基于堆叠自编码器深度学习框架的室内定位楼层识别方法技术

基于堆叠自编码器深度学习框架的室内定位楼层识别方法，包括：利用堆叠自编码器的编码过程(Encoder)对不同位置的RSS进行特征提取，再利用解码过程(Decoder)对原始信息进行重构之后，去除解码层，并加上分类层，再训练网络，最后对于移动设备所获取的WiFi的相关AP和RSS值，对于其位置实现楼层识别。本发明专利技术基于以上深度学习的框架对移动设备得到的WiFi信息进行室内楼层定位。主要步骤是对移动设备接收到的WiFi信号的AP和RSS采集，然后进行特征提取，输入基于堆叠自编码器的WiFi指纹定位模型计算从而识别此时的楼层定位。计算从而识别此时的楼层定位。计算从而识别此时的楼层定位。

Indoor location floor recognition method based on stacking self encoder depth learning framework

【技术实现步骤摘要】
基于堆叠自编码器深度学习框架的室内定位楼层识别方法


[0001]本专利技术涉及室内定位
，具体涉及一种基于堆叠自编码器的楼层识别方法，应用于基于深度学习的室内定位服务中关于楼层定位分类的问题。

技术介绍

[0002]近年来，随着基于位置的服务(Location Based Services,LBS)这一围绕地理位置数据而展开的服务的普及与应用，高精度定位的市场需求逐渐扩增，目前应用最广的卫星定位技术在室外定位性能较好，而在室内环境中卫星信号往往质量较差，无法实现精准定位，如何在室内进行定位服务已成为最主要的研究领域之一。目前在室内定位广泛利用的是WiFi信号进行定位，对不同接入点(Access Point,AP)的强度信号RSS建立指纹库，通过最近邻等匹配算法实现定位。而在大型室内环境，如具有多层结构的大型商场中，不同楼层间的WiFi指纹特征差异往往不显著，指纹库匹配技术已无法满足多楼层建筑室内定位的需求，楼层识别问题已成为室内定位的重要问题。
[0003]在目前的楼层识别问题中，多采用三角测量定位，KNN、K
‑
means、支持向量机等浅层算法，这种浅层算法对于噪声和异常点较为敏感，对于数据的要求较为严格，定位精度不高。在多层建筑的室内环境中，可获取的WiFi的AP数量庞大，这为基于深度学习的指纹定位提供了丰富的指纹数据。然而WiFi无线信号易受到室内复杂因素干扰，引起指纹信息存在诸多随机噪声。本专利技术基于对指纹库的特征提取和降维降噪的要求，提出一种基于自编码器的神经网络分类算法。一方面，解决了对于维数较大的指纹数据的降噪降维处理，另一方面，能够保留其指纹信号中的特征信息，实现楼层的精准识别。

技术实现思路

[0004]本专利技术的目的在于基于深度学习框架，利用堆叠自编码器，对WiFi指纹库信息进行降维和降噪处理，解决室内楼层定位的噪声波动等问题，提供一种室内楼层定位方案。
[0005]关于本专利技术的相关具体定义如下：
[0006]RSS指纹库数据对于在某一楼层(x,y)点所采集的原始指纹数据，用不同AP的RSS值表示，Ri表示指纹信号中的第i个AP的RSS值。
[0007]楼层标签“one hot”向量：用于训练分类层的标签向量(label)，例如若所采集的指纹信号点位于1幢1层，则其“one hot”(1,1)
→
[0 0 1|0 0 0 0 1]；若所采集的指纹信号点位于2幢2层，则其“one hot”(2,2)
→
[0 1 0|0 0 0 1 0]……
即楼幢号和楼层号根据所在位置，只有一个维度的值为1，其余为0。
[0008]堆叠自编码器(SAE)激活函数tanh：用于实现增加自编码器神经网络的非线性性，即z为隐藏层的输入经过线性计算后的值，f(z)表示z经过激活后的值。
[0009]堆叠自编码器(SAE)损失函数MSE：用于实现堆叠自编码器中的反向传播的参数更
新，即其中R
i
表示神经网络输出的预期值，表示神经网络输出的实际值，N是神经网络输出的维度。
[0010]分类层(Classifier)激活函数Relu：用于实现增加分类层神经网络的非线性性，即f(z)＝max(0,z)，z为隐藏层的输入经过线性计算后的值，f(z)表示z经过激活后的值。
[0011]分类层(Classifier)损失函数categorical_crossentropy：用于实现分类层中的反向传播的参数更新，即其中x
i
表示分类层网络输出的预期值，表示分类层网络输出的实际值，N表示分类层网络的输出维度。
[0012]训练时期(Epoch)：当一个完整的训练集数据通过了神经网络正向传播一次并且反向传播了一次，这个过程称为一次Epoch。
[0013]批次大小(Batch_Size)：训练集中按照Batch_Size的大小进行分批次的训练。
[0014]学习率(Learning_rate):神经网络的超参数，决定着目标函数能否收敛到局部最小值以及何时收敛到最小值。
[0015]失活率(Dropout_rate):因为所有AP的RSS值中存在一定的失效值，为了更好地实现定位效果，需要将神经网络中分类层中的一部分神经元随机失活，该参数则表示不参与神经网络中的线性运算的神经元概率，取值范围为[0,1]。
[0016]本专利技术的目的是通过以下技术方案实现的：一种基于堆叠自编码器深度学习框架的室内定位楼层识别方法，包括以下步骤：
[0017](1)通过移动设备采集相关的WiFi信息和位置信息，进行信息预处理并构建相关的WiFi指纹库。
[0018](2)对于所获取的WiFi指纹库的RSS数据进行归一化等处理，并对楼栋和楼层信息形成相关的“one hot”向量并保存用于后续的模型训练。
[0019](3)基于堆叠自编码器的深度网络框架的搭建，采用神经元结构为“256
‑
128
‑
64
‑
128
‑
256”的隐藏层，并设定网络参数，将AP的RSS指纹库维度作为第一层神经元个数，通过对应解码层重构后的误差进行神经网络训练。
[0020](4)在基于训练好后的SAE神经网络框架下，增加分类层的训练，并在最后添加SoftMax层，将训练好的模型的Encoder层的输出作为分类层的输入，对室内楼层进行指纹的分配任务。
[0021]进一步地，所述步骤(1)中，对于采集的WiFi信息和构建指纹库的方法步骤如下：
[0022](1.1)利用移动设备采集相关楼层位置的AP的RSS强度信息，并确定所采位置的楼栋号和层号，以及所采设备的相关信息，形成一个多维度的数据集。
[0023](1.2)为保证接收到的WiFi信号质量与强度，，将RSS接收阈值设为
‑
110dBm，仅保留高于该阈值的RSS量测，低于该值的RSS都设置为
‑
110dBm，易于后续训练过程。
[0024](1.3)将所得到的数据集按比例分为一定的训练集train_data和验证集val_data。
[0025]所述步骤(2)中，对于WiFi指纹库的RSS数据预处理的方法如下：
[0026](2.1)对于在某一楼层(x,y)点所采集的原始指纹数据，用不同AP的RSS值表示，Ri表示指纹信号中的第i个AP的RSS值：
[0027][0028](2.2)在已采集的数据集中会对同一个点进行多次的采样，但因有干扰因素，对于需对多次采样的信号进行均值滤波处理，假设对于同一个采样点进行了k次采样，其均值滤波可以写成：
[0029][0030]其中
[0031][0032]表示对于第n个采样点的第j次采样。
[0033](2.3)对于滤波处理后的指纹数据采取归一化处理，假设N为所采集的AP总个数，Ri表示指纹信号中的第本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于堆叠自编码器深度学习框架的室内定位楼层识别方法，其特征在于，包括如下步骤：(1)通过移动设备采集相关的WiFi信息和位置信息，进行信息预处理并构建相关的WiFi指纹库；(2)对于所获取的WiFi指纹库的RSS数据进行归一化等处理，并对楼栋和楼层信息形成相关的“one hot”向量并保存用于后续的模型训练；(3)基于堆叠自编码器的深度网络框架的搭建，采用神经元结构为“256
‑
128
‑
64
‑
128
‑
256”的隐藏层，并设定网络参数，将AP的RSS指纹库维度作为第一层神经元个数，通过对应解码层重构后的误差进行神经网络训练；(4)在基于训练好后的SAE神经网络框架下，增加分类层的训练，并在最后添加SoftMax层，将训练好的模型的Encoder层的输出作为分类层的输入，对室内楼层进行指纹的分配任务。2.根据权利要求1所述一种基于堆叠自编码器深度学习框架的室内定位楼层识别方法，其特征在于，所述步骤(1)中，详细步骤如下：(1.1)利用移动设备采集相关楼层位置的AP的RSS强度信息，并确定所采位置的楼栋号和层号，以及所采设备的相关信息，形成一个多维度的数据集；(1.2)为保证接收到的WiFi信号质量与强度，，将RSS接收阈值设为
‑
110dBm，仅保留高于该阈值的RSS量测，低于该值的RSS都设置为
‑
110dBm，易于后续训练过程；(1.3)将所得到的数据集按比例分为一定的训练集train_data和验证集val_data。3.根据权利要求1所述一种基于堆叠自编码器深度学习框架的室内定位楼层识别方法，其特征在于，所述步骤(2)中，详细步骤如下：(2.1)对于在某一楼层(x,y)点所采集的原始指纹数据，用不同AP的RSS值表示，Ri表示指纹信号中的第i个AP的RSS值：(2.2)在已采集的数据集中会对同一个点进行多次的采样，但因有干扰因素，对于需对多次采样的信号进行均值滤波处理，假设对于同一个采样点进行了k次采样，其均值滤波可以写成：其中表示对于第n个采样点的第j次采样；(2.3)对于滤波处理后的指纹数据采取归一化处理，假设N为所采集的AP总个数，Ri表示指纹信号中的第i个AP的RSS值，可以写成：
(2.4)对于原始数据定位点采集的楼层和楼栋数据进行“one hot”向量转换。4.根据权利要求1所述一种基于堆叠自编码器深度学习框架的室内定位楼层识别方法，其特征在于，所述步骤(3)中，详细步骤如下：(3.1)规定堆叠自编码器的网络结构“Encoder+Decoder”隐含层层数为5层，神经元的个数分别为256、128、64、128、256个；并设定神经网络的初始默认参数Epoch、Batch_Size、Learning_rate、Dropout_rate等参数；且将步骤(2)中得到的位置强度向量作为Encoder层的输入，输入神经网络，输出的重构向量为自编码器神经网络的输入输出维度均为i维；(3.2)训练网络第一层，将处理好的指纹信号作为网络的输入得到第一层的参数ω
(1)
和b
(1)
，编码过程可以写成：β
(l)
＝f(R
(l)
)
ꢀꢀꢀꢀ
...

【专利技术属性】
技术研发人员：鲍沁宇，史秀纺，杨旭升，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：