基于深度学习的室内定位方法及装置制造方法及图纸

本发明专利技术提供了一种基于深度学习的室内定位方法及装置，方法包括离线阶段和在线阶段；所述离线阶段包括：采集每个参考点的特征值：CSI信息、RSS信息、TDOA信息、FDOA信息及磁场信息，形成指纹数据库；数据归一化，将指纹数据库的数据转换为无量纲数据通过多层CNN网络进行处理，得到每个参考点的CNN模型参数值，得到训练后的CNN模型；在线阶段包括：在线采集每个测试点的特征值输入到训练后的CNN模型通过径向基函数和贝叶斯分类来计算目标点位于每个参考点的概率，然后通过对参考点坐标进行加权平均，得到目标位置的坐标。本发明专利技术能够提高室内定位精度及抗干扰能力。定位精度及抗干扰能力。定位精度及抗干扰能力。

【技术实现步骤摘要】
基于深度学习的室内定位方法及装置


[0001]本专利技术涉及室内定位方法及装置，尤其是指一种基于深度学习的室内定位方法及装置。

技术介绍

[0002]第五代通信系统(5 generation，5G)是我国实施网络强国、制造强国战略的重要信息基础设施，更是发展新一代信息通信技术的高地。5G的出现极大的促进了物联网技术的发展，随着人们物质生活的不断丰富，室内定位的需求日益增多，应用场景也愈发广泛，例如停车场的辅助寻车系统，地下隧道的安全追踪系统，各种常见的家用机器人等等。传统的估计解算方法面临着应用约束条件多，占用大量单体计算资源的问题，偏离了当今多场景，分布式解算的发展趋势，故不再适用。研究一种能适用于各种场景并且能够部署至边缘设备进行解算的定位算法成为推动室内定位技术进一步发展的迫切需要。在室内定位中，由于复杂的室内环境导致传统的测距方法例如TOA、TDOA等或多或少的受到干扰从而产生噪声；在位置解算过程中，我们假设这些噪声的PDF为高斯分布但实际却远非如此。除此之外，传统解算方法的算法复杂度普遍偏高因此对硬件资源要求较高。
[0003]RSS作为一种容易获得的信号特征常用于室内定位系统中。但是，由于RSS是粗粒度信息，常常受到多径效应及噪声信号的影响，定位性能并不稳定。近年来，商用WiFi设备(如Intel 5300无线网卡)开始支持物理层的CSI的获取。CSI能以更细粒度表征信号，通过对不同子信道信号传输情况分别进行分析，CSI可以尽可能避免多径效应与噪声的影响。CSI为基于WiFi的室内定位技术开辟了新的空间，因而被广大研究者所关注。当前大部分基于CSI指纹的方法为了降低定位所需计算资源，导致定位精度不高。

技术实现思路

[0004]本专利技术所要解决的技术问题是：提供一种基于深度学习的室内定位方法及装置，旨在提高室内定位精度及抗干扰能力。
[0005]为了解决上述技术问题，本专利技术采用的技术方案为：一种基于深度学习的室内定位方法，包括离线阶段和在线阶段；所述离线阶段包括：
[0006]参考点特征值采集，采集每个参考点的特征值：CSI信息、RSS信息、TDOA信息、FDOA信息及磁场信息，形成指纹数据库；
[0007]数据归一化，将指纹数据库内每个参考点的CSI信息、RSS信息、TDOA信息、FDOA信息及磁场信息转换为无量纲数据；
[0008]模型训练，将每个参考点的无量纲数据通过多层CNN网络进行处理，得到每个参考点的CNN模型参数值，得到训练后的CNN模型；
[0009]在线阶段包括：
[0010]测试点特征值采集，在线采集每个测试点的特征值：CSI信息、RSS信息、TDOA信息、FDOA信息及磁场信息；
[0011]指纹匹配，在线采集的测试点的特征值：CSI信息、RSS信息、TDOA信息、FDOA信息及磁场信息输入到训练后的CNN模型通过径向基函数和贝叶斯分类来计算目标点位于每个参考点的概率，然后通过对参考点坐标进行加权平均，得到目标位置的坐标。
[0012]进一步的，所述将指纹数据库内每个参考点的CSI信息、RSS信息、TDOA信息、FDOA信息及磁场信息转换为无量纲数据所采用的公式为：
[0013][0014]其中，data表示指纹数据库中的每一个数据，data
′
是归一化后的采样数据。
[0015]进一步的，所述指纹匹配采用一种概率算法匹配指纹数据库，该概率算法为：
[0016][0017]P
r
为测试点位于采样点的i的概率，N
c
表示参考点的数量，c
i
是参考点i在指纹库中的位置坐标，P
r
(c
i
)是目标位于参考点c
i
处的先验概率，T为输入的特征值数据。
[0018]进一步的，所述径向基函数为：
[0019][0020]其中，T为输入的特征值数据，P
r
(T|c
i
)为在参考点c
i
处的输出Y
t
与它本身的相似度，λ
T
σ
T
分别为输入的特征值数据T的方差和方差参数。
[0021]进一步的，对参考点坐标进行加权平均的公式为：
[0022][0023]其中，表示目标位置的坐标，N
c
表示参考点的数量，c
i
是参考点i在指纹库中的位置坐标。
[0024]本专利技术的另一技术方案为：一种基于深度学习的室内定位装置，包括离线模块和在线模块；所述离线模块包括：
[0025]参考点特征值采集单元，用于采集每个参考点的特征值：CSI信息、RSS信息、TDOA信息、FDOA信息及磁场信息，形成指纹数据库；
[0026]数据归一化单元，用于将指纹数据库内每个参考点的CSI信息、RSS信息、TDOA信息、FDOA信息及磁场信息转换为无量纲数据；
[0027]模型训练单元，用于将每个参考点的无量纲数据通过多层CNN网络进行处理，得到每个参考点的CNN模型参数值，得到训练后的CNN模型；
[0028]在线模块包括：
[0029]测试点特征值采集单元，用于在线采集每个测试点的特征值：CSI信息、RSS信息、TDOA信息、FDOA信息及磁场信息；
[0030]指纹匹配单元，用于在线采集的测试点的特征值：CSI信息、RSS信息、TDOA信息、FDOA信息及磁场信息输入到训练后的CNN模型通过径向基函数和贝叶斯分类来计算目标点位于每个参考点的概率，然后通过对参考点坐标进行加权平均，得到目标位置的坐标。
[0031]进一步的，数据归一化单元中，将指纹数据库内每个参考点的CSI信息、RSS信息、TDOA信息、FDOA信息及磁场信息转换为无量纲数据所采用的公式为：
[0032][0033]其中，data表示指纹数据库中的每一个数据，data
′
是归一化后的采样数据。
[0034]进一步的，指纹匹配单元中，指纹匹配采用一种概率算法匹配指纹数据库，该概率算法为：
[0035][0036]P
r
为测试点位于采样点的i的概率，N
c
表示参考点的数量，c
i
是参考点i在指纹库中的位置坐标，P
r
(c
i
)是目标位于参考点c
i
处的先验概率，T为输入的特征值数据。
[0037]进一步的，指纹匹配单元中，使用的径向基函数为：
[0038][0039]其中，T为输入的特征值数据，P
r
(T|c
i
)为在参考点c
i
处的输出Y
t
与它本身的相似度，λ
T
σ
T
分别为输入的特征值数据T的方差和方差参数。
[0040]进一步的，指纹匹配单元中，对参考本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的室内定位方法，其特征在于：包括离线阶段和在线阶段；所述离线阶段包括：参考点特征值采集，采集每个参考点的特征值：CSI信息、RSS信息、TD0A信息、FDOA信息及磁场信息，形成指纹数据库；数据归一化，将指纹数据库内每个参考点的CSI信息、RSS信息、TDOA信息、FDOA信息及磁场信息转换为无量纲数据；模型训练，将每个参考点的无量纲数据通过多层CNN网络进行处理，得到每个参考点的CNN模型参数值，得到训练后的CNN模型；在线阶段包括：测试点特征值采集，在线采集每个测试点的特征值：CSI信息、RSS信息、TDOA信息、FDOA信息及磁场信息；指纹匹配，在线采集的测试点的特征值：CSI信息、RSS信息、TDOA信息、FDOA信息及磁场信息输入到训练后的CNN模型通过径向基函数和贝叶斯分类来计算目标点位于每个参考点的概率，然后通过对参考点坐标进行加权平均，得到目标位置的坐标。2.如权利要求1所述的基于深度学习的室内定位方法，其特征在于：所述将指纹数据库内每个参考点的CSI信息、RSS信息、TDOA信息、FDOA信息及磁场信息转换为无量纲数据所采用的公式为：其中，data表示指纹数据库中的每一个数据，data
′
是归一化后的采样数据。3.如权利要求1所述的基于深度学习的室内定位方法，其特征在于：所述指纹匹配采用一种概率算法匹配指纹数据库，该概率算法为：P
r
为测试点位于采样点的i的概率，N
C
表示参考点的数量，c
i
是参考点i在指纹库中的位置坐标，P
r
(c
i
)是目标位于参考点c
i
处的先验概率，T为输入的特征值数据。4.如权利要求3所述的基于深度学习的室内定位方法，其特征在于：所述径向基函数为：其中，T为输入的特征值数据，P
r
(T|c
i
)为在参考点c
i
处的输出Y
t
与它本身的相似度，λ
T
σ
T
分别为输入的特征值数据T的方差和方差参数。5.如权利要求4所述的基于深度学习的室内定位方法，其特征在于：对参考点坐标进行加权平均的公式为：其中，表示目标位置的坐标，N
C
表示参考点的数量，c
i
是参考点i在指纹库中的位置坐标。
6.一种基于深度学习的室内定位装置，其特征在于：包...

【专利技术属性】
技术研发人员：张沛昌，马琪坤，黄磊，李强，钱恭斌，
申请(专利权)人：深圳大学，
类型：发明
国别省市：