[发明专利]一种基于通道剪枝的深度卷积神经网络模型的定位方法

说明书

本发明涉及一种基于通道剪枝的深度卷积神经网络模型的定位方法，包括：构造基于深度卷积神经网络模型的位置定位基线识别模型；获取待定位区域中移动设备的无线电信号数据；将获取到的无线电信号数据进行预处理，得到无线电信号数据集；利用所述无线电信号数据集对位置定位基线识别模型进行训练和验证，得到预训练深度卷积神经网络模型；对所述预训练深度卷积神经网络模型进行通道剪枝，得到压缩的深度卷积神经网络模型；评估所述压缩的深度卷积神经网络模型的性能，并通过精确率、召回率和准确率来评估所述的压缩的深度卷积神经网络模型在预设类别下的定位性能。本发明通过剪枝技术来压缩模型，提高计算速度且定位性能高。

技术领域

本发明涉及信息处理技术领域，特别是涉及一种基于通道剪枝的深度卷积神经网络模型的定位方法。

背景技术

随着现代通信技术和移动智能手机的发展，基于位置的服务应用在人们的生活中发挥着越来越重要的作用。利用4G、5G和广播电视等所有电磁波在内的一般的无线电信号进行定位时，分为两个阶段，离线阶段和在线阶段。离线阶段在指定的区域中进行频繁勘测，采集各个位置上的无线电信号，构建训练数据库。在线阶段，系统将对待定位的移动设备进行位置估计。采用深度神经网络可以避免手动分析特征和参数调整的耗时问题，然而庞大的神经网络模型难以实现硬件部署，阻碍了基于无线电信号定位识别技术在实际生活中的应用。

目前使用无线电信号进行定位的技术研究大多数在室内定位领域，采用滤波技术与WiFi信号结合的方法可实现室内机器人的粗略的定位，但其解决方案过于昂贵或不够可靠，无法进行定位的精确检查。有些研究表明，在大型建筑物中，可以使用无源摄像机或有源传感器获得精确的姿态定位，使用这些传感器可以同时定位并构建环境图，从而解决同步定位问题，但是无人摄像机价格昂贵并且环境图的处理需要大量计算，实现过程复杂，很难获得令人满意的结果。还有一些研究是基于机器学习利用无线电信号进行分层室内定位，使用最广泛的机器学习算法是KNN，从数据库中查询与所分析的信号最相似的k个记录信息从而实现定位，但是这个过程必须要进行耗时的数据分析才能筛选出具有代表性的数据以提高定位系统的精度。深度学习可以节省人工数据特征选取的时间并且定位准确度也较高，但是深度神经网络模型的规模十分庞大，这严重阻碍了模型在硬件上的部署，限制了这一技术在实际应用中的进一步发展。

发明内容

本发明所要解决的技术问题是提供一种基于通道剪枝的深度卷积神经网络模型的定位方法，减小了模型的复杂度，提高了运算速度且定位性能较好。

本发明解决其技术问题所采用的技术方案是：提供一种基于通道剪枝的深度卷积神经网络模型的定位方法，包括：

步骤(1)：构造基于深度卷积神经网络模型的位置定位基线识别模型；

步骤(2)：获取待定位区域中移动设备的无线电信号数据；

步骤(3)：将获取到的无线电信号数据进行预处理，得到无线电信号数据集；利用所述无线电信号数据集对所述位置定位基线识别模型进行训练和验证，得到预训练深度卷积神经网络模型；

步骤(4)：对所述预训练深度卷积神经网络模型进行通道剪枝，得到压缩的深度卷积神经网络模型；

步骤(5)：评估所述压缩的深度卷积神经网络模型的性能，并通过精确率、召回率和准确率来评估所述的压缩的深度卷积神经网络模型在预设类别下的定位性能。

所述位置定位基线识别模型中预设有待定位区域的历史信息。

所述无线电信号数据集包括数据集、验证集和测试集。

所述步骤(4)还包括：

步骤(41)：将所述预训练深度卷积神经网络模型中所有卷积层重新编号并排序，并统计所有卷积层的通道数；计算每个卷积层的所有通道性能参数α，公式为：