一种基于深度神经网络的室内定位系统及方法技术方案

本发明专利技术提供了一种基于深度神经网络的室内定位系统及方法，涉及人工智能技术领域，本发明专利技术以神经网络芯片为核心，利用摄像头，温度传感器，湿度传感器，与移动终端进行所需数据收集；通过互联网，路由器传输所需数据；使用定位服务器进行数据预处理，数据存储；最后由神经网络芯片完成神经网络模型训练，寻找最优权重值，生成指纹信息以及确定定位点等任务。本发明专利技术相较于传统室内定位系统及方法，可适用于更复杂环境并可实现更精准定位，具有较高实用价值。

An indoor positioning system and method based on depth neural network

【技术实现步骤摘要】
一种基于深度神经网络的室内定位系统及方法
本专利技术涉及人工智能
，具体地说是一种基于深度神经网络的室内定位系统及方法。
技术介绍
随着无线通信网络的迅猛发展，移动用户对基于位置的定位服务提出了更高的要求。在基于位置的服务中，室内定位始终是一个难题。由于非视距传输路径，多径效应，延迟失真等问题，室内定位精度一直相对较低。近年来，神经网络成为了人工智能领域的热点，神经网络在诸如图像识别，语音翻译，自动驾驶等领域都取得了巨大的成功。越来越多的科研人员开始试图利用神经网络来实现室内定位精度上的突破。其中基于神经网络指纹定位算法的室内定位方法取得了较为明显的成效。该算法通过Wi-Fi,蓝牙或地磁信号等无线电波来接收信号发射点的信号到达强度(ReceivedSignalStrength,RSS)或信道信息(ChannelStateInformation,CSI)等无线电波信息，并利用深度神经网络处理以上信息并生成信号发射点的指纹数据，再将实时指纹数据与室内环境中各点的指纹数据相比对进而实现室内定位。传统的基于神经网络的指纹算法室内定位系统和定位方法存在一定的弊端，例如收集的数据不够全面，计算结果容易受室内温湿度变化、障碍物、人员移动因素影响等，本专利基于此现状，提供了一种基于深度神经网络的室内定位系统及方法。
技术实现思路
本专利技术的目的是提供一种基于深度神经网络的室内定位系统及方法，以解决上述
技术介绍
中提出的问题。为了实现上述目的，本专利技术的技术方案为：第一方面，提供了一种基于深度神经网络的室内定位系统，包括移动终端、温度传感器、湿度传感器、摄像头、互联网、路由器、定位服务器和神经网络芯片。所述移动终端与所述路由器双向连接；所述温度传感器的输出连接所述路由器的输入；所述湿度传感器的输出连接所述路由器的输入；所述摄像头的输出连接所述路由器的输入；所述路由器与所述定位服务器双向连接；所述定位服务器与所述神经网络芯片双向连接；所述移动终端与所述路由器、所述温度传感器与所述路由器、所述湿度传感器与所述路由器、所述摄像头与所述路由器通过互联网连接。进一步地，所述神经网络芯片可以内置于平板电脑、笔记本电脑，或者两者合一的设备。进一步地，所述神经网络芯片可以做成计算机板卡形式，插入个人台式计算机、服务器、工作站、以及大中型计算机中，构建大规模神经网络。第二方面，提供了一种基于深度神经网络的室内定位方法，所述基于深度神经网络的室内定位方法包括离线训练阶段和在线定位阶段。所述离线训练阶段包括以下步骤：步骤一，通过摄像头、温度传感器和湿度传感器分别收集室内定位环境中的图像、温度和湿度数据，将摄像头收集到的图像数据进行图像预处理；步骤二，将预处理后的图像数据输入非监督卷积神经网络中，提取特征向量并进行分类，将分类后的特征向量分别储存，并记录非监督卷积神经网络的权重值；步骤三，向分类储存的特征向量中添加对应的温度与湿度信息，得到最终的标签向量；步骤四，通过路由器接收训练用移动终端发出信道信息数据，将信道信息数据根据对应的标签分类，将每一类信道信息数据分别输入监督深度神经网络中，反复训练得到多组指纹向量与对应的最佳深度神经网络权重值。所述在线定位阶段包括以下步骤：步骤一，通过摄像头、温度传感器和湿度传感器分别收集室内定位环境中的图像、温度和湿度数据，将摄像头收集到的图像数据进行图像预处理；步骤二，将预处理后的图像数据输入非监督卷积神经网络中，提取特征向量并借助卷积神经网络权重值进行计算，得出特征向量；步骤三，向计算得出的特征向量中添加对应的温度与湿度信息，得到最终的特征向量，将特征向量与标签向量比对，选择对应的最佳深度神经网络权重值；步骤四，通过路由器接收室内定位目标用户持有的移动终端发出的信道信息数据，将信道信息数据输入监督深度神经网络中，并与对应的最佳深度神经网络权重值进行计算，得出用户持有的移动终端所处室内位置的指纹向量；步骤五，将得出的指纹向量与离线训练阶段得出的多组指纹向量比对，选出最接近的指纹向量，并确定对应的定位位置，通过互联网将位置反馈给用户。进一步地，所述离线训练阶段的步骤一中，将摄像头收集到的图像数据进行预处理的处理方法为数据增强、去均值或归一化；所述在线定位阶段的步骤一中，将摄像头收集到的图像数据进行预处理的处理方法为去均值或归一化。进一步地，预处理后的图像数据输入非监督卷积神经网络后，依次通过二维卷积层、激活函数层、规范层与池化层，重复三轮，再用铺平层将数据转化为特征向量，最后使用激活层进行分类。进一步地，所述激活函数层的激活函数为带泄露线性整流函数，所述池化层使用的池化方法为最大池化法。进一步地，所述信道信息数据输入监督卷积神经网络后，依次通过全连接层、激活函数层与规范层，重复四轮，最后使用激活层进行分类。进一步地，所述激活函数层的激活函数为带泄露线性整流函数。相对于现有技术，本专利技术的有益效果为：提供了一种基于深度神经网络的室内定位系统及方法，相较于传统的基于神经网络的指纹算法室内定位系统及方法，本专利技术包含两个神经网络模块，其一为卷积神经网络模块，该模块用于处理摄像头获得的图片信息，其二为深度神经网络模块，该模块用于处理全部输入数据并实现最终的室内定位。本专利技术工作过程分为两个阶段，离线训练阶段与在线定位阶段。离线训练阶段负责收集室内无线电波数据及与无线电波数据一一对应的温度，湿度，障碍物及人员移动照片信息，并将上述信息通过数据预处理，卷积神经网络训练与深度神经网络训练得到室内的指纹数据与针对各种环境的标签及神经网络权重值。在线定位阶段负责收集实时环境数据与无线电波数据，并将上述数据处理后输入卷积神经网络与深度神经网络模块中实现室内定位。本专利技术通过将更多的环境信息参数作为标签引入神经网络的训练中，通过温度传感器获取室内温度，通过湿度传感器获取室内湿度，通过摄像头获取室内障碍物及人员移动情况。室内温度湿度的变化均会改变无线电波反射与折射所遵循的物理规则，室内障碍物及人员移动情况更会直接影响无线电波反射与折射。本专利技术利用更多的数据标签进一步细分了训练数据，使得神经网络可以生成更为贴近具体实际情况的权重值，进而提升了室内定位的精度。本专利技术增加了一个独立的卷积神经网络模块，该模块用于处理摄像头获得的室内照片，提取照片中隐藏的特征。该卷积神经网络模块属于非监督神经网络，并设定神经网络输出为一组向量，并将该向量作为室内障碍物及人员移动情况的标签引入深度神经网络训练中。从而对不同室内情况进行有针对性的分类训练，使我们的神经网络模块可以获得更精准的权重值。附图说明为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，不应视为对本申请的不当限定。图1是本申请中一种基于深度神经网络的室内定位系统的结构示意图。图2是本申本文档来自技高网...

【技术保护点】
1.一种基于深度神经网络的室内定位系统，其特征在于：包括移动终端、温度传感器、湿度传感器、摄像头、互联网、路由器、定位服务器和神经网络芯片，/n所述移动终端与所述路由器双向连接；/n所述温度传感器的输出连接所述路由器的输入；/n所述湿度传感器的输出连接所述路由器的输入；/n所述摄像头的输出连接所述路由器的输入；/n所述路由器与所述定位服务器双向连接；/n所述定位服务器与所述神经网络芯片双向连接；/n所述移动终端与所述路由器、所述温度传感器与所述路由器、所述湿度传感器与所述路由器、所述摄像头与所述路由器通过互联网连接。/n

【技术特征摘要】
1.一种基于深度神经网络的室内定位系统，其特征在于：包括移动终端、温度传感器、湿度传感器、摄像头、互联网、路由器、定位服务器和神经网络芯片，
所述移动终端与所述路由器双向连接；
所述温度传感器的输出连接所述路由器的输入；
所述湿度传感器的输出连接所述路由器的输入；
所述摄像头的输出连接所述路由器的输入；
所述路由器与所述定位服务器双向连接；
所述定位服务器与所述神经网络芯片双向连接；
所述移动终端与所述路由器、所述温度传感器与所述路由器、所述湿度传感器与所述路由器、所述摄像头与所述路由器通过互联网连接。


2.根据权利要求1所述的一种基于深度神经网络的室内定位系统，其特征在于：所述神经网络芯片可以内置于平板电脑、笔记本电脑，或者两者合一的设备。


3.根据权利要求1所述的一种基于深度神经网络的室内定位系统，其特征在于：所述神经网络芯片可以做成计算机板卡形式，插入个人台式计算机、服务器、工作站、以及大中型计算机中，构建大规模神经网络。


4.一种基于深度神经网络的室内定位方法，其特征在于：所述基于深度神经网络的室内定位方法包括离线训练阶段和在线定位阶段；
所述离线训练阶段包括以下步骤：
步骤一，通过摄像头、温度传感器和湿度传感器分别收集室内定位环境中的图像、温度和湿度数据，将摄像头收集到的图像数据进行图像预处理；
步骤二，将预处理后的图像数据输入非监督卷积神经网络中，提取特征向量并进行分类，将分类后的特征向量分别储存，并记录非监督卷积神经网络的权重值；
步骤三，向分类储存的特征向量中添加对应的温度与湿度信息，得到最终的标签向量；
步骤四，通过路由器接收训练用移动终端发出信道信息数据，将信道信息数据根据对应的标签分类，将每一类信道信息数据分别输入监督深度神经网络中，反复训练得到多组指纹向量与对应的最佳深度神经网络权重值；
所述在线定位阶段包括以下步骤：
步骤一，通过摄像头、温度传感器和湿度传感器分别...

【专利技术属性】
技术研发人员：张早，章猛，韩业，王书宇，
申请(专利权)人：张早，
类型：发明
国别省市：河北;13