[发明专利]一种基于信号强度的深度学习回归融合定位方法

权利要求书

1.一种基于信号强度的深度学习回归融合定位方法，其特征在于，包括如下步骤：

步骤1：在待定位环境中建立信号强度指纹库；

步骤2：对指纹库中的数据进行预处理；

步骤3：将预处理后的数据输入构建好的自动编码模型中，进行自动编码模型预训练；

步骤4：基于训练好的自动编码模型构建深度神经网络DNN模型，再将步骤2得到的预处理后的数据输入深度神经网络DNN模型对深度神经网络DNN模型进行训练；

步骤5：构建卷积神经网络CNN模型，将步骤2中得到的预处理后的数据输入卷积神经网络CNN模型中对卷积神经网络CNN模型进行训练；

步骤6：通过基于平均源的DS证据融合理论对深度神经网络DNN模型与卷积神经网络CNN模型输出概率值进行融合，计算预测结果，并构建回归模型，预测结果为指纹库中格点坐标的加权和；

步骤7：通过最小化代价函数来对模型进行参数优化：根据步骤6中的预测结果与真实结果之间的误差值来调整深度神经网络DNN模型参数和卷积神经网络CNN模型参数；

步骤8：根据步骤2-7训练好的深度神经网络DNN和卷积神经网络CNN融合模型进行实时定位；

其中，步骤1-步骤7为线下阶段，步骤8为线上阶段。

2.根据权利要求1所述的一种基于信号强度的深度学习回归融合定位方法，其特征在于，所述步骤1包括如下步骤：

步骤1.1：将包含有M个AP的待定位环境划分为G个格点，每个格点都有一个唯一的标签k，其中k＝1，2，…，G；

步骤1.2：采集格点编号、二维坐标和移动端在每个格点的RSS信号强度，每隔一段时间刷新一次测量值，在n时刻第k个格点采集到的RSS信号强度向量记为如果在该采集格点不能探测到某个AP的信号强度，则将对应AP上的信号强度值设置为-110dBm，以确保所有的样本维度一致；

步骤1.3：每个格点都收集N个样本，即在第k个格点上我们可以得到D_K＝[r_k(1)，r_k(2)，…，r_k(N)]，总的线下指纹库可记为D＝[D₁，D₂，…，D_G]。

3.根据权利要求2所述的一种基于信号强度的深度学习回归融合定位方法，其特征在于，所述步骤2包括如下步骤：

步骤2.1：将步骤1中指纹库中的所有向量进行零均值标准化，对n时刻第k个格点采集到的RSS信号强度向量r_k(n)，其均值与方差分别为：

则归一化后的RSS信号强度向量为：

步骤2.2：对步骤2.1处理后的数据进行乱序。

4.根据权利要求3所述的一种基于信号强度的深度学习回归融合定位方法，其特征在于，所述步骤3包括如下步骤：

步骤3.1：构建自动编码模型；

步骤3.2：将步骤3.1中的自动编码模型的编码层记为Φ，解码层记为Ψ，最小化输入与输出间的代价函数：

5.根据权利要求1所述的一种基于信号强度的深度学习回归融合定位方法，其特征在于，所述步骤4包括如下步骤：

步骤4.1：构建DNN模型，其输入层维度为AP个数M，输出层维度为格点个数G；

步骤4.2：将自动编码模型预训练好的编码层直接作为DNN模型的编码层，解码层中除输出层为激活函数为softmax的全连接层外，隐层均为激活函数为tanh的全连接层；

步骤4.3：将步骤2得到的训练数据传入步骤4.2中得到的模型，进行模型训练，得到训练好的DNN模型。

6.根据权利要求1所述的一种基于信号强度的深度学习回归融合定位方法，其特征在于，所述步骤5包括如下步骤：

步骤5.1：构建CNN模型，其输入层维度为AP个数M，输出层维度为格点个数G，CNN模型由一层卷积层、一层最大池化层及一层激活函数为softmax的全连接层构成；

步骤5.2：将步骤2得到的训练数据传入步骤5.1中的模型，得到训练后的CNN模型。