【技术实现步骤摘要】
一种室内楼层定位方法、系统、电子设备及存储介质
[0001]本专利技术涉及室内楼层定位
,特别是涉及一种室内楼层定位方法、系统、电子设备及存储介质。
技术介绍
[0002]随着移动互联网技术的高速发展和迅速普及,定位服务业蓬勃发展,人们对于基于位置的服务需求日益剧增。对现代化建筑而言,准确定位用户的垂直位置和水平位置同等重要。在高层建筑中,楼层的识别是室内二维平面定位的前提和基础,准确的楼层判断可以有效减少匹配阶段的搜索空间,从而提高定位精度并降低运算开销。因此,实现室内楼层精确定位具有很重要的研究意义和实用价值。
[0003]无线局域网指纹识别是一种很有前途和广泛采用的室内楼层定位方法,其中指纹数据库是指纹定位的关键。在建立指纹数据库时,无线接入点过多会降低定位效率。传统的指纹算法采用复杂的滤波和耗时的手动参数调整,非常耗时,不适合大规模的室内环境。近年来,研究人员采用了深度学习的方法进行室内定位。考虑到室内环境数据收集的困难和RSSI缺失现象对指纹定位的影响,一些学者提出了基于多输出高斯过程的三种不同的RSSI数据增强方法用于多建筑和多楼层室内定位,并对多接入点的RSSI观测之间的相关性进行了综合处理,在一定程度上提高了定位的精度和稳定性。
[0004]但是,传统指纹算法需要进行复杂的数据前/后处理,需要进行大量的参数调整,并且在信号缺失时定位的精度和稳定性将会显著下降。
技术实现思路
[0005]本专利技术的目的是提供一种室内楼层定位方法、系统、电子设备及存储介质,以减小信 ...
【技术保护点】
【技术特征摘要】
1.一种室内楼层定位方法,其特征在于,包括:构建指纹数据库;所述指纹数据库包括每个定位采样点的空间位置向量和每个定位采样点的信号指纹矩阵;所述空间位置向量包括定位采样点所在建筑物的编号、楼层的编号和楼层的具体位置;所述信号指纹矩阵包括从n个无线访问接入点收集到的n个室内WIFI信号强度;利用指纹数据库对小波神经网络进行训练,获得室内楼层位置识别模型;获取在待定位点收集到的所有室内WIFI信号强度,并构成待定位点的信号指纹矩阵;采用所述指纹数据库对待定位点的信号指纹矩阵所缺失的无线访问接入点的室内WIFI信号强度进行补偿,获得补偿后的信号指纹矩阵;所述补偿后的信号指纹矩阵中室内WIFI信号强度的数量为n;将所述补偿后的信号指纹矩阵输入至所述室内楼层位置识别模型,输出待定位点所在建筑物的编号、楼层的编号和楼层的具体位置。2.根据权利要求1所述的室内楼层定位方法,其特征在于,所述构建指纹数据库,具体包括:在每个定位采样点对每个无线访问接入点采样10次,并计算采样得到的10个室内WIFI信号强度的平均值;剔除与平均值的差值大于平均值的10%的室内WIFI信号强度,并将剩余的室内WIFI信号强度求平均后作为每个无线访问接入点的室内WIFI信号强度值;将每个定位采样点的空间位置向量与各自定位采样点收集到的所有无线访问接入点的室内WIFI信号强度值组成一条指纹记录;所有定位采样点的指纹记录构成指纹数据库为D=(Lp,Fp),p=1,2,...,q;q为定位采样点个数,Lp为第p个定位采样点的空间位置向量,Fp为第p个定位采样点的信号指纹矩阵;MAC
r
为第p个定位采样点的第r个物理地址,为多次收集到的MAC
r
对应的室内WIFI信号强度平均值,r=1,2,...,s,s为在第p个定位采样点收集到的室内WIFI信号数。3.根据权利要求1所述的室内楼层定位方法,其特征在于,所述小波神经网络包括:输入层、隐含层和输出层;输入层的神经元个数为n,隐含层的神经元个数为k,输出层的神经元个数为m;选用Morlet小波函数作为隐含层节点的传递函数;隐含层的输入函数数学表达式为式中,h
in
(k)为隐含层的输入值,ω
ik
为输入层至隐含层的网络权值,x
i
为输入层第i个神经元输入的室内WIFI信号强度,i≤n;隐含层的输入值h
in
(k)进行平移和伸缩后的数学表达式为式中,h为平移和伸缩后的值,b
k
为小波基函数的平移因子,a
k
为小波基函数的伸缩因子;
隐含层的输出值的数学表达式为式中,h
out
(k)为隐含层的输出值;输出层输出预测值的数学表达式为式中,y
j
为输出层输出的第j个预测值,ω
lj
为隐含层第l个神经元至输出层的网络权值,h
out
(l)为隐含层第l个神经元的输出值。4.根据权利要求1所述的室内楼层定位方法,其特征在于,所述待定位点的信号指纹矩阵表示为式中,f为待定位点的信号指纹矩阵分别,mac1、mac2和mac
t
分别为待定位点的第1、2和t个物理地址,rss1、rss2和...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。