位置参数估计方法和装置

本发明涉及机器学习，尤其涉及一种位置参数估计方法和装置。

背景技术：

1、现有主流机器学习位置参数估计方案主要由编码器、解码器、回归器三部分构成，亦或者仅包括编码器、回归器。其中编码器主要接收从基站端接收到的信号波形数据，并将高维信号编码为低维的特征向量，以对有价值的信号特征进行筛选并归一化，提升特征利用的效率与有效性；解码器通常与编码器联合使用，用于将低维特征向量重新映射到高维空间中成为信号估计张量，用以优化编码器的有效性；回归器主要基于各种机器学习算法，学习信号特征到位置参数之间的映射关系，并在相同的数据域中执行推断任务，基于输入信号实现对位置参数的估计。

2、然而，由于输入的数据分布与训练集中的数据分布的差别，现有的机器学习位置参数估计算法泛化性较差。在新的定位场景中，会由于其数据分布与训练集中的数据分布的差别而产生精度上的坍塌式下降。数据分布的差别主要有两种来源：输入高维波形分布的差别、近似输入波形情况下，输出参数分布的差别。进一步来说，传统的机器学习算法能够通过多场景数据联合学习，学习到输入高维波形分布的差别，但是在近似输入情况下由于缺少先验信息，因此难以估计输出参数分布的具体形式，从而导致精度严重下降。

3、综上所述，现有技术存在精度不足、泛化性较差的问题。

技术实现思路

1、本发明提供一种位置参数估计方法和装置，用以解决现有技术中精度不足、泛化性较差的缺陷，实现精度更高、泛化性更高的位置参数估计。

2、本发明提供一种位置参数估计方法，包括：

3、获取半监督数据集和目标时刻的接收波形；

4、将所述半监督数据集和所述接收波形输入至预先构建的半监督位置参数估计模型中，以得到分布推断结果；

5、其中，所述半监督位置参数估计模型是基于深度神经网络利用样本数据集使用变分推断理论训练得到的，所述半监督位置参数估计模型至少包括编码器和回归器。

6、根据本发明提供的一种位置参数估计方法，将所述半监督数据集和所述接收波形输入至预先构建的半监督位置参数估计模型中，以得到分布推断结果，具体包括：

7、利用编码器对所述半监督数据集进行降维并聚合，以得到推断隐变量；其中，所述编码器包括有监督编码器与无监督编码器；

8、利用回归器基于所述推断隐变量得到分布推断结果。

9、根据本发明提供的一种位置参数估计方法，基于深度神经网络利用样本数据集使用变分推断理论训练得到所述半监督位置参数估计模型，具体包括：

10、构建样本数据集；

11、基于所述样本数据集获取波形样本数据对；其中，所述样本数据集至少包括海量波形样本数据对，所述波形样本数据对包括波形信号样本和位置标签；

12、利用无监督编码器与有监督编码器联合推断所述波形样本数据对，得到第一隐变量分布和第二隐变量分布；其中，所述第一隐变量分布是利用无监督编码器对输入波形降维得到的，所述第二隐变量分布是利用有监督编码器对波形样本数据对降维得到的；所述输入波形是波形样本数据对包括的波形信号样本；

13、基于所述第一隐变量分布和所述第二隐变量分布计算得到第一误差、第二误差和第三误差；

14、利用聚合器将所述第一隐变量分布和第二隐变量分布聚合，得到当前环境的映射隐变量估计；

15、将所述映射隐变量估计与所述输入波形输入至回归器，得到位置参数估计结果；比较所述位置参数估计结果和所述输入波形的位置标签，得到第四误差；其中，所述输入波形是波形样本数据对包括的波形信号样本；

16、计算所述位置参数估计结果的证据下界；其中，所述证据下界是利用第一误差、第二误差、第三误差和第四误差，基于第一预设公式计算得到的；

17、基于所述证据下界执行梯度下降，以得到半监督位置参数估计模型。

18、根据本发明提供的一种位置参数估计方法，基于所述第一隐变量分布和所述第二隐变量分布计算得到第一误差、第二误差和第三误差，具体包括：

19、基于所述第一隐变量分布重构波形分布，以得到重构波形；

20、基于所述重构波形和输入波形计算第一误差，基于所述第一隐变量分布计算第二误差；

21、衡量所述第二隐变量分布和第一隐变量分布之间的kl散度，并求和，以得到第三误差。

22、根据本发明提供的一种位置参数估计方法，所述第一预设公式包括：

23、

24、其中，表示半监督位置参数估计模型所能描述的样本数据集内在的似然关系；表示样本数据集中的位置标签；表示样本数据集中位置标签对应的波形信号样本；表示样本数据集中在m个环境中每个环境所采集的s个无监督的波形信号样本；elbonpr,m表示第m个环境中与npr有关的证据下界，elbovae,m表示第m个环境中与vae有关的证据下界，

25、

26、表示第三误差；表示第m个环境中，n个第二隐变量分布的聚合结果；表示第m个环境中，无监督样本数据下隐变量后验分布的变分推断；zm表示第m个环境中的隐变量；表示样本数据集中第m个环境中采集的n个位置标签；表示样本数据集中第m个环境中采集的n个位置标签对应的波形信号样本；表示第四误差；表示映射隐变量估计；表示第m个环境中，有位置标签的n个波形信号样本数据在隐变量存在情况下的似然；表示样本数据集中第m个环境中的无位置标签的s个波形信号样本；表示第二误差；表示第m个环境中，所有第一隐变量分布的聚合结果；fθ(zm)表示隐变量先验；表示第一误差；表示第m个环境中，所有重构波形的聚合结果。

27、根据本发明提供的一种位置参数估计方法，构建样本数据集，具体包括：

28、采集海量波形信号样本；

29、s1：提取一个波形信号样本，定位所述波形信号样本在当前坐标系下的预设坐标，以得到所述波形信号样本的位置标签；

30、s2：所述位置标签和所述波形信号样本组成一个波形样本数据对；

31、重复步骤s1-s2，得到海量波形样本数据对，利用海量波形样本数据对构建样本数据集。

32、本发明还提供一种位置参数估计装置，包括：

33、获取单元，用于获取半监督数据集和目标时刻的接收波形；

34、推断单元，用于将所述半监督数据集和所述接收波形输入至预先构建的半监督位置参数估计模型中，以得到分布推断结果；

35、其中，所述半监督位置参数估计模型是基于深度神经网络利用样本数据集使用变分推断理论训练得到的，所述半监督位置参数估计模型至少包括编码器和回归器。

36、本发明还提供一种电子设备，包括存储器、处理器及存储在存储器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程序时实现如上述任一种所述位置参数估计方法。

37、本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述位置参数估计方法。

38、本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述位置参数估计方法。

39、本发明提供的一种位置参数估计方法和装置，通过获取半监督数据集和目标时刻的接收波形；将所述半监督数据集和所述接收波形输入至预先构建的半监督位置参数估计模型中，以得到分布推断结果；其中，所述半监督位置参数估计模型是基于深度神经网络利用样本数据集使用变分推断理论训练得到的，所述半监督位置参数估计模型至少包括编码器和回归器。本发明提供的半监督位置参数估计模型具有在推断中主动学习的能力，并能够有效利用半监督数据集进行参数推断，能够显著降低机器学习算法在定位系统中部署所产生的通信、计算成本以及数据集采集成本，实现精度更高、泛化性更高的位置参数估计。