[发明专利]基于改进的CPN-WLAN指纹定位数据库的定位方法

权利要求书

1.一种基于改进的CPN-WLAN指纹定位数据库的定位方法，其特征是，步骤如下：

步骤1：在需要进行定位的区域中选取实测参考点并进行数据的测量

在待定位区中大致均匀的选取实测参考点，测量其位置坐标和RSS指纹，实测参考点数量应明显少于参考点的总数，减少离线阶段工作量；

步骤2：使用自编码器对参考点指纹信息进行降维

(1)构造合适的自编码器，将自编码器的输入层和输出层神经元数量设置为与待定位区内的接入点AP(Access Point)数量相同，隐藏层神经元数量设置为64个；

(2)将参考点指纹数据输入自编码器进行迭代训练；

步骤3：构造合适的神经网络结构

(1)修改对传神经网络CPN的输入层，将神经元数量设置为二维空间坐标与自编码器隐藏层神经元数量之和；

(2)对于CPN的Kohonen层部分，设置激活层中输入最大的2个神经元，并使用Softmax函数获得对应的激活权重；

步骤4：使用实测点测得的数据训练神经网络

将实测点指纹信息输入自编码器进行降维，然后与参考点空间坐标共同输入CPN，进行迭代训练；

步骤5：使用训练好的神经网络构建指纹定位数据库

(1)预测剩余参考点的指纹信息

将剩余参考点的二维位置坐标按规定形式输入训练好的神经网络中，则输出值中对应部分即为对应参考点的指纹信息；

(2)构建完整的指纹定位数据库

将剩余参考点的指纹信息与实测参考点的指纹信息进行合并，从而完成WLAN指纹定位数据库的构建用于定位。

2.如权利要求1所述的基于改进的CPN-WLAN指纹定位数据库的定位方法，其特征是，用Softmax函数改进Kohonen层中神经元的激活策略，每次激活2个输入最大的神经元，Softmax函数将一组数据映射到(0,1)区间内，得到的数值相加和为1，各个数据对应于其大小的分类概率，对于一个数组V，包含n个元素，V_i表示V中的第i个元素,那么这个元素的Softmax值就是：

3.如权利要求1所述的基于改进的CPN-WLAN指纹定位数据库的定位方法，其特征是，还包括验证步骤：采用实测得到的WLAN指纹定位数据集UJIIndoorLoc，该数据集主要包括training数据集和validation数据集2个文件，信息如表1所示：

表1 UJIIndoorLoc数据集内容形式表

使用BUILDINGID为0、FLOOR为0处的数据：training数据集中共有在54个RP处的1059组数据，取其中10个RP处的数据作为训练集，看作离线阶段实测数据，剩余数据作为验证集；validation数据集中共有在78个RP处的78组数据，作为测试集；

训练集、验证集和测试集处于同一平面空间；

神经网络训练完成后，将验证集中的RP坐标输入神经网络中，其中改进的CPN和传统CPN输入数据为(0，0，……，0，0，LONGITUDE，LATITUDE)，输出前520项为RSS的预测值；BPNN输入数据为(LONGITUDE，LATITUDE)，输出为RSS预测值，与训练集数据合并，完成指纹定位数据库的构建，在构建后的数据库上使用KNN、WKNN对测试集RP进行定位，所有实验数据均重复10次，取平均值进行记录；对比预测验证集中全部RP、31个RP、16个RP处的RSS指纹时的数据库构建情况；

改进的CPN训练完成后，将验证集中RP的坐标值输入神经网络中，输出对应RSS指纹的预测值，并与训练集数据合并，对指纹定位数据库进行构建，将测试集的RP作为待定位点，在构建后的指纹定位数据库上使用最近邻KNN(K Nearest Neighbors)、加权K最近邻WKNN(Weighed K Nearest Neighbors)算法对构建效果进行评估，算法训练时间由TensorFlow交互界面得到，重复实验10次，取平均值进行记录，分别对比以下几种指纹数据库的构建情况：构建验证集中全部RP处的RSS指纹；构建验证集中31个RP处的RSS指纹；构建验证集中16个RP处的RSS指纹，实验数据对比见表2：

表2 实验数据对比表

表2中数据均在同一数据集上得到Original、IPCPN、CPN、BPNN分别代表实测数据库和由改进的CPN、传统CPN、BPNN构建后的数据库，横线后数字代表构建后的数据库中RP的数量，KNN、WKNN代表这两种方法的平均定位误差，K代表误差最小时K的取值，time为神经网络训练时间。