[发明专利]一种基于神经网络的室内定位计算方法

说明书

本发明涉及室内定位计算技术领域，且公开了一种基于神经网络的室内定位计算方法，方法步骤如下：建立室内地图，采集原始信号强度数据；信号强度数据清洗；建立基于Tensorflow的DNN神经网络分类算法模型；计算信号强度数据的特征向量，进行机器学习训练；神经网络预测，根据信号强度特征对终端位置进行分类，输出计算结果。本发明针对不同位置探针探测到终端发出的Wi‑Fi信号，通过基于信号强度阈值范围进行筛选，对信息进行预处理，输出信号强度的特征向量，然后结合神经网络对特征向量进行位置判断，有效地将信号强度特征和神经网络分类算法结合到一起，提高了室内定位技术的高效性、准确性和智能性。

技术领域

本发明涉及室内定位计算领域，尤其涉及一种基于神经网络的室内定位计算方法。

背景技术

随着数据业务和多媒体业务的快速增加，人们对定位与导航的需求日益增大，尤其在复杂的室内环境，如机场大厅、展厅、仓库、超市、图书馆、地下停车场和矿井等环境中，常常需要确定移动终端或其持有者、设施与物品在室内的位置信息，但是受定位时间、定位精度以及复杂室内环境等条件的限制，比较完善的定位技术目前还无法很好地利用，目前常用的是使用三角定位方案，即利用2台或者2台以上的探测器在不同位置探测目标方位，然后运用三角几何原理确定目标的位置和距离。

但是上述定位方案的存在精度不高、难以优化的缺陷。

为解决上述问题，本申请中提出一种基于神经网络的室内定位计算方法。

发明内容

（一）发明目的

为解决背景技术中存在的技术问题，本发明提出一种基于神经网络的室内定位计算方法，本发明针对不同位置探针探测到终端发出的Wi-Fi信号，通过基于信号强度阈值范围进行筛选，对信息进行预处理，输出信号强度的特征向量，然后结合神经网络对特征向量进行位置判断，有效地将信号强度特征和神经网络分类算法结合到一起，提高了室内定位技术的高效性、准确性和智能性。

（二）技术方案

为解决上述问题，本发明提供了一种基于神经网络的室内定位计算方法，方法步骤如下：

S1：建立室内地图，采集原始信号强度数据；

S2：信号强度数据清洗；

S3：建立基于Tensorflow的DNN神经网络分类算法模型；

S4：计算信号强度数据的特征向量，进行机器学习训练；

S5：神经网络预测，根据信号强度特征对终端位置进行分类，输出计算结果。

优选的，S1中S1建立室内地图、采集原始数据具体步骤如下：

S1-1：确定室内平面图，划分网格区域；

S1-2：在需要定位的区域指定位置点部署Wi-Fi探针；

S1-3：通过Wi-Fi探针采集各个位置区域终端的信号强度。

优选的，S2中信号强度数据清洗具体步骤如下：

S2-1：去除原始数据中异常的、过大和过小的信号强度数据；

S2-2：根据配置，根据探针分组，求取单位时间内（如1分钟）各个探针探测到的各终端信号强度的平均值；

S2-3：使用区域ID标注各组数据来自的区域。

优选的，S3中立模型具体步骤如下：

S3-1：输入层定义特征列为不同区域、各个探针采集到的信号强度平均值；

S3-2：定义2个各含10节点的隐藏层；

S3-3：输出层定位为不同位置区域id。