一种基于深度特征学习的免校准室内定位方法技术

本发明专利技术公开一种基于深度特征学习的免校准室内定位方法，具体采用最强AP分类和普氏分析建立标准化子指纹库，降低异构设备影响；采用堆叠降噪自编码器(SDAE)方法构建深度特征子指纹库，提高指纹库稳定性，最终采用加权最近邻算法(WKNN)实现位置估计。实现过程如下，离线阶段：将在室内采集指纹数据中RSS值对应AP相同的指纹归为一类；利用普氏分析构建分类标准化子指纹库；采用SDAE训练标准化子指纹库，构建深度特征子指纹库。在线阶段：把待定位点测到的RSS值经过最强AP分类和普氏分析处理，得到分类标签和标准化RSS向量；把标准化RSS向量导入编码器模型，得到深度指纹特征；通过WKNN算法把深度指纹特征与深度特征子指纹库进行比对，获得待定位点的位置。

A calibration free indoor location method based on depth feature learning

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位置指纹的室内定位技术带来了以下几方面的影响：一、造成位置指纹差异；二、带来误匹配；三、影响系统鲁棒性。设备异构问题已经成为了室内定位走向实际应用迫切需要解决的问题，解决该问题的方法分为校准和免校准，校准的方法虽然能够有效校准不同设备指纹的差异，但在实际应用中过高的时延严重影响用户的体验，不满足定位实时性的要求，所以目前对于校准方法的研究也越来越少。免校准的方法由于其只针对指纹进行变形或者特征挖掘，快速而有效，得到的关注和研究越来越广，但是传统的免校准的方法在定位精度和定位的复杂度难以达到平衡。所以分析原始指纹的特性，寻找简单有效的免校准方法，建立稳定的指纹库，降低设备异构性对于室内定位系统性能的影响，可以有效推动基于WiFi位置指纹的室内定位方法从研究走向实际应用。
技术实现思路
本专利技术为降低异构设备带来指纹大尺度波动和时空变化带来指纹小尺度波动，建立稳定的指纹库，提供一种基于深度特征学习的免校准室内定位方法，在典型实验楼层为实验环境中，能够有效减少异构设备的影响。为解决上述的技术问题，本专利技术采用的方案如下：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，构建分类标准化子指纹库。第三步：利用SDAE(堆叠降噪自编码器StackedDenoisingAutoencoder,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。采用最强AP法对指纹分类的具体过程如下：第一步：寻找每条指纹最大RSS值来源的AP，把AP编号相同的指纹划分为一类；采用普氏分析处理分类指纹的具体过程如下：第一步：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；采用堆叠降噪自编码器构建深度特征子指纹库具体过程如下：第一步：把标准化子指纹库输入到SDAE中训练获得不同类的编码器模型；第二步：把标准化子指纹库输入到对应类的编码器模型中，获得深度特征，构建深度特征子指纹库；定位的具体过程如下：第一步：对待定位点获取的RSS向量tdsi按最强AP分类和普氏分析处理，得到分类标签k和标准化RSS向量普氏分析处理tdsi过程：分类后tdsi表示为：对平移处理：其中经均匀缩放处理：其中即为第k类RSS标准化向量。第二步：把输入到第k类编码器模型中，得到RSS的深度特征向量DCtdsk；第三步：计算DCtdsk与第k类深度特征子指纹库dcfdbk中每条深度特征的距离：第四步：求得欧式距离后，用下列公式求出对应的权值：第五步：取前K个最小的欧式距离及对应的坐标、权值，进行加权求平均得到定位结果。本专利技术的有益效果是：利用最强AP法对原始指纹分类，相较于其他分类方法可以快速对指纹进行分类，保证不同手机的同一类指纹特征的相似性，缩小定位的范围，实现粗定位；普氏分析方法处理分类的指纹，可以把RSS分布变为一个标准正态分布，使得不同手机采集的RSS有着同一分布，减少不同数据域之间分布的差异，接近一个统一标准指纹，为SDAE提供稳定的特征输入。SDAE进行非线性特征提取与变换，有效地降低指纹的噪声，获取深层的指纹特征，进一步提升定位系统的稳定性与鲁棒性。本专利原始指纹特征挖掘的方法获得的深度特征子指纹库比原始指纹特征变形的方法获得的标准化子指纹库更加稳定，即能够有效缓解设备变化的引起的RSSI大尺度差异，又能减低噪声带来的小尺度差异。附图说明附图1是基于深度特征学习的免校准室内定位方法的总体流程图。附图2是CLAS-SDAE-WKNN、CLAS-STDRSS-ELM、CLAS-STDRSS-KNN三种定位方法的累积误差分布函数图的比较，其中CLAS-SDAE-WKNN四种手机的平均定位误差为2.72m，CLAS-STDRSS-ELM是2.89m，CLAS-STDRSS-KNN是3.11m，CLAS-SDAE-WKNN比起CLAS-STDRSS-ELM提升了5.9％的性能，对比CLAS-STDRSS-KNN提升了12.5％。可以看出原始指纹特征挖掘的方法获得的深度特征子指纹库比原始指纹特征变形的方法获得的标准化子指纹库更加稳定，获得更好的定位性能。具体实施方式下面结合说明书附图和具体实施方式对本专利技术做进一步的说明。为解决现有WiFi位置指纹室内定位中设备异构性问题，本专利技术采用的技术方案是：一种基于深度特征学习的免校准室内定位方法，包括以下的步骤：图1是本专利技术方法的流程图，该流程包括离线训练阶段和在线定位阶段。离线阶段主要是训练编码模型和构建深度特征子指纹库，包括：第一步：在定位区域内参考点采集数据，把最大RSS值对应AP编号相同的指纹划分为一类，依照这个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，构建分类标准化子指纹库；第三步：利用SDAE对标准化子指纹库训练，本文档来自技高网...

【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...

【专利技术属性】
技术研发人员：常俊，杨锦朋，余江，
申请(专利权)人：云南大学，
类型：发明
国别省市：云南,53