[发明专利]一种深度学习与集成神经网络的室内定位方法

说明书

本发明公开了一种利用计算机进行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；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，该发明提高室内定位系统的泛化性，降低计算复杂度，提高定位精度。

技术领域

本发明主要涉及基于无线网络的室内定位技术领域，尤其涉及一种基于深度学习与集成神经网络的室内定位方法。

背景技术

随着智慧城市的发展，室内定位的需求日益增长。随着Wi-Fi网络的广泛应用，利用Wi-Fi无线电波定位室内的位置吸引了很多研究者。其中，无设备室内定位、跟踪、识别任何物体或人体，已成为一个日益热点的问题。

在无设备定位中，用户不需要携带任何设备，只需要将发射机和接收机固定在室内，利用用户的存在所引起的无线电波变化的特征模式来估计位置。由于信道状态信息(Channel State Information,CSI)为信号传输提供了更为详尽的信息，因此针对基于CSI的无设备室内定位的研究得到了广泛的开展，其应用场景如图1所示。

以往基于CSI的定位主要采用指纹识别的方法。因为其具有实现简单、精度高、算法灵活等优点。然而，传统的指纹匹配方案需要将所有的测试样本存储在数据库中。这将严重影响定位效率和精度，因为在复杂的室内环境中，大部分测试样本都是有噪声的。同时，由于CSI是高维数据，随着数据量的增加，训练成本和处理复杂度也增加了一倍。

近年来，机器学习在CSI的处理中得到了越来越多的应用。但是，由于所采集到的CSI信号通常是有噪声的，现有的机器学习的方法在特征选择上都是主观的，对于充分利用信号有一定的局限性。

目前，基于深度学习的CSI定位技术已经成为一种新的趋势。深度学习方法提取CSI数据特征，找出数据与位置的函数关系。与传统方法不同，深度学习可以在不进行特征工程的情况下提取高阶特征。对于大数据项目，深度神经网络可以大大提高系统的准确性。因此，深度学习提高了系统的定位精度和稳定性。

目前已有多项利用深度学习进行室内无设备定位的工作，如PhaseFi、DeepFi、CIFI、1D-CNN等。然而，DeepFi和PhaseFi需要使用每个参考点的数据来训练网络模型，这会带来大量的计算和较长的训练时间。CIFI需要将一维信号转换成类似于图像的二维矩阵，增加了网络的复杂度和转换开销。1-CNN只将参考点分成几个类别，不能直接输出用户的坐标信息。最重要的是，这些方法只构建一个单独的网络来训练模型。然而，不同训练集生成的网络模型定位精度往往不同，不同神经网络参数得到的模型也不同。同时，要得到一个具有足够定位精度的网络模型需要大量的试错，这是非常耗时的。

发明内容

本发明旨在设计一种无设备的基于CSI的室内定位方法，提高室内定位系统的泛化性，降低计算复杂度，提高定位精度。

为解决上述技术问题，本发明提供一种基于深度学习与集成神经网络的室内定位方法，利用CSI信息实现快速准确的定位。利用深度学习提取与位置相关的核心特征，降低CSI指纹的维数，从而降低计算复杂度。为了处理使用不同CSI数据集训练得到的网络不同从而造成最终定位结果不稳定，本发明利用集合神经网络对多个神经网络进行编码，得到更稳定的结果。

本发明的目的通过以下步骤实现来实现：

一种基于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；

—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：