一种基于深度学习的WIFI位置指纹定位方法及系统技术方案

本发明专利技术公开了一种基于深度学习的WIFI位置指纹定位方法及系统，涉及基于深度学习的WIFI定位方法领域；其包括如下步骤：1)利用WIFI适配器扫描WIFI信号获得RSSI信息并将其输入参数训练及分类定位单元中进行无监督学习得到重构RSSI信息；2)判断重构RSSI信息与RSSI信息是否一致，若是一致，则结束参数训练，跳至步骤3；3)将重构RSSI信息输入参数训练及分类定位单元中进行监督学习，完成分类定位得到各RSSI信息源所属楼栋及楼层完成定位；本发明专利技术解决了现有基于简单深度学习实现WIFI位置指纹定位高精度需要后期繁杂耗时的优化以及会出现过拟合的问题，达到了提高基于深度学习的WIFI位置指纹定位的精度的效果。

A WIFI location fingerprint location method and system based on depth learning

The invention discloses a WIFI fingerprint location method and system based on deep learning, relates to the field of WIFI positioning method based on deep learning; it includes the following steps: 1) to obtain the RSSI information and the input parameters of the training and classification positioning unit for unsupervised learning by reconstructing RSSI information using the WIFI adapter WIFI scan signal 2); judge the reconstruction of RSSI information and RSSI information is consistent, if consistent, then the end of the training parameters, skip to step 3; 3) the reconstruction of RSSI information input parameter training and classification positioning unit for supervised learning, complete classification positioning each RSSI source location is building and floor; the invention solves based on the existing simple deep learning implementation WIFI fingerprint location with high accuracy to optimize the latter is complicated and time-consuming and will appear the overfitting problem, to improve The accuracy of WIFI location fingerprint location based on depth learning.

【技术实现步骤摘要】
一种基于深度学习的WIFI位置指纹定位方法及系统
本专利技术涉及基于深度学习的WIFI定位方法领域，尤其是一种基于深度学习的WIFI位置指纹定位方法及系统。
技术介绍
位置指纹指把实际环境中的位置和某种“指纹”联系起来，一个位置对应一个独特的指纹；指纹可以是单维或多维的，比如待定位设备在接收或者发送信息，那么指纹可以是这个信息或信号的一个特征或多个特征，最常见的是信号强度；WIFI几乎无处不在的可用性使其成为一个很有吸引力的定位方法，无需额外的硬件花费，基于时间和角度的定位方法不适用于WIFI信号，使得位置指纹法成为定位主要的选择。对于深度学习来说，其思想就是堆叠多个层即这一层的输出作为下一层的输入；通过这种方式，就可以实现对输入信息进行分级表达；多隐层的人工神经网络具有优异的特征学习能力，学习得到的特征对数据有更本质的刻画，从而有利于可视化或分类；深度神经网络在训练上的难度，可以通过“逐层初始化”来有效克服，逐层初始化可以通过无监督学习实现；目前基于深度学习的WIFI定位方法通常采用深度学习网络，后期进行优化达到精确定位，其中深度学习网络采用现有的卷积层+池化层+分类层，优化的解决方案采用过滤、手动数据分析和耗时的参数调整，实现起来繁杂、耗时且效率低；另一方面由于RSSI的采样数据是以时间为维度的离散数值，若使用深度学习算法极容易出现过拟合情况导致定位的精度差甚至定位失败。
技术实现思路
本专利技术的目的在于：本专利技术提供了一种基于深度学习的WIFI位置指纹定位方法及系统，解决了现有基于简单深度学习实现WIFI位置指纹定位高精度需要后期繁杂耗时的优化以及会出现过拟合的问题，达到了提高基于深度学习的WIFI位置指纹定位的精度的效果。本专利技术采用的技术方案如下：一种基于深度学习的WIFI位置指纹定位方法，包括如下步骤：步骤1：利用WIFI适配器扫描WIFI信号获得RSSI信息并将其输入参数训练及分类定位单元中进行无监督学习得到重构RSSI信息；步骤2：判断重构RSSI信息与RSSI信息是否一致，若是一致，则结束参数训练，跳至步骤3；若不一致，则跳至步骤1；步骤3：将重构RSSI信息输入参数训练及分类定位单元中进行监督学习，完成分类定位得到各RSSI信息源所属楼栋及楼层完成定位。优选地，所述步骤1中无监督学习包括参数训练和原始数据简化表示的学习。优选地，所述步骤3包括如下步骤：步骤3.1：在参数训练及分类定位单元的两个隐层之间进行Dropout操作后，将重构RSSI信息随机分为训练集、有效集和测试集；步骤3.2：将有效集和训练集输入到参数训练及分类定位单元中进行监督学习得到分类结果后调整隐层包含神经元个数至最优；步骤3.3：将测试集输入到分类定位单元中进行监督学习得到分类结果后调整隐层包含神经元个数至最优；步骤3.4：根据步骤3.2和步骤3.3选择分类结果最优的神经元个数后，完成归一化操作得出各RSSI信息源所属楼栋及楼层完成定位。一种基于深度学习的WIFI位置指纹定位系统，包括WIFI适配器和参数训练及分类定位单元；WIFI适配器，用于扫描WIFI信号得到各信号的信号强度即RSSI信息；参数训练及分类定位单元，用于输入RSSI信息进行无监督学习输出重构RSSI信息后，并输入重构RSSI信息进行分类定位得出定位结果。优选地，所述参数训练及分类定位单元络包括编码器、译码器和分类器；编码器与译码器连接用于参数训练，编码器与分类器连接用于分类定位。优选地，所述编码器包括一个输入层和三个隐层；所述译码器包括两个隐层和一个输出层；所述输入层将信息依次输入三个隐层和两个隐层后将信息输出到输出层。优选地，所述分类器包括两个最终隐层、一个Dropout层和一个最终输出层；两个最终隐层之间通过一个Dropout层传输，最终隐层输出与最终输出层连接。综上所述，由于采用了上述技术方案，本专利技术的有益效果是：1.本专利技术利用深度神经网络系统结构对楼栋和楼层进行分类定位，增设预处理网络即重构RSSI信息，防止过拟合情况，实现提高定位精度的同时简化了基于深度学习的WIFI位置指纹定位的流程，解决了现有基于简单深度学习实现WIFI位置指纹定位高精度需要后期繁杂耗时的优化以及会出现过拟合的问题；2.本专利技术使用堆叠式自动编码器，结构简单，操作便捷，大大的减少了人工调试的工作量，有效地减少功能空间，可以自动实现强大而精确的分类；3.本专利技术的深层神经网络包括编码器(卷积+池化)和译码器(上采样+卷积)、编码器(卷积+池化)和分类器两部分，对信号处理后得到的重构的RSSI信号不会产生过拟合，消除一些副作用，提高了定位精度。附图说明本专利技术将通过例子并参照附图的方式说明，其中：图1是本专利技术对于参数训练部分的深度神经网络结构图；图2为本专利技术对于分类部分的深度神经网络结构图。具体实施方式本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。下面结合图1-2对本专利技术作详细说明。实施例1一种基于深度学习的WIFI位置指纹定位方法，包括如下步骤：步骤1：利用WIFI适配器扫描WIFI信号获得RSSI信息并将其输入参数训练及分类定位单元中进行无监督学习得到重构RSSI信息；所述步骤1中无监督学习包括参数训练和原始数据简化表示的学习；步骤2：判断重构RSSI信息与RSSI信息是否一致，若是一致，则结束参数训练，跳至步骤3；若不一致，则跳至步骤1；步骤3：将重构RSSI信息输入参数训练及分类定位单元中进行监督学习，完成分类定位得到各RSSI信息源所属楼栋及楼层完成定位。所述步骤3包括如下步骤：步骤3.1：在参数训练及分类定位单元的两个隐层之间进行Dropout操作后，将重构RSSI信息随机分为训练集、有效集和测试集；步骤3.2：将有效集和训练集输入到参数训练及分类定位单元中进行监督学习得到分类结果后调整隐层包含神经元个数至最优；步骤3.3：将测试集输入到分类定位单元中进行监督学习得到分类结果后调整隐层包含神经元个数至最优；步骤3.4：根据步骤3.2和步骤3.3选择分类结果最优的神经元个数后，完成归一化操作得出各RSSI信息源所属楼栋及楼层完成定位。一种基于深度学习的WIFI位置指纹定位系统，包括WIFI适配器、参数训练网络和分类定位网络；WIFI适配器，用于扫描WIFI信号得到各信号的信号强度即RSSI信息；参数训练及分类定位单元，用于输入RSSI信息进行无监督学习输出重构RSSI信息后，并输入重构RSSI信息进行分类定位得出定位结果。参数训练及分类定位单元络包括编码器、译码器和分类器；编码器与译码器连接用于参数训练，编码器与分类器连接用于分类定位。编码器包括一个输入层和三个隐层；译码器包括两个隐层和一个输出层；输入层将信息依次输入三个隐层和两个隐层后将信息输出到输出层。分类器包括两个最终隐层、一个Dropout层和一个最终输出层；两个最终隐层之间通过一个Dropout层传输，最终隐层输出与最终输出层连接。实施例2步骤1：从25个不同的安卓设备或者WIFI适配器上获取WIFI扫描数据，数据库中的每个扫描包含529个属性；其中共有520个不同的AP，前520个属性表示这些网络的接收信号强度即RSSI信息，信号强度本文档来自技高网...

【技术保护点】
一种基于深度学习的WIFI位置指纹定位方法，其特征在于：包括如下步骤：步骤1：利用WIFI适配器扫描WIFI信号获得RSSI信息并将其输入参数训练及分类定位单元中进行无监督学习得到重构RSSI信息；步骤2：判断重构RSSI信息与RSSI信息是否一致，若是一致，则结束参数训练，跳至步骤3；若不一致，则跳至步骤1；步骤3：将重构RSSI信息输入参数训练及分类定位单元中进行监督学习，完成分类定位得到各RSSI信息源所属楼栋及楼层完成定位。

【技术特征摘要】
1.一种基于深度学习的WIFI位置指纹定位方法，其特征在于：包括如下步骤：步骤1：利用WIFI适配器扫描WIFI信号获得RSSI信息并将其输入参数训练及分类定位单元中进行无监督学习得到重构RSSI信息；步骤2：判断重构RSSI信息与RSSI信息是否一致，若是一致，则结束参数训练，跳至步骤3；若不一致，则跳至步骤1；步骤3：将重构RSSI信息输入参数训练及分类定位单元中进行监督学习，完成分类定位得到各RSSI信息源所属楼栋及楼层完成定位。2.根据权利要求1所述的一种基于深度学习的WIFI位置指纹的定位方法，其特征在于：所述步骤1中无监督学习包括参数训练和原始数据简化表示的学习。3.根据权利要求1所述的一种基于深度学习的WIFI位置指纹定位方法，其特征在于：所述步骤3包括如下步骤：步骤3.1：在参数训练及分类定位单元的两个隐层之间进行Dropout操作后，将重构RSSI信息随机分为训练集、有效集和测试集；步骤3.2：将有效集和训练集输入到参数训练及分类定位单元中进行监督学习得到分类结果后调整隐层包含神经元个数至最优；步骤3.3：将测试集输入到分类定位单元中进行监督学习得到分类结果后调整隐层包含神经元个数至最优；步骤3.4：根据步骤3....

【专利技术属性】
技术研发人员：高建彬，张丽园，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51