所述待测目 标所在的位置特 征；权　利　要　求　书 1/2 页 2 CN 114758364 B 2定位模块， 用于将所述指纹信息输入预先训练好的位置指纹识别网络中， 所述位置指 纹识别网络 输出所述待测目标的位置信息； 其中， 位置指纹识别网络由卷积神经网络、 画像提取层、 预测层、 全连接层和对抗网络 构成， 所述卷积神经网络的输入是所述指纹信息， 所述画像提取层的输入是卷积神经网络 的输出； 所述预测层的输入是所述画像提取层的输出， 所述对抗网络的输入是所述卷积神 经网络的输出和所述预测层的输出； 所述预测层输出所述待测目标的位置信息， 所述对抗 网络用于消除环境特征对预测层的输出的指纹特征的影响； 所述全连接层的输入是所述预 测层的输出， 所述预测层的输出 是所述待测目标的位置信息 。 5.根据权利要求4所述的基于深度学习的工业物联网场景融合定位系统， 其特征在于， 所述位置指纹识别网络的训练方法包括： 确定多个预定位置的多个指纹数据， 将每个预定位置的多个指纹数据的20%设置在验 证集中， 将 每个预定位置的多个指纹数据的8 0%设置在训练集中； 所述验证集中的指纹数据 被预先标注了所述指纹数据表征的预定位置； 将训练集和验证集输入卷积神经网络 中， 通过卷积神经网络分别提取出训练集中的训 练特征和验证集中的验证特 征； 通过画像提取层提取训练特征的第 一特征画像， 通过画像提取层提取验证特征的第 二 特征画像； 通过预测层， 将第一特征画像映射到潜在空间中， 得到第 一潜在特征， 将第 二特征画像 映射到潜在空间中， 得到第二潜在特征； 基于第一潜在特征得到第一预测向量； 基于第二潜 在特征得到第二预测向量； 基于第一预测向量获得未标注数据的第一损失函数， 基于第二 预测向量获得 标注数据的第二损失函数； 通过对抗网络， 将训练特征、 第一预测向量、 将验证特征、 第二预测向量进行融合操作， 得到融合数据；  将融合数据分别映射到第二空间， 得到映射特征； 基于映射特征得到第三 损失函数； 基于第一损失函数、 第二损失函数和第三损失函数， 得到模型损失函数； 当模型损失函数收敛或者模型训练次数大于设定值， 确定位置指纹识别网络训练结 束， 并确定预测层输出的第一预测向量 为所述待测目标的位置信息 。 6.根据权利要求5所述的基于深度学习的工业物联网场景融合定位系统， 其特征在于， 所述将训练特征、 第一预测向量、 将验证特征、 第二预测向量进 行融合操作， 得到融合数据， 包括： 基于所述训练特 征、 所述第一预测向量、 第二预测向量获得第一融合向量； 基于所述验证特 征、 所述第一预测向量、 第二预测向量获得第二融合向量； 对所述第一融合向量和所述第二融合向量进行加权求和， 得到融合数据。权　利　要　求　书 2/2 页 3 CN 114758364 B 3