一种基于参数预测的深度迁移室内定位方法技术

本发明专利技术属于在复杂的室内环境下进行准确定位的方法，具体是涉及一种基于参数预测的深度迁移室内定位方法。本发明专利技术首先利用有标签的源域数据预训练一个性能良好的源网络定位模型，然后通过固定预训练的源网络参数，在无标签目标域数据的辅助下学习一种从源网络参数到目标网络参数的转换矩阵，最后利用该转换矩阵和源网络参数计算出目标域网络参数。本发明专利技术克服了常用领域适应技术过度专注于领域不变特征而忽略领域差异的弊端，能够使目标域的特征分布尽可能接近源域特征分布，从而保证了目标域网络在适应新环境的同时能保留部分源域网络的数据处理能力。本发明专利技术是一种能够良好适应复杂室内环境的高精度定位方法。应复杂室内环境的高精度定位方法。应复杂室内环境的高精度定位方法。

Indoor location method of depth migration based on parameter prediction

【技术实现步骤摘要】
一种基于参数预测的深度迁移室内定位方法


[0001]本专利技术属于室内定位
，具体是涉及一种基于参数预测的深度迁移室内定位方法。

技术介绍

[0002]移动设备的普及和无线通讯技术的发展推动了一系列基于移动终端的业务的发展，其中基于位置的服务极大地改变了人们的生活方式，它通过获得用户的地理位置进而在相关平台上为用户提供服务，目前已经被广泛地应用于行人导航、广告推送、资产安全管理等场景中。定位技术作为基于位置的服务的基础，受到了研究者的广泛关注。
[0003]在众多室内定位技术中，基于WiFi的定位技术得益于其低成本、高实时性、使用便捷等优势，成为了最具前景的定位技术之一。该定位方法主要分为两大类：几何测距法和位置指纹法。前者容易受到多径效应和非视距传播的影响导致定位效果不稳定，后者只依赖于离线建立的指纹库，能有效避免由测量带来的误差，具有更强的稳定性。然而传统的基于位置指纹的定位方法的基本假设是：在线定位阶段的样本与离线建库阶段的指纹服从相同的数据分布。但在真实的室内环境下，RSS信号会随着时间的变化波动并出现数据分布偏移的现象，此外由于设备的硬件差异，不同设备对同一信号的测量值也会存在偏差，这两种因素都会导致传统指纹定位方法的假设不成立。因此，在实际定位场景中传统指纹定位方法并不适用，而迁移学习中的领域适应技术被证明能够解决这类问题。
[0004]文献“M.Long,Y.Cao,J.Wang,and M.Jordan,“Learning transferable features with deep adaptation networks,”in International conference on machine learning,2015,pp.97
–
105”和文献“B.Sun and K.Saenko,“Deep coral:Correlation alignment for deep domain adaptation,”in European conference on computer vision,2016,pp.443
–
450”是最常见的领域适应方法，它们分别使用最大均值差异准则(Maximum Mean Discrepancy,MMD)和深度协方差对齐(Deep Correlation Alignment,Deep CORAL)来缩小不同领域数据的分布差异。但这两种方法都采用了同一网络来提取不同领域的数据特征，这样的特征提取方式的弊端是过度专注于两个领域的共性而忽略了各自领域的独有特性。此外，由于相同的网络提取的特征为两个领域的公共部分，因此只能有效地约束共有特征的相似程度，按照这种方式缩小领域差异显然是不够充分的，并且当某一领域数据量较小或领域差异较大时还会导致模型的定位性能剧烈下降。基于上述原因，此类方法在复杂的室内定位环境中难以实现准确的定位。

技术实现思路

[0005]本专利技术的目的是，为克服上述技术的不足，提供一种新的基于参数预测的深度迁移室内定位方法。如图1所示，本专利技术方法涉及两个结构相同但参数不同的深度神经网络，主要包含三个阶段，分别为：预训练阶段、参数预测阶段和测试阶段。图中的虚线框表示在此阶段内参数正在被更新，实线框表示参数固定不变。在预训练阶段，仅利用有标签的源域
数据训练一个源网络，使其能在源域数据上取得良好的分类效果；在参数预测阶段，将目标域网络参数初始化为预训练的源网络参数，利用目标域数据和源域数据训练参数转换矩阵并更新分类层参数，通过转换矩阵对目标网络参数进行预测；在测试阶段，将在线样本输入目标网络中实现对位置的估计。
[0006]本专利技术的技术方案是：一种基于参数预测的深度迁移室内定位方法，包括以下步骤：
[0007]S1、将待定位室内环境划分为C个格点，依次记录每个格点的位置并设置唯一标签，格点标签可以表示为：
[0008]Y
s
＝{y
k
|k＝1,2,
…
,C}
[0009]S2、在第1个月份内，使用移动设备依次在每个格点中进行多次采样并记录每条RSS样本值用于构建指纹库，其中第i条RSS样本值可以表示为：
[0010][0011]其中，m表示待定位区域中所有接入点的数量，表示第i条样本中接收到第m个接入点的信号强度值。假设整个待定位区域中一共采集了n
s
条RSS样本，则所有样本可以表示为：
[0012]X
s
＝{x
iT
|i＝1,2,
…
,n
s
}
[0013]将所有样本和其对应的位置标签进行拼接，得到源域数据
[0014][0015]S3、从第n个月(n≥2)开始，接收来自用户或待定位设备的RSS值作为目标域数据
[0016][0017]其中，X
t
表示总数量为n
t
的所有在线样本集合，可进一步详细地表示为：
[0018]X
t
＝{x
jT
|j＝1,2,
…
,n
t
}
[0019]S4、构建包含L层的源网络进行预训练，其中网络前(L
‑
1)层为特征提取部分，对应参数记为Θ
s
，最后一层为分类层，对应参数记为θ
s
。将有标签的源域数据输入源网络中，采用如公式(1)所示的交叉熵损失函数计算网络的分类损失，并基于该分类损失利用梯度下降法更新参数Θ
s
和θ
s
；
[0020][0021]S5、构建与源网络结构相同的目标网络，其特征提取部分的参数记为Θ
t
，分类层对应参数记为θ
t
，初始化目标网络的参数为预训练好的源网络参数；
[0022]S6、基于源网络参数和转换矩阵对目标网络参数进行预测，预测部分为网络前(L
‑
1)层的参数Θ
t
，分类层参数在源网络分类层参数的基础上随训练过程进行更新。神经网络的每一层都包含权重矩阵和偏置向量两部分，一个具有L层的神经网络的参数Θ，具体可以表示为：
[0023][0024]其中，Θ
(i)
表示第i层的网络参数，W
(i)
和b
(i)
分别表示该层的权重矩阵和偏置向量。转换矩阵中包含对权重矩阵进行放缩的矩阵A及对偏置向量进行平移的向量d。
[0025]S7、将源域数据和目标域数据分别输入源网络和目标网络中，固定源网络参数Θ
s
，更新每一层的放缩矩阵A和平移向量d，以及最后一层分类层的参数θ
t
。
[0026]S8、将第(n+1)个月的在线RSS样本输入目标网络中进行定位，得到定位结果。
[0027]进一步地，步骤S6中对目标网络参数进行预测的具体步骤为：
...

【技术保护点】

【技术特征摘要】
1.一种基于参数预测的深度迁移室内定位方法，其特征在于，包括以下步骤：S1、将待定位室内环境划分为C个格点，依次记录每个格点的位置并设置唯一标签，格点标签表示为：Y
s
＝{y
k
|k＝1,2,
…
,C}S2、在第1个月份内，使用移动设备依次在每个格点中进行多次采样并记录每条RSS样本值用于构建指纹库，其中第i条RSS样本值表示为：其中，m表示待定位区域中所有接入点的数量，表示第i条样本中接收到第m个接入点的信号强度值；假设整个待定位区域中一共采集了n
s
条RSS样本，则所有样本表示为：X
s
＝{x
iT
|i＝1,2,
…
,n
s
}将所有样本和其对应的位置标签进行拼接，得到源域数据将所有样本和其对应的位置标签进行拼接，得到源域数据S3、从第n个月开始，n≥2，接收来自用户或待定位设备的RSS值作为目标域数据S3、从第n个月开始，n≥2，接收来自用户或待定位设备的RSS值作为目标域数据其中，X
t
表示总数量为n
t
的所有在线样本集合：X
t
＝{x
jT
|j＝1,2,
…
,n
t
}S4、构建包含L层的源网络进行预训练，其中网络前(L
‑
1)层为特征提取部分，对应参数记为Θ
s
，最后一层为分类层，对应参数记为θ
s
；将有标签的源域数据输入源网络中，采用如公式(1)所示的交叉熵损失函数计算网络的分类损失，并基于该分类损失利用梯度下降法更新参数Θ
s
和θ
s
；S5、构建与源网络结构相同的目标网络，其特征提取部分的参数记为Θ
t
，分类层对应参数记为θ
t
，初始化目标网络的参数为预训练好的源网络参数；S6、基于源网络参数和转换矩阵对目标网络参数进行预测，预测部分为网络前(L
‑
1)层的参数Θ
t
，分类层参数在源网络分类层参数的基础上随训练过程进行更新；神经网络的每一...

【专利技术属性】
技术研发人员：郭贤生，宋雅婕，段林甫，黄健，李林，万群，沈晓峰，李会勇，殷光强，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：