[发明专利]一种基于深度学习的WiFi室内定位系统

说明书

本发明属于室内定位技术领域，更具体地，涉及一种基于深度学习的WiFi室内定位系统。它包括依次连接的离线数据获取模块(100)、粗指纹库建立模块(200)、特征指纹库提取模块(300)、在线数据融合模块(400)和目标位置输出模块(500)。该系统解决室内接收信号强度信号在时空阈中，由于多径效应、信号衰落及其他噪声干扰引起的信号波动性问题，通过深度置信网络探究信号内部的环境属性，提取特征指纹进行最终的目标定位，并且有效地达到当前定位技术不能达到的定位精度。

技术领域

本发明属于室内定位技术领域，更具体地，涉及一种基于深度学习的WiFi室内定位系统。

背景技术

随着位置的服务越来越广泛地应用于室内环境，对于室内定位技术的研究吸引了越来越多的科研及商业工作者。基于WiFi指纹的室内定位技术成为最受欢迎的室内定位技术之一，已经在各种各样的室内场所投入应用。然而，无线信号本身固有的波动性在定位阶段造成很大的定位误差。另外，在复杂的室内环境中，由于多径效应、信号衰落及其他噪声影响使得接受信号强度在时空阈中复杂变化。

为了解决以上的技术难题，已经有很多技术人员通过经典的KNN算法、机器学习算法及一些深度学习网络提升基于WiFi指纹的室内定位技术的定位精度。但是，在定位方案的普适性及最终的定位精度方面存在以下缺陷：

(1)现有的基于WiFi指纹的室内定位技术中，传统的定位算法无法满足高精度定位的要求。在定位过程中，由于信号的波动性太大，致使定位结果容易漂移，个别的定位误差远远高于定位的精度需求。

(2)在用机器学习处理WiFi指纹的技术方案中，由于利用机器学习处理数据需要高复杂度的数据运算，在移动设备中占用大量的运算资源，影响移动设备其他软件的应用，并且会大大降低移动设备的续航能力。

(3)深度学习引入WiFi指纹的室内定位技术中，需要采集大量的数据进行指纹的训练，这在离线环节消耗了大量的人力资源，提高了技术应用成本。另外，往往大多数深度学习方法选择训练大量通道状态信息信号。然而，该信号无法在手机端进行采集与定位，大大降低该方案的普适性。

发明内容

针对现有技术存在的不足之处，本发明提出了一种基于深度学习的WiFi室内定位系统，以解决室内接收信号强度信号在时空阈中，由于多径效应、信号衰落及其他噪声干扰引起的信号波动性问题，通过深度置信网络探究信号内部的环境属性，提取特征指纹进行最终的目标定位，并且有效地达到当前定位技术不能达到的定位精度。

本发明采用如下技术方案：

一种基于深度学习的WiFi室内定位系统，它包括依次连接的离线数据获取模块(100)、粗指纹库建立模块(200)、特征指纹库提取模块(300)、在线数据融合模块(400)和目标位置输出模块(500)，其中，

所述离线数据获取模块(100)用于获取接入点的物理地址信息，采集位于参考点处离线接收信号强度数据，并将这些数据传输给粗指纹库建立模块(200)；

所述粗指纹库建立模块(200)遍历所有参考点处的离线接收信号强度数据，使得离线接收信号强度与参考点的位置坐标一一对应生成粗指纹库；

所述特征指纹库提取模块(300)归一化参考点处离线接受信号强度数据，将其输入至四层深度置信网络进行训练，四层深度置信网络输出权重和偏置矩阵存储为特征指纹；

所述在线数据融合模块(400)实时采集接收信号强度数据并对其进行归一化处理，再利用每个参考点处的特征指纹对实时采集的接收信号强度数据进行重构，将重构的接受信号强度数据与实时采集的原数据输入至径向基函数，计算出两者之间的差异度，该差异度表征着实时采集的接受信号强度数据出现在该参考点的概率，遍历所有的参考点，计算出当前接收信号强度数据出现在每个参考点处的概率，最后通过参考点位置的权重计算出实时接收信号强度数据对应的地理位置；