一种基于深度学习的室内位置识别方法、系统及电子设备

1.本发明涉及室内地磁定位领域，特别是涉及一种基于深度学习的室内位置识别方法、系统及电子设备。


背景技术：

2.随着大数据技术与边缘技术发展，以及位置服务的逐渐普及，用户对定位技术的精度、实用性、可靠性要求也在不断提高。由于全球卫星导航定位系统应用场景大多为宽阔的室外场景，而无法直接应用于室内场景的位置服务。
3.为实现室内场景下的位置服务，类似于室外环境下的gnss信号定位，基于无线电的室内定位技术已经被广泛研究与实验，包括wi-fi、蓝牙、uwb、伪卫星等。上述技术可在室内环境下提供可靠的定位精度，但该类定位技术需要布设专用信号发射装置，同时信号发射装置的安装可能有空间分布因素需要考虑，特别是在复杂大范围室内场景下，如超市、停车场、地铁站等，都需要布设大量额外信号发射装置，大大提高定位成本，因此基于无线电的室内定位技术难以应用于大范围的室内环境中。地球磁场信号具有广泛性与无设施依赖性，在导航定位中可用来航向估计，同时由于室内建筑物结构复杂，使得室内环境中的地磁信号分布更加丰富，同时具有长时间的稳定性，因此基于地磁特征信息的室内定位技术成为当前研究热点。
4.现有的基于地磁信号特征的室内定位技术存在较高的错误识别问题，特别是在大范围场景中，单点地磁信号特征差异性欠缺。基于地磁序列特征可以提高定位指纹的辨识度，但更长的序列特征会导致地磁特征识别过程的复杂度大幅度增大，无法提供实时性的位置估计。同时长时段的地磁序列特征在提高大范围定位空间下的差异性同时，会降低局部相邻位置的可辨识性。


技术实现要素：

5.本发明的目的是提供一种基于深度学习的室内位置识别方法、系统及电子设备，能够提高定位指纹的辨识度，从而提高室内定位的精度。
6.为实现上述目的，本发明提供了如下方案：
7.一种基于深度学习的室内位置识别方法，所述方法包括：
8.获取用户待定位位置的地球磁场信号；
9.对所述用户待定位位置的地球磁场信号进行预处理，得到磁场数据；所述磁场数据包括载体坐标系下水平地磁分量、导航坐标系下的三维磁场分量和导航坐标系下的磁场强度模值；
10.将所述磁场数据输入定位模型，得到用户位置；其中，所述定位模型是利用训练集对基于多尺度rnns神经网络进行训练得到的；所述训练集包括用户位置的位置标签和对应的磁场数据；所述位置标签包括水平坐标和方向信息。
11.可选地，对所述用户待定位位置的地球磁场信号进行预处理，得到磁场数据，具体
包括：
12.根据预设的采样频率，从所述用户待定位位置的地球磁场信号中确定多个地球磁场信号采样数据；
13.根据各所述地球磁场信号采样数据，计算对应的磁场数据。
14.可选地，所述定位模型的构建过程，具体包括：
15.获取定位区域中预设路线的地球磁场信号、场景视频和惯导数据，并记录所述地球磁场信号、所述场景视频和所述惯导数据的时间戳，得到带有时间戳的地球磁场信号、带有时间戳的场景视频和带有时间戳的惯导数据；所述预设路线为设定起始点的闭环路线；
16.将定位区域中预设路线的所述带有时间戳的场景视频和所述带有时间戳的惯导数据进行视觉惯性里程计的回环检测，得到带有时间戳的场景序列数据；
17.对定位区域中预设路线的所述带有时间戳的地球磁场信号进行数据增强，得到增强后的地球磁场信号；
18.将所述增强后的地球磁场信号按照预设第一序列长度进行分割，得到多个磁场训练数据；
19.根据多个所述磁场训练数据的时间戳，对所述带有时间戳的场景序列数据进行分割，得到对应的多个位置训练信号；
20.根据每个所述磁场训练数据的时间戳，从所述对应的多个位置训练信号中确定对应的位置标签；
21.以所述磁场训练数据为输入，以所述位置标签为输出，对所述基于多尺度rnns神经网络进行训练，得到定位模型。
22.可选地，所述基于多尺度rnns神经网络包括长细粒度rnns网络、短细粒度rnns网络、全连接层和集成学习网络；
23.所述长细粒度rnns网络和所述短细粒度rnns网络的输出端分别与所述全连接层的输入端连接；所述全连接层的输出端与所述集成学习网络的输入端连接；
24.所述长细粒度rnns网络用于提取长尺度样本数据的长尺度地磁特性；所述短细粒度rnns网络用于提取短尺度样本数据的短尺度地磁特性；所述全连接层用于对所述长尺度地磁特性向量和所述短尺度地磁特性向量进行拼接，得到拼接后的特征向量；所述集成学习网络用于根据所述拼接后的特征向量输出多个位置标签，并根据所述多个位置标签应用几何加权平均算法确定用户位置。
25.可选地，以所述磁场训练数据为输入，以所述位置标签为输出，对所述基于多尺度rnns神经网络进行训练，得到定位模型，具体包括：
26.按照预设第二序列长度对所述磁场训练数据进行分割，得到多段短尺度样本数据；
27.以所述磁场训练数据为长细粒度rnns网络的输入，以多段所述短尺度样本数据为短细粒度rnns网络的输入，以所述位置标签为所述集成学习网络的输出，对所述基于多尺度rnns神经网络进行训练，得到定位模型。
28.可选地，应用rwp模型对所述地球磁场信号进行数据增强，得到增强后的地球磁场信号。
29.可选地，获取定位区域中预设路线的所述地球磁场信号的设备为智能手机；所述
智能手机包括内置相机和mems元器件。
30.一种基于深度学习的室内位置识别系统，应用于上述的基于深度学习的室内位置识别方法，所述系统包括：
31.获取模块，用于获取用户待定位位置的地球磁场信号；
32.预处理模块，用于对所述用户待定位位置的地球磁场信号进行预处理，得到磁场数据；所述磁场数据包括载体坐标系下水平地磁分量、导航坐标系下的三维磁场分量和导航坐标系下的磁场强度模值；
33.定位模块，用于将所述磁场数据输入定位模型，得到用户位置；其中，所述定位模型是利用训练集对基于多尺度rnns神经网络进行训练得到的；所述训练集包括用户位置的位置标签和对应的磁场数据；所述位置标签包括水平坐标和方向信息。
34.一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述的基于深度学习的室内位置识别方法。
35.可选地，所述存储器为可读存储介质。
36.根据本发明提供的具体实施例，本发明公开了以下技术效果：
37.本发明提供的基于深度学习的室内位置识别方法，针对基于地磁特征的定位方法在大范围室内场景中的可辨识性差问题，获取用户待定位位置的地球磁场信号磁场数据；磁场数据包括载体坐标系下水平地磁分量、导航坐标系下的三维磁场分量和导航坐标系下的磁场强度模值，利用多尺度特征信息作为位置表征方式，基于多尺度rnns神经网络构建地磁特征与场景位置信息的映射关联，解决了大范围室内环境下的地磁特征差异性欠缺与定位时延问题，提高了室内定位的精度。
附图说明
38.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
39.图1为本发明提供的基于深度学习的室内位置识别方法的流程图；
40.图2为本发明实施例的基于多尺度rnns网络的室内地磁位置识别方法的工作流程示意图；
41.图3为基于智能终端设备的地磁数据快速采集与训练数据构建方法流程图；
42.图4为多尺度rnns网络架构图；
43.图5基于多尺度rnns网络的室内地磁位置识别方法与其他地磁定位方法结果对比图；
44.图6为本发明提供的基于深度学习的室内位置识别系统的模块图。
45.附图标记说明：
46.获取模块—1，预处理模块—2，定位模块—3。
具体实施方式
47.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完
整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
48.本发明的目的是提供一种基于深度学习的室内位置识别方法、系统及电子设备，能够提高定位指纹的辨识度，从而提高室内定位的精度。适用于复杂、大范围室内场景下基于地磁特征信息的定位与定向，即本发明提供的基于深度学习的室内位置识别方法使用的定位源为地磁信号。
49.本发明提供的基于深度学习的室内位置识别方法，首先离线训练定位场景的多尺度rnns的定位模型，然后通过移动端设备在线获取场景地磁信号，并输入进多尺度rnns模型后，识别用户位置与行走方向。
50.具体包括：离线数据采集、地磁数据预处理、基于多尺度rnns的地磁特征提取与定位和获取用户位置；其中，离线数据采集为：利用智能移动手机采集定位场景的地磁信号数据；并使用智能手机相机与内置imu构建视觉惯性里程计，并进行回环检测，优化数据采集时的位置；地磁数据预处理为：首先是数据增强，提高定位模型的普适性；利用上面的地磁信号分布，并根据random waypoint model(rwp)模型生成虚拟路线来获取更多序列地磁信号，用来训练离线定位模型；然后是数据去噪，由于智能手机传感器精度较低，同时行人运动复杂，采集的数据存在大量噪声，对地磁原数据进行去噪与重建，提升定位数据的可信性；最后是数据分割与赋标签，将长序列地磁信号数据截取固定长度后并对截取后的数据附上相应的位置标签，用于离线模型训练；基于多尺度rnns的地磁特征提取与定位为：用于利用离线建立的地磁数据与位置标签进行定位模型训练，通过多尺度rnns网络获取地磁信息的空间与时间关联特征，并基于网络模型构建当前定位区域的位置识别模型；获取用户位置为：用户发出定位请求时，通过智能终端获取当前定位区域的终端坐标的三维地磁分量，并通过手机姿态将终端地磁分量转化成导航坐标系下，然后将终端设备的水平地磁分量、导航坐标系下的三维分量以及模值作为离线训练的定位网络输入，获得用户位置与方向结果。
51.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
52.实施例一
53.如图1和图2所示，本发明提供的一种基于深度学习的室内位置识别方法，所述方法包括：
54.步骤101：获取用户待定位位置的地球磁场信号。
55.步骤102：对所述用户待定位位置的地球磁场信号进行预处理，得到磁场数据；所述磁场数据包括载体坐标系下水平地磁分量、导航坐标系下的三维磁场分量和导航坐标系下的磁场强度模值。具体地，载体坐标系下的水平分量mh，导航坐标系下的三维分量以及磁场强度的模值||m||的计算方法如下所示：
56.载体坐标系下的地磁分量由手机磁力计直接测量获得，载体位姿根据视觉里程计的六自由度位姿(x,y,z,θ,φ,ψ)，位姿结果包含三维位置信息以及三轴旋转角(航偏角、俯仰角和滚动角)。
57.所述载体坐标系下的水平地磁分量计算方法：
58.所述导航坐标系下的三维地磁分量计算方法：计算方法：是载体坐标系下的地磁分量，其中是载体在t时刻姿态角计算出的方向余弦矩阵，表示为：
[0059][0060]
所述导航坐标系下的磁场强度模值的计算方法：其中为载体坐标系下的三轴磁场数据，x,y,z分别是载体坐标系下的三轴表示。
[0061]
步骤102具体包括：
[0062]
步骤1021：根据预设的采样频率，从所述用户待定位位置的地球磁场信号中确定多个地球磁场信号采样数据。
[0063]
步骤1022：根据各所述地球磁场信号采样数据，计算对应的磁场数据。
[0064]
步骤103：将所述磁场数据输入定位模型，得到用户位置；其中，所述定位模型是利用训练集对基于多尺度rnns神经网络进行训练得到的；所述训练集包括用户位置的位置标签和对应的磁场数据；所述位置标签包括水平坐标和方向信息。
[0065]
在实际应用中，用户手持智能手机采集序列地磁数据后，将原载体坐标系的三轴地磁数据通过补偿滤波获取的手机姿态转成导航坐标系下的地磁三轴分量，然后实时计算用于定位网络模型输入的五维分量，分别是载体坐标系下的水平分量，导航坐标系下的三轴分量以及地磁模值，并将该五维地磁分量作为定位模型输入，在大范围的室内场景下可以实时识别用户的精准位置与方向信息。如图4实例验证结果显示，在963平米的室内多种场景中，包括走廊、办公室、会议室以及大厅场景，本技术的方法可实现1.14m的平均定位精度，79％的方向识别精度。
[0066]
所述定位模型的构建过程，如图3所示，具体包括：
[0067]
步骤0：获取定位区域中预设路线的地球磁场信号、场景视频和惯导数据，并记录所述地球磁场信号、所述场景视频和所述惯导数据的时间戳，得到带有时间戳的地球磁场信号、带有时间戳的场景视频和带有时间戳的惯导数据；所述预设路线为设定起始点的闭环路线。
[0068]
步骤1：将定位区域中预设路线的所述带有时间戳的场景视频和所述带有时间戳的惯导数据进行视觉惯性里程计的回环检测，得到带有时间戳的场景序列数据；具体地，规划定位区域的采集路线，需覆盖整个定位场景，同时路线呈闭环状，而且每个采集路线的起始点坐标为已知值。测量人员手持智能手机，并启动开发的数据采集软件，具体为开启内置后置相机与mems传感器，包括陀螺仪、加速度计以及磁力计，并将各数据的时间戳进行记录；每条路线采集完毕后，进行视觉里程计的回环检测，利用图优化理论获得精准的六自由度位姿信息。由于手机传感器存在大量噪声以及行人运动复杂，对采集的地磁数据进行去噪。
[0069]
步骤2：对定位区域中预设路线的所述带有时间戳的地球磁场信号进行数据增强，得到增强后的地球磁场信号；具体地，应用rwp模型对所述地球磁场信号进行数据增强，得到增强后的地球磁场信号。具体地，通过数据增强手段获取更多地磁序列数据，具体为采用rwp方法模拟测量人员采集路线，因此获得丰富地磁序列数据用于网络模型训练。
[0070]
步骤3：将所述增强后的地球磁场信号按照预设第一序列长度进行分割，得到多个磁场训练数据。
[0071]
步骤4：根据多个所述磁场训练数据的时间戳，对所述带有时间戳的场景序列数据进行分割，得到对应的多个位置训练信号；具体地，将序列地磁数据，通过固定滑动窗口截取序列地磁数据，用于定位网络模型训练，窗口大小设置为150。进一步地，每个场景训练序列有6s样本，imu设定采样频率为25hz，因此每秒采集25个磁场训练数据。
[0072]
步骤5：根据每个所述磁场训练数据的时间戳，从所述对应的多个位置训练信号中确定对应的位置标签。
[0073]
步骤6：以所述磁场训练数据为输入，以所述位置标签为输出，对所述基于多尺度rnns神经网络进行训练，得到定位模型。
[0074]
在实际应用中，在定位区域设定采集路线，并在起始点标注已知地标，考虑到视觉惯性里程计的特点，路线设定为闭环，可以对全局位置进行图优化。数据采集前将智能手机的相机与imu进行标定，获得相机内参与imu校正偏差，然后手持智能手机从上述路线开始采集视频流数据和mems数据流，以及其各自数据对应的时间戳，同时根据陀螺仪与磁力计计算获得的载体位姿即相对于导航坐标系的旋转角(角度)，其中，为航向角，为翻滚角以及俯仰角，然后计算出导航坐标系下的三维磁场分量。
[0075]
路线采集完后，利用回环检测以及图优化理论对采集的智能终端的六自由度位姿进行全局优化，其中n个采样点的位姿表示为n＝{(t1,p1),(t2,p2),
···
,(tn,pn)}，其中tn表示的是第n个采样点对应的时间戳，pn为第tn时间戳时采样终端的位姿，其中，pn＝(xn,yn,zn,qn)，包括三维坐标(xn,yn,zn)以及角度qn。
[0076]
具体地，所述采集路线与区域覆盖整个定位场景。采集获得地位区域的磁场数据，然后通过rwp方法构建行人虚拟行走轨迹来获得更多的磁场序列数据，以及对应位置信息；然后对原数据进行降噪处理，并对序列数据进行截取固定长度用于接下来的模型训练。
[0077]
图4为多尺度rnns网络架构图；如图4所示，本发明提供的所述基于多尺度rnns神经网络包括长细粒度rnns网络、短细粒度rnns网络、全连接层和集成学习网络。
[0078]
所述长细粒度rnns网络和所述短细粒度rnns网络的输出端分别与所述全连接层的输入端连接；所述全连接层的输出端与所述集成学习网络的输入端连接。
[0079]
所述长细粒度rnns网络用于提取长尺度样本数据的长尺度地磁特性；所述短细粒度rnns网络用于提取短尺度样本数据的短尺度地磁特性；所述全连接层用于对所述长尺度地磁特性向量和所述短尺度地磁特性向量进行拼接，得到拼接后的特征向量；所述集成学习网络用于根据所述拼接后的特征向量输出多个位置标签，并根据所述多个位置标签应用几何加权平均算法确定用户位置。
[0080]
根据本发明提供的所述基于多尺度rnns神经网络，如图4所示，步骤6具体包括：
[0081]
步骤91：按照预设第二序列长度对所述磁场训练数据进行分割，得到多段短尺度样本数据。
[0082]
步骤92：以所述磁场训练数据为长细粒度rnns网络的输入，以多段所述短尺度样本数据为短细粒度rnns网络的输入，以所述位置标签为所述集成学习网络的输出，对所述基于多尺度rnns神经网络进行训练，得到定位模型。
[0083]
在实际应用中，截取的样本数量设定为150，能够获得较好的定位表现，用于模型训练的磁场与其位置标签为其中为第k个id位置所对应的第i段磁场训练数据，每个训练序列由6段序列样本进行拼接，imu设定采样频率为25hz，因此每秒采集25个磁场训练数据，包括5维磁场特征分量，分别是载体坐标系下的水平分量mh，导航坐标系下的三维分量以及磁场强度的模值||m||；lk为第k个位置标签，包括水平坐标xk,yk，以及方向信息dk。
[0084]
定位网络模型对同一段的150个样本同时作为两种尺度进行处理，长尺度是将整个150个样本作为输入，短尺度是将150个地磁序列样本分为三段，每段50个样本作为网络输入，分别表示为t时刻的磁场长、短细粒度向量{x
t
}和{x
t
}；两种输入分别对应长细粒度rnns网络以及短细粒度rnns网络，然后将两种尺度的输出特征进行连接，表示为其中表示长细粒度rnns网络在第m+s个序列获取的地磁长细粒度特征，f
sf
表示短细粒度rnns网络在第s个序列获取的地磁短细粒度特征，f
m+s
为地磁短细粒度特征和地磁长细粒度特征进行拼接后的多尺度地磁特征；将多尺度地磁特征输入集成学习网络，估计多个相互独立的模型获得多个定位结果，例如，当获得5个定位结果时，5个定位结果为{l1,l2,
···
,l5}，最终的定位结果是通过平均获得的位置信息，l
ave
作为模型的输出。
[0085]
本发明提供的基于深度学习的室内位置识别方法，利用智能终端中的内置相机与mems获得精准的位置标签以及磁场数据，结合磁场特征与位置标签构建用于定位模型的训练数据；接下来将固定长度的磁场数据与位置标签作为多尺度rnns定位网络模型的输入，构建该场景下的磁场数据与位置、方向的映射函数；当用户手持智能终端时，并发出定位请求，智能终端设备采集序列地磁数据，并结合当前载体位姿换成导航坐标系下的数据表达，然后将去噪后的5维磁场数据输入进定位模型，通过多尺度rnns网络的特征提取以及集成学习网络，可以识别当前用户的精准位置和方向估计。
[0086]
如图5所示，在不同场景下本发明方法与传统单一长序列或单点匹配的定位精度对比图，可以看出本发明的精度优势，同时在时间消耗上，本发明可以实现35ms的时间相应获得定位结果，满足定位的实时性要求。
[0087]
跟现有的技术相比，本发明具有以下有益效果：
[0088]
通过智能手机端的相机与内置mems获得精准的地磁数据库，并通过数据增强方法获得更加丰富与可靠的离线序列数据，与实际应用相结合，提高数据采集与模型训练速度，有效提高网络模型的抗干扰性；同时构建多尺度rnns网络获取多种细粒度地磁特征，提高地磁特征在大范围室内场景下的可辨识性与差异性；然后利用集成学习网络模型获得地磁数据与对应位置数据的映射关联，提高定位时效性与可靠性。整个定位方法可以有效避免大范围室内场景下的地磁定位的精度低或匹配时延问题，可以实现高精度与实时性，同时获得可信的方向信息。
[0089]
实施例二
[0090]
为了执行上述实施例一对应的方法，以实现相应的功能和技术效果，下面提供一种基于深度学习的室内位置识别系统，如图6所示，所述系统包括：
[0091]
获取模块1，用于获取用户待定位位置的地球磁场信号。
[0092]
预处理模块2，用于对所述用户待定位位置的地球磁场信号进行预处理，得到磁场数据；所述磁场数据包括载体坐标系下水平地磁分量、导航坐标系下的三维磁场分量和导航坐标系下的磁场强度模值。
[0093]
定位模块3，用于将所述磁场数据输入定位模型，得到用户位置；其中，所述定位模型是利用训练集对基于多尺度rnns神经网络进行训练得到的；所述训练集包括用户位置的位置标签和对应的磁场数据；所述位置标签包括水平坐标和方向信息。
[0094]
实施例三
[0095]
本发明实施例提供一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行计算机程序以使电子设备执行实施例一的基于深度学习的室内位置识别方法。
[0096]
可选地，上述电子设备可以是服务器。
[0097]
另外，本发明实施例还提供一种计算机可读存储介质，其存储有计算机程序，该计算机程序被处理器执行时实现实施例一的基于深度学习的室内位置识别方法。
[0098]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0099]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

技术特征：
1.一种基于深度学习的室内位置识别方法，其特征在于，所述方法包括：获取用户待定位位置的地球磁场信号；对所述用户待定位位置的地球磁场信号进行预处理，得到磁场数据；所述磁场数据包括载体坐标系下水平地磁分量、导航坐标系下的三维磁场分量和导航坐标系下的磁场强度模值；将所述磁场数据输入定位模型，得到用户位置；其中，所述定位模型是利用训练集对基于多尺度rnns神经网络进行训练得到的；所述训练集包括用户位置的位置标签和对应的磁场数据；所述位置标签包括水平坐标和方向信息。2.根据权利要求1所述的基于深度学习的室内位置识别方法，其特征在于，对所述用户待定位位置的地球磁场信号进行预处理，得到磁场数据，具体包括：根据预设的采样频率，从所述用户待定位位置的地球磁场信号中确定多个地球磁场信号采样数据；根据各所述地球磁场信号采样数据，计算对应的磁场数据。3.根据权利要求1所述的基于深度学习的室内位置识别方法，其特征在于，所述定位模型的构建过程，具体包括：获取定位区域中预设路线的地球磁场信号、场景视频和惯导数据，并记录所述地球磁场信号、所述场景视频和所述惯导数据的时间戳，得到带有时间戳的地球磁场信号、带有时间戳的场景视频和带有时间戳的惯导数据；所述预设路线为设定起始点的闭环路线；将定位区域中预设路线的所述带有时间戳的场景视频和所述带有时间戳的惯导数据进行视觉惯性里程计的回环检测，得到带有时间戳的场景序列数据；对定位区域中预设路线的所述带有时间戳的地球磁场信号进行数据增强，得到增强后的地球磁场信号；将所述增强后的地球磁场信号按照预设第一序列长度进行分割，得到多个磁场训练数据；根据多个所述磁场训练数据的时间戳，对所述带有时间戳的场景序列数据进行分割，得到对应的多个位置训练信号；根据每个所述磁场训练数据的时间戳，从所述对应的多个位置训练信号中确定对应的位置标签；以所述磁场训练数据为输入，以所述位置标签为输出，对所述基于多尺度rnns神经网络进行训练，得到定位模型。4.根据权利要求3所述的基于深度学习的室内位置识别方法，其特征在于，所述基于多尺度rnns神经网络包括长细粒度rnns网络、短细粒度rnns网络、全连接层和集成学习网络；所述长细粒度rnns网络和所述短细粒度rnns网络的输出端分别与所述全连接层的输入端连接；所述全连接层的输出端与所述集成学习网络的输入端连接；所述长细粒度rnns网络用于提取长尺度样本数据的长尺度地磁特性；所述短细粒度rnns网络用于提取短尺度样本数据的短尺度地磁特性；所述全连接层用于对所述长尺度地磁特性向量和所述短尺度地磁特性向量进行拼接，得到拼接后的特征向量；所述集成学习网络用于根据所述拼接后的特征向量输出多个位置标签序列，并根据所述多个位置标签应用几何加权平均算法确定用户位置。
5.根据权利要求4所述的基于深度学习的室内位置识别方法，其特征在于，以所述磁场训练数据为输入，以所述位置标签为输出，对所述基于多尺度rnns神经网络进行训练，得到定位模型，具体包括：按照预设第二序列长度对所述磁场训练数据进行分割，得到多段短尺度样本数据；以所述磁场训练数据为长细粒度rnns网络的输入，以多段所述短尺度样本数据为短细粒度rnns网络的输入，以所述位置标签为所述集成学习网络的输出，对所述基于多尺度rnns神经网络进行训练，得到定位模型。6.根据权利要求3所述的基于深度学习的室内位置识别方法，其特征在于，应用rwp模型对所述地球磁场信号进行数据增强，得到增强后的地球磁场信号。7.根据权利要求3所述的基于深度学习的室内位置识别方法，其特征在于，获取定位区域中预设路线的所述地球磁场信号的设备为智能手机；所述智能手机包括内置相机和mems元器件。8.一种基于深度学习的室内位置识别系统，其特征在于，所述系统包括：获取模块，用于获取用户待定位位置的地球磁场信号；预处理模块，用于对所述用户待定位位置的地球磁场信号进行预处理，得到磁场数据；所述磁场数据包括载体坐标系下水平地磁分量、导航坐标系下的三维磁场分量和导航坐标系下的磁场强度模值；定位模块，用于将所述磁场数据输入定位模型，得到用户位置；其中，所述定位模型是利用训练集对基于多尺度rnns神经网络进行训练得到的；所述训练集包括用户位置的位置标签和对应的磁场数据；所述位置标签包括水平坐标和方向信息。9.一种电子设备，其特征在于，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行根据权利要求1至7中任一项所述的基于深度学习的室内位置识别方法。10.根据权利要求9所述的一种电子设备，其特征在于，所述存储器为可读存储介质。

技术总结
本发明公开一种基于深度学习的室内位置识别方法、系统及电子设备，涉及室内地磁定位领域，该方法包括获取用户待定位位置的地球磁场信号；对用户待定位位置的地球磁场信号进行预处理，得到磁场数据；将磁场数据输入定位模型，得到用户位置。本发明能够提高定位指纹的辨识度，从而提高室内定位的精度。从而提高室内定位的精度。从而提高室内定位的精度。


技术研发人员：陈国良 束明聪
受保护的技术使用者：中国矿业大学
技术研发日：2023.02.21
技术公布日：2023/7/12