[发明专利]基于卷积神经网络的细粒度区域分类方法及系统

说明书

本发明涉及基于卷积神经网络的细粒度区域分类方法及系统，其方法包括步骤：S1、将UJIIndoorLoc数据集输入SAE‑1D Resnet10卷积神经网络，获取楼栋分类与分层结果；S2、利用二次代价函数计算分类结果与真实值的误差；S3、将基于CSI的数据集分割为大小为w的bins；S4、进行CNN状态推理模型训练，输出状态标签；S5、将状态标签的CSI幅度输入CNN状态推理模型进行训练，输出细粒度区域分类的概率分布；S6、利用最大概率和概率熵计算集中度，获取样本置信度；S7、动态调整活动分割算法。本发明通过利用CSI活动窗口分割、CNN模型训练分类状态标签、引用反馈机制来动态调整状态分割算法的方式取代人为主观观察和经验确定的最佳状态分割阈值，样本置信度更高。

技术领域

本发明涉及多楼栋多楼层的区域分类技术领域，尤其涉及基于卷积神经网络的细粒度区域分类方法及系统。

背景技术

近年来，随着通信技术的不断进步，基于楼栋楼层细粒度区域的高精度分类在紧急救援、物品搜索、路径规划等方面需求不断增加，然而全球定位系统(GlobalPositioning System,GPS)以及北斗卫星导航系统(BeiDou Navigation SatelliteSystem，BDS)已越来越不能满足室内细粒度区域分类的需求，所以，如何提高室内细粒度区域分类的准确率成为了急待解决的研究课题。

区域分类的技术手段通常包括计算机视觉、惯性传感器、UWB和可穿戴设备等。尽管其分类的精度已经达到商用阶段，但仍面临各种限制，如：为特定场景量身定制、对光照的敏感性、隐私侵犯、设备成本高、分类场景单一且限制移动轨迹。分类方法通常有传统机器学习算法和深度学习算法，常用的传统机器学习算法有：贝叶斯模型、k-邻近模型(KNN)、支持向量机、决策树、集成学习等；常用的深度学习算法有：卷积神经网络(CNN)、循环神经网络(DNN)等。传统的机器学习算法容易受环境影响，在非视距条件下分类误差大，而且不适用于多楼层多楼栋的区域分类。神经网络通过训练离线的CSI指纹库和RSS指纹库可以进行多楼层多楼栋多房间的粗粒度区域分类，但不能细分分类到小区域。

发明内容

为解决现有技术所存在的技术问题，本发明提供基于卷积神经网络的细粒度区域分类方法及系统，通过利用CSI活动窗口分割、CNN模型训练分类状态标签、引用反馈机制来动态调整状态分割算法的方式取代人为主观观察和经验确定的最佳状态分割阈值，样本置信度更高。

本发明方法采用以下技术方案来实现：基于卷积神经网络的细粒度区域分类方法，包括以下步骤：

S1、将RSS组成的带标签UJIIndoorLoc数据集输入SAE-1D Resnet10卷积神经网络，获取楼栋分类与分层结果；

S2、利用二次代价函数计算分类结果与真实值的误差；

S3、将基于CSI的数据集分割为大小为w的bins；

S4、将分割后的bins作为数据输入CNN状态推理模型进行训练，输出状态标签；

S5、将分割后的输出状态标签的CSI幅度输入预先训练好的CNN状态推理模型进行训练，输出细粒度区域分类的概率分布；

S6、利用最大概率和概率熵计算集中度，作为活动分割算法的反馈，获取样本置信度；

S7、利用置信度大小和反馈结果动态调整活动分割算法。

本发明系统采用以下技术方案来实现：基于卷积神经网络的细粒度区域分类系统，包括：

分类与分层结果获取模块：用于将UJIIndoorLoc数据集输入SAE-1D Resnet10卷积神经网络，获取楼栋分类与分层结果；

误差计算模块：通过利用二次代价函数计算分类结果与真实值的误差；

数据集分割模块：用于将基于CSI的数据集分割为大小为w的bins；