[发明专利]一种基于深度学习的Wi‑Fi室内定位方法

说明书

技术领域

本发明涉及室内定位技术领域，可应用于大型商业综合体室内定位。

背景技术

在现有的Wi-Fi室内定位方法中，大部分是直接将参考点处测定不同的无线接入点(APs)的接收信号强度(RSS)用于建立指纹库或经过传统的主成分分析(PCA)处理后建立指纹库，然后对指纹库按一定方法划分以减小后续的匹配复杂度，最后用于待定位点的匹配定位。存在的不足：原始RSS数据带有很多的噪声而且维度高直接运用对后续的匹配定位的精度影响很大且计算复杂度很高，而用传统的PCA对原始RSS数据进行特征选择的过程中，虽然对数据起到了降噪降维的效果。但由于人为的主观因素存在，在特征选取过程中，一些原始数据之间的深层次数据特征有可能被过滤掉或丢失，从而影响后面位置匹配的精度和可靠度,导致定位位置不够准确，而且PCA只对线性数据效果比较好，对于室内这样一个复杂的环境条件下，RSS数据由于遮挡物或墙体等的影响呈现非线性,传统的PCA并不适合。

发明内容

本发明的目的是提供一种基于深度学习的Wi-Fi室内定位方法，以解决现有技术中的问题。

为实现本发明目的而采用的技术方案是这样的：采用深度学习算法中的自动编码，可以直接从原始训练数据中学习深度特征，并通过反向传播算法反馈回来调整前面的网络参数，不仅达到了降维的效果，而且确保学习到的特征有效性，避免了一些有效信息的丢失。然后用学习到的特征建立指纹库，经过区域划分后，用于位置匹配。

具体地，一种基于深度学习的Wi-Fi室内定位方法，其特征在于:

建立指纹库：

1)样本RSS数据采集。

1-1)在需要定位的室内区域部署n个Wi-Fi无线接入点(APs)。

1-2)将所述室内区域划分为m个域块，m为自然数。

以每个域块的中心为采样点P_k，测定步骤1-1)部署的各个APs的接收信号强度RSS，每个采样点P_k都对应一个位置坐标，一个位置坐标对应的n个RSS数据整理后形成多维数据样本集R的一行。k＝1、2……m。

2)对数据预处理，补全、归一化。

2-1)将步骤1)获得的多维数据样本集R进行缺失补零。

2-1)归一化处理，得到训练集H。

3)深度特征学习。

3-1)确定自编码神经网络的结构，设定其总共有q+2层，其中有1个输入层，q个隐藏层和1个输出层。q为自然数。

3-2)将步骤2)所得的多维数据样本集H作为输入层。

3-3)设定该层的初始权重W，采用自动编码算法进行训练，得到训练结果C⁽¹⁾。

3-4)将训练结果C⁽¹⁾作为其高一层的输入，并重复上一步骤，得到训练结果C⁽²⁾。

3-5)重复步骤3-3)，3-4)q次，得到第q+1层的输出结果C^(q)，训练结束。

4)获得指纹库。

用深度学习提取到的特征集C^(q)建立指纹库，将指纹库按照区域分成t个子指纹库，每个子库对应若干个相邻采样点，每个子库的一行对应一个采样点，每个子库有一个簇心Q_i，其中，i＝1，2，…，t，所有的簇心组成集合Q。

室内定位：

a)处于室内区域某一待定位的位置P₀时，采集与步骤1)中矩阵R的每行相同结构特征的RSS数据的一个行向量，并将其保存至行向量V中。

b)采用与步骤2)相同的方法，将向量V去噪归一化处理得到向量U。

c)设定与步骤3)中相同结构和权值的自编码神经网络，并将处理后的矩阵U作为自编码神经网络的输入，得到特征数据E^(q)。

d)将得到的特征数据E^(q)代入到匹配算法中，与步骤4)所述集合Q中的簇心进行匹配。

匹配得到一个簇心Q_j其中，j∈{1，2，…，t}，

计算特征数据E^(q)与簇心Q_j所对应的子库j中的每一个行向量的距离，得到v个距离，其中v是簇心Q_j所对应的子库j的行数，将v个距离按照从小到大排序，取前F个值，保存在矩阵中。矩阵d中，每一个元素对应子库j的一行，子库j的一行对应一个采样点。

计算权重，u＝1、2……F

计算待定位点P₀的位置坐标。