一种基于深度残差网络的鲁棒无线图像指纹室内定位算法制造技术

本发明专利技术涉及802.11无线局域网通信技术领域，且公开了一种基于深度残差网络的鲁棒无线图像指纹室内定位算法，室内定位的过程主要由离线训练阶段和在线定位阶段组成，在离线阶段，首先通过对RSS I信号采集，然后对所采集的RSSI信号进行数据预处理，接着使用预处理后的数据构造RRIF，最后使用深度残差网络进行模型训练。该基于深度残差网络的鲁棒无线图像指纹室内定位算法，解决了室内定位的低准确度和弱健壮性问题。健壮性问题。健壮性问题。

【技术实现步骤摘要】
一种基于深度残差网络的鲁棒无线图像指纹室内定位算法


[0001]本专利技术涉及802.11无线局域网通信
，具体为一种基于深度残差网络的鲁棒无线图像指纹室内定位算法。

技术介绍

[0002]室内定位的方法根据是否需要测量距离可以分为基于测距和无测距两种类型，基于测距的定位方法已经能够广泛的应用与室外环境，其中距离可以通过TOA、TDOA、AOA和路径损耗模型等方法进行测量，然而，这些方法需要时间同步开销很高并且容易受外部环境影响，通常不适合应用与室内环境定位，基于RSSI的Wi
‑
Fi指纹定位方法是一种常用的无测距室内定位方法，该方法包括两个阶段：离线阶段和在线定位阶段，离线阶段在每个位置上采集不同参考点RSSI值后建立一个Wi
‑
Fi位置指纹数据库，在线定位阶段，待定位者使用移动设备终端对RSSI值进行实时采集，将采集到的RSSI值作为位置匹配算法的输入数据，通过匹配算法进行位置匹配，最终估计出待定位者所处的位置。
[0003]随着深度学习的发展，深度学习方法被广泛的应用在室内定位领域，越来越多的深度学习技术适用于室内定位领域，Battiti等人首次将神经网络研究用于室内定位，他们提出了一个包括一个输入层、一个包含16个神经元的隐藏层和一个输出层的多层感知网络，该定位结果的精度与KNN相当，为了进一步提高定位的精度，Dai等人研究了一个具有三个隐藏层的前馈神经网络，多层神经网络由RSSI变换部分、RSSI去噪部分和定位部分组成，并采用boosting方法调整网络参数对误分类进行校正，Fang等人在判别自适应神经网络中提出了MLP的其他改进，增加了判别成分层同提取输入层中的有效信息，然而，上述的方法在训练阶段都较为耗时，因此提出了鲁棒极限学习机(Robust Extreme Learning Machine，RELM)来提高前馈网络神经单元的训练速度，训练速度是传统机器学习方法的100多倍，虽然前馈神经网络简单易实现，但不能有效地将Wi
‑
Fi信号中的干扰因素过滤，导致定位精度有限，因此Wi
‑
Fi指纹室内定位采用了更加复杂的神经网络，Soro等人设计了一种基于室内指纹卷积神经网络的定位方法，Cha等人提出了分层辅助深度神经网络(HADNN)，使用连续前馈网络(CFNN)来识别建筑物
‑
楼层
‑
坐标估计。

技术实现思路

[0004](一)解决的技术问题
[0005]本专利技术的目的是为了解决了室内定位的低准确度和弱健壮性问题，而提出的一种基于深度残差网络的鲁棒无线图像指纹室内定位算法。
[0006](二)技术方案
[0007]本专利技术解决上述技术问题的技术方案如下：
[0008]一种基于深度残差网络的鲁棒无线图像指纹室内定位算法，室内定位的过程主要由离线训练阶段和在线定位阶段组成，在离线阶段，首先通过对RSSI信号采集，然后对所采集的RSSI信号进行数据预处理，接着使用预处理后的数据构造RRIF，最后使用深度残差网
络进行模型训练，RSSI数据预处理主要包括生成RSSI无线电图，SSD无线电图和Kurtosis无线电图，在在现阶段，获取待定位用户所在位置的RSSI值，然后对数据进行预处理，接着构造RRIF，最后加载离线阶段训练好的模型进行位置估计。
[0009]在上述技术方案的基础上，本专利技术还可以做如下改进。
[0010]优选地，所述在数据预处理中假设实验环境共有m个APs，AP＝{ap1，ap2，...，ap
m
}，对于第一个训练点接收到的RSSI值定义为rssi＝(r
11
，r
12
，...r
1m
)，其中r
ij
表示为第i个训练点从ap
j
接收到的RSSI值，共有t个训练点构成RSSI指纹库，由于在采集RSSI数据时存在AP不可用的情况，因此我们将对采集到的RSSI使用公式(1)的方法进行预处理操作，
[0011][0012]优选地，所述在SSD处理中SSD为相邻信号强度差，通过取相邻AP的RSSI的差值作为指纹，使用SSD可以降低位置指纹漂移问题，增加定位的准确性和健壮性，故我们对SSD做如下定义：针对第i个训练点，定义一个唯一AP对b
k
×
b
p
∈R
×
R的相邻信号强度差，约束k＜p为唯一性，信号强度差d能够表示为：
[0013]d(ap
k
，ap
p
)＝r
ik
‑
r
ip 1≤k＜p≤m
ꢀꢀ
(2)
[0014]因此，得到的信号强度差异特征向量SSD表示为：
[0015]SSD＝(d(ap1，ap2)，d(ap2，ap3)，...，d(ap
n
‑1，ap
n
))
ꢀꢀ
(3)。
[0016]优选地，所述在峰度计算中由于使用SSD容易造成Wi
‑
Fi指纹特征消失，故我们使用峰度来增加Wi
‑
Fi指纹特征，假设r
ij
是第i个训练点从ap
j
接收到的RSSI，其中j＝1，2，...，m和i＝1，2，...，t，在进行峰度计算之前我们要对采集到RSSI进行最大最小标准化处理，使得RSSI特征的范围在[0，1]内，处理变换如下：
[0017][0018]其中min(r
i
)，max(r
i
)分别表示第i个训练点接收RSSI值的最小值和最大值，
[0019]对于第i个训练点的峰值计算如下：
[0020][0021]其中：
[0022][0023]和：
[0024][0025]优选地，所述在对RSSI数据预处理、SSD处理和计算每个RSSI数据库对应的峰度值之后，我们将这三种处理后的数据构建成一张3D RRIF，首先我们将RSSI、SSD和Kurtosis进行转置；然后将这三种数据进行拼接；最后将拼接后的数据进行维度重塑，得到一个大小为的图像，图中的r
ij
表示为第i个训练点从ap
j
接收到的RSSI值；s
ij
表示为r
ij
经
过SSD处理后的结果；k
ij
表示r
ij
对应的峰度值。
[0026]优选地，所述ResNet通过引入残差学习模块能够有效的解决传统卷积神经网络在信息传递时信息丢失、损耗和梯度消失或者爆炸等问题，Input经过ResNet50的五个阶段(STAGE0、STAGE1、
…
)，然后再经过平均池化层最终得到输出Output，其中STAGE0结构较为简单，由卷积层和最大池化层组成，图中的(3，32，32)指的是输入In本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度残差网络的鲁棒无线图像指纹室内定位算法，其特征在于，室内定位的过程主要由离线训练阶段和在线定位阶段组成，在离线阶段，首先通过对RSSI信号采集，然后对所采集的RSSI信号进行数据预处理，接着使用预处理后的数据构造RRIF，最后使用深度残差网络进行模型训练，RSSI数据预处理主要包括生成RSSI无线电图，SSD无线电图和Kurtosis无线电图，在在现阶段，获取待定位用户所在位置的RSSI值，然后对数据进行预处理，接着构造RRIF，最后加载离线阶段训练好的模型进行位置估计。2.根据权利要求1所述的一种基于深度残差网络的鲁棒无线图像指纹室内定位算法，其特征在于：所述在数据预处理中假设实验环境共有m个APs，AP＝{ap1，ap2，..，ap
m
}，对于第一个训练点接收到的RSSI值定义为rssi＝(r
11
，r
12
，...r
1m
)，其中r
ij
表示为第i个训练点从ap
j
接收到的RSSI值，共有t个训练点构成RSSI指纹库，由于在采集RSSI数据时存在AP不可用的情况，因此我们将对采集到的RSSI使用公式(1)的方法进行预处理操作，3.根据权利要求2所述的一种基于深度残差网络的鲁棒无线图像指纹室内定位算法，其特征在于：所述在SSD处理中SSD为相邻信号强度差，通过取相邻AP的RSSI的差值作为指纹，使用SSD可以降低位置指纹漂移问题，增加定位的准确性和健壮性，故我们对SSD做如下定义：针对第i个训练点，定义一个唯一AP对b
k
×
b
p
∈R
×
R的相邻信号强度差，约束k＜p为唯一性，信号强度差d能够表示为：d(ap
k
，ap
p
)＝r
ik
‑
r
ip
1≤k＜p≤m
ꢀꢀꢀꢀ
(2)因此，得到的信号强度差异特征向量SSD表示为：SSD＝(d(ap1，ap2)，d(ap2，ap3)，...，d(ap
n
‑1，ap
n
))
ꢀꢀꢀꢀ
(3)。4.根据权利要求3所述的一种基于深度残差网络的鲁棒无线图像指纹室内定位算法，其特征在于：所述在峰度计算中由于使用SSD容易造成Wi
‑
Fi指纹特征消失，故我们使用峰度来增加Wi
‑
Fi指纹特征，假设r
ij
是第i个训练点从ap
j
接收到的RSSI，其中j＝1，2，...，m和i＝1，2，...，t，在进行峰度计算之前我们要对采集到RSSI进行最大最小标准化处理，使得RSSI特征的范围在[0，1]内，处理变换如下：其中min(r
i
)，max(r
i
)分别表示第i个训练点接收RSSI值的最小值和最大值，对于第i个训练点的峰值计算如下：其中：和：
5.根据权利要求4所述的一种基于深度残差网络的鲁棒无线图像指纹室内定位算法，其特征在于：所述在对RSSI数据预处理、SSD处理和计算每个RSSI...

【专利技术属性】
技术研发人员：杨敬民，邓裳辉，张文杰，周恒，
申请(专利权)人：闽南师范大学，
类型：发明
国别省市：