The invention discloses a calibration free indoor positioning method based on depth feature learning, in particular, the strongest AP classification and Proctor analysis are used to establish a standardized sub fingerprint database and reduce the impact of heterogeneous equipment; the stacking noise reduction self encoder (sdae) method is used to build a depth feature sub fingerprint database and improve the stability of the fingerprint database, and finally the weighted nearest neighbor algorithm (WKNN) is used to realize position estimation. The implementation process is as follows: in the offline stage, the RSS value corresponding to the same AP fingerprint in the indoor fingerprint data collection is classified into one category; the classification standardization sub fingerprint database is constructed by using Proctor analysis; the depth feature sub fingerprint database is constructed by using sdae training standardization sub fingerprint database. Online stage: the RSS value measured by the point to be located is classified by the strongest AP and processed by Proctor analysis to get the classification label and standardized RSS vector; the standardized RSS vector is imported into the encoder model to get the depth fingerprint feature; the depth fingerprint feature is compared with the depth feature sub fingerprint database by WKNN algorithm to get the location of the point to be located.
【技术实现步骤摘要】
一种基于深度特征学习的免校准室内定位方法
本专利技术涉及室内定位
,特别涉及一种基于深度特征学习的免校准室内定位方法,该算法通过SDAE获取稳定的特征,构建深度特征子指纹库结合WKNN算法进行定位。
技术介绍
全球导航卫星系统(GNSS)发展成熟,其中美国全球定位系统(GPS)和中国的北斗卫星导航系统提供的高精度的位置信息为位置服务产业广泛应用奠定了基础,各种基于位置服务的应用迅速地渗透到人们的生活中。尽管全球定位系统已在室外定位中得到了广泛应用,给人们日常生活带来了极大的便利,但室内定位的应用范围、使用环境、用户体验都有了新的变化,出现快速发展趋势,定位技术面临全新挑战,尤其在室内环境,卫星信号微弱,建筑结构和电磁环境复杂,GNSS已然无法在室内为人们提供高精度的位置服务。根据统计,现代人80%的活动都在室内进行,随着社会发展室内结构越来越复杂,像医院、大型商场、大型室内停车场、图书馆、大型会展中心,传统的导向牌功效似乎越来越低,人们在这些场景中总是容易丢失方向,耗费时间寻找目标,到达目的地,这些都增加了人们对于室内定位的需求人们对室内定位需求的不断增加,各类无线技术成熟发展,在卫星定位技术提供有力的理论支撑下,室内定位技术百花齐放。由于WiFi技术网络布局简单、覆盖范围广泛、传输速率高、普及率高、成本低廉的特点,并且嵌入WiFi模块的智能设备,像智能手机已经得到了深度的普及,基于WiFi无线技术的室内定位成为了首选的技术方案,其中基于WiFi位置指纹的室内定位方法可获得比传统几何模型定位更高的精度,成为了研究的热点。但是异构的设备对基于WiFi位 ...
【技术保护点】
1.一种基于深度特征学习的免校准室内定位方法,其特征在于,具体步骤如下:第一步:在定位区域内划分网格,把网格中心点设置为参考点,并在参考点处采集所有AP(Access Point,接入点)的RSS(接收信号强度)数据;筛选获得定位区域内参考AP的RSS值与参考点坐标组合成为一条指纹,依照将对应AP编号相同的指纹划分为一类的原则把实际距离相近的参考点指纹归为一类;第二步:利用普氏分析的方法对分类后的指纹进行平移和缩放处理,构建标准化子指纹库;第三步:利用SDAE对标准化子指纹库训练,获取不同类的编码器模型,构建深度特征子指纹库;第四步:把待定位点获取的RSS数据经过第一步和第二步的处理,得到分类标签和标准化RSS向量;第五步:根据第四步得到的分类标签,把标准化RSS向量导入对应类的编码器模型中,得到RSS的深度特征向量;第六步:使用RSS的深度特征向量与对应类的深度特征子指纹库进行欧式距离的计算,得到距离最小的K个,并用K个点坐标的加权均值作为定位结果。
【技术特征摘要】
1.一种基于深度特征学习的免校准室内定位方法,其特征在于,具体步骤如下:第一步:在定位区域内划分网格,把网格中心点设置为参考点,并在参考点处采集所有AP(AccessPoint,接入点)的RSS(接收信号强度)数据;筛选获得定位区域内参考AP的RSS值与参考点坐标组合成为一条指纹,依照将对应AP编号相同的指纹划分为一类的原则把实际距离相近的参考点指纹归为一类;第二步:利用普氏分析的方法对分类后的指纹进行平移和缩放处理,构建标准化子指纹库;第三步:利用SDAE对标准化子指纹库训练,获取不同类的编码器模型,构建深度特征子指纹库;第四步:把待定位点获取的RSS数据经过第一步和第二步的处理,得到分类标签和标准化RSS向量;第五步:根据第四步得到的分类标签,把标准化RSS向量导入对应类的编码器模型中,得到RSS的深度特征向量;第六步:使用RSS的深度特征向量与对应类的深度特征子指纹库进行欧式距离的计算,得到距离最小的K个,并用K个点坐标的加权均值作为定位结果。2.根据权利要求1所述的一种基于深度特征学习的免校准室内定位方法,其特征在于,采用普氏分析处理分类指纹的具体过程如下:把分类后的每条指纹数据减去该条指纹的均值进行平移处理,接着除以该条指纹的标准差进行缩放处理。3.根据权利...
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。