基于域对抗神经网络的运动目标指纹室内定位方法技术

一种基于域对抗神经网络的运动目标指纹室内定位方法，旨将在环境变化频繁的室内场景中，给用户在线提供便捷的指纹更新和精确的室内定位功能。实现步骤为：生成源域样本集；构建特征提取模块；构建标签预测网络；将特征提取模块和标签模块组成标签预测网络；训练标签预测网络；生成目标域样本集；构建域分类网络；将特征提取模块和域模块组成域分类网络；训练域分类网络；对目标域样本进行位置估计。本发明专利技术的方法消除了样本集之间的差异，提高了定位准确率，更新了网络参数，使得本发明专利技术比现有技术的定位效率更高，在实际场景中更具有实用性。

【技术实现步骤摘要】
基于域对抗神经网络的运动目标指纹室内定位方法
本专利技术属于通信
，更进一步涉及目标定位
中的一种基于域对抗神经网络的运动目标指纹室内定位方法。本专利技术可用于具有较少障碍物的室内场景中，尤其是在环境变化频繁的室内场景中，能给用户在线提供便捷的指纹更新和精确的室内定位功能。
技术介绍
现有的室内定位方法按照定位方式可以分为以下两种：几何室内定位方法和指纹室内定位方法，其中指纹室内定位方法更具有实用性。在实际定位场景中，室内的环境引起的信道状态信息(CSI)变化会影响实际情况下的定位精度。传统的方法如基于卷积神经网络，K最近邻等方法没有考虑环境变化造成的影响。为了在线解决由于环境变化而导致定位精度下降的问题，本专利技术通过将离线收集的带标签样本集作为源域，在线收集的无标签样本集作为目标域，通过域对抗的方式保留域之间的相同特征，在线更新指纹，提高了环境变化之后的定位精度。合肥工业大学在其申请的专利文献“一种基于卷积神经网络识别技术的WIFI室内定位方法”(申请号：201810300922.2，申请公布号：CN108594170A)中公开了一种基于卷积神经网络的指纹室内定位方法。该方法的步骤为：1、采集每个参考点的WIFI信号；2、分别将每个参考点的数据处理后通过小波变换为对应位置的特征图构建初级定位指纹库；3、将每个参考点的特征图进行像素变换构建定位指纹库的训练集；4、将训练集中每个参考点的特征图加标签后送入改进的卷积神经网络模型中训练得到分类模型；5、通过采样待测位置WIFI信号，数据处理后通过小波变换为对应位置的特征图送入得到的分类模型中进行分类；6、对位置类别做加权平均，从而实现针对待测位置的定位。该专利技术利用小波变换对参考点的数据进行处理，再用卷积神经网络进行分类，能够有效提高定位准确率，但是，该方法仍然存在的不足之处是：在实际应用中，由于使用指纹法进行定位，当室内温度、湿度变化或遇到障碍物阻挡等环境变化，使现有的定位指纹库不再适用于变化后的新环境，定位准确率大幅度降低，需要重新构建定位指纹库，而重新构建定位指纹库是一个需要系统停机且劳动密集型的任务，因此在环境发生变化的情况下该方法不具备实用性。成都电科惠安科技有限公司在其申请的专利文献“一种基于深度自适应网络的室内定位方法”(申请号：201910774488.6，公布号：CN110536257A)中公开了一种基于深度自适应网络的室内定位方法。该方法的步骤为：1、将需要定位的室内环境划分为等大小的格点区域，并记录坐标信息；2、将移动设备依次置于定位环境中的各个格点，并记录下此刻来自各个接入点的接收信号强度(RSS)值以及对应的坐标信息，形成离线指纹库，即源域；3、在线收集待定位置的移动设备的RSS值，形成目标域；4、知识迁移；5、将目标域数据输入到训练好的网格中，即可获得位置。该专利技术利用迁移学习解决了RSS波动性的问题，但是，该方法仍然存在的不足之处是：由于只是对在线采集的待定信号进行了定位，每次新采集信号都需再进行相同的训练过程，导致定位时间长，定位效率低。
技术实现思路
本专利技术的目的在于针对上述现有方法存在的不足，提出了一种基于域对抗神经网络的指纹室内定位方法，用于解决现有的指纹室内定位方法中环境变化后定位准确率大幅度降低，需要重新进行繁琐的构建离线指纹库的工作，使得定位方法时间长，定位效率低，不具有实用性，不适用于实际中变化多样的定位场景的问题。实现本专利技术目的的设计思路是：利用标签预测网络对源域样本进行初步训练，获得原始网络参数；利用域分类网络对源域样本和目标域样本同时进行训练，来消除源域样本和目标域样本之间的特征差异，更新原始网络的参数，使得更新后的标签预测网络在实际环境下的定位准确率更高，实现了满足实时性要求的高精度室内定位系统。为实现上述目的，本专利技术采用的技术方案包括如下步骤：(1)生成源域样本集：(1a)在待定位的室内区域中心设置一个发射机，将待定位的室内区域均分为n个正方形的栅格，n≥30；(1b)使用移动设备在每个栅格中心处采集来自发射机的数据包组，将数据包组进行预处理操作，将每个栅格预处理后的数据和与其对应栅格的中心位置坐标组成该栅格的源域样本；(1c)将所有栅格的源域样本组成源域样本集，并为源域样本添加域标签；(2)构建特征提取模块：(2a)搭建一个8层的特征提取模块，其结构依次为：第一卷积层，第一池化层，第二卷积层，第二池化层，第三卷积层，第三池化层，第四卷积层，第四池化层；(2b)将第一至第四卷积层的卷积核尺寸依次设置为：5*5*3*64，5*5*3*64，3*3*3*32，3*3*3*16；第一至第四池化层的池化窗口的尺寸均设置为2*2，步长均设置为2；(3)构建标签预测网络：搭建一个由第一全连接层，第二全连接层和Softmax分类层组成的标签模块；将每层的神经元个数分别设置为128，m，m，其中m＝n；(4)将特征提取模块和标签模块组成标签预测网络；(5)训练标签预测网络：(5a)将源域样本集输入到标签预测网络中，特征提取模块输出每个源域样本的特征；再将特征输入到标签模块中，输出每个源域样本的预测位置坐标；(5b)利用交叉熵损失函数，计算每个源域样本的预测位置坐标与该样本栅格中心位置坐标间的损失，通过反向传播算法迭代更新网络参数，直到交叉熵损失函数收敛为止，得到训练好的标签预测网络；(6)生成目标域样本集：使用移动设备在每个栅格中心采集来自发射机的数据包组，将数据包组进行预处理操作，将每个栅格预处理后的数据组成目标域样本集，并为目标域样本添加域标签；(7)构建域分类网络：搭建一个由第一全连接层，第二全连接层，第三全连接层和Softmax分类层组成的域模块；将每层的神经元个数分别设置为128，32，2，2；(8)将步骤(2)构建的特征提取模块和域模块组成域分类网络；(9)训练域分类网络：(9a)将源域样本和目标域样本输入到域分类网络中，特征提取模块输出每个样本的特征；再将特征输入到域模块中，输出每个样本的预测结果；(9b)利用最小均方误差函数，计算每个样本的预测结果与域标签间的损失，再利用反向传播算法迭代更新网络参数，直到交叉熵损失函数收敛为止，得到训练好的域分类网络；(10)对目标域样本进行位置估计：将目标域样本输入到经域分类网络更新后的标签预测网络中，输出移动设备的预测位置坐标。本专利技术与现有技术相比，具有以下优点：第一，由于本专利技术利用最小均方误差函数，计算每个样本的预测结果与域标签间的损失，再利用反向传播算法迭代更新网络参数，直到最小均方误差函数收敛为止，得到训练好的域分类网络，消除了源域样本和目标域样本的特征差异，克服了现有技术中当室内温度、湿度变化或遇到障碍物阻挡等环境变化，使现有的定位指纹库不再适用于变化后的新环境，定位准确率大幅度降低的问题，使得本专利技术的实际情况系中定位精确度更高。第二，由于本专利技术将目本文档来自技高网...

【技术保护点】
1.一种基于域对抗神经网络的运动目标指纹室内定位方法，其特征在于，构建域对抗神经网络，并使用源域离线数据和目标域在线数据对网络进行训练，根据在线生成的指纹库对待测数据进行定位，该方法的具体步骤包括如下：/n(1)生成源域样本集：/n(1a)在待定位的室内区域中心设置一个发射机，将待定位的室内区域均分为n个正方形的栅格，n≥30；/n(1b)使用移动设备在每个栅格中心处采集来自发射机的数据包组，将数据包组进行预处理操作，将每个栅格预处理后的数据和与其对应栅格的中心位置坐标组成该栅格的源域样本；/n(1c)将所有栅格的源域样本组成源域样本集，并为源域样本添加域标签；/n(2)构建特征提取模块：/n(2a)搭建一个8层的特征提取模块，其结构依次为：第一卷积层，第一池化层，第二卷积层，第二池化层，第三卷积层，第三池化层，第四卷积层，第四池化层；/n(2b)将第一至第四卷积层的卷积核尺寸依次设置为：5*5*3*64，5*5*3*64，3*3*3*32，3*3*3*16；第一至第四池化层的池化窗口的尺寸均设置为2*2，步长均设置为2；/n(3)构建标签预测网络：/n搭建一个由第一全连接层，第二全连接层和Softmax分类层组成的标签模块；将每层的神经元个数分别设置为128，m，m，其中m＝n；/n(4)将特征提取模块和标签模块组成标签预测网络；/n(5)训练标签预测网络：/n(5a)将源域样本集输入到标签预测网络中，特征提取模块输出每个源域样本的特征；再将特征输入到标签模块中，输出每个源域样本的预测位置坐标；/n(5b)利用交叉熵损失函数，计算每个源域样本的预测位置坐标与该样本栅格中心位置坐标间的损失，通过反向传播算法迭代更新网络参数，直到交叉熵损失函数收敛为止，得到训练好的标签预测网络；/n(6)生成目标域样本集：/n使用移动设备在每个栅格中心采集来自发射机的数据包组，将数据包组进行预处理操作，将每个栅格预处理后的数据组成目标域样本集，并为目标域样本添加域标签；/n(7)构建域分类网络：/n搭建一个由第一全连接层，第二全连接层，第三全连接层和Softmax分类层组成的域模块；将每层的神经元个数分别设置为128，32，2，2；/n(8)将步骤(2)构建的特征提取模块和域模块组成域分类网络；/n(9)训练域分类网络：/n(9a)将源域样本和目标域样本输入到域分类网络中，特征提取模块输出每个样本的特征；再将特征输入到域模块中，输出每个样本的预测结果；/n(9b)利用最小均方误差函数，计算每个样本的预测结果与域标签间的损失，再利用反向传播算法迭代更新网络参数，直到交叉熵损失函数收敛为止，得到训练好的域分类网络；/n(10)对目标域样本进行位置估计：/n将目标域样本输入到经域分类网络更新后的标签预测网络中，输出移动设备的预测位置坐标。/n...

【技术特征摘要】
1.一种基于域对抗神经网络的运动目标指纹室内定位方法，其特征在于，构建域对抗神经网络，并使用源域离线数据和目标域在线数据对网络进行训练，根据在线生成的指纹库对待测数据进行定位，该方法的具体步骤包括如下：
(1)生成源域样本集：
(1a)在待定位的室内区域中心设置一个发射机，将待定位的室内区域均分为n个正方形的栅格，n≥30；
(1b)使用移动设备在每个栅格中心处采集来自发射机的数据包组，将数据包组进行预处理操作，将每个栅格预处理后的数据和与其对应栅格的中心位置坐标组成该栅格的源域样本；
(1c)将所有栅格的源域样本组成源域样本集，并为源域样本添加域标签；
(2)构建特征提取模块：
(2a)搭建一个8层的特征提取模块，其结构依次为：第一卷积层，第一池化层，第二卷积层，第二池化层，第三卷积层，第三池化层，第四卷积层，第四池化层；
(2b)将第一至第四卷积层的卷积核尺寸依次设置为：5*5*3*64，5*5*3*64，3*3*3*32，3*3*3*16；第一至第四池化层的池化窗口的尺寸均设置为2*2，步长均设置为2；
(3)构建标签预测网络：
搭建一个由第一全连接层，第二全连接层和Softmax分类层组成的标签模块；将每层的神经元个数分别设置为128，m，m，其中m＝n；
(4)将特征提取模块和标签模块组成标签预测网络；
(5)训练标签预测网络：
(5a)将源域样本集输入到标签预测网络中，特征提取模块输出每个源域样本的特征；再将特征输入到标签模块中，输出每个源域样本的预测位置坐标；
(5b)利用交叉熵损失函数，计算每个源域样本的预测位置坐标与该样本栅格中心位置坐标间的损失，通过反向传播算法迭代更新网络参数，直到交叉熵损失函数收敛为止，得到训练好的标签预测网络；
(6)生成目标域样本集：
使用移动设备在每个栅格中心采集来自发射机的数据包组，将数据包组进行预处理操作，将每个栅格预处理后的数据组成目标域样本集，并为目标域样本添加域标签；...

【专利技术属性】
技术研发人员：刘伟，顿志强，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61