基于贝叶斯半监督深度学习的室内定位方法技术

本发明专利技术公开了一种基于贝叶斯半监督深度学习的室内定位方法，该方法通过选取参考采样点和随机参考点分别采集室内所有无线路由器的RSS信号强度数据，然后构建包括输入层、具有4个隐藏节点的隐藏层和输出层的极限学习机模型，利用贝叶斯半监督深度学习方法对极限学习机模型进行训练，得到隐藏层的4个隐藏节点的权值参数向量，最后基于训练后的极限学习机模型确定定位位置；优点是在少量样本数据的基础上结合贝叶斯半监督深度学习方法对极限学习机模型进行训练，训练过程简单，充分利用了样本数据的局部信息，降低了隐藏层节点数量对模型训练精度的不良影响，有效降低了训练时间，最终不仅解决了冷启动问题，同时有效提升了定位精度和稳定性。

Indoor Location Method Based on Bayesian Semi-supervised Deep Learning

The invention discloses an indoor positioning method based on Bayesian semi-supervised in-depth learning, which collects RSS signal strength data of all indoor wireless routers by selecting reference sampling points and random reference points respectively, and then constructs a limit learning machine model including input layer, hidden layer with four hidden nodes and output layer, and uses Bayesian semi-supervised in-depth learning method. The model of extreme learning machine is trained, and the weight parameter vectors of four hidden nodes in the hidden layer are obtained. Finally, the location is determined based on the model of the trained extreme learning machine. The advantage is that the model of extreme learning machine is trained on the basis of a small amount of sample data and combined with Bayesian semi-supervised deep learning method. The training process is simple, and the local information of sample data is fully utilized. It reduces the negative impact of the number of hidden layer nodes on the training accuracy of the model, effectively reduces the training time, and finally not only solves the cold start problem, but also effectively improves the positioning accuracy and stability.

【技术实现步骤摘要】
基于贝叶斯半监督深度学习的室内定位方法
本专利技术涉及一种室内定位方法，尤其是涉及一种基于贝叶斯半监督深度学习的室内定位方法。
技术介绍
随着大体量建筑的开发数量日益增多以及智能移动终端的普及，人们对室内位置服务的需求正迅速增加。公共安全、应急救援、大型场馆管理、特殊人群监护、物联网和智慧城市建设等领域都需要准确的室内位置信息。从技术成熟与大规模应用的现实角度考虑，Wi-Fi定位成为当前主流、也是未来最具发展潜力的室内定位方法。目前Wi-Fi室内定位方法中应用最普遍的是位置指纹定位法，该方法分为离线训练和在线定位两个阶段。离线训练阶段在待定位区域选定一系列参考点，在这些参考点处采集来自无线接入点AP(AccessPoint)的信号强度RSS(ReceivedSignalStrength)值，将参考点坐标和对应AP的RSS信息存储在数据库中，建立位置指纹数据库；在线定位阶段则依据一定的匹配算法将待测点上收到的相应AP的RSS信息与数据库中的已有信息进行比较，估计用户当前的位置。该方法的关键之一在于位置指纹数据库的建立和维护。然而室内环境下射频信号传播非常复杂，墙壁、门窗和桌椅等设施以及本文档来自技高网...

【技术保护点】
1.一种基于贝叶斯半监督深度学习的室内定位方法，其特征在于包括以下步骤：①在待定位室内间隔部署K台无线路由器，K为大于等于5且小于等于10的整数，然后将室内分为Q个区域，Q的取值为大于等于30且小于等于50的整数，在每个区域内选择一个位置作为参考采样点，并按照编号1～Q随机分别对Q个区域中的参考采样点进行编号，将编号为q的参考采样点记为参考采样点q，q＝1，2，…，Q；②先将笔记本电脑依次放到参考采样点1至参考采样点Q处分别采集K台无线路由器的RSS信号强度数据，将在每个参考采样点处采集到的K台无线路由器的RSS信号强度数据按照参考采样点的编号进行标记后分别保存；然后在室内随机选取M个不同位置...

【技术特征摘要】
1.一种基于贝叶斯半监督深度学习的室内定位方法，其特征在于包括以下步骤：①在待定位室内间隔部署K台无线路由器，K为大于等于5且小于等于10的整数，然后将室内分为Q个区域，Q的取值为大于等于30且小于等于50的整数，在每个区域内选择一个位置作为参考采样点，并按照编号1～Q随机分别对Q个区域中的参考采样点进行编号，将编号为q的参考采样点记为参考采样点q，q＝1，2，…，Q；②先将笔记本电脑依次放到参考采样点1至参考采样点Q处分别采集K台无线路由器的RSS信号强度数据，将在每个参考采样点处采集到的K台无线路由器的RSS信号强度数据按照参考采样点的编号进行标记后分别保存；然后在室内随机选取M个不同位置作为M个随机采样点，M为大于等于50且小于等于100的整数，将笔记本电脑依次放到M个随机采样点处分别采集K台无线路由器的RSS信号强度数据并保存；③设置一个用于存放Q行数据的数据集，将该数据集记为D1，将笔记本电脑在参考采样点q处采集到的K台无线路由器的RSS信号强度数据及参考采样点q的编号按行分别保存在数据集D1中，将数据集D1中第i行的数据记为xi1,xi2,xi3,...,xiK,xi(K+1)，其中xit表示在参考采样点i处采集的第t台无线路由器的RSS信号强度数据，t＝1，2，…，K，i＝1，2，…，Q，xi(K+1)等于参考采样点i的编号；设置一个用于存放M行数据的数据集，将该数据集记为D2，将笔记本电脑在M个随机采样点处采集的K台无线路由器的RSS信号强度数据按行保存到数据集D2中，将数据集D2中第m行的数据记为xm_1,xm_2,xm_3,...,xm_K，其中xm_t表示在第m个随机采样点处采集的第t台无线路由器的RSS信号强度数据，m＝1，2，…，M；④构建一个极限学习机模型，所述的极限学习机模型包括输入层、具有4个隐藏节点的隐藏层和输出层，所述的输入层用于输入输入数据，所述的隐藏层用于连接所述的输入层和所述的输出层，所述的输出层用于输出输出数据，所述的极限学习机模型的函数表达式为：其中e-(x*θ)为以自然常数e为底的指数函数，wk为所述的隐藏层中的第k个隐藏节点与所述的输出层之间的权值参数向量，k＝1，2，3，4，θ为所述的输入层和所述的隐藏层之间的权值参数向量，θ＝(θ1,θ2,...,θK)T，上标T表示矩阵的转置，θc为采用随机函数生成的等于0或者1的随机整数，c＝1，2，…，K，符号*为乘运算符号；⑤将步骤③中保存的RSS信号强度数据作为所述的极限学习机模型的输入数据，参考采样点的编号作为输出数据，利用贝叶斯半监督深度学习方法对所述的极限学习机模型进行训练，得到所述的隐藏层的4个隐藏节点的权值参数向量w1、w2、w3和w4，将w1、w2、w3和w4代入所述...

【专利技术属性】
技术研发人员：王保成，谢志军，赵伟文，
申请(专利权)人：宁波大学，
类型：发明
国别省市：浙江,33