[发明专利]一种深度学习与集成神经网络的室内定位方法

权利要求书

1.一种深度学习与集成神经网络的室内定位方法，包括存储器、处理器、信号发射端和接收端；其特征在于：

-所述信号发射端采集定位信息的二维坐标数据信号进行发送；

-所述接收端将上述二维坐标数据信号生成CSI原始数据信息；

-所述处理器调取存储器中程序代码实现室内定位，包括如下步骤：

CSI数据处理模块对CSI原始数据信息进行预处理后将多个数据集中的数据映射到[0，1]范围上；

深度学习模块对数据集中的数据进行特征提取生成多个特征集；

神经网络模块将若干个特征集数据进行加权和处理生成估算坐标值输出。

2.根据权利要求1所述的一种深度学习与集成神经网络的室内定位方法，其特征在于，所述CSI数据处理模块对CSI原始数据信息进行预处理，包括如下步骤：

对原始CSI数据进行预处理，对其进行降噪处理，使用如下公式去除奇异值，即计算每个CSI数据与其前后数据的差值E_i，如果E_i大于设置的阈值，则认为是奇异值，直接去除；

E_i＝(CSI_i-CSI_i-1)²+(CSI_i-CSI_i+1)²

将去除奇异值的数据归一化，使用如下公式将数据映射到[0，1]上，

3.根据权利要求1所述的一种深度学习与集成神经网络的室内定位方法，其特征在于，所述深度学习模块对数据集中的数据进行特征提取生成多个特征集，包括如下步骤：

从训练样本中随机选取一个样本，并使用该样本初始化可见层的状态；

通过可见层状态v_i求的隐含层状态h_j，再通过h_j获得可见层状态v_i+1；

通过如下公式调整各层的权值Δw，输出层偏置值Δa以及隐含层偏置值Δb；

Δw＝Pr(h_j＝1|v_i)v_i-Pr(h_j+1＝1|v_i+1)v_i+1

Δa＝v_i-v_i+1

Δb＝Pr(h_j＝1|v_i)-Pr(h_j+1＝1|v_i+1)

重复上述过程，直至模型输出值小于等于设置的阈值。

4.根据权利要求1所述的一种利用深度学习与集成神经网络的室内定位方法，其特征在于，所述神经网络模块将若干个特征集数据进行加权和处理，包括如下步骤：

将多个特征集来训练多个不同的神经网络模型，如下公式所示：

其中S为样本个数，(T^Px，T^Py)为样本P的实际坐标值，(O^Px，O^Py)为样本P的神经网络的预测值，使用误差回传的方法训练神经网络，直至MSE小于设置的阈值，停止训练；

根据每个神经网络的定位误差作为网络分配权值，如下公式所示：

其中E_i为各个神经网络的定位误差，然后把总的定位误差∑E_i与单个网络模型的定位误差E_i之比定义为精度系数p_i，而W_i就等于pi除以总的精度系数之和；

根据分配权值进行数据融合获得估算坐标值。