一种基于深度学习的无线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无线定位方法及系统，用以解决室内定位精确度不高的问题。该方法包括：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。采用本发明专利技术，能提高室内定位的精确度；神经网络的全连接层也避免了过拟合的问题。

【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点位置间关系的位置指纹数据库。为了生成该数据库，操作人员需要在被定位环境里确定若干采样点，然后遍历所有采样点，记录下在每个采样点测量的无线信号特征，即来自所有接入点的信号强度，最后将它们以某种方式保存在数据库中。在线定位阶段时，当用户移动到某一位置时，根据实时收到的信号强度信息，利用定位算法将其与位置指纹数据库中的信息匹配，计算出该用户的位置。基于位置指纹的定位无需测量距离，也不需要考虑测距误差问题，在成本和功耗方面与前者相比具有显著优势。基于RSSI的定位方法采用现有技术中机器学习方法进行信息匹配，是一个把定位问题转换为射频信号与位置的模式识别问题。这类方法在离线训练阶段，首先将实际应用场景按一定间距划分为规则的网格，然后在每个网格上采集一定数量的射频信号强度信息，构建出射频地图定位模型；在在线定位阶段，根据待定位目标实时观测到的射频信号强度信息，通过定位模型进行位置计算，从而实现对待定位目标的定位。这类方法将信号强度向量看作是对应位置的信号模式在信号强度空间中的特征，而实际的位置则可以看作是该模式的真实标记，将信号强度向量及其对应的位置坐标组成训练数据，训练数据组成训练数据集，训练得到的分类器或者回归函数就能作为一个定位模型。总之，这类定位方法通过学习射频信号强度与位置间的内在映射规律，然后基于推理实现目标定位。机器学习的算法有很多种，常用的分类器主要有Bayesian算法、SVM(支持向量机)、决策树、Logistic回归、线性回归、KNN算法、Boosting算法、K-Means聚类、人工神经网络等。其中利用SVM、KNN以及K-Means聚类算法计算定位坐标在无线室内定位领域得到了非常广泛的应用。公开号为CN103813448A的专利提供了一种RSSI的室内定位方法，属于移动定位
包括如下步骤：布置三个参考节点，根据节点布局分别设置三个参考节点的坐标，开启参考节点开关，进入监听模式；随机放置一待测的未知节点，并设定坐标，建立一无线传感网络；测得三个参考节点处的对于未知节点的信号强度值，并将信号强度值转发给基站E，基站E将数据值转发到PC机；PC机对接收到的来自三个参考节点的接收信号强度值按比例转换的方法进行处理，用于确定未知节点D的坐标位置。该方法不能遍布室内的每个角落，并且该方法容易出现过拟合的情况。
技术实现思路
本专利技术要解决的技术问题目的在于提供一种基于深度学习的无线定位方法及系统，用以解决室内定位精确度不高的问题。为了实现上述目的，本专利技术采用的技术方案为：一种基于深度学习的无线定位方法，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。进一步地，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。进一步地，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。进一步地，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。进一步地，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。进一步地，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：进一步地，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。一种估计与深度学习的无线定位系统，包括：离线采样模块，用于采集所有采样点接收的无线信号强度；神经网络训练模块，用于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；定位识别模块，用于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。进一步地，所述离线采样模块包括：划分单元，用于将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。进一步地，所述离线采样模块还包括：记录单元，用于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；存储单元，用于将所述无线信号强度与坐标保存至数据库中。进一步地，所述神经网络训练模块包括：转换单元，用于将所述采集本文档来自技高网...

【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