[发明专利]一种基于联合网络的多楼层室内定位方法及服务器

说明书

技术领域

本发明涉及无线局域网技术领域，尤其涉及一种基于联合网络的多楼层室内定位方法及服务器。

背景技术

目前在世界范围内的定位技术主要有GPS定位、Wi-Fi定位、蓝牙定位等，GPS定位主要应用于室外，Wi-Fi、蓝牙定位既可用于室内，也可用于室外。由于Wi-Fi定位相对成熟，下面以Wi-Fi定位技术为背景来介绍本发明的具体内容。随着无线路由器的普及，目前大部分公共区域都已经实现十几个甚至几十个WiFi信号覆盖，而且这些路由器在向四周传播WiFi信号的同时，也不停的发送其物理地址与信号强度等信息，只要在其信号覆盖范围内，即使不知道Wi-Fi的密码，也同样能获得这些信息。基于信号强度的定位技术基本原理是根据接收到的信号的强度推算信号接收器与信号源之间的距离，但由于室内楼层上下有钢筋混凝土的隔离层，导致上下楼层的信号有明显差异，因此，对于多个楼层内进行定位时采用传统方法显然精度不高。

发明内容

为解决上述技术问题，本发明提供一种基于联合网络的多楼层室内定位方法及服务器，通过采集各个无线接入点对应的信号强度数据来确定待检测客户端所在楼层的位置坐标，实现基于深度神经网络的WiFi定位。

本发明提供的技术方案如下：

本发明公开了一种基于联合网络的多楼层室内定位方法，所述方法包括步骤：S100、采集检测区域中各个无线接入点接收待检测客户端所发信号的信号强度数据；S200、将所述信号强度数据输入同时利用分类算法定位楼层和利用拟合算法定位坐标的联合网络，经过所述联合网络确定待检测客户端所在位置所属楼层以及位置坐标。

进一步优选的，所述步骤S200进一步包括步骤：S210、分别将所述信号强度数据输入所述联合网络的分类子网络和拟合子网络；S220、所述分类子网络计算所述信号强度数据，输出待检测客户端所在位置所属楼层的楼层标签，所述拟合子网络计算所述信号强度数据，输出待检测客户端所在位置的预测位置坐标；S230、根据所述楼层标签和所述预测位置坐标确定待检测客户端所在位置的位置坐标及所属楼层。

进一步优选的，所述步骤S100之前还包括步骤：S000、预先训练所述分类子网络和所述拟合子网络。

进一步优选的，所述步骤S000中预先训练所述分类子网络进一步包括步骤：S011、对检测区域内多个楼层进行分类，为每个楼层分配对应的楼层标签；S012、分别采集每个楼层内各个无线接入点接收预设训练位置上训练终端所发的信号的信号强度数据，并结合对应的楼层标签形成每个楼层的训练数据样本，将所有楼层的训练数据样本生成第一训练数据集输入分类子网络；S013、依次将每个楼层的训练样本数据输入所述分类子网络，经过所述深度神经网络输出相对应的训练结果；S014、依次将输出的训练结果与其对应的所述预设训练位置所属楼层的楼层标签进行比较，得到第一误差；S021、在多个楼层中的任意一个楼层所在区域建立平面直角坐标系，在所述平面直角坐标系中标出用于训练的训练位置坐标；S022、将楼层中的训练位置坐标以及各个无线接入点接收训练终端在每个训练位置坐标对应的位置上所发的信号的信号强度数据作为一组训练样本数据，生成第二训练数据集，并送入所述拟合子网络中；S023、依次将每一组训练样本数据中的信号强度数据输入所述拟合子网络，经过所述拟合子网络输出相对应的训练结果；S024、依次将输出的训练结果与其对应的训练位置坐标进行比较，得到第二误差；S030、计算所述第一误差和所述第二误差，根据计算结果同时对所述分类子网络和所述拟合子网络的网络参数进行训练。

进一步优选的，所述步骤S030进一步包括步骤：按照下述公式计算所述第一误差和所述第二误差：Total Loss＝SoftMaxLoss+p*Euclidean Loss；其中，SoftMaxLoss表示输出的所述第一误差；Euclidean Loss表示输出的所述第二误差；Total Loss表示计算后的总误差；p表示预设权重；分别对所述分类子网络和所述拟合子网络的网络参数进行训练，使得每次训练输出的总误差Total Loss收敛于预设范围内。

本发明还公开了一种基于联合网络的多楼层室内定位服务器，包括：数据采集模块，用于采集检测区域中各个无线接入点接收待检测客户端所发信号的信号强度数据；定位模块，用于将所述信号强度数据输入同时利用分类算法定位楼层和利用拟合算法定位坐标的联合网络，经过所述联合网络确定待检测客户端所在位置所属楼层以及位置坐标。