[发明专利]基于去噪自编码器和卷积神经网络的WiFi指纹室内定位方法

权利要求书

1.一种基于去噪自编码器和卷积神经网络的WiFi指纹室内定位方法，包括以下步骤：

采集WiFi指纹数据，并利用已构建的指纹库计算相应接入点的粗略位置，所述指纹库包含接入点覆盖区域的位置参考点坐标；

基于所述接入点的粗略位置，沿设定的方向对所述WiFi指纹数据进行重新排序；

利用经训练的编码器从所述WiFi指纹数据中提取特征图；

将所述特征图输入到经训练的回归网络模型，获得定位结果，其中所述回归网络模型反映WiFi指纹数据与位置坐标间的非线性关系。

2.根据权利要求1所述的方法，其特征在于，根据以下步骤训练所述编码器：

构建去噪自编码器，该去噪自编码器包含编码器和解码器；

基于设定的损失函数，利用训练集训练所述去噪自编码器，其中编码器用于从WiFi指纹数据提取特征图，解码器将该特征图重建成原尺寸大小的指纹数据，所述训练集反映归一化的加噪WiFi指纹数据样本与坐标标签值之间的对应关系。

3.根据权利要求2所述的方法，其特征在于，所述编码器包含两个卷积层和一个池化层，所述解码器包含一个上采样层和一个卷积层。

4.根据权利要求1所述的方法，其特征在于，所述回归网络模型包含三个卷积层、两个池化层和全连接模块，其中，所述三层卷积层用于提取空间特征；所述全连接模块用于预测定位结果，并且所述全连接模块包含6个全连接层，每一层的隐藏神经元数量分别是128、256、128、64、32和2，除最后一层全连接层外其他全连接层后面都连接一层BN层并使用tanh激活函数。

5.根据权利要求1所述的方法，其特征在于，训练所述回归网络模型采用的损失函数设置为：

其中，error表示损失值，n表示样本数量，i表示样本索引，test_pred_y表示回归网络模型得到的预测值，test_y表示样本的真实值。

6.根据权利要求1所述的方法，其特征在于，训练所述去噪自编码器的损失函数是均方误差损失。

7.根据权利要求1所述的方法，其特征在于，根据以下步骤获取所述接入点的粗略位置：

设指纹库中第i个接入点AP为AP_i，从指纹库中找出AP_i信号所覆盖的参考位置RP，表示为：

其中，表示AP_i信号覆盖到的第k个RP；

从指纹库中获取对应的RP位置坐标列表，表示为：

其中，表示的位置坐标；

根据以下公式计算出AP_i的粗略位置坐标：

其中，Pos_i表示第i个接入点AP的粗略位置。

8.根据权利要求1所述的方法，其特征在于，所述WiFi指纹数据是利用智能终端采集的RSSI信号或CSI信号。

9.一种计算机可读存储介质，其上存储有计算机程序，其中，该计算机程序被处理器执行时实现根据权利要求1至8中任一项所述方法的步骤。

10.一种计算机设备，包括存储器和处理器，在所述存储器上存储有能够在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。