[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

摘要

本发明公开了一种基于卷积神经网络识别技术的WIFI室内定位方法，首先对室内定位区域划分参考点，对每个参考点进行WIFI信号采集，然后分别将每个参考点的数据处理后通过小波变换为对应位置的特征图构建初级定位指纹库；再将每个参考点的特征图进行像素变换构建定位指纹库的训练集，将训练集中每个参考点的特征图加标签后送入改进的卷积神经网络模型中训练得到分类模型；最后通过采样待测位置WIFI信号，数据处理后通过小波变换为对应位置的特征图送入得到的分类模型中进行分类，对位置类别做加权平均，从而实现针对待测位置的定位，即实现了WIFI室内定位。本发明特别适宜在商业场合中应用，其设备简单、功耗低。

主权项

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,...,CPi,...,CPa}，CPi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CPI_i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CPI_i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′，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PICi′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。