基于路径匹配与编码译码循环神经网络的室内定位方法技术

本发明专利技术涉及室内定位方法，尤其涉及一种基于路径匹配与编码译码循环神经网络的室内定位方法。本发明专利技术包括训练阶段和测试阶段。训练阶段在待定位区域中设计行走路径，并采集移动设备在各路径上行走时来自AP的信号接收强度动态时间序列；对RSS时间序列进行预处理；通过插值得到对应的位置时间序列；建立编码译码循环神经网络模型，用长短时记忆作为模型的基本组件，定位服务器利用预处理后的RSS时间序列及对应的位置时间序列对循环神经网络模型进行训练。测试阶段获取在线RSS数据，得到RSS时间序列；对RSS时间序列进行预处理，把预处理后的RSS时间序列作为已训练好的深度学习模型的输入，得到的输出序列作为对移动设备的路径位置估计。

Indoor localization method based on path matching and coding decoding of recurrent neural network

The invention relates to an indoor positioning method, in particular to an indoor positioning method based on path matching and coding and decoding recurrent neural network. The invention comprises a training stage and a testing stage. The training phase design of walking path in the area to be located, and mobile devices in the signal acquisition walking on a path from the AP receiving intensity dynamic time series of RSS; time series pretreatment; get the position corresponding to the sequence of time by interpolation; establish the encoding and decoding recurrent neural network model, with short memory as the basic components of the model. The location server using the position time series of RSS time series after pretreatment and the corresponding training model of recurrent neural network. In the testing phase, the online RSS data are acquired, and the RSS time series is obtained; the RSS time series is pre processed, and the RSS time series is used as the input of the deep learning model which has been trained, and the output sequence is taken as the path position estimation of the mobile device.

【技术实现步骤摘要】
基于路径匹配与编码译码循环神经网络的室内定位方法
个本专利技术涉及室内定位方法，尤其涉及一种基于路径匹配与编码译码循环神经网络的室内定位方法。
技术介绍
全球定位系统(GlobalPositioningSystem，GPS)在受建筑物遮挡的环境下定位效果差，因此室内定位技术成为GPS的重要补充。现有的室内定位方法主要可以分为基于信号模型的方法和基于机器学习的方法。室内环境一般较为复杂，多径现象严重，这使得精确可用的信号模型的建立十分困难，大部分已有的用于定位的信号模型都没有考虑多径情况或者考虑得过于简单。而基于机器学习的方法不需要建立信号模型，而是从数据中学习模型，在数据足够充分、模型选择合适的情况下能学习到更适应环境的定位模型。目前基于机器学习的室内定位方法主要有最近邻法、支持向量机、神经网络方法等。近年来基于神经网络的深度学习方法在很多领域取得了突破性的成果，深度学习方法的优点在于能够提取信号中的高度抽象信息。把深度学习方法用在室内定位上学习复杂信号模型也有一定成果。已有的深度学习室内定位方法大部分属于静态方法，把采集到的连续时间样本视为相互独立的数据点，没有利用到信号与位置变化本文档来自技高网...

【技术保护点】
基于路径匹配与编码译码循环神经网络的室内定位方法，该方法用于基于M个AP、一个移动设备和定位服务器构成的定位系统，所述AP与移动设备构成M个收发对，其特征在于，所述的定位方法包括训练阶段和测试阶段；训练阶段：在待定位区域中设计的路径上行走，并采集移动设备在各路径上行走时来自AP的动态RSS时间序列；对RSS时间序列进行预处理；用插值法得到对应的位置时间序列；建立编码译码循环神经网络模型，用LSTM作为模型的基本组件，定位服务器利用预处理后的RSS时间序列及对应的位置时间序列对循环神经网络模型进行训练；测试阶段：移动设备获取在线RSS数据，得到RSS时间序列；对RSS时间序列进行预处理，把预处理...

【技术特征摘要】
1.基于路径匹配与编码译码循环神经网络的室内定位方法，该方法用于基于M个AP、一个移动设备和定位服务器构成的定位系统，所述AP与移动设备构成M个收发对，其特征在于，所述的定位方法包括训练阶段和测试阶段；训练阶段：在待定位区域中设计的路径上行走，并采集移动设备在各路径上行走时来自AP的动态RSS时间序列；对RSS时间序列进行预处理；用插值法得到对应的位置时间序列；建立编码译码循环神经网络模型，用LSTM作为模型的基本组件，定位服务器利用预处理后的RSS时间序列及对应的位置时间序列对循环神经网络模型进行训练；测试阶段：移动设备获取在线RSS数据，得到RSS时间序列；对RSS时间序列进行预处理，把预处理后的RSS时间序列作为已训练好的深度学习模型的输入，得到的输出序列作为对移动设备的路径位置估计。2.根据权利要求1所述的基于路径匹配与编码译码循环神经网络的室内定位方法，其特征在于，所述训练阶段具体包括以下步骤：S1、数据采集：手持移动设备在待定位区域数据采集路径上匀速移动，同时移动设备无线网卡接收来自M个AP以固定速率发送的数据包，获取RSS数据，把从路径的起点到终点采集的数据作为一次RSS时间序列数据采集；数据采集总共进行N次，第n次数据采集的RSS时间序列记为：nS＝[ns1ns2…nsT]，n＝1,...,N，其中T表示序列的长度，nst(t＝1,...T)表示第n次数据采集来自各AP以△t为区间长度的等长时间区间[(t-1)△t,t·△t]内的RSS数据的均值组成的RSS向量，记为：S2、数据预处理：数据预处理包括对步骤S1中采集到的数据集{nS,n＝1,...,N}进行中心化、归一化、切片以得到适合循环神经网络网络训练的数据集；数据集的中心化的方法是把所有数据减去其均值；数据集的归一化方法是把中心化后的数据除以其标准差；当数据集中时间序列nS长度T较大时，可采用重叠切片的方式得到T-L+1个长度L(L<T)较小的RSS时间序列ntx，即ntx＝[nst,...,nst+L-1]，t＝1,...,T-L+1；S3、获取位置标签：根据采集路径的端点、长度和T的大小插值得到与RSS时间序列对应的位置时间序列nty＝[nyt,...,nyt+L-1]，t＝1,...,T-L+1，即RSS时间序列ntx对应的位置标签序列，其中nyt∈R2表示RSS向量nst对应的二维位置坐标；将序列对{ntx,nty}作为训练编码译码循环神经网络模型的输入和输出对，记为{x,y}；S4、建立编码译码循环神经网络模型：模型由编码器和译码器两部分组成，两部分均采用循环神经网络结构；译码器的目的是，给定的固定长向量表示c和先前预测到的路径{y1,...,yt-1}，预测下一个时刻的位置yt，即译码器将联合概率分解为有序条件概率来定义匹配路径y的概率：其中，y＝(y1,...,yL)，对于循环神经网络，每个条件概率模型为：p(yt|{y1,...,yt-1},c)＝g(yt-1,st,c)其中g为非线性多层函数用于输出yt的概率，st为译码器的隐藏层状态；为了引入对齐机制，重新定义模型架构：p(yi|{y1,...,yi-1},...

【专利技术属性】
技术研发人员：柏思琪，万群，颜铭江，张毅，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51