基于换流站巡检机器人无线信道指纹特征的区域识别方法与流程

1.本技术涉及计算机技术领域，特别是涉及一种基于换流站巡检机器人无线信道指纹特征的区域识别方法、装置、计算机设备、存储介质和计算机程序产品。


背景技术：

2.换流站的巡检任务是保证电网正常运行的关键，随着计算机技术的发展，各种各样的换流站巡检方法层出不穷。
3.目前，在进行换流站的巡检时，常常采用巡检机器人对换流站进行巡检，代替了传统的人工巡检模式。然而，由于换流站中存在复杂的信号干扰，在四巡检机器人对换流站进行巡检时，常常无法准确地监测到巡检机器人当前位置，不便于对巡检机器人进行巡检管理。
4.因此，传统技术中存在识别巡检机器人巡检区域不够准确的问题。


技术实现要素：

5.基于此，有必要针对上述技术问题，提供一种能够更准确地识别巡检机器人当前所在位置的基于换流站巡检机器人无线信道指纹特征的区域识别方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
6.一种基于换流站巡检机器人无线信道指纹特征的区域识别方法，其特征在于，方法包括：
7.获取通过换流站的信号接收端接收到的巡检机器人发射信号；巡检机器人发射信号为在换流站中的巡检机器人发射的无线信号；
8.根据巡检机器人发射信号，提取出巡检机器人的无线信道对应的多个指纹特征信息；各指纹特征信息用于表征巡检机器人的无线信道中相应的信号衰落特征；
9.根据多个指纹特征信息，生成巡检机器人当前所处区域对应的指纹特征向量；
10.获取换流站中各巡检区域对应的指纹特征向量，将各巡检区域的对应的指纹特征向量分别与当前所处区域对应的指纹特征向量进行比对，得到各巡检区域对应的区域相似信息；区域相似信息用于确定当前所处区域在换流站中的区域位置信息。
11.在其中一个实施例中，根据巡检机器人发射信号，提取出巡检机器人的无线信道对应的多个指纹特征信息，包括：
12.将巡检机器人发射信号输入至无线信道特征提取模型，得到巡检机器人的无线信道中各信道样点对应的信号特征数据；
13.根据各信道样点对应的信号特征数据，生成信号特征数据序列，并对信号特征数据序列进行指纹特征提取，得到巡检机器人的无线信道对应的多个指纹特征信息。
14.在其中一个实施例中，将巡检机器人发射信号输入至无线信道特征提取模型，得到巡检机器人的无线信道中各信道样点对应的信号特征数据，包括：
15.将巡检机器人发射信号输入至理想信号特征提取子模型，得到巡检机器人的无线
信道中各信道样点对应的理想信号特征数据；
16.将理想信号特征数据输入至实际信号特征提取子模型，得到巡检机器人的无线信道中各信道样点实际对应的信号特征数据。
17.在其中一个实施例中，根据各信道样点对应的信号特征数据，生成信号特征数据序列，并对信号特征数据序列进行指纹特征提取，得到巡检机器人的无线信道对应的多个指纹特征信息，包括：
18.根据各信道样点对应的信号特征数据，生成巡检机器人的无线信道对应的信号特征数据序列；
19.对信号特征数据序列进行降噪处理，得到降噪后的信号特征数据序列；
20.对降噪后的信号特征数据序列进行指纹特征提取，得到巡检机器人的无线信道对应的多个指纹特征信息。
21.在其中一个实施例中，对信号特征数据序列进行降噪处理，得到降噪后的信号特征数据序列，包括：
22.根据信号特征数据序列，生成巡检机器人的无线信道对应的信号特征矩阵；
23.对信号特征矩阵进行预降噪处理，得到预降噪后的信号特征矩阵；
24.提取预降噪后的信号特征矩阵中的元素，生成降噪后的信号特征数据序列；
25.将预降噪后的信号特征数据序列输入至小波降噪模型，得到降噪后的信号特征数据序列。
26.在其中一个实施例中，获取换流站中各巡检区域对应的指纹特征向量，将各巡检区域的对应的指纹特征向量分别与当前所处区域对应的指纹特征向量进行比对，得到各巡检区域对应的区域相似信息，包括：
27.获取换流站中各巡检区域对应的指纹特征向量，将各巡检区域对应的指纹特征向量分别与当前所处区域对应的指纹特征向量进行比对，得到各巡检区域对应的指纹特征相似向量；
28.根据各指纹特征信息对应的权重信息，生成指纹特征权重向量，并分别根据各巡检区域对应的指纹特征相似向量和指纹特征权重向量，确定各巡检区域对应的区域相似信息；各巡检区域对应的区域相似信息表征各巡检区域与当前所处区域的区域相似度。
29.一种基于换流站巡检机器人无线信道指纹特征的区域识别装置，其特征在于，装置包括：
30.获取模块，用于获取通过换流站的信号接收端接收到的巡检机器人发射信号；巡检机器人发射信号为在换流站中的巡检机器人发射的无线信号；
31.提取模块，用于根据巡检机器人发射信号，提取出巡检机器人的无线信道对应的多个指纹特征信息；各指纹特征信息用于表征巡检机器人的无线信道中相应的信号衰落特征；
32.生成模块，用于根据多个指纹特征信息，生成巡检机器人当前所处区域对应的指纹特征向量；
33.确定模块，用于获取换流站中各巡检区域对应的指纹特征向量，将各巡检区域的对应的指纹特征向量分别与当前所处区域对应的指纹特征向量进行比对，得到各巡检区域对应的区域相似信息；区域相似信息用于确定当前所处区域在换流站中的区域位置信息。
34.一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，其特征在于，处理器执行计算机程序时实现上述的方法的步骤。
35.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，计算机程序被处理器执行时实现上述的方法的步骤。
36.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现上述的方法的步骤。
37.上述基于换流站巡检机器人无线信道指纹特征的区域识别方法、装置、计算机设备、存储介质和计算机程序产品，通过获取通过换流站的信号接收端接收到的巡检机器人发射信号；巡检机器人发射信号为在换流站中的巡检机器人发射的无线信号；再根据巡检机器人发射信号，提取出巡检机器人的无线信道对应的多个指纹特征信息；各指纹特征信息用于表征巡检机器人的无线信道中相应的信号衰落特征；再根据多个指纹特征信息，生成巡检机器人当前所处区域对应的指纹特征向量；再获取换流站中各巡检区域对应的指纹特征向量，将各巡检区域的对应的指纹特征向量分别与当前所处区域对应的指纹特征向量进行比对，得到各巡检区域对应的区域相似信息；区域相似信息用于确定当前所处区域在换流站中的区域位置信息；如此，实现了根据巡检机器人的巡检任务对应的当前区域信道特征进行提取，并根据巡检机器人对应的当前区域信道特征和各巡检区域对应的区域信道特征之间的相似度，能够精确地确定巡检机器人在换流站的位置，能够更加高效地对换流站中的巡检机器人进行巡检管理，有利于维护电网的安全运行。
附图说明
38.图1为一个实施例中一种无线信道指纹特征区域识别方法的应用环境图；
39.图2为一个实施例中一种无线信道指纹特征区域识别方法的流程示意图；
40.图3为一个实施例中一种巡检机器人发射信号的传输过程示意图；
41.图4为一个实施例中一种无线信道指纹特征分析方法的分析流程图；
42.图5为一个实施例中一种基于svd奇异值分解的小波降噪方法流程图；
43.图6为一个实施例中一种基于固定阈值的小波降噪方法流程图；
44.图7为另一个实施例中一种无线信道指纹特征区域识别方法流程示意图；
45.图8为一个实施例中一种无线信道指纹特征区域识别装置的结构框图；
46.图9为一个实施例中计算机设备的内部结构图。
具体实施方式
47.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
48.本技术实施例提供的基于换流站巡检机器人无线信道指纹特征的区域识别方法，可以应用于如图1所示的应用环境中。其中，巡检机器人102通过网络与服务器104进行通信。服务器104获取通过换流站的信号接收端接收到的巡检机器人发射信号；巡检机器人发射信号为在换流站中的巡检机器人发射的无线信号；服务器104根据巡检机器人发射信号，提取出巡检机器人的无线信道对应的多个指纹特征信息；各指纹特征信息用于表征巡检机
器人的无线信道中相应的信号衰落特征；服务器104根据多个指纹特征信息，生成巡检机器人当前所处区域对应的指纹特征向量；服务器104获取换流站中各巡检区域对应的指纹特征向量，将各巡检区域的对应的指纹特征向量分别与当前所处区域对应的指纹特征向量进行比对，得到各巡检区域对应的区域相似信息；区域相似信息用于确定当前所处区域在换流站中的区域位置信息。其中，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
49.在一个实施例中，如图2所示，提供了一种基于换流站巡检机器人无线信道指纹特征的区域识别方法，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤：
50.步骤s202，获取通过换流站的信号接收端接收到的巡检机器人发射信号；巡检机器人发射信号为在换流站中的巡检机器人发射的无线信号。
51.具体实现中，服务器通过换流站的信号接收端接收到的巡检机器人发射信号。
52.其中，巡检机器人发射信号的传输过程如图3所示，首先，巡检机器人的中控平台发射无线电波信号，并通过射频滤波器将无线电波信号进行滤波处理，然后，滤波处理后的无线电波信号会被传输至通讯无线信道，其中，无线电波信号会受到通讯无线信道中由于多径传输差异、外界环境噪声干扰和多径时延带来的强烈电磁噪声信号的影响，最后，受到强烈电磁噪声信号影响的无线电波信号被无线交换机接收，无线交换机对无线电波信号进行数据处理，得到信号处理结果，并将该信号处理结果发送至客户端。
53.步骤s204，根据巡检机器人发射信号，提取出巡检机器人的无线信道对应的多个指纹特征信息；各指纹特征信息用于表征巡检机器人的无线信道中相应的信号衰落特征。
54.其中，信号衰落特征可以是基于多普勒扩展、时延扩展、路径损耗、时域峰值分析以及频域峰值分析等方法对信号数据进行处理得到参数特征。
55.具体实现中，服务器根据巡检机器人发射信号，对巡检机器人发射信号进行数据处理，得到巡检机器人的无线信道对应的各个指纹特征信息，比如基于多普勒扩展、时延扩展、路径损耗、时域峰值分析以及频域峰值分析等方法对信号进行数据处理得到的参数特征。
56.步骤s206，根据多个指纹特征信息，生成巡检机器人当前所处区域对应的指纹特征向量。
57.具体实现中，服务器根据各个指纹特征信息，生成巡检机器人当前所处区域无线信道对应的指纹特征向量。
58.步骤s208，获取换流站中各巡检区域对应的指纹特征向量，将各巡检区域的对应的指纹特征向量分别与当前所处区域对应的指纹特征向量进行比对，得到各巡检区域对应的区域相似信息；区域相似信息用于确定当前所处区域在换流站中的区域位置信息。
59.其中，区域相似信息可以是表征各巡检区域与当前所处区域的无线信道衰落特征对应的特征相似度信息。
60.具体实现中，服务器获取换流站中各个巡检区域对应的指纹特征向量，服务器再将各个巡检区域对应的指纹特征向量分别与巡检机器人当前所处区域对应的指纹特征向量进行比对，得到各个巡检区域与巡检机器人当前所处区域的无线信道相似信息，作为各巡检区域对应的区域相似信息，服务器将区域相似信息对应的相似度大小进行比较，并将区域相似度最大的巡检区域作为巡检机器人的当前所处区域，完成对巡检机器人的定位识
别。
61.为了便于本领域技术人员的理解，图4示例性地提供了一种基于换流站四足机器人无线信道指纹特征分析方法的分析流程图。首先，基于无线信道建立模型，并考虑四足机器人的动态变化，建立无线信道时变模型，通过无线信道时变模型将四足机器人发射信号转换为信号特征数据，得到信号特征数据矩阵，然后，基于svd奇异值分解(一种机器学习的数据降维算法)原理对信号特征数据矩阵进行预降噪处理，进一步地，对预降噪处理后的信号特征数据通过固定阈值的小波降噪方法进行二次降噪处理，最后，对信号特征数据的基本参量进行数据处理，以计算出无线信道指纹特征数据，根据无线信道指纹特征数据对四足机器人的巡检区域进行识别。
62.上述基于换流站巡检机器人无线信道指纹特征的区域识别方法、装置、计算机设备、存储介质和计算机程序产品，通过获取通过换流站的信号接收端接收到的巡检机器人发射信号；巡检机器人发射信号为在换流站中的巡检机器人发射的无线信号；再根据巡检机器人发射信号，提取出巡检机器人的无线信道对应的多个指纹特征信息；各指纹特征信息用于表征巡检机器人的无线信道中相应的信号衰落特征；再根据多个指纹特征信息，生成巡检机器人当前所处区域对应的指纹特征向量；再获取换流站中各巡检区域对应的指纹特征向量，将各巡检区域的对应的指纹特征向量分别与当前所处区域对应的指纹特征向量进行比对，得到各巡检区域对应的区域相似信息；区域相似信息用于确定当前所处区域在换流站中的区域位置信息；如此，实现了根据巡检机器人的巡检任务对应的当前区域信道特征进行提取，并根据巡检机器人对应的当前区域信道特征和各巡检区域对应的区域信道特征之间的相似度，能够精确地确定巡检机器人在换流站的位置，能够更加高效地对换流站中的巡检机器人进行巡检管理，有利于维护电网的安全运行。
63.在另一个实施例中，根据巡检机器人发射信号，提取出巡检机器人的无线信道对应的多个指纹特征信息，包括：将巡检机器人发射信号输入至无线信道特征提取模型，得到巡检机器人的无线信道中各信道样点对应的信号特征数据；根据各信道样点对应的信号特征数据，生成信号特征数据序列，并对信号特征数据序列进行指纹特征提取，得到巡检机器人的无线信道对应的多个指纹特征信息。
64.其中，无线信道特征提取模型可以是用于确定无线信道中的信号特征数据的模型。
65.其中，信号特征数据可以是无线信道中的信号值。
66.具体实现中，服务器将巡检机器人发射信号输入至无线信道特征提取模型，得到巡检机器人的无线信道中各信道样点对应的信号值，服务器根据巡检机器人的无线信道中各信道样点对应的信号值，生成信号特征数据序列，服务器对信号特征数据序列进行指纹特征提取，得到巡检机器人的无线信道对应的多个指纹特征信息，比如多普勒扩展参数信息、时延扩展参数信息、路径损耗参数信息、时域峰值分析参数信息以及频域峰值分析参数信息。
67.本实施例的技术方案，通过将巡检机器人发射信号输入至无线信道特征模型，得到无线信道中各信道样点对应的信号特征数据，并生成信号特征数据序列，再根据信道衰落特征对信号特征数据序列进行指纹特征提取，将复杂多变的无线信号转换为可视化数据，有利于对巡检机器人的定位识别。
68.在另一个实施例中，将巡检机器人发射信号输入至无线信道特征提取模型，得到巡检机器人的无线信道中各信道样点对应的信号特征数据，包括：将巡检机器人发射信号输入至理想信号特征提取子模型，得到巡检机器人的无线信道中各信道样点对应的理想信号特征数据；将理想信号特征数据输入至实际信号特征提取子模型，得到巡检机器人的无线信道中各信道样点实际对应的信号特征数据。
69.其中，理想信号特征提取子模型可以是用于获取无线信道中的理想信号值的模型。
70.其中，实际信号特征提取子模型可以是用于将无线信道中的理想信号值转化为实际信号值的模型。
71.具体实现中，服务器将巡检机器人发射信号输入至理想信号特征提取子模型，得到巡检机器人的无线信道中各信道样点对应的理想信号特征数据，服务器将理想信号特征数据输入至实际信号特征提取子模型，得到巡检机器人的无线信道中各信道样点实际对应的信号特征数据。
72.为了便于本领域技术人员的理解，下述示例性地提供了一种确定无线信道的信号特征数据无线信道建模方法。该方法根据平坦衰落信道模型理论，由于发射信号存在多径传输差异，使得发射信号在不同的传输路径存在不同的时延以及不同的信道系数，其中，时延导致信号在传输过程中发生传输延迟，信道系数导致信号在传输过程发生信号衰减。由于信号的传输表现是信号在所有传输路径的叠加体现，该方法首先建立理想无线信道特征模型，然后，建立基本无线信道特征模型，进一步地，构建无线信道特征模型需选用的测试发射信号，最后引入时间参数t，建立无线信道时变模型。该方法的具体步骤如下：
73.步骤1：建立理想信道模型：
[0074][0075]
由于信道样点在信道按照一定的时间间隔分布，设取样时间间隔为δκ，则取样时间间隔δκ为信号总长度对应的时间tn除以样点总数n，信道样点从0时刻进行采样，因而信道样点n是指信号在(n-1)δκ时刻采集到的信号值的代号，在上述公式中，l为当前时刻信号传递路径的总数；n为样点标识总数，即为信号长度；γ
l
当前时刻第l条信号传递路径的信道系数，反映信号在该条路径传递的衰落情况，因而取值范围为(0,1)；τ
l
为当前时刻第l条路径的时延，τ
l
折算为样点的整数倍，即信号在该时刻延迟了τ
l
个样点，τ
l
的单位为样点数的整数倍；x(n)为理想信道中样点n的测量结果，理想信道即无噪声信号影响下的传播信道，是一种理想传播情况，可表征无线信道的理想传输特征。
[0076]
步骤2：在理想信道模型中引入外界噪声影响，建立基本无线信道特征模型：
[0077][0078]
其中，y(n)为考虑外界噪声影响下信号在样点n处的信号值的测量结果，是真实的信号测量结果，表征无线信道的真实传输特征；为滤波器长度，ξ(μ)为射频滤波器长度对应为μ时的滤波器系数，且等效为所有射频滤波器在无线信道中的影响作用，由于采用的滤波器已知，故滤波器参数均为已知量，φ(n)为该时刻样本点n所引入的电磁噪声信号的影响。
[0079]
步骤3：构建步骤2中基本无线信道特征模型的测试发射信号。假设测试发射信号为单位阶跃脉冲信号：
[0080][0081]
步骤4：建立无线信道时变模型。在基本无线信道特征模型的基础上引入时间参数t，同时根据实际对巡检机器人的二维巡检平面进性区域划分，以坐标(i,j)描述巡检机器人实时所在巡检区域，以反映巡检机器人位置的动态变化，综合上述数据，基于所建立的基本无线信道特征模型，建立考虑四足机器人动态变化的无线信道时变模型：
[0082][0083][0084]
其中，t为样本标识点对应的测试时刻,为在t时刻区域坐标(i,j)处，信号在第l条信号传递路径的信道系数；为在t时刻区域坐标(i,j)处，信号在第l条路径的时延；φ
i,j
(n,t)为在t时刻区域坐标(i,j)处，样点n处的噪声信号大小；x
i,j
(n,t)为在t时刻区域坐标(i,j)处，在样点n处理想信道信号值；y
i,j
(n,t)为在t时刻区域坐标(i,j)处，在样点n处信号的真实测量值。
[0085]
本实施例的技术方案，通过将巡检机器人发射信号输入至理想信号特征提取子模型，并考虑了信号噪声影响，将理想信号特征数据输入至实际信号特征提取子模型，得到巡检机器人的无线信道中各信道样点实际对应的信号特征数据，在对信号特征数据序列进行指纹特征提取时，能够得到更准确的指纹特征信息，有利于更准确地实现对巡检机器人的定位识别。
[0086]
在另一个实施例中，根据各信道样点对应的信号特征数据，生成信号特征数据序列，并对信号特征数据序列进行指纹特征提取，得到巡检机器人的无线信道对应的多个指纹特征信息，包括：根据各信道样点对应的信号特征数据，生成巡检机器人的无线信道对应的信号特征数据序列；对信号特征数据序列进行降噪处理，得到降噪后的信号特征数据序列；对降噪后的信号特征数据序列进行指纹特征提取，得到巡检机器人的无线信道对应的多个指纹特征信息。
[0087]
具体实现中，服务器根据巡检机器人的无线信道各信道样点对应的信号特征数据，生成巡检机器人的无线信道对应的信号特征数据序列，服务器对信号特征数据序列进行降噪处理，得到降噪后的信号特征数据序列，服务器再对降噪后的信号特征数据序列进行指纹特征提取，得到巡检机器人的无线信道对应的多个指纹特征信息，比如多普勒扩展参数信息、时延扩展参数信息、路径损耗参数信息、时域峰值分析参数信息以及频域峰值分析参数信息。
[0088]
为了便于本领域技术人员的理解，下述示例性地提供了一种换流站巡检机器人无线信道的指纹特征提取方法，其基于无线信道的衰落特征，首先对信号数据基本参量进行预处理，再根据信号数据基本参量计算出指纹特征参数。
[0089]
其中，在对信号数据基本参量进行预处理的过程中，首先将降噪处理后的信号特
征数据y
′
i,j
(n,t)进行处理，由于y
′
i,j
(n,t)为复变信号，故对y
′
i,j
(n,t)的瞬时幅度、瞬时功率进行计算处理，根据下述公式：
[0090][0091]
计算出y
′
i,j
(n,t)的瞬时幅度ap
i,j
(n,t)，其中，real(y
′
i,j
(n,t))为复变信号y
′
i,j
(n,t)的实部，imag(y
′
i,j
(n,t))为复变信号y
′
i,j
(n,t)的虚部。根据下述公式：
[0092]
p
i,j
(n,t)＝[ap
i,j
(n,t)]2[0093]
计算出y
′
i,j
(n,t)的瞬时功率p
i,j
(n,t)。根据下述公式
[0094]
ap
i,j
(n,t)
→
fourier transform
→
af
i,j
(n,t)
[0095]
对y
′
i,j
(n,t)的瞬时幅度ap
i,j
(n,t)进行傅里叶变换，进而得到频域分析的数据af
i,j
(n,t)。
[0096]
其中，在根据信号数据基本参量计算出指纹特征参数的过程中，需要进行多普勒扩展的计算、时延扩展的计算、路径损耗的计算和信号峰值分析。
[0097]
其中，在进行多普勒扩展计算时，需要确定最大频移fm，其中fm根据公式：
[0098][0099]
计算得出。其中，v为信号在该信道中的传输速度，该速度大小为信号传输距离除以信号传输时间(以信号发射到接收到的信号瞬时幅度的最大值近似为信号传输时间)得到，c为理想情况下电磁波的传播速度，fc为信号的发射频率，可由发射信号的信息获知。
[0100]
多普勒扩展的计算是基于典型的多普勒功率谱公式：
[0101][0102]
进行计算，利用多普勒功率谱中f＝fc处的多普勒功率值作为多普勒扩展的特征参数。
[0103]
其中，在进行时延扩展的计算时，是基于全局平均附加时延与全局rms时延扩展的计算方法进行计算，具体计算公式如下：
[0104][0105][0106]
[0107][0108]
其中，为理想状态下输入滤波器的阶跃信号在信号标识点n处的瞬时功率，δt为信号序列中相邻样本的测量间隔，为信号峰值r
t
′
op
[n,t]处对应的时延，为全局附加时延，为全局rms时延扩展。为全局附加时延二次方的期望值，为时延扩展的特征参数。
[0109]
其中，在进行路径损耗的计算时，根据公式
[0110][0111]
计算出该区域巡检机器人通讯信号的路径损耗。其中，pr为发射信号功率，为所计算的在t时刻信号的路径损耗。通过对不同时间下的路径损耗经进行计算得到该区域巡检机器人通讯信号的路径损耗集合：
[0112][0113]
对上述集合利用线性最小二乘法进行数据拟合，可以得到拟合直线斜率对上述集合利用线性最小二乘法进行数据拟合，可以得到拟合直线斜率即为路径损耗的特征参数。
[0114]
其中，在进行信号峰值分析时，对于降噪信号数据y
′
i,j
，从时域分析及频域分析的角度提取不同幅值区间的信号幅度峰值数目集合其中num1为时域分析的峰值区间数目，num2为频域分析的峰值区间数目，需要对ap
i,j
(n,t)、af
i,j
(n,t)数据按照不同幅值区间进行峰值数目统计。
[0115]
如此，确定了换流站中巡检机器人无线信道的指纹特征信息，包括多普勒扩展参数信息、时延扩展参数信息、路径损耗参数信息、时域峰值分析参数信息以及频域峰值分析参数信息。
[0116]
本实施例的技术方案，通过将无线信道中的各信道样点对应的信号特征数据生成信号特征数据序列，并对信号特征数据序列进行降噪处理，再将降噪后的信号特征数据序列进行指纹特征提取，将复杂的信号数据转换为具有实际含义的特征数据，实现了对无线信道的特征分析，有利于对巡检机器人的无线信道的特征识别。
[0117]
在另一个实施例中，对信号特征数据序列进行降噪处理，得到降噪后的信号特征数据序列，包括：根据信号特征数据序列，生成巡检机器人的无线信道对应的信号特征矩阵；对信号特征矩阵进行预降噪处理，得到预降噪后的信号特征矩阵；提取预降噪后的信号特征矩阵中的元素，生成降噪后的信号特征数据序列；将预降噪后的信号特征数据序列输
入至小波降噪模型，得到降噪后的信号特征数据序列。
[0118]
其中，小波降噪模型可以是用于对信号特征数据进行降噪处理的模型。
[0119]
具体实现中，服务器根据信号特征数据序列，生成巡检机器人的无线信道对应的信号特征矩阵，该信号特征矩阵为包含信号噪声信息的信号矩阵，服务器对该信号特征矩阵进行预降噪处理，得到预降噪后的信号特征矩阵，服务器将该预降噪后的信号特征矩阵中的元素进行提取，生成降噪后的信号特征数据序列，服务器将降噪后的信号特征数据序列进行小波降噪处理，得到降噪后的信号特征数据序列。
[0120]
为了便于本领域技术人员的理解，图5示例性地提供了一种基于svd奇异值分解的小波降噪方法流程图，该方法通过根据原始信号数据构造带噪矩阵，并将带噪矩阵进行svd分解，完成svd分解后，进行预降噪处理，再将预降噪处理后的数据按照基于固定阈值的小波降噪方法进行二次降噪处理，从而输出降噪信号数据。该方法对应的具体步骤如下：
[0121]
步骤1：根据信号长度构造带噪矩阵。将某一区域某一时刻信号接收端测量的带噪信号序列记为y，根据y中的数据，取为ε为0.5倍的n且为正整数，将其构造为ε
×
(n-ε+1)矩阵，得到构造后的带噪矩阵为：
[0122][0123]
步骤2：将构造的带噪矩阵r进行svd分解。根据svd奇异值分解的原理，可得到带噪矩阵r的奇异值分解表达式及相关公式表述为：
[0124][0125]
其中，∑为由降序排列的非负的对角线元素组成的n
×
(n-ε+1)对角矩阵，u、v分别为n
×
n、(n-ε+1)
×
(n-ε+1)的正交矩阵。通过奇异值分解计算可得到矩阵u、v、∑。
[0126]
步骤3：svd分解后的预降噪处理。选取合适的主奇异值s
va
，对矩阵∑进行赋零处理，得到矩阵∑
′
，然后根据公式r
′
＝u
·
∑
′
·vt
，即可得到预处理矩阵r
′
，然后，提取预处理矩阵r
′
中对应的元素，即可得到预降噪信号序列y
′
。
[0127]
步骤4：基于固定阈值的小波降噪方法进行二次降噪处理。对预降噪信号序列y
′
采用基于固定阈值的小波降噪方法，基于固定阈值的小波降噪方法的具体流程如图6所示。小波降噪的具体流程为：首先通过选取合适小波类型以及分解层数对信号进行对原始信号进行小波分解，得到各层系数；进一步地，设定阈值对各层系数进行阈值处理，这里的阈值设定方法选择按照设定，其中，设定阈值的目的是对信号中的强噪声信号进行剔除，由于通过svd奇异值只能对环境中的微弱但持续存在的高斯信号进行一定的降噪作用，
对于环境中强噪声信号作用不明显，因而需要通过小波降噪进行二次降噪处理，对于各层系数按照基于固定阈值的去噪方法进行去噪，最后对处理后的各层系数(即量化后的系数)，进行小波重构，得到去噪后的信号y
′
i,j
(n,t)。
[0128]
本实施例的技术方案，通过对巡检机器人的无线信道对应的信号特征数据进行多次的降噪处理，得到降噪后的信号特征数据序列，减少了换流站巡检环境中受到的强电磁干扰作用和环境中原本存在的高斯噪声信号对巡检机器人无线信道中无线信号的影响，使得获取到的指纹特征信息更为准确，有利于巡检机器人的定位识别。
[0129]
在另一个实施例中，获取换流站中各巡检区域对应的指纹特征向量，将各巡检区域的对应的指纹特征向量分别与当前所处区域对应的指纹特征向量进行比对，得到各巡检区域对应的区域相似信息，包括：获取换流站中各巡检区域对应的指纹特征向量，将各巡检区域对应的指纹特征向量分别与当前所处区域对应的指纹特征向量进行比对，得到各巡检区域对应的指纹特征相似向量；根据各指纹特征信息对应的权重信息，生成指纹特征权重向量，并分别根据各巡检区域对应的指纹特征相似向量和指纹特征权重向量，确定各巡检区域对应的区域相似信息；各巡检区域对应的区域相似信息表征各巡检区域与当前所处区域的区域相似度。
[0130]
其中，指纹特征相似向量中的元素可以是表征巡检区域对应的无线信道的各个指纹特征数据之间的相似度。
[0131]
其中，指纹特征权重向量中的元素可以是表征无线信道的各个指纹特征对应的重要度。
[0132]
具体实现中，服务器获取换流站中各个巡检区域的无线信道对应的指纹特征向量，并将各个巡检区域的无线信道对应的指纹特征向量与巡检机器人当前所处区域对应的指纹特征向量进行比对，得到各个巡检区域的无线信道与巡检机器人当前所处区域的无线信道的指纹特征相似向量，服务器根据各个指纹特征信息对应的权值信息，生成指纹特征权重向量，服务器分布根据各个巡检区域对应的指纹特征相似向量和指纹特征权重向量，得到各巡检区域与巡检机器人当前所处区域的区域相似度，服务器根据各巡检区域与巡检机器人当前所处区域的区域相似度，将区域相似度最高的巡检区域确定为巡检机器人当前在换流站中的具体位置。
[0133]
为了便于本领域技术人员的理解，下述示例性地提供了一种基于权重分配的信道区域识别模型，在巡检机器人定位未知的情况下，结合已有的区域信道的指纹特征，通过提取巡检机器人的实时信号进行巡检区域识别，对于多普勒扩展的特征参数、时延扩展特征参数、路径损耗特征参数、时域峰值分析特征参数以及频域峰值分析特征参数的相似度按照以下公式：
[0134][0135]
[0136][0137][0138][0139]
进行计算，其中*和(i,j)分别代指所需识别的巡检区域坐标及已知信道特征的巡检区域的坐标，将所需识别的区域的无线信道特征分别输入到上述5个式子中，即可得到五个相似度指标，记为相似度向量
[0140][0141]
进一步地，按照上述方法，计算出所需识别区域与所有已知信道特征区域的相似度向量，之后设置一个权重分配向量ω＝[ω1,ω2,ω3,ω4,ω5]，根据下式
[0142][0143]
计算综合相似度。其中，q
vg
为第v个需要识别的巡检区域与第g个特征已知信道特征的巡检区域的信道特征相似度，map为已知信道特征的巡检区域的坐标集合。根据上述计算，可建立综合相似度分析网络q，并且q
(i,j)
∈q，在该网络中最大综合相似度对应的坐标即为巡检区域的坐标。
[0144]
本实施例的技术方案，通过根据各巡检区域与巡检机器人当前所处区域的指纹特征向量计算出各巡检区域对应的指纹特征相似向量，再根据指纹特征向量中各指纹特征对应的权重信息，确定各巡检区域对应的指纹特征相似信息，即各巡检区域对应的区域相似信息，全面地考虑了各个指纹特征信息的重要度，能够得到更为准确的区域相似信息，有利于巡检机器人的定位识别。
[0145]
在另一个实施例中，如图7所示，提供了一种基于换流站巡检机器人无线信道指纹特征的区域识别方法，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤：
[0146]
步骤s702，获取通过换流站的信号接收端接收到的巡检机器人发射信号；巡检机器人发射信号为在换流站中的巡检机器人发射的无线信号；
[0147]
步骤s704，将巡检机器人发射信号输入至无线信道特征提取模型，得到巡检机器人的无线信道中各信道样点对应的信号特征数据；
[0148]
步骤s706，根据各信道样点对应的信号特征数据，生成信号特征数据序列，并对信号特征数据序列进行指纹特征提取，得到巡检机器人的无线信道对应的多个指纹特征信息；各指纹特征信息用于表征巡检机器人的无线信道中相应的信号衰落特征；
[0149]
步骤s708，根据多个指纹特征信息，生成巡检机器人当前所处区域对应的指纹特征向量；
[0150]
步骤s710，获取换流站中各巡检区域对应的指纹特征向量，将各巡检区域的对应的指纹特征向量分别与当前所处区域对应的指纹特征向量进行比对，得到各巡检区域对应的区域相似信息；区域相似信息用于确定当前所处区域在换流站中的区域位置信息。
[0151]
需要说明的是，上述步骤的具体限定可以参见上文对一种基于换流站巡检机器人无线信道指纹特征的区域识别方法的具体限定，在此不再赘述。
[0152]
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0153]
基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的基于换流站巡检机器人无线信道指纹特征的区域识别方法的基于换流站巡检机器人无线信道指纹特征的区域识别装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个基于换流站巡检机器人无线信道指纹特征的区域识别装置实施例中的具体限定可以参见上文中对于基于换流站巡检机器人无线信道指纹特征的区域识别方法的限定，在此不再赘述。
[0154]
在一个实施例中，如图8所示，提供了一种基于换流站巡检机器人无线信道指纹特征的区域识别装置，包括：
[0155]
获取模块802，用于获取通过换流站的信号接收端接收到的巡检机器人发射信号；巡检机器人发射信号为在换流站中的巡检机器人发射的无线信号；
[0156]
提取模块804，用于根据巡检机器人发射信号，提取出巡检机器人的无线信道对应的多个指纹特征信息；各指纹特征信息用于表征巡检机器人的无线信道中相应的信号衰落特征；
[0157]
生成模块806，用于根据多个指纹特征信息，生成巡检机器人当前所处区域对应的指纹特征向量；
[0158]
确定模块808，用于获取换流站中各巡检区域对应的指纹特征向量，将各巡检区域的对应的指纹特征向量分别与当前所处区域对应的指纹特征向量进行比对，得到各巡检区域对应的区域相似信息；区域相似信息用于确定当前所处区域在换流站中的区域位置信息。
[0159]
在其中一个实施例中，根据巡检机器人发射信号，提取出巡检机器人的无线信道对应的多个指纹特征信息，提取模块804，具体用于将巡检机器人发射信号输入至无线信道特征提取模型，得到巡检机器人的无线信道中各信道样点对应的信号特征数据；根据各信道样点对应的信号特征数据，生成信号特征数据序列，并对信号特征数据序列进行指纹特征提取，得到巡检机器人的无线信道对应的多个指纹特征信息。
[0160]
在其中一个实施例中，将巡检机器人发射信号输入至无线信道特征提取模型，得到巡检机器人的无线信道中各信道样点对应的信号特征数据，提取模块804，具体用于将巡检机器人发射信号输入至理想信号特征提取子模型，得到巡检机器人的无线信道中各信道
样点对应的理想信号特征数据；将理想信号特征数据输入至实际信号特征提取子模型，得到巡检机器人的无线信道中各信道样点实际对应的信号特征数据。
[0161]
在其中一个实施例中，根据各信道样点对应的信号特征数据，生成信号特征数据序列，并对信号特征数据序列进行指纹特征提取，得到巡检机器人的无线信道对应的多个指纹特征信息，提取模块804，具体用于根据各信道样点对应的信号特征数据，生成巡检机器人的无线信道对应的信号特征数据序列；对信号特征数据序列进行降噪处理，得到降噪后的信号特征数据序列；对降噪后的信号特征数据序列进行指纹特征提取，得到巡检机器人的无线信道对应的多个指纹特征信息。
[0162]
在其中一个实施例中，对信号特征数据序列进行降噪处理，得到降噪后的信号特征数据序列，提取模块804，具体用于根据信号特征数据序列，生成巡检机器人的无线信道对应的信号特征矩阵；对信号特征矩阵进行预降噪处理，得到预降噪后的信号特征矩阵；提取预降噪后的信号特征矩阵中的元素，生成降噪后的信号特征数据序列；将预降噪后的信号特征数据序列输入至小波降噪模型，得到降噪后的信号特征数据序列。
[0163]
在其中一个实施例中，获取换流站中各巡检区域对应的指纹特征向量，将各巡检区域的对应的指纹特征向量分别与当前所处区域对应的指纹特征向量进行比对，得到各巡检区域对应的区域相似信息，确定模块，具体用于获取换流站中各巡检区域对应的指纹特征向量，将各巡检区域对应的指纹特征向量分别与当前所处区域对应的指纹特征向量进行比对，得到各巡检区域对应的指纹特征相似向量；根据各指纹特征信息对应的权重信息，生成指纹特征权重向量，并分别根据各巡检区域对应的指纹特征相似向量和指纹特征权重向量，确定各巡检区域对应的区域相似信息；各巡检区域对应的区域相似信息表征各巡检区域与当前所处区域的区域相似度。
[0164]
上述基于换流站巡检机器人无线信道指纹特征的区域识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0165]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储基于换流站巡检机器人无线信道指纹特征的区域识别数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于换流站巡检机器人无线信道指纹特征的区域识别方法。
[0166]
本领域技术人员可以理解，图9中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0167]
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述一种基于换流站巡检机器人无线信道指纹特征的区域识别方法的步骤。此处一种基于换流站巡检机器人无线信道指纹
特征的区域识别方法的步骤可以是上述各个实施例的一种基于换流站巡检机器人无线信道指纹特征的区域识别方法中的步骤。
[0168]
在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述一种基于换流站巡检机器人无线信道指纹特征的区域识别方法的步骤。此处一种基于换流站巡检机器人无线信道指纹特征的区域识别方法的步骤可以是上述各个实施例的一种基于换流站巡检机器人无线信道指纹特征的区域识别方法中的步骤。
[0169]
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，计算机程序被处理器执行时，使得处理器执行上述一种基于换流站巡检机器人无线信道指纹特征的区域识别方法的步骤。此处一种基于换流站巡检机器人无线信道指纹特征的区域识别方法的步骤可以是上述各个实施例的一种基于换流站巡检机器人无线信道指纹特征的区域识别方法中的步骤。
[0170]
需要说明的是，本技术所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
[0171]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
[0172]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0173]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。