[发明专利]一种基于神经网络的室内指纹定位方法

说明书

本发明涉及一种基于神经网络的室内指纹定位方法，属于室内定位技术领域。该方法包括：S1：采集室内多个参考点处的CSI位置指纹和位置坐标，构造神经网络的输入矩阵和理想输出矩阵；S21：初始化权值和阈值，代入输入矩阵进行正向传播，得到隐藏层输入矩阵；S22：选择LeakyReLU函数作为激活函数，再进行正向传播得到神经网络的输出矩阵；S23：利用输出矩阵和理想输出矩阵构造代价函数；S24：在反向传播过程中引入梯度下降法，根据误差矩阵来反向计算每个权值和阈值的梯度，朝着梯度的反方向更新参数；S3：将测试样本构成的输入矩阵代入神经网络进行正向传播，得到输出层输出矩阵。本发明能提高定位精度。

技术领域

本发明属于室内定位技术领域，涉及一种基于神经网络的室内指纹定位方法。

背景技术

随着移动互联网的普及和智能设备的广泛使用，基于室内环境的位置服务请求成为了巨大的流量入口，它有非常多的应用场景，例如在商场、写字楼、机场航站楼等大型公共场所能够提供位置导航和路径规划；在遇到火灾等突发情况时能够协助人群疏散和消防员救援；在智慧物流中能够高效调配物资等等。室内定位系统需要在固定位置安装发射装置以发送定位信号，而大量安装设备会耗费人力和财力，因此已经被广泛部署在商场、机场航站楼等大型建筑中的WiFi成为了大多数定位系统倾向使用的信号源。

基于WiFi的定位方法主要分为两大类：三角定位法和指纹定位法，其中基于指纹定位的方法由于不会受到多径效应和非视距效应的影响而受到广泛关注，它主要包含离线建库和在线定位两个阶段。离线建库阶段，将室内环境划分成多个网格，在不同网格上通过移动设备采集环境中所有接入点的接收信号强度(Received Signal Strength，RSS)，利用采集到的RSS值和对应格点坐标构造离线指纹库。在线定位阶段，给定一个未知位置的RSS样本，在指纹库中通过匹配算法进行匹配，将RSS相似度最高的指纹位置作为对当前样本的位置估计。传统的基于指纹的定位方法均假设在线定位阶段的样本与离线建库阶段的指纹具有相同的数据分布，但由于环境的时变性和异构设备采样值的偏差性，在线定位时的样本数据分布会在均值和方差上偏离指纹库中的数据分布，从而导致定位误差。

为了提高定位精度，亟需一种新的的室内指纹定位方法。

发明内容

有鉴于此，本发明的目的在于提供一种基于神经网络的室内指纹定位方法，把神经网络用到定位领域，在所有满足代价函数小于阈值条件的多组参数中再次进行筛选，用一部分已知坐标的指纹向量样本利用计算适应度的方法去选取最优的参数，从而提高定位精度。

为达到上述目的，本发明提供如下技术方案：

一种基于神经网络的室内指纹定位方法，具体包括以下步骤：

S1：采集室内多个参考点处的信道状态信息(Channel State Information，CSI)位置指纹和位置坐标，用于构造神经网络的输入矩阵和理想输出矩阵；

S2：训练阶段：

S21：初始化权值和阈值，将输入矩阵代入神经网络进行正向传播，得到隐藏层输入矩阵；

S22：选择LeakyReLU函数作为激活函数，再进行正向传播得到神经网络的输出矩阵；

S23：利用正向传播得到的输出矩阵和理想输出矩阵构造代价函数；

S24：在反向传播过程中引入梯度下降法，根据误差矩阵来反向计算每个权值和阈值的梯度，根据梯度下降法的原理，朝着梯度的反方向更新参数，直至收敛；

S3：测试阶段：

将测试样本构成的输入矩阵代入神经网络进行正向传播，得到输出层输出矩阵，即实际的位置信息。