一种基于WiFi的室内定位优化算法制造技术

本文公开一种基于WiFi的室内定位优化算法，为解决现有的WiFi室内定位方法的信号噪声问题，通过对原始RSSI指纹库的重新编码，减少噪声在RSSI信号数据中的影响，能适应具有大量噪声的实际环境，从而提高了WiFi定位的精度。该算法的实现过程分为两个阶段：训练阶段：线下采集RSSI数据，将其转换成RSSI指纹库；将RSSI指纹库的与x、y坐标值部分分离；构造一个非递归神经网络不断训练RSSI值部分，得到一个新的数据集，形成新的RSSI指纹库；测试阶段：将给出的某一位置RSSI指纹，经过与训练阶段同样的非递归神经网络，通过KNN分类算法进行指纹库匹配分别对x坐标值和y坐标值分类，得出最终定位结果。

【技术实现步骤摘要】
一种基于WiFi的室内定位优化算法
本专利技术涉及室内定位领域，更具体地，涉及一种基于WiFi的室内定位优化算法。
技术介绍
随着无线局域网络在世界的飞速发展和移动终端设备的广泛普及，近年来出现了很多的室内定位相关技术和应用。目前WiFi室内定位方法根据网络中是否需要测量节点之间的真实距离，可分为基于测距的方法和非测距的方法。前者测量时利用节点之间的距离或者角度等信息实现节点自身定位，典型的算法有：到达时间差(TimeDifferenceofArrival)和到达时间(TimeofArrival)等，非测距方法主要是基于在接收信号强度指示RSSI(ReceivedSignalStrengthIndicator)信号强度值来计算的。基于RSSI强度值的定位算法分为两种：一种是基于RSSI信号的衰减模型，通过建模找出一个非线性方程来描述单个的接收信号强度指示值与测量物体和发射机之间距离的关系，再依据信号强度与传播距离损耗测算距离，通过多边测量、圆周或双曲线函数定位节点位置，具体实施过程一般分为测距阶段和计算坐标阶段。另外一种是基于RSSI指纹库的定位方法，也是本文中采用的方法，由于无线信号在传播中会受反射、绕射和散射的影响，使得接收节点接收到的信号不是来自于单一路径，而是多个路径多个信号的叠加，并且由于电磁波通过的路径距离不同，到达节点时间也不尽相同，存在相位差。但是对每个位置而言，信道的多径结构都是唯一的，我们可以把在这个位置收到的所有的RSSI信号与其对应的发射源统称为RSSI位置指纹，然后根据这个指纹库来进行定位。在实际环境中，WiFi信号传播会受到多径效应、阴影效应和非直达波传播等的影响，同时室内坏境存在着其他的无线信号干扰，特别是频率为2.4GHZ的信号。在室内环境应用基于WiFi的定位系统时，无论是在线阶段还是离线阶段采集的数据，都会受到噪声的影响，这对定位效果有很大的影响，所以尽可能消除噪声对信号的影响成为定位中的关键点。
技术实现思路
本专利技术为克服上述现有技术所述的至少一种缺陷，提供一种基于WiFi的室内定位优化算法，能适应具有大量噪声的实际环境，提高室内WiFi定位精度。为解决上述技术问题，本专利技术的技术方案如下：一种基于WiFi的室内定位优化算法，包括以下步骤：训练阶段：S1：线下采集RSSI数据，并将所采集的RSSI数据转换成RSSI指纹库，记为F；S2：将RSSI指纹库的RSSI值部分与x、y坐标值部分分离；其中，RSSI值部分记为数据集X，x、y坐标值部分记为Y1、Y2；S3：将数据集X经过自动编码器进行自学习，构造一个非递归神经网络hw,b；S4：将数据集X经过非递归神经网络hw,b通过不断训练得到一个新的数据集X'，使得hw,b(X)≈X'；S5：将新的数据集X'与其对应的x、y坐标值部分结合起来，形成新的RSSI指纹库，记为F'；测试阶段：S6：将给出的某一位置RSSI指纹f，经过与训练阶段同样的非递归神经网络hw,b转换为新的模式f'，其中hw,b(f)≈f'；S7：通过分类算法进行新指纹库匹配分别对x坐标值和y坐标值分类，得出最终定位结果。在一种优选的方案中，步骤S3中自动编码器编码是通过降维或升维学习一组数据的表现形式。在一种优选的方案中，步骤S3中非递归神经网络hw,b有多个神经元层，包括输入层、隐藏层和输出层。在一种优选的方案中，所述非递归神经网络hw,b每层的维度数没有限制，为D1,D2,...,Dn。在一种优选的方案中，步骤S5中新的RSSI指纹库F'是原始RSSI指纹库F的另外一种表现形式，能完全代表F。在一种优选的方案中，步骤S7中的分类算法为k最近邻(k-NearestNeighbor，kNN)分类算法。与现有技术相比，本专利技术技术方案的有益效果是：自动编码方法是人工神经网络用于学习高效编码的一种算法，本专利技术通过构建非递归神经网络自学习得到新的RSSI指纹库是原始RSSI指纹库的另一种表示方法，完全能够代表原始RSSI指纹库，通过对原始RSSI指纹库的重新编码，减少噪声在RSSI信号数据中的影响，能适应具有大量噪声的实际环境，从而提高了WiFi定位的精度。附图说明图1为基于WiFi的室内定位优化算法流程图示。图2为实施例1的基于WiFi的室内定位优化算法隐藏层为一层时信号损耗图示。图3为实施例1的基于WiFi的室内定位优化算法隐藏层为两层时信号损耗图示。图4为基于WiFi的室内定位优化算法效果图示。具体实施方式附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。下面结合附图和实施例对本专利技术的技术方案做进一步的说明。实施例1如图1所示为算法流程图，包括以下步骤：训练阶段：S1：线下采集RSSI数据，并将所采集的RSSI数据转换成RSSI指纹库，记为F；S2：将RSSI指纹库的RSSI值部分与x、y坐标值部分分离；其中，RSSI值部分记为数据集X，x、y坐标值部分记为Y1、Y2；S3：将数据集X经过自动编码器进行自学习，构造一个非递归神经网络hw,b；S4：将数据集X经过非递归神经网络hw,b通过不断训练得到一个新的数据集X'，使得hw,b(X)≈X'；S5：将新的数据集X'与其对应的x、y坐标值部分结合起来，形成新的RSSI指纹库，记为F'；测试阶段：S6：将给出的某一位置RSSI指纹f，经过与训练阶段同样的非递归神经网络hw,b转换为新的模式f'，其中hw,b(f)≈f'；S7：通过分类算法进行新指纹库匹配分别对x坐标值和y坐标值分类，得出最终定位结果。在具体实施过程中，步骤S3中自动编码器编码是通过降维或升维学习一组数据的表现形式。在结构上，其最简单的形式是前馈、类似于多层感知器的非递归神经网络。在具体实施过程中，步骤S3中非递归神经网络hw,b有多个神经元层，包括输入层、隐藏层和输出层。在具体实施过程中，所述非递归神经网络hw,b每层的维度数没有限制，为D1,D2,...,Dn。在具体实施过程中，步骤S5中新的RSSI指纹库F'是原始RSSI指纹库F的另外一种表现形式，能完全代表F。在具体实施过程中，步骤S7中的分类算法为kNN分类算法。实施例2通过使用专门的app进行人工采集RSSI值，采集密度大约为每一平方米一个点，采集到的每组数据格式为{[RSSI1，AP1，手机MAC地址1，时间1]，[RSSI2，AP2，手机MAC地址1，时间1]...}，在一个位置点击一次默认一次发送5组数据到服务器端，这五组数据的时间不同；由于同一时间可能有多台手机在进行数据采集，因此，根据时间+手机MAC地址为依据，将数据格式转换为指纹库形式{RSSI1，RSSI2，RSSI3，...，RSSI5，x，y}，x，y为位置坐标，该指纹库记为F，其中{RSSI1，RSSI2，RSSI3，...，RSSI5}为分类特征，记为X，x坐标、y坐标为分类的类别，分别记为Y1、Y2。将X数据进行中值滤波，减少信号波动引发的极端RSSI信号值对定位的影响；将指纹库F的X与Y1、Y2分离开，；构造一个非递归神经网络hw,b，该非递归神经网本文档来自技高网...

【技术保护点】
一种基于WiFi的室内定位优化算法，其特征在于，包括以下步骤：训练阶段：S1：线下采集RSSI数据，并将所采集的RSSI数据转换成RSSI指纹库，记为F；S2：将RSSI指纹库的RSSI值部分与x、y坐标值部分分离；其中，RSSI值部分记为数据集X，x、y坐标值部分记为Y1、Y2；S3：将数据集X经过自动编码器进行自学习，构造一个非递归神经网络hw,b；S4：将数据集X经过非递归神经网络hw,b通过不断训练得到一个新的数据集X'，使得hw,b(X)≈X'；S5：将新的数据集X'与其对应的x、y坐标值部分结合起来，形成新的RSSI指纹库，记为F'；测试阶段：S6：将给出的某一位置RSSI指纹f，经过与训练阶段同样的非递归神经网络hw,b转换为新的模式f'，其中hw,b(f)≈f'；S7：通过分类算法进行指纹库匹配分别对x坐标值和y坐标值分类，得出最终定位结果。

【技术特征摘要】
1.一种基于WiFi的室内定位优化算法，其特征在于，包括以下步骤：训练阶段：S1：线下采集RSSI数据，并将所采集的RSSI数据转换成RSSI指纹库，记为F；S2：将RSSI指纹库的RSSI值部分与x、y坐标值部分分离；其中，RSSI值部分记为数据集X，x、y坐标值部分记为Y1、Y2；S3：将数据集X经过自动编码器进行自学习，构造一个非递归神经网络hw,b；S4：将数据集X经过非递归神经网络hw,b通过不断训练得到一个新的数据集X'，使得hw,b(X)≈X'；S5：将新的数据集X'与其对应的x、y坐标值部分结合起来，形成新的RSSI指纹库，记为F'；测试阶段：S6：将给出的某一位置RSSI指纹f，经过与训练阶段同样的非递归神经网络hw,b转换为新的模式f'，其中hw,b(f)≈f'；S7：通过分类算法进行指...

【专利技术属性】
技术研发人员：文玎玲，谭峻东，余天尧，龙云亮，
申请(专利权)人：广东顺德中山大学卡内基梅隆大学国际联合研究院，中山大学，
类型：发明
国别省市：广东,44