基于自适应上下文生成对抗模型预估RSS缺失值的方法技术

本发明专利技术公开一种基于自适应上下文生成对抗模型预估RSS缺失值的方法，包括以下步骤：(1)结合Auto Encoder模型和GAN模型建立自适应上下文生成对抗模型即ACOGAN模型，所述ACOGAN模型包括生成器和判别器，所述生成器由编码器和解码器通过通道全连接层连接构成；(2)利用射线追踪技术生成RSS指纹仿真数据作为ACOGAN模型的训练集和测试集；(3)预处理训练集，将训练集转化成ACOGAN模型所需输入格式；(4)训练ACOGAN模型；(5)导出ACOGAN模型的训练参数；(6)预处理测试集，将测试集转化成ACOGAN模型所需输入格式；(7)通过ACOGAN模型预测存在指纹缺失的特定位置的RSS指纹。

Prediction of RSS missing value based on adaptive context generation countermeasure model

The invention discloses a method for estimating RSS missing value based on adaptive context generation countermeasure model, which comprises the following steps: (1) establishing adaptive context generation countermeasure model, i.e. acogan model, by combining auto encoder model and Gan model, the acogan model includes a generator and a discriminator, the generator is composed of an encoder and a decoder connected through a channel full connection layer; (2) using Ray tracing technology generates RSS fingerprint simulation data as training set and test set of acogan model; (3) preprocessing training set, transforming training set into input format required by acogan model; (4) training acogan model; (5) exporting training parameters of acogan model; (6) preprocessing test set, transforming test set into input format required by acogan model; (7) predicting existence of fingerprint through acogan model Missing RSS fingerprint for a specific location.

【技术实现步骤摘要】
基于自适应上下文生成对抗模型预估RSS缺失值的方法
本专利技术主要涉及深度学习和室内定位领域，尤其涉及基于自适应上下文生成对抗模型预估RSS缺失值的方法。
技术介绍
在下一代社交应用中，需要准确，可靠和实时的室内定位协议和服务。通过移动设备，定位系统可以帮助确定用户的位置，获得基于位置的服务反馈，例如跟踪，监控和导航[1]。尽管全球定位系统(GlobalPositionSystem,GPS)在室外定位已经非常成熟，但却不适用于室内定位，原因是当GPS卫星发出的信号穿过许多建筑、墙壁后会变得非常微弱，此时无法进行准确定位[2]。由此，许多室内定位技术被提出例如红外超宽带(ultrawideband,UWB)、超声波(ultrasonic)以及无线局域网(WirelessFidelity,WiFi)等技术[3,4]。然而，移动计算技术不断发展、WiFi网络融入人们生活，两者结合可进行更精确室内定位。所以无线网络信号和移动设备实现的室内定位服务引起了广泛关注[5]。大多数WiFi-室内定位商业模型是基于接收信号强度。主要原因是定位所需要的(Receivedsignalstrength,RSS)值可直接从移动设备上安装的网卡进行获取。所以WiFi室内定位越来越流行且普遍[6]。典型RSS指纹系统最大的问题是任何物理位置上的RSS指纹随着时间是变化的，而RSS指纹数据库是静态的[7,8]。因此，当前测量的RSS指纹与之前存储在数据库中的指纹存在差异，会导致不正确的预估结果。为了解决这个问题，在定位之前，应重新测量定位区域中每个位置的指纹，使我们得到精确的定位结果[9]。但是，当定位区域面积非常大的时候，重新测量RSS指纹不仅成本高而且任务繁重，特别是干扰持续变化的定位区域，需要不断更新指纹数据库，这是不切实际的[10]。参考文献：[1]Y.PuandP.You,“IndoorpositioningsystembasedonBLElocationfingerprintingwithclassificationapproach,”Appl.Math.Model.,vol.62,pp.654–663,2018.[2]H.Xu,Y.Ding,P.Li,R.Wang,andY.Li,“AnRFIDindoorpositioningalgorithmbasedonbayesianprobabilityandK-Nearestneighbor,”Sensors(Switzerland),vol.17,no.8,pp.1–17,2017.[3]Y.Fengetal.,“5GWiFisignal-basedindoorlocalizationsystemusingclusterk-nearestneighboralgorithm,”Int.J.Distrib.Sens.Networks,vol.2014,2014.[4]J.Racko,J.Machaj,andP.Brida,“Wi-FiFingerprintRadioMapCreationbyUsingInterpolation☆,”ProcediaEng.,vol.192,pp.753–758,2017.[5]Y.Li,G.Shi,X.Zhou,W.Qu,andK.Li,“Reducingthesitesurveyusingfingerprintrefinementforcost-efficientindoorlocation,”Wirel.Networks,no.5,pp.1–13,2018.[6]H.H.LiuandC.Liu,“ImplementationofWi-FiSignalSamplingonanAndroidSmartphoneforIndoorPositioningSystems,”Sensors,vol.18,no.1,p.3,2018.[7]LiuK,MengZ,OwnCM.GaussianProcessRegressionPlusMethodforLocalizationReliabilityImprovement[J].Sensors,2016,16(8):1193.[8]Yiu,S.；Yang,K.Gaussianprocessassistedfingerprintinglocalization.IEEEInternetThingsJ.2015.[9]F.Teng,W.Tao,andC.M.Own,“LocalizationReliabilityImprovementUsingDeepGaussianProcessRegressionModel,”Sensors,2018.[10]J.Junetal.,“Low-OverheadWiFiFingerprinting,”IEEETrans.Mob.Comput.,vol.17,no.3,pp.590–603,2018.
技术实现思路
本专利技术的目的是为了解决离线阶段测量数据高成本，任务繁重的问题，提出一种基于自适应上下文生成对抗模型(AdapativeContextGenerativeAdversarialNetworksModel,ACOGAN)预估RSS缺失值的方法，ACOGAN模型在动态环境下实现了指纹数据库自更新。换句话说，只需要重新测量部分RSS指纹，这个活动称为“参考点”。ACOGAN模型通过对这些参考点分布的学习，可以预测那些存在指纹缺失的特定位置的RSS指纹。本专利技术的目的是通过以下技术方案实现的：基于自适应上下文生成对抗模型预估RSS缺失值的方法包括以下步骤：(1)结合AutoEncoder模型和GAN模型建立自适应上下文生成对抗模型即ACOGAN模型，所述ACOGAN模型包括生成器和判别器，所述生成器由编码器和解码器通过通道全连接层连接构成；(2)利用射线追踪技术生成RSS指纹仿真数据作为ACOGAN模型的训练集和测试集；(3)预处理训练集，将训练集转化成ACOGAN模型所需输入格式；(4)训练ACOGAN模型；(5)导出ACOGAN模型的训练参数；(6)预处理测试集，将测试集转化成ACOGAN模型所需输入格式；(7)通过ACOGAN模型预测存在指纹缺失的特定位置的RSS指纹。进一步的，步骤(4)具体包括以下步骤：(401)将训练数据输入ACOGAN模型中的生成器，生成器学习周围参考点分布从而预测存在指纹缺失的特定位置的RSS指纹，计算预测的RSS指纹与真实的RSS指纹L2距离，得到重建损失函数；(402)将真实的RSS指纹与生成器预测的RSS指纹作为判别器的输入，即判别器的输入为真或假两类数据；然后判别器输出这两类数据中属于真实数据的概率；(403)根据步骤(402)得到的概率值计算判别损失函数；(404)根据步骤(403)得到的判别损失函数，利用反向传播算法，更新ACOGAN模型中判别器的参数；此时，我们再次本文档来自技高网...

【技术保护点】
1.基于自适应上下文生成对抗模型预估RSS缺失值的方法，其特征在于，包括以下步骤：/n(1)结合Auto Encoder模型和GAN模型建立自适应上下文生成对抗模型即ACOGAN模型，所述ACOGAN模型包括生成器和判别器，所述生成器由编码器和解码器通过通道全连接层连接构成；/n(2)利用射线追踪技术生成RSS指纹仿真数据作为ACOGAN模型的训练集和测试集；/n(3)预处理训练集，将训练集转化成ACOGAN模型所需输入格式；/n(4)训练ACOGAN模型；/n(5)导出ACOGAN模型的训练参数；/n(6)预处理测试集，将测试集转化成ACOGAN模型所需输入格式；/n(7)通过ACOGAN模型预测存在指纹缺失的特定位置的RSS指纹。/n

【技术特征摘要】
1.基于自适应上下文生成对抗模型预估RSS缺失值的方法，其特征在于，包括以下步骤：
(1)结合AutoEncoder模型和GAN模型建立自适应上下文生成对抗模型即ACOGAN模型，所述ACOGAN模型包括生成器和判别器，所述生成器由编码器和解码器通过通道全连接层连接构成；
(2)利用射线追踪技术生成RSS指纹仿真数据作为ACOGAN模型的训练集和测试集；
(3)预处理训练集，将训练集转化成ACOGAN模型所需输入格式；
(4)训练ACOGAN模型；
(5)导出ACOGAN模型的训练参数；
(6)预处理测试集，将测试集转化成ACOGAN模型所需输入格式；
(7)通过ACOGAN模型预测存在指纹缺失的特定位置的RSS指纹。


2.根据权利要求1所述基于自适应上下文生成对抗模型预估RSS缺失值的方法，其特征在于，步骤(4)具体包括以下步骤：
(401)将训练数据输入ACOGAN模型中的生...

【专利技术属性】
技术研发人员：任晓琪，陶文源，翁仲铭，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津;12