[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

说明书

本发明提供一种基于信号强度的深度学习回归融合定位方法，涉及基于信号强度的定位方法领域。本发明包括如下步骤：步骤1，在待定位环境中建立指纹库；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自动编码模型中进行预训练；步骤4，在自动编码模型的基础上构建DNN模型，再对DNN模型进行训练；步骤5，构建CNN模型并将预处理后的数据输入CNN模型进行训练；步骤6，根据DS证据融合理论对DNN模型与CNN模型的输出概率值进行融合，计算预测结果；步骤7，根据模型估计结果与真实结果之间的误差值来调整DNN模型和CNN模型；步骤8，根据调整好的分类模型进行实时定位。本发明利用DNN和CNN的互补优势能全面地提取特征，提高了定位的准确度。

技术领域

本发明涉及基于信号强度的定位方法领域，尤其涉及一种基于信号强度的深度学习回归融合定位方法。

背景技术

随着大数据时代的飞速发展，对定位技术的需求也在迅猛增长，其主要推动力是定位服务所能带来的巨大的应用和商业潜能。通过定位服务，用户可以在大型超商中确定自己的位置，也能在特定的商店中寻找某个商品，还能在公共服务场所如机场或者火车站等中找到自己需要的设施，也能便于医院确认医护人员或医疗设备的位置信息，消防机构对消防人员的定位等。因此，复杂环境下的定位技术是物联网若干关键问题的核心技术。

文献M.Nowicki and J.Wietrzykowski，“Low-effort place recognition withWiFi fingerprints using deep learning，”IEEE Trans.Wireless Commun.，vol.10，no.12，pp.4018-4022，2011是一种基于自动编码模型的深度学习定位方法，该方法包括以下几个步骤：1)划分室内环境并构建离线指纹库；2)建立自动编码模型并传入预处理后的信号强度数据进行预训练，目标是让输出值尽可能等于输入值，用于初始化DNN网络的编码层参数；3)将预训练后的编码层与随机初始化权重的分类解码层连接，输出层为以softmax为激活函数的全连接层，且维度为离线指纹库中的格点样本数，估计格点即为输出层最大值对应标签；4)线下训练阶段通过最小化估计值与真实值之间的定位误差来训练整个模型参数；5)线上阶段将待定位位置的信号强度输入模型中以获取最终定位坐标。该方法在一定程度上能够提高定位精度，但是其缺点也较为明显，主要表现在以下几个方面：(1)分类模型的定位误差容易受到离线指纹库建立时格点间距的影响；(2)单深度学习模型DNN对信号强度的特征提取并不全面，无法学习到单条训练数据间的信号强度分布特征；(3)若模型在定位格点时不确定性较强(即对多个格点的估计概率值差距不大)，直接将输出层最大值对应的标签作为定位结果会导致较大的定位误差(特别是具有不确定性的多个格点相距较远时)。因此，该类方法由于上述问题的存在而在复杂的环境中很难形成准确稳定的源定位估计。

发明内容

本发明的目的在于，为解决以下三个问题的存在导致在复杂的环境中源定位估计结果不准确的问题，提供一种基于信号强度的深度学习回归融合定位方法：(1)分类模型的定位误差容易受到离线指纹库建立时格点间距的影响，(2)单深度学习模型DNN对信号强度的特征提取并不全面，无法学习到单条训练数据间的信号强度分布特征，(3)若模型在定位格点时不确定性较强，直接将输出层最大值对应的标签作为定位结果会导致较大的定位误差。

本发明的技术方案如下：

一种基于信号强度的深度学习回归融合定位方法，包括如下步骤：

步骤1：在待定位环境中建立指纹库。

步骤2：对指纹库中的所有数据进行预处理。

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

步骤4：基于训练好的自动编码模型构建DNN模型，再将步骤2得到的预处理后的数据输入DNN模型以对DNN模型进行训练。