[发明专利]基于深度学习的室内定位方法及装置

权利要求书

1.一种基于深度学习的室内定位方法，其特征在于：包括离线阶段和在线阶段；所述离线阶段包括：

参考点特征值采集，采集每个参考点的特征值：CSI信息、RSS信息、TD0A信息、FDOA信息及磁场信息，形成指纹数据库；

数据归一化，将指纹数据库内每个参考点的CSI信息、RSS信息、TDOA信息、FDOA信息及磁场信息转换为无量纲数据；

模型训练，将每个参考点的无量纲数据通过多层CNN网络进行处理，得到每个参考点的CNN模型参数值，得到训练后的CNN模型；

在线阶段包括：

测试点特征值采集，在线采集每个测试点的特征值：CSI信息、RSS信息、TDOA信息、FDOA信息及磁场信息；

指纹匹配，在线采集的测试点的特征值：CSI信息、RSS信息、TDOA信息、FDOA信息及磁场信息输入到训练后的CNN模型通过径向基函数和贝叶斯分类来计算目标点位于每个参考点的概率，然后通过对参考点坐标进行加权平均，得到目标位置的坐标。

2.如权利要求1所述的基于深度学习的室内定位方法，其特征在于：所述将指纹数据库内每个参考点的CSI信息、RSS信息、TDOA信息、FDOA信息及磁场信息转换为无量纲数据所采用的公式为：

其中，data表示指纹数据库中的每一个数据，data′是归一化后的采样数据。

3.如权利要求1所述的基于深度学习的室内定位方法，其特征在于：所述指纹匹配采用一种概率算法匹配指纹数据库，该概率算法为：

P_r为测试点位于采样点的i的概率，N_C表示参考点的数量，c_i是参考点i在指纹库中的位置坐标，P_r(c_i)是目标位于参考点c_i处的先验概率，T为输入的特征值数据。

4.如权利要求3所述的基于深度学习的室内定位方法，其特征在于：所述径向基函数为：

其中，T为输入的特征值数据，P_r(T|c_i)为在参考点c_i处的输出Y_t与它本身的相似度，λ_Tσ_T分别为输入的特征值数据T的方差和方差参数。

5.如权利要求4所述的基于深度学习的室内定位方法，其特征在于：对参考点坐标进行加权平均的公式为：

其中，表示目标位置的坐标，N_C表示参考点的数量，c_i是参考点i在指纹库中的位置坐标。

6.一种基于深度学习的室内定位装置，其特征在于：包括离线模块和在线模块；所述离线模块包括：

参考点特征值采集单元，用于采集每个参考点的特征值：CSI信息、RSS信息、TDOA信息、FDOA信息及磁场信息，形成指纹数据库；

数据归一化单元，用于将指纹数据库内每个参考点的CSI信息、RSS信息、TDOA信息、FDOA信息及磁场信息转换为无量纲数据；

模型训练单元，用于将每个参考点的无量纲数据通过多层CNN网络进行处理，得到每个参考点的CNN模型参数值，得到训练后的CNN模型；

在线模块包括：

测试点特征值采集单元，用于在线采集每个测试点的特征值：CSI信息、RSS信息、TDOA信息、FDOA信息及磁场信息；

指纹匹配单元，用于在线采集的测试点的特征值：CSI信息、RSS信息、TDOA信息、FDOA信息及磁场信息输入到训练后的CNN模型通过径向基函数和贝叶斯分类来计算目标点位于每个参考点的概率，然后通过对参考点坐标进行加权平均，得到目标位置的坐标。

7.如权利要求6所述的基于深度学习的室内定位装置，其特征在于：数据归一化单元中，将指纹数据库内每个参考点的CSI信息、RSS信息、TDOA信息、FDOA信息及磁场信息转换为无量纲数据所采用的公式为：

其中，data表示指纹数据库中的每一个数据，data′是归一化后的采样数据。