一种WiFi定位方法及服务器及定位模型构建方法技术

本发明专利技术公开了一种WiFi定位方法，所述方法包括步骤：S100、获取检测区域中各个无线接入点接收到待检测客户端发出的信号的信号强度数据；S200、将步骤S100中获取的所述信号强度数据输入定位模型的输入数据层；S300、基于训练后的定位模型的网络层计算所述信号强度数据，在定位模型的输出层输出位置预测集，所述位置预测集包括预测位置标签与对应概率值，将所述位置预测集中概率值最大的所述预测位置标签所对应的位置确定为所述待检测客户端所在的位置。本发明专利技术中的定位模型采用训练后的深度神经网络，通过大量训练样本数据对深度神经网络进行训练，提升定位准确性以及精度。

【技术实现步骤摘要】

本专利技术涉及无线局域网
，尤其涉及一种WiFi定位方法及服务器及定位模型构建方法。
技术介绍
目前在世界范围内的定位技术主要有GPS定位、Wi-Fi定位、蓝牙定位等，GPS定位主要应用于室外，Wi-Fi、蓝牙定位既可用于室内，也可用于室外。由于Wi-Fi定位相对成熟，下面以Wi-Fi定位技术为背景来介绍本专利技术的具体内容。随着无线路由器的普及，目前大部分公共区域都已经实现十几个甚至几十个WiFi信号覆盖，而且这些路由器在向四周传播WiFi信号的同时，也不停的发送其物理地址与信号强度等信息，只要在其信号覆盖范围内，即使不知道Wi-Fi的密码，也同样能获得这些信息。通用的WiFi室内定位技术大多是基于IEEE802.11b/g协议的无线局域网(WLAN)的信号强度定位技术。基于信号强度的定位技术基本原理是根据接收到的信号的强度推算信号接收器与信号源之间的距离，主要分成两类：三角形强度算法以及位置指纹识别算法。其中三角形强度算法精度低，难以满足室内定位要求；而普通指纹识别算法又存在接收设备不同而使得接收信号存在误差的缺陷。
技术实现思路
为解决上述技术问题，本专利技术提供一种WiFi定位方法及服务器及定位模型构建方法，通过采集各个无线接入点对应的信号强度数据，实现基于深度神经网络的WiFi定位。本专利技术提供的技术方案如下：本专利技术公开了一种WiFi定位方法，所述方法包括步骤：S100、获取检测区域中各个无线接入点接收到待检测客户端发出的信号的的信号强度数据；S200、将步骤S100中获取的所述信号强度数据输入定位模型的输入数据层；S300、基于训练后的定位模型的网络层计算所述信号强度数据，在定位模型的输出层输出位置预测集，所述位置预测集包括预测位置标签与对应概率值，将所述位置预测集中概率值最大的所述预测位置标签所对应的位置确定为所述待检测客户端所在的位置。进一步优选的，所述步骤S100之前还包括步骤：S000、预先训练深度神经网络，将训练后的深度神经网络作为所述定位模型。进一步优选的，所述步骤S000进一步包括步骤：S001、对检测区域进行网格划分，得到多个平面网格，并为每个平面网格分配对应的用于训练的训练位置标签；S002、依次在所述预设训练位置坐标上设置训练终端，采集检测区域内各个无线接入点接收到的每个所述训练位置标签上训练终端发出的信号的信号强度数据；S003、分别将每个所述训练位置标签以及所述步骤S002中采集的各个无线接入点接收到的每个所述训练位置标签发出的信号的信号强度数据作为一组训练样本数据，生成训练数据集，并送入深度神经网络中；S004、依次将训练数据集中的每一组训练样本数据中的信号强度数据输入所述深度神经网络的数据输入层，经过所述深度神经网络输出相对应的训练结果；S005、依次将输出的训练结果与其对应的所述训练位置标签进行比较，根据比较结果对深度神经网络进行训练，将训练后的深度神经网络作为所述定位模型。进一步优选的，所述步骤S005进一步包括步骤：计算所述比较结果与其对应的所述训练位置标签的误差，根据所述误差调整深度神经网络的参数，直到所述比较结果与其对应的所述预测位置标签的误差收敛于预设范围内。本专利技术还公开了一种WiFi定位服务器，包括：数据采集模块，用于获取检测区域中各个无线接入点接收到待检测客户端发出的信号的的信号强度数据；定位模块，用于将获取的所述信号强度数据输入定位模型的输入数据层，基于训练后的定位模型的网络层计算所述信号强度数据，在定位模型的输出层输出位置预测集，所述位置预测集包括预测位置标签与对应概率值，将所述位置预测集中概率值最大的所述预测位置标签所对应的位置确定为所述待检测客户端所在的位置。进一步优选的，还包括：训练模块，用于预先训练深度神经网络，将训练后的深度神经网络作为所述定位模型。进一步优选的，所述训练模块进一步包括：网格划分子模块，用于对检测区域进行网格划分，得到多个平面网格，并为每个平面网格分配对应的用于训练的训练位置标签；训练数据集生成子模块，用于依次在所述预设训练位置坐标上设置训练终端，采集检测区域内各个无线接入点接收到的每个所述训练位置标签上训练终端发出的信号的信号强度数据，分别将每个所述训练位置标签以及采集的各个无线接入点接收到的每个所述训练位置标签发出的信号的信号强度数据作为一组训练样本数据，生成训练数据集，并送入深度神经网络中；训练预测子模块，用于依次将训练数据集中的每一组训练样本数据中的信号强度数据输入所述深度神经网络的数据输入层，经过所述深度神经网络输出相对应的训练结果，并依次将输出的训练结果与其对应的所述预测位置标签进行比较，根据比较结果对深度神经网络进行训练，将训练后的深度神经网络作为所述定位模型。本专利技术还公开了一种定位模型构建方法，包括步骤：S10、对检测区域进行网格划分，得到多个平面网格，并为每个平面网格分配对应的用于训练的训练位置标签；S11、依次在所述预设训练位置坐标上设置训练终端，采集检测区域内各个无线接入点接收到的每个所述训练位置标签上训练终端发出的信号的信号强度数据；S12、分别将每个所述训练位置标签以及所述步骤S11中采集的各个无线接入点接收到的每个所述训练位置标签发出的信号的信号强度数据作为一组训练样本数据，生成训练数据集，并送入深度神经网络中；S13、依次将训练数据集中的每一组训练样本数据中的信号强度数据输入所述深度神经网络的数据输入层，经过所述深度神经网络输出相对应的训练结果；S14、依次将输出的训练结果与其对应的所述训练位置标签进行比较，根据比较结果对深度神经网络进行训练，将训练后的深度神经网络作为所述定位模型。进一步优选的，所述步骤S14进一步包括步骤：计算所述比较结果与其对应的所述训练位置标签的误差，根据所述误差调整深度神经网络的参数，直到所述比较结果与其对应的所述预测位置标签的误差收敛于预设范围内。与现有技术相比，本专利技术提供的一种基于WiFi网络的定位方法及服务器及定位模型构建方法，通过收集待测客户端的与各个无线接入点相对应的信号强度数据输入训练好的定位模型，即可获得待测客户端所在位置所属分类的概率，根据概率值确定待测客户端的位置，通过利用含有大量训练样本数据的训练数据集对深度神经网络训练，采用深度神经网络作为定位模型，不仅提升定位精度的提升，同时能够在不影响定位速度的情况下提升定位结果的准确性，成功将定位问题融入到大数据的背景中，并有效的利用大数据的优势来提高实时定位服务器的性能。附图说明下面将以明确易懂的方式，结合附图说明优选实施方式，对本专利技术予以进一步说明。图1为本专利技术一种WiFi定位方法的主要步骤示意图；图2为本专利技术一种WiFi定位服务器的主要组成示意图；图3为本专利技术一种WiFi定位服务器的完整组成示意图；图4为本专利技术一种定位模型构建方法的主要步骤示意图。附图标记：100、数据采集模块，200、定位模块，300、训练模块，301、网格划分子模块，302、训练数据集生成子模块，303、训练预测子模块。具体实施方式为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对照附图说明本专利技术的具体实施方式。显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳本文档来自技高网...

【技术保护点】
一种WiFi定位方法，其特征在于，所述方法包括步骤：S100、获取检测区域中各个无线接入点接收到待检测客户端发出的信号的的信号强度数据；S200、将步骤S100中获取的所述信号强度数据输入定位模型的输入数据层；S300、基于训练后的定位模型的网络层计算所述信号强度数据，在定位模型的输出层输出位置预测集，所述位置预测集包括预测位置标签与对应概率值，将所述位置预测集中概率值最大的所述预测位置标签所对应的位置确定为所述待检测客户端所在的位置。

【技术特征摘要】
1.一种WiFi定位方法，其特征在于，所述方法包括步骤：S100、获取检测区域中各个无线接入点接收到待检测客户端发出的信号的的信号强度数据；S200、将步骤S100中获取的所述信号强度数据输入定位模型的输入数据层；S300、基于训练后的定位模型的网络层计算所述信号强度数据，在定位模型的输出层输出位置预测集，所述位置预测集包括预测位置标签与对应概率值，将所述位置预测集中概率值最大的所述预测位置标签所对应的位置确定为所述待检测客户端所在的位置。2.如权利要求1所述的WiFi定位方法，其特征在于，所述步骤S100之前还包括步骤：S000、预先训练深度神经网络，将训练后的深度神经网络作为所述定位模型。3.如权利要求2所述的WiFi定位方法，其特征在于，所述步骤S000进一步包括步骤：S001、对检测区域进行网格划分，得到多个平面网格，并为每个平面网格分配对应的用于训练的训练位置标签；S002、依次在所述预设训练位置坐标上设置训练终端，采集检测区域内各个无线接入点接收到的每个所述训练位置标签上训练终端发出的信号的信号强度数据；S003、分别将每个所述训练位置标签以及所述步骤S002中采集的各个无线接入点接收到的每个所述训练位置标签发出的信号的信号强度数据作为一组训练样本数据，生成训练数据集，并送入深度神经网络中；S004、依次将训练数据集中的每一组训练样本数据中的信号强度数据输入所述深度神经网络的数据输入层，经过所述深度神经网络输出相对应的训练结果；S005、依次将输出的训练结果与其对应的所述训练位置标签进行比较，根据比较结果对深度神经网络进行训练，将训练后的深度神经网络作为所述定位模型。4.如权利要求3所述的WiFi定位方法，其特征在于，所述步骤S005进一步包括步骤：计算所述比较结果与其对应的所述训练位置标签的误差，根据所述误差调整深度神经网络的参数，直到所述比较结果与其对应的所述预测位置标签的误差收敛于预设范围内。5.一种WiFi定位服务器，其特征在于，包括：数据采集模块，用于获取检测区域中各个无线接入点接收到待检测客户端发出的信号的的信号强度数据；定位模块，用于将获取的所述信号强度数据输入定位模型的输入数据层，基于训练后的定位模型的网络层计算所述信号强度数据，在定位模型的输出层输出位置预测集，所述位置预测集包括预测位置标签与对应概率值，将所述位置预测集中概率值最大的所...

【专利技术属性】
技术研发人员：王斌，
申请(专利权)人：上海斐讯数据通信技术有限公司，
类型：发明
国别省市：上海;31