[发明专利]一种基于集成学习的智能手机WiFi室内定位方法

权利要求书

1.一种基于集成学习的智能手机WiFi室内定位方法，其特征在于：包括如下步骤：

步骤1：进行实验环境部署，具体步骤如下：

步骤1.1：选择实验室内环境，将室内平面采用二维坐标划分；

步骤1.2：在室内部署WiFi路由器；

步骤1.3：选定训练位置点和测试点；

步骤2：进行离线采集并训练，具体步骤如下：

步骤2.1：使用安装过定位APP的智能手机，记录训练位置点的坐标；

步骤2.2：采集实验环境中训练位置点的WiFi路由器的信号强度和名称；

步骤2.3：将训练位置点的坐标和WiFi路由器的信号强度组合成一组数据集；

步骤2.4：对训练位置点和WiFi路由器的信号强度分别进行数据采集，得到采样点坐标数据集和RSS数据集，采集完毕后，通过电脑将所有数据组合成训练数据集；

步骤2.5：使用CNN-CML算法对训练数据集进行处理并建模；具体步骤如下：

步骤2.5.1：将训练数据集里的RSS数据集作为输入特征，位置坐标数据集作为标签，训练CNN网络，训练完成得到CNN模型；

步骤2.5.2：将训练数据集里的RSS数据集输入CNN模型，得到CNN模型的输出结果—预测的训练数据集坐标；

步骤2.5.3：将预测的训练数据集与训练数据集中的位置坐标进行比较，得到CNN模型的预测偏差；

步骤2.5.4：将CNN预测偏差作为训练标签，训练数据集里的RSS数据集作为训练特征，输入经典机器学习算法，训练CML得到CML可预测模型；

步骤3：进行在线采集并训练，具体步骤如下：

步骤3.1：采集实验环境测试点的测试数据；

步骤3.2：使用CNN-CML算法对测试数据集进行处理并建模；具体步骤如下：

步骤3.2.1：将测试数据集中的RSS数据集输入到CNN模型，得到CNN模型的输出结果—预测的测试数据集位置坐标；

步骤3.2.2：将测试数据集中的RSS数据集输入到训练好的CML模型中，得到CML模型的输出结果—CNN位置预测偏差；

步骤3.2.3：利用CML模型的输出结果即CNN位置预测偏差，来校正CNN预测的测试数据集位置坐标以获得更准确的位置。