【技术实现步骤摘要】
一种基于深度学习的无线定位方法及系统
本专利技术涉及无线室内定位领域,尤其涉及一种基于深度学习的无线定位方法及系统。
技术介绍
随着移动计算设备的迅速发展和逐渐普及,室内环境下的各种基于位置服务的需求日益迫切。由于现有的卫星定位系统,如美国的全球定位系统(GPS)和中国的北斗卫星定位系统,在室内环境或高达建筑物密集城区,卫星定位信号受到建筑物的阻隔,难以有效定位。目前室内定位一般采用红外线、超声波、射频等传感信号,其中基于红外线、超声波的定位技术精度较高,不过需要使用专门的硬件设施,且信号需要视距传输,定位范围相对首先,难以大规模部署。近年来,随着无线网络的大规模部署,基于WLAN(无线局域网)的室内定位受到广泛关注。其主要原因是基于WLAN射频信号定位不仅传输距离远、无视距要求,而且无需增加额外硬件,添加软件简单易行,与其他使用特定设备的定位技术相比,成本优势十分明显。目前基于射频信号强度定位已成为室内技术的研究热点。根据是否需要通过物理手段直接测量节点间距离,RSSI定位技术可用于基于测距和非测距两类算法。基于测距的算法需要获取节点间的距离,即已知发射信号强度,接收节点根据收到的信号强度,计算信号在传播过程中的损耗,使用理论或经验的信号传播模型将传播损耗转化为距离。但是,室内环境相对复杂,信号微弱,且多径、反射现象严重,测距过程很容易受其影响产生测距误差,且由此带来的定位误差容易造成累积,影响定位精度。非测距方式采用基于位置指纹匹配实现定位。基于位置指纹匹配的室内定位大致分为离线采样阶段和在线定位两个阶段。离线采样阶段的目标是构建一个关于信号强度与采样 ...
【技术保护点】
一种基于深度学习的无线定位方法,其特征在于,包括步骤:S1、采集所有采样点接收的无线信号强度;S2、利用深度学习算法将所述采集的无线信号强度与坐标输入深度学习神经网络以生成带权值的深度学习神经网络;S3、收集用户位置的无线信号强度并输入至所述带权值的深度学习神经网络以确定用户的位置。
【技术特征摘要】
1.一种基于深度学习的无线定位方法,其特征在于,包括步骤:S1、采集所有采样点接收的无线信号强度;S2、利用深度学习算法将所述采集的无线信号强度与坐标输入深度学习神经网络以生成带权值的深度学习神经网络;S3、收集用户位置的无线信号强度并输入至所述带权值的深度学习神经网络以确定用户的位置。2.根据权利要求1所述的一种基于深度学习的无线定位方法,其特征在于,所述步骤S1中,定位区域划分为多个单元网格;所述每个单元网格设置多个采样点;所述每个采样点设有多个接收点并且所述每个采样点接收的无线信号强度均不同。3.根据权利要求2所述的一种基于深度学习的无线定位方法,其特征在于,所述步骤S1还包括:记录每个采样点在预设时间内接收的无线信号强度与坐标;将所述无线信号强度与坐标保存至数据库中。4.根据权利要求1所述的一种基于深度学习的无线定位方法,其特征在于,所述步骤S2具体包括:将所述采集的无线信号强度转换成以时间和无线信号强度为坐标的曲线图;利用深度学习算法将所述曲线图输入深度学习神经网络的数据层;每个曲线图的标签是对应的采样点的坐标;根据所述输入的曲线图生成带权值的深度学习神经网络。5.根据权利要求4所述的一种基于深度学习的无线定位方法,其特征在于,所述根据所述输入的曲线图生成带权值的深度学习神经网络的步骤具体包括:通过所述深度学习神经网络的数据层输入带标签的无线信号强度变化的图片;通过所述深度学习神经网络的卷积层对所述图片进行分块和平移处理以提取所述图片的特征;通过所述深度学习神经网络的池化层对所述图片进行池化;通过所述深度学习神经网络的全连接层连接局部特征以形成全局感知;通过所述深度学习神经网络的分类层对所述图片进行分类定位;根据所述标签利用BP网络算法反向调整网络权值以生成最优的带权值的深度学习神经网络。6.根据权利要求5所述的一种基于深度学习的无线定位方法,其特征在于,所述生成带权值的深度学习神经网络的计算公式具体为:设定输入P个学习图片样本,用用χ1,χ2,…χv,…χp来表示;第v个样本输入到网络后得到输出(j=1,2,…,m);采用平方型误差,于是得到第v个样本的误差Ev:P个样本,全局误差为:采用累计误差BP算法,输出层各神经元的权值调整公式为:隐层各神经元的权值调整公式为:7.根据权利要求6所述的一种基于深度学习的无线定位方法,其特征在于,所述步骤S3包括:接收用户位置的无线信号强度;根据所述接收的无线信号强度生成无线信号强度变化曲线图并将所述曲线图输入到所述带权值的深度学习神经网络;计算所述曲线图在所述带权值的深度学习神经网络的标签以确定用户的位置。8.一种估计与深度学习的无...
【专利技术属性】
技术研发人员:乐毅,
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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。