本发明涉及智能监控技术领域，特别是一种判断用户场景位置变化的方法。
背景技术：
随着计算机技术和无线通信技术的飞速发展，通信终端的实时信息处理能力飞速增强，无线多媒体应用日渐成为业内关注的焦点。在视频监控技术领域，网络化的数字视频监控已经逐步取代传统监控设备，更像智能化、无线传输技术方向迈进。然而目前的无线网络视频监控系统，尽管实现了数据的无线传输，但是远程数据的采集仍然依赖监控设备进行采集，也就是说，如想实现远程场景的再现，则需要在远程场景中配置相应的硬件设备来实现。在现实环境中，因为商家购买的设备发射功率不同，环境障碍对信号衰减程度不同，导致环境参数(如wi-fi、蓝牙信号强度)在局部存在较大差异，影响场景识别的精度。
技术实现要素：
本发明需要解决的技术问题是提供一种通过分析设备模块功率进行参数自适应调节的方法，以减小环境参数误差，提高场景识别精度。
为解决上述技术问题，本发明所采取的技术方案如下。
通过分析设备模块功率进行参数自适应调节的方法，具体包括以下步骤：
a.对用户携带智能终端所在场景的场景数据进行采样，获取场景数据集；
b.去除较弱信号和异常值，进行数据清洗；
c.根据数据分布特征制定正态转换方法进行wifi扫描数据的正态转换，并检验正态分布特性；
d.基于正态转换后的数据计算采样数据分布的概率密度函数，进一步计算用户携带智能终端基于标准设备模块的自适应调节门槛值。
上述通过分析设备模块功率进行参数自适应调节的方法，步骤a具体包括以下内容：
a1.计算需要的标准设备模块相关参数，包括下限过滤门槛、概率密度函数、标准误差；
a2.当用户携带的智能终端处于稳定环境中时，进行场景数据的采样，至少需要采样10组有代表性的场景数据集。
上述通过分析设备模块功率进行参数自适应调节的方法，所述稳定环境的判断方法为环境wifi持续出现。
上述通过分析设备模块功率进行参数自适应调节的方法，步骤b中去除较弱信号的方法是根据标准设备模块的下限过滤门槛，利用标准设备模块与用户携带智能终端均值间的距离估算出用户携带智能终端的下限过滤门槛，进行弱信号的去除。
上述通过分析设备模块功率进行参数自适应调节的方法，步骤b中去除异常值的方式是利用箱线图分析去除相对数据集的信号异常数据。
上述通过分析设备模块功率进行参数自适应调节的方法，步骤c中所述的正态转换方法包括绝对值中度负偏转换方法、绝对值低度负偏转换方法、绝对值中低度负偏转换方法、绝对值中高度负偏转换方法以及绝对值中低度正偏转换方法；所述中度负偏的偏度值<0，绝对值为标准误差的3-5倍；低度负偏的偏度值<0，绝对值为标准误差的1倍以下；中低度负偏的偏度值<0，绝对值为标准误差的1-3倍；中高度负偏的偏度值<0，绝对值为标准误差的5倍以上；中低度正偏的偏度值>0，绝对值为标准误差的1-3倍。
上述通过分析设备模块功率进行参数自适应调节的方法，步骤c中所述正态分布特性的检验方法采用shapiro-wilk算法进行，具体包括以下步骤：
c1.计算出用户携带智能终端各组场景wifi信号的数据p值，选择最大的p值对应的正态转化方法作为相应场景数据的正态转化方法；
c2.计算出场景wifi信号数据正态转化后数据集的均值与标准差，根据公式计算出正态分布下的最佳数值范围，转化为信号值；
c3.对初步清洗后的数据集进行过滤，得到每组场景最具场景代表性的数据；
c4.对每组场景数据限定数量，从数据集随机均匀取样；
c5.将各场景过滤后限定数量的数据合并，去除数据集的异常值，进行下一步计算。
上述通过分析设备模块功率进行参数自适应调节的方法，步骤d具体包括以下步骤：
d1.根据步骤c计算出的均值与标准差，得到采样数据分布的概率密度函数，
d2.将标准设备模块的门槛值正态转换后，在标准设备模块的概率密度函数上积分计算得到标准门槛值的概率分布值，然后根据概率分布的一致性，由采样数据分布的概率密度函数计算用户携带智能终端对应概率分布的积分上限值，并转换为信号值，即为用户携带智能终端基于标准设备模块的自适应调节门槛值。
由于采用了以上技术方案，本发明所取得技术进步如下。
本发明通过动态采集符合既定稳定条件的智能终端wi-fi信号场景数据集，经过清洗与过滤后，根据样本分布规律，对比计算出智能终端wi-fi模块功率的强弱，进而对场景识别参数进行自适配调整，无需人工参与，经过调配后的场景识别参数误差大大减小，进一步提高了场景的识别精度。
附图说明
图1为本发明的流程图；
图2为本发明所述实施例中采集的原始场景数据集；
图3为本发明所述实施例中经过数据清洗后的场景数据分布图；
图4为本发明所述实施例中经过正态转换后的数据分布图；
图5为本发明所述实施例中经过数值下限过滤与异常值过滤后的场景数据分布图；
图6为本发明所述实施例中经过每个场景采集数据限定数量取样后的各场景融合数据分布图；
图7为本发明经过自适应处理后的场景数据分布图。
具体实施方式
下面将结合附图和具体实施例对本发明进行进一步详细说明。
一种通过分析设备模块功率进行参数自适应调节的方法，应用于在智能监控技术领域中，能够对采集的样本数据进行自适应调节，减少场景识别参数的误差，提高场景的识别精度。其流程如图1所示，具体包括以下步骤。
a.对用户携带智能终端所在场景的场景数据进行采样，获取场景数据集。
在场景数据采集之前，需要计算标准设备模块的相关参数及模型，包括接收wifi信号数据过滤门槛下限、信号数据的概率密度函数模型、信号数据标准差等。
标准参数设置完成后，即可进行场景数据的采样。场景数据的采样需要判断用户是否处于稳定的环境中，本发明判断的依据是用户携带的智能终端，判断方法为环境wifi持续出现。当智能终端处于稳定环境中时，通过用户携带智能终端进行场景数据的采样，至少需要采样10组有代表性的场景数据集。
本实施例中采集的原始场景wifi信号数据集分布如图2所示。
b.对采集的场景数据记性清洗，减少受环境影响较大的过弱信号对结果的影响及避免数据多封分布，主要包括去除较弱信号和异常值两个方面。
去除较弱信号的方法为：根据标准设备模块的下限过滤门槛，利用标准设备模块与用户智能终端接收wifi信号数据集均值间的差值估算出用户智能终端的下限过滤门槛，进行弱信号的去除。
一般情况下，标准设备模块的下限过滤门槛值为-75dbm，计算获得用户智能终端的下限过滤门槛是对原始数据去掉最大的前5个数据求均值乘2后进行平均的估算值，以缩小与实际下限的误差。
去除异常值的方式是利用箱线图分析去除相对数据集的信号异常数据，具体选定数值大于上四分位数加上1.5倍四分位距之和的数据定义为异常值。本实施例中，经过数据清洗(限定信号值下限与去除异常值)后的数据分布如图3所示。
c.对步骤b清洗后的数据进行过滤。过滤的方法主要包括数据的正态转换和对正态转换后的分布特性进行检验。
在对数据进行正态转换前，需要根据数据分布特征制定正态转换方法。本步骤中的正态转换方法包括绝对值中度负偏转换方法、绝对值低度负偏转换方法、绝对值中低度负偏转换方法、绝对值中高度负偏转换方法以及绝对值中低度正偏转换方法。
其中偏度的判断方法为：中度负偏的偏度值<0，绝对值为标准误差的3-5倍；低度负偏的偏度值<0，绝对值为标准误差的1倍以下；中低度负偏的偏度值<0，绝对值为标准误差的1-3倍；中高度负偏的偏度值<0，绝对值为标准误差的5倍以上；中低度正偏的偏度值>0，绝对值为标准误差的1-3倍。
本实施例中，经过正态转换后的数据分布如图4所示。
在对转换后数据的正态分布特性进行检验的方法采用shapiro-wilk算法进行，具体包括以下步骤。
c1.计算出用户携带智能终端各组场景wifi信号的数据p值，选择最大的p值对应的正态转化方法作为相应场景数据的正态转化方法。
p值是用来判定假设检验结果的一个参数，也可以根据不同的分布使用分布的拒绝域进行比较；p值就是当原假设为真时所得到的样本观察结果或更极端结果出现的概率。如果p值很小，说明原假设情况的发生的概率很小，p值越小，推翻原假设的理由越充分。
c2.计算出场景wifi信号数据正态转化后数据集的均值与标准差，根据公式计算出正态分布下的最佳数值范围，转化为信号值。
以下为python计算代码(根据不同原始数据分布特征自动选择正态转换方法，f为清洗后的数据集)：
方法一：np.sqrt(np.log10(np.abs(f)).max()-np.log10(np.abs(f)))#中度负偏
方法二：np.sqrt((np.abs(f)).max() 1-(np.abs(f)))#低度负偏
方法三：np.sqrt(np.sqrt((np.abs(f)).max() 1-(np.abs(f))))#中低度负偏
方法四：np.log10(np.sqrt((np.abs(f)).max() 1-(np.abs(f))))#中高度负偏
方法五：-np.log10(np.abs(f))#中低度正偏
注：f为数据集，np为python导入的第三方包numpy简写
样本数在[3,300]用shapiro-wilk算法检验正态分布性，p值大于0.05，认为符合正态分布。
正态转化后数据取值范围是[upper，lower]，然后通过相应正态转换方法可以转换为信号值：
upper＝mean 10*std/np.sqrt(len(h)-1)
lower＝mean-10*std/np.sqrt(len(h)-1)
注：mean是均值，std是标准差，len(h)是数据集的长度。
本实施例中，经过过滤后的场景数据分布如图5所示。
c4.对每组场景数据限定数量，因为不同场景采集的数据量可能不一样，为了计算的准确性，统一选择30个数据。从数据集随机均匀取样，保证数据分布的一致性。
c5.将各场景过滤后限定数量的数据合并，获取多个场景的信号值，避免单场景数据对计算结果的异常影响。观察合并后的数据分布，去除数据集的异常值，再根据合并数据的分布特征选择合适的正态转换方法将数据集正态化。本实施例中，经过数据过滤并限定数量合并后的各场景融合数据分布如图6所示。
d.基于正态转换后的数据计算采样数据分布的概率密度函数，根据标准设备模块的概率密度函数计算用户携带智能终端对应概率分布的积分上限值，并转换为信号值，即为用户携带智能终端基于标准设备模块的自适应调节门槛值。
d1.根据步骤c计算出的均值与标准差，得到采样数据分布的概率密度函数，
d2.将标准设备模块的门槛值正态转换后，在标准设备模块的概率密度函数上积分计算得到标准门槛值的概率分布值，然后根据概率分布的一致性，由采样数据分布的概率密度函数计算用户携带智能终端对应概率分布的积分上限值，并转换为信号值，即为用户携带智能终端基于标准设备模块的自适应调节门槛值。
本实施例中，经过自适应调节后的场景数据分布如图7所示。
从图2和图7的对比可以看出，经过一系列数据清洗、过滤，将多个不同场景采样数据融合后，正态转化可以得到较符合正态分布的融合数据集，进而可以通过概率密度函数计算出调整后的识别门槛值；且多场景融合取样避免了单场景采样数据对结果的异常影响，更能真实反映识别能力，对于场景的精确识别提供了可靠保证。
1.通过分析设备模块功率进行参数自适应调节的方法，其特征在于，具体包括以下步骤：
a.对用户携带智能终端所在场景的场景数据进行采样，获取场景数据集；
b.去除较弱信号和异常值，进行数据清洗；
c.根据数据分布特征制定正态转换方法进行wifi扫描数据的正态转换，并检验正态分布特性；
d.基于正态转换后的数据计算采样数据分布的概率密度函数，进一步计算用户携带智能终端基于标准设备模块的自适应调节门槛值。
2.根据权利要求1所述的通过分析设备模块功率进行参数自适应调节的方法，其特征在于，步骤a具体包括以下内容：
a1.计算需要的标准设备模块相关参数，包括下限过滤门槛、概率密度函数、标准误差；
a2.当用户携带的智能终端处于稳定环境中时，进行场景数据的采样，至少需要采样10组有代表性的场景数据集。
3.根据权利要求2所述的通过分析设备模块功率进行参数自适应调节的方法，其特征在于，所述稳定环境的判断方法为环境wifi持续出现。
4.根据权利要求2所述的通过分析设备模块功率进行参数自适应调节的方法，其特征在于，步骤b中去除较弱信号的方法是根据标准设备模块的下限过滤门槛，利用标准设备模块与用户携带智能终端均值间的距离估算出用户携带智能终端的下限过滤门槛，进行弱信号的去除。
5.根据权利要求2所述的通过分析设备模块功率进行参数自适应调节的方法，其特征在于，步骤b中去除异常值的方式是利用箱线图分析去除相对数据集的信号异常数据。
6.根据权利要求2所述的通过分析设备模块功率进行参数自适应调节的方法，其特征在于，步骤c中所述的正态转换方法包括绝对值中度负偏转换方法、绝对值低度负偏转换方法、绝对值中低度负偏转换方法、绝对值中高度负偏转换方法以及绝对值中低度正偏转换方法；所述中度负偏的偏度值<0，绝对值为标准误差的3-5倍；低度负偏的偏度值<0，绝对值为标准误差的1倍以下；中低度负偏的偏度值<0，绝对值为标准误差的1-3倍；中高度负偏的偏度值<0，绝对值为标准误差的5倍以上；中低度正偏的偏度值>0，绝对值为标准误差的1-3倍。
7.根据权利要求6所述的通过分析设备模块功率进行参数自适应调节的方法，其特征在于，步骤c中所述正态分布特性的检验方法采用shapiro-wilk算法进行，具体包括以下步骤：
c1.计算出用户携带智能终端各组场景wifi信号的数据p值，选择最大的p值对应的正态转化方法作为相应场景数据的正态转化方法；
c2.计算出场景wifi信号数据正态转化后数据集的均值与标准差，根据公式计算出正态分布下的最佳数值范围，转化为信号值；
c3.对初步清洗后的数据集进行过滤，得到每组场景最具场景代表性的数据；
c4.对每组场景数据限定数量，从数据集随机均匀取样；
c5.将各场景过滤后限定数量的数据合并，去除数据集的异常值，进行下一步计算。
8.根据权利要求7所述的通过分析设备模块功率进行参数自适应调节的方法，其特征在于，步骤d具体包括以下步骤：
d1.根据步骤c计算出的均值与标准差，得到采样数据分布的概率密度函数，
d2.将标准设备模块的门槛值正态转换后，在标准设备模块的概率密度函数上积分计算得到标准门槛值的概率分布值，然后根据概率分布的一致性，由采样数据分布的概率密度函数计算用户携带智能终端对应概率分布的积分上限值，并转换为信号值，即为用户携带智能终端基于标准设备模块的自适应调节门槛值。
技术总结