[发明专利]一种基于深度学习的Wi‑Fi室内定位方法

摘要

本发明公开一种基于深度学习的Wi‑Fi室内定位方法，目的是解决人们在大型商业综合体的室内车库等室内环境中定位的问题，本发明采用自动编码算法，从RSS大数据中，非监督地提取深度特征；然后利用这些深度特征用于建立指纹库，将指纹库按照原始数据的位置划分为若干区域，最后用匹配算法较为常用的最佳邻近法(K‑nearest neighbors,KNN)对待定位位置进行匹配定位。

主权项

一种基于深度学习的Wi‑Fi室内定位方法，其特征在于:建立指纹库：1)所述样本RSS数据采集；1‑1)在需要定位的室内区域部署n个Wi‑Fi无线接入点(APs)；1‑2)将所述室内区域划分为m个域块，m为自然数；以每个域块的中心为采样点Pk，测定步骤1‑1)部署的各个APs的接收信号强度RSS，每个采样点Pk都对应一个位置坐标。一个位置坐标对应的n个RSS数据整理后形成多维数据样本集R的一行；k＝1、2……m；2)对数据预处理，补全、归一化；2‑1)将步骤1)获得的多维数据样本集R进行缺失补零。2‑1)归一化处理，得到训练集H。3)深度特征学习；3‑1)确定自编码神经网络的结构，设定其总共有q+2层，其中有1个输入层，q个隐藏层和1个输出层；q为自然数；3‑2)将步骤2)所得的多维数据样本集H作为输入层。3‑3)设定该层的初始权重W，采用自动编码算法进行训练，得到训练结果C(1)。3‑4)将训练结果C(1)作为其高一层的输入，并重复上一步骤，得到训练结果C(2)。3‑5)重复步骤3‑3)，3‑4)q次，得到第q+1层的输出结果C(q)，训练结束。4)获得指纹库；用深度学习提取到的特征集C(q)建立指纹库，将指纹库按照区域分成t个子指纹库，每个子库对应若干个相邻采样点，每个子库的一行对应一个采样点，每个子库有一个簇心Qi，其中，i＝1，2，…，t，所有的簇心组成集合Q；室内定位：a)处于室内区域某一待定位的位置P0时，采集与步骤1)中矩阵R的每行相同结构特征的RSS数据的一个行向量，并将其保存至行向量V中；b)采用与步骤2)相同的方法，将向量V去噪归一化处理得到向量U；c)设定与步骤3)中相同结构和权值的自编码神经网络，并将处理后的矩阵U作为自编码神经网络的输入，得到特征数据E(q)；d)将得到的特征数据E(q)代入到匹配算法中，与步骤4)所述集合Q中的簇心进行匹配；匹配得到一个簇心Qj其中，j∈{1，2，…，t}，计算特征数据E(q)与簇心Qj所对应的子库j中的每一个行向量的距离，得到v个距离，其中v是簇心Qj所对应的子库j的行数，将v个距离按照从小到大排序，取前F个值，保存在矩阵中；矩阵d中，每一个元素对应子库j的一行，子库j的一行对应一个采样点；计算权重，u＝1、2……F计算待定位点P0的位置坐标。P0＝α1P1+α2P2+…+αFPF其中，Pl,P2,…,PF为子库j的每一行对应的采样点的位置坐标。