[发明专利]一种室内定位模型建立方法及室内定位方法

说明书

本发明公开了一种室内定位模型建立方法及室内定位方法，属于通信与无线网络技术领域，包括：划分栅格并计算栅格指纹；对于每一个众包样本S^k，计算各栅格的指纹与S^k中的RSS向量的距离，得到信号空间距离矩阵并计算各栅格中心与S^k中位置l^k的距离，得到物理空间距离矩阵由以及l^k构成一条训练集样本；建立暹罗神经网络，包括：第一特征提取模块和第二特征提取模块，分别用于提取信号空间距离矩阵的特征V^sig和物理空间距离矩阵的特征V^phy，以及定位模块，用于根据V^sig预测位置；训练暹罗神经网络，训练结束后，由第一特征提取模块和定位模块构成室内定位模型；训练损失包括位置预测损失以及V^sig与V^phy之间的差异。本发明能够提高室内定位的精度。

技术领域

本发明属于通信与无线网络技术领域，更具体地，涉及一种室内定位模型建立方法及室内定位方法。

背景技术

随着智能应用的不断发展，位置信息在生产和生活中扮演着越来越重要的角色。然而，准确的室内定位仍然是一个开放的挑战。以GPS为代表的卫星定位系统在室外环境中性能优异，但在室内环境中，由于墙壁和天花板的阻挡，卫星定位系统无法在室内提供准确的定位信息。在过去的几十年里，人们提出了多种基于不同信号和嵌入式传感器的室内定位方案。

其中基于Wi-Fi的室内定位系统以其网络设施覆盖广、设计成本低、兼容性强等优点，成为研究的热点之一。目前，大多数公共场所都部署了Wi-Fi设备，而且大多数的智能手机都内置了Wi-Fi芯片，能够检测到Wi-Fi信号强度等信息，这为该定位技术的研究提供了免费的网络基础，降低了系统的设计成本。同时，Wi-Fi定位可以满足视距和非视距的定位需求，并且可以定位几乎所有Wi-Fi兼容设备的位置，而无需安装任何额外的硬件。

近年来，由于在特征提取和预测方面的优异性能，许多研究人员将神经网络技术应用到室内定位中。最基本的基于神经网络的室内定位方案以接收信号强度(RSS)等信号特征作为神经网络的输入向量，经过多个全连接隐藏层处理后，通过分类或者回归输出最终定位结果。在众多神经网络中，卷积神经网络(CNN)是最流行的模型之一，因为它能够自动提取图像的位置特征。基于Wi-Fi的卷积神经网络定位方案的主要思路是将Wi-Fi信号特征矩阵化(或图片化)，然后将构造的特征矩阵作为卷积神经网络的输入，训练神经网络，输出目标的预测位置。

但是，上述方案却没有考虑到单个RSS测量值可能存在误差，直接将RSS特征构造矩阵作为卷积神经网络的输入，可能会存在较大的定位误差。

发明内容

针对现有技术的缺陷和改进需求，本发明提供了一种室内定位模型建立方法及室内定位方法，其目的在于，提高室内定位精度。

为实现上述目的，按照本发明的一个方面，提供了一种室内定位模型建立方法，包括：

将室内区域划分为多个栅格，并将各众包样本分配到距离最近的栅格；众包样本S^k由采集位置坐标l^k＝(x^k,y^k)和在位置l^k处接收到的RSS向量构成，k表示众包样本编号，N表示信号源总数；

对于每一个栅格Gⁱ，计算其众包样本的RSS向量均值，作为栅格Gⁱ的指纹i表示栅格编号；

对于每一个众包样本S^k，计算各栅格的指纹与RSS向量f^k的距离，得到信号空间距离矩阵并计算各栅格中心与位置l^k的距离，得到物理空间距离矩阵/由信号空间距离矩阵/物理空间距离矩阵/以及位置l^k构成一条训练集样本；