[发明专利]一种基于深度学习的Wi‑Fi室内定位方法

权利要求书

1.一种基于深度学习的Wi-Fi室内定位方法，其特征在于:

建立指纹库：

1)所述样本RSS数据采集；

1-1)在需要定位的室内区域部署n个Wi-Fi无线接入点(APs)；

1-2)将所述室内区域划分为m个域块，m为自然数；

以每个域块的中心为采样点P_k，测定步骤1-1)部署的各个APs的接收信号强度RSS，每个采样点P_k都对应一个位置坐标。一个位置坐标对应的n个RSS数据整理后形成多维数据样本集R的一行；k＝1、2……m；

2)对数据预处理，补全、归一化；

2-1)将步骤1)获得的多维数据样本集R进行缺失补零。

2-1)归一化处理，得到训练集H。

3)深度特征学习；

3-1)确定自编码神经网络的结构，设定其总共有q+2层，其中有1个输入层，q个隐藏层和1个输出层；q为自然数；

3-2)将步骤2)所得的多维数据样本集H作为输入层。

3-3)设定该层的初始权重W，采用自动编码算法进行训练，得到训练结果C⁽¹⁾。

3-4)将训练结果C⁽¹⁾作为其高一层的输入，并重复上一步骤，得到训练结果C⁽²⁾。

3-5)重复步骤3-3)，3-4)q次，得到第q+1层的输出结果C^(q)，训练结束。

4)获得指纹库；

用深度学习提取到的特征集C^(q)建立指纹库，将指纹库按照区域分成t个子指纹库，每个子库对应若干个相邻采样点，每个子库的一行对应一个采样点，每个子库有一个簇心Q_i，其中，i＝1，2，…，t，所有的簇心组成集合Q；

室内定位：

a)处于室内区域某一待定位的位置P₀时，采集与步骤1)中矩阵R的每行相同结构特征的RSS数据的一个行向量，并将其保存至行向量V中；

b)采用与步骤2)相同的方法，将向量V去噪归一化处理得到向量U；

c)设定与步骤3)中相同结构和权值的自编码神经网络，并将处理后的矩阵U作为自编码神经网络的输入，得到特征数据E^(q)；

d)将得到的特征数据E^(q)代入到匹配算法中，与步骤4)所述集合Q中的簇心进行匹配；

匹配得到一个簇心Q_j其中，j∈{1，2，…，t}，

计算特征数据E^(q)与簇心Q_j所对应的子库j中的每一个行向量的距离，得到v个距离，其中v是簇心Q_j所对应的子库j的行数，将v个距离按照从小到大排序，取前F个值，保存在矩阵中；矩阵d中，每一个元素对应子库j的一行，子库j的一行对应一个采样点；

计算权重，u＝1、2……F

计算待定位点P₀的位置坐标。

P₀＝α₁P₁+α₂P₂+…+α_FP_F

其中，P_l,P₂,…,P_F为子库j的每一行对应的采样点的位置坐标。

2.根据权利要求1所述的一种基于深度学习的Wi-Fi室内定位方法，其特征在于：步骤3)中，基于自动编码算法构建一个含有多个隐藏层的深度特征学习模型。

3.根据权利要求1或2所述的一种基于深度学习的Wi-Fi室内定位方法，其特征在于：步骤4)所述的区域是指子指纹库中的所有采样点组成的区域，它的划分依据是以簇心为中心的一个正方形区域，该区域的大小可根据实际的地图面积大小调整。

4.根据权利要求1或3所述的一种基于深度学习的Wi-Fi室内定位方法，其特征在于：所述室内定位过程中，步骤d)所述的匹配算法是KNN算法,公式：其中c_a为C^(q)的一行,a∈{1，2，…，m}e_b为E^(q)中的一个元素，为c_a中的一个元素。

5.根据权利要求1所述的一种基于深度学习的Wi-Fi室内定位方法，其特征在于：所述方法应用于大型综合体室内车位的定位。