(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211135761.9 (22)申请日 2022.09.19 (71)申请人 北京信息职业 技术学院 地址 100015 北京市朝阳区芳园西路5号 (72)发明人 刘蕊　 (74)专利代理 机构 北京科聚知识产权代理事务 所(普通合伙) 11916 专利代理师 邢文月 (51)Int.Cl. H04W 64/00(2009.01) H04W 4/80(2018.01) G06F 17/16(2006.01) G06N 20/00(2019.01) (54)发明名称 基于蓝牙的定位方法及装置 (57)摘要 本发明实施例提出了一种基于蓝牙的定位 方法及装置， 首先对接收到的发射端信号数据进 行采集， 并在IQ样本中附加可信度标签； 然后根 据IQ值对所述IQ样本的相位进行分类与计算， 并 对IQ样本的相位和频率偏移进行最小二乘法拟 合； 随后基于采集的信号数据构造信号矩阵后， 将信号矩阵进行拆 分后构造互相关向量； 最后将 互相关向量 以及拟合相位和频率偏移带入定位 强化学习模 型中进行学习后得出定位结果。 本发 明无需计算天线之间的相位差异， 通过赋予不同 的可信度标签对信号误差对定位结果的营销， 可 以在提高测试准确性的基础上， 降低定位过程计 算的复杂度。 权利要求书5页 说明书14页 附图1页 CN 115460693 A 2022.12.09 CN 115460693 A 1.一种基于 蓝牙的定位方法， 其特 征在于， 所述方法包括： S1、 对接收到的发射端信号数据进行采集， 并在I Q样本中附加可信度标签； S2、 根据IQ值对所述IQ样本的相位进行分类与计算， 并对IQ样本的相位和频率偏移进 行最小二乘法拟合； S3、 基于采集的信号数据构造信号矩阵后， 将信号矩阵进行拆分后构造互相关向量； S4、 将互相关 向量以及拟合相位和频率偏移带入定位强化学习 模型中进行学习后得出 定位结果。 2.根据权利要求1所述的基于蓝牙的定位方法， 其特征在于， 所述在IQ样本 中附加可信 度标签， 包括如下步骤： S11、 构建与当前接收天线阵列完全等 价的参考阵列； S12、 将采集的信号数据按照携带的时刻信息和天线信息进行顺序排序； S13、 从当前接收天线阵列和参考阵列中选择时刻信息和天线信息均相同两个信号数 据并将其加入比较组， 从比较组中的每个信号数据中选择同样的U个通道信号并分别进行 信号稳定度比较， 在同一通道下信号稳定度较高者得分加1， 稳定度较低者不得分， U个通道 信号全部比较完后， 统计比较组中两个信号数据的总得分大小； S14、 当前接收天线阵列的信号总得分为Score1， 参考阵列的信号总得分为Score2； 若Score1＝Score2， 则增加通道数， 即令U＝U+Δu， 进入S13； 否则， 则通过权重公式 计算当前接收天线阵列信号的可信度权重， 然后 在IQ样本中附加可信度标签， η表示 修正因子。 3.根据权利要求1所述的基于蓝牙的定位方法， 其特征在于， 所述S2具体包括如下步 骤： S21、 将IQ样本矩阵表示 为： 其中,M＝N+i, 和 分别表示参考周期内采样时刻TN的I值和Q值， 和 分 别表示切换周期内采样时刻TM的I值和Q值， i表示第i个天线， N表示参考周期IQ样本组数 量， M表示完整恒音扩展中的I Q样本组数量； S22、 根据相位分类计算公式对IQ样本进行分类和计算， 相位分类计算公式表示为： 然后将相位矩阵表示为： 权　利　要　求　书 1/5 页 2 CN 115460693 A 2其中， I和Q分别表示 IQtotal中的I值和Q值； S23、 根据公式 对IQ样本的相位和频率偏移进行最小二 乘法拟合， 其中， fd表示频率偏移， Tn∈[T1,T2,...,TN]， 表示[T1,T2,...,TN]中全体元素 的平均值， 4.根据权利要求1所述的基于蓝牙的定位方法， 其特征在于， 所述S3具体包括如下步 骤： S31、 构建信号矩阵： 其中， R表示用于采集切换周期信号的天线数量， K＝R*C+N， C表示样本采样周期数量， xr(t)表示第r个天线接收到的信号， nr(t)第r个天线 处的加性高斯白噪声， dx表示天线之间的水平间距， θ表示天线的方位角， λ表示信号的波 长， r∈[1,2,. ..,R]， k∈[1,2,. ..,K]； S32、 将所述构建信号矩阵拆分为两个子矩阵： 子矩阵g＝[x1(t1)x1(t2)......x1(tK)]； 以及， 子矩阵 S33、 构建互相关向量 5.根据权利要求1所述的基于蓝牙的定位方法， 其特征在于， 所述定位强化学习 模型是 通过如下 方法训练得到的： 构建定位 强化学习模 型F(x)＝Fm(x)+α Fs(x)+β Fv(x)， 其中， Lm(x)是M函数模型， Ls(x)是 S函数模型， Lv(x)是V函数模型， Ls(x)和Lv(x)均为Lm(x)的从函数， α 是M函数模型和S 函数模 型的平衡因子， β 是M函数模型和S函数模型的平衡因子；权　利　要　求　书 2/5 页 3 CN 115460693 A 3