[发明专利]一种基于卷积神经网络识别技术的WIFI室内定位方法

权利要求书

1.一种基于卷积神经网络识别技术的WIFI室内定位方法，其特征是按如下步骤进行：

步骤1、将一室内空间的外接矩形作为WIFI室内定位区域，将所述WIFI室内定位区域均匀划分为a个正方形网格,以每个正方形网格的中心点作为参考点，形成参考点集合CP，CP＝{CP₁,CP₂,...,CP_i,...,CP_a}，CP_i为第i个参考点，是指第i个正方形网格内的参考点，i＝1,2,...,a；

步骤2、在所述WIFI室内定位区域的外部设置一个具有b根天线的路由器作为发射设备AP，在每个参考点上设置一个具有c根天线的接收设备,b和c的取值均大于0；

所述第i个参考点CP_i在一段时间内利用所述接收设备按照采样速率v连续采集由所述发射设备AP发送的n个WIFI信号，从而构成第i个参考点CP_i的信号时间序列集合CSI_i，为第i个参考点CP_i在第j次采集的WIFI信号，且为b×c×m的三维复数矩阵，m表示在无线传输标准协议IEEE802.11n下信道被划分的子载波个数，b×c表示所述接收设备和发射设备AP之间的链路数量，j＝1,2,...,n；

步骤3、以所述第i个参考点CP_i的信号时间序列集合CSI_i中一条链路采集获得的WIFI信号代表第i个参考点CP_i的位置信息，从而构成第i个参考点CP_i的位置信息集合CPI_i，为第i个参考点CP_i接收到的第k个WIFI信号，且为n×m的二维复数矩阵，k＝1,2,...,n；

步骤4、随机从二维复数矩阵的m列中取出1列数据，组成一个n×1的复数矩阵CPI_i′；将复数矩阵CPI_i′通过变换函数cwt进行一维连续复小波变换，复小波变换中的小波函数采用db3,变换尺度区间设为[1,100]，步长设为0.1，进而得到s张与小波变换系数绝对值一一对应的灰度值图，即位置特征图，以此构成第i个参考点CP_i的位置特征图集合PIC_i，为第i个参考点CP_i的第q张位置特征图，q＝1,2,...,s，并进一步得到所有参考点处的位置特征图总集PIC，PIC＝{PIC₁,PIC₂,...,PIC_i,...,PIC_a}，以所述位置特征图总集PIC作为初级定位指纹库；

步骤5、对所述第i个参考点CP_i的位置特征图集合PIC_i中的各位置特征图进行像素变换处理，得到第i个参考点CP_i的变换位置特征图集合PIC_i′，PIC_i′＝{pic₁′ⁱ,pic₂′ⁱ,...,pic_t′ⁱ,...,pic_s′ⁱ}，pic_t′ⁱ为像素变换后的第i个参考点CP_i的第t张位置特征图，且pic_t′ⁱ的像素为w×h，t＝1,2,...,s，进而得到所有参考点处的变换位置特征图总集PIC′,

PIC′＝{PIC′₁,PIC′₂,...,PIC′_i,...,PIC′_a}

以所述变换位置特征图总集PIC′作为定位指纹库的训练集；

步骤6、对于所述训练集中每个参考点的变换位置特征图集合PIC_i′设置标签，获得带有标签的训练集，针对带有标签的训练集利用卷积神经网络模型进行训练，得到分类模型；

步骤7、针对一待测位置，按照步骤2采集其WIFI信号，经过步骤3和步骤4的处理方式后，取待测位置的一张位置特征图送入所述分类模型中进行分类，取z个概率最大的位置类别做加权平均，从而实现针对待测位置的定位。

2.根据权利要求1所述的基于卷积神经网络识别技术的WIFI室内定位方法，其特征是：

所述卷积神经网络模型采用具有如下改进结构的卷积神经网络模型：

设置卷积神经网络模型的结构包括输入层、3个卷积结构、3个全连接层以及输出层；所述3个卷积结构分别是第一卷积结构r₁、第二卷积结构r₂和第三卷积结构r₃；所述3个全连接层分别是第一全连接层fc₁、第二全连接层fc₂和第三全连接层fc₃；

所述第一卷积结构r₁包含两个卷积层conv_{1_1}和conv_{1_2}，每个卷积层分别设置64个卷积核，每个卷积核的尺寸为5×5、步长为2；池化卷积核尺寸为2×2，步长为1；LRN的local_size设置为5；

所述第二卷积结构r₂包含两个卷积层conv_{2_1}和conv_{2_2}，每个卷积层分别设置128个卷积核，每个卷积核的尺寸为3×3，步长为1；池化卷积核尺寸为2×2，步长为1；LRN的local_size设置为5；

所述第三卷积结构r₃包含三个卷积层conv_{3_1}、conv_{3_2}和conv_{3_3}，每个卷积层分别设置256个卷积核，每个卷积核的尺寸为3×3，步长为1；池化卷积核尺寸为2×2步长为1；LRN的local_size设置为5；

所述第一全连接层fc₁共有1024个神经元，在第一全连接层fc₁后连接一个dropout_1层，所述dropout_1层的dropout_ratio设置为0.5；

所述第二全连接层fc₂共有512个神经元，在第一全连接层fc₂后连接一个dropout_2层，所述dropout_2层的dropout_ratio设置为0.5；

所述第三全连接层fc₃有a个神经元；

所述步骤6中针对带有标签的训练集利用卷积神经网络模型进行训练是按如下步骤进行；

步骤2.1、将所述带有标签的训练集输入到改进结构的卷积神经网络模型的第一卷积结构r₁中，依次经池化、局部响应归一化处理LRN，由所述第一卷积结构r₁输出64张特征图；将所述64张特征图输入到第二卷积结构r₂中，依次经池化、局部响应归一化处理LRN，由所述第二卷积结构r₂输出128张特征图；将所述128张特征图输入到第三卷积结构r₃中，依次经池化、局部响应归一化处理LRN，由所述第三卷积结构r₃输出256张特征图；

步骤2.2、将所述256张特征图输入到第一全连接层fc₁，并在所述第一全连接层fc₁中输出一个1024行的一维向量；将所述1024行的一维向量输入到第二全连接层fc₂，并在所述第二全连接层fc₂中输出一个512行的一维向量；将所述512行的一维向量输入到第三全连接层fc₃，并在所述第三全连接层fc₃中输出一个a行的一维向量；

步骤2.3、将所述在第三全连接层fc₃中输出的a行的一维向量送入Softmax回归分类器后得到输出误差，利用反向传播算法优化误差进行训练，得到分类模型。