一种室内定位模型建立方法及室内定位方法技术

本发明专利技术公开了一种室内定位模型建立方法及室内定位方法，属于通信与无线网络技术领域，包括：划分栅格并计算栅格指纹；对于每一个众包样本S

【技术实现步骤摘要】
一种室内定位模型建立方法及室内定位方法


[0001]本专利技术属于通信与无线网络
，更具体地，涉及一种室内定位模型建立方法及室内定位方法。

技术介绍

[0002]随着智能应用的不断发展，位置信息在生产和生活中扮演着越来越重要的角色。然而，准确的室内定位仍然是一个开放的挑战。以GPS为代表的卫星定位系统在室外环境中性能优异，但在室内环境中，由于墙壁和天花板的阻挡，卫星定位系统无法在室内提供准确的定位信息。在过去的几十年里，人们提出了多种基于不同信号和嵌入式传感器的室内定位方案。
[0003]其中基于Wi
‑
Fi的室内定位系统以其网络设施覆盖广、设计成本低、兼容性强等优点，成为研究的热点之一。目前，大多数公共场所都部署了Wi
‑
Fi设备，而且大多数的智能手机都内置了Wi
‑
Fi芯片，能够检测到Wi
‑
Fi信号强度等信息，这为该定位技术的研究提供了免费的网络基础，降低了系统的设计成本。同时，Wi
‑
Fi定位可以满足视距和非视距的定位需求，并且可以定位几乎所有Wi
‑
Fi兼容设备的位置，而无需安装任何额外的硬件。
[0004]近年来，由于在特征提取和预测方面的优异性能，许多研究人员将神经网络技术应用到室内定位中。最基本的基于神经网络的室内定位方案以接收信号强度(RSS)等信号特征作为神经网络的输入向量，经过多个全连接隐藏层处理后，通过分类或者回归输出最终定位结果。在众多神经网络中，卷积神经网络(CNN)是最流行的模型之一，因为它能够自动提取图像的位置特征。基于Wi
‑
Fi的卷积神经网络定位方案的主要思路是将Wi
‑
Fi信号特征矩阵化(或图片化)，然后将构造的特征矩阵作为卷积神经网络的输入，训练神经网络，输出目标的预测位置。
[0005]但是，上述方案却没有考虑到单个RSS测量值可能存在误差，直接将RSS特征构造矩阵作为卷积神经网络的输入，可能会存在较大的定位误差。

技术实现思路

[0006]针对现有技术的缺陷和改进需求，本专利技术提供了一种室内定位模型建立方法及室内定位方法，其目的在于，提高室内定位精度。
[0007]为实现上述目的，按照本专利技术的一个方面，提供了一种室内定位模型建立方法，包括：
[0008]将室内区域划分为多个栅格，并将各众包样本分配到距离最近的栅格；众包样本S
k
由采集位置坐标l
k
＝(x
k
,y
k
)和在位置l
k
处接收到的RSS向量构成，k表示众包样本编号，N表示信号源总数；
[0009]对于每一个栅格G
i
，计算其众包样本的RSS向量均值，作为栅格G
i
的指纹i表示栅格编号；
[0010]对于每一个众包样本S
k
，计算各栅格的指纹与RSS向量f
k
的距离，得到信号空间距
离矩阵并计算各栅格中心与位置l
k
的距离，得到物理空间距离矩阵由信号空间距离矩阵物理空间距离矩阵以及位置l
k
构成一条训练集样本；
[0011]建立暹罗神经网络；暹罗神经网络包括：用于提取信号空间距离矩阵的特征V
sig
的第一特征提取模块，用于提取物理空间距离矩阵的特征V
phy
的第二特征提取模块，以及用于根据特征V
sig
预测位置的定位模块；
[0012]以信号空间距离矩阵和物理空间距离矩阵作为输入，以位置为标签，以Loss＝αLossA+(1
‑
α)LossF为损失函数，利用所有训练集样本训练暹罗神经网络，训练结束后，由第一特征提取模块和定位模块构成室内定位模型；Loss为总的损失，LossA为预测的位置与实际位置之间的差异，LossF为特征V
sig
与特征V
phy
之间的差异；α表示平衡系数，且0<α<1。
[0013]本专利技术将室内区域划分为多个栅格后，利用众包样本计算各栅格的指纹，对于每一个众包样本，则通过计算栅格指纹与该样本中的接收信号强度之间的距离作为信号空间距离，构建众包样本对应的信号空间距离矩阵，该信号空间距离矩阵将作为模型输入，用于位置预测，由于该信号空间距离矩阵反映了信号空间的整体差异，既包含目标位置的RSS信息，又包含了其余位置的RSS信息，因此，能够充分利用相邻位置的关联特性，消除单个RSS测量值所存在的误差，同时使神经网络能够挖掘到更丰富的全局信息，有效提高模型的定位精度。
[0014]本专利技术还会计算每个众包样本对应的物理空间距离矩阵，具体地，计算每个栅格中心与众包样本对应的位置之间的距离，以构建众包样本对应的物理空间距离矩阵，该物理空间距离矩阵在模型训练过程中会随信号空间距离矩阵一同作为模型输入，根据物理空间与信号空间的相互关联性设计损失函数，利用物理空间的距离信息对信号空间的距离信息进行约束和修正，使训练后的网络在输入一个受到环境影响的信号空间距离分布矩阵时，得到的中间向量能够自主地滤除掉一些环境因素的影响而保留更为实质的特征，从而进一步提高系统的定位精度和鲁棒性。
[0015]进一步地，计算栅格G
i
的指纹F
i
时，若栅格G
i
的所有众包样本均未接收到某个信号源的信号，则将栅格G
i
的指纹F
i
中来自该信号源的RSS值设置为极小值MIN；MIN小于可接收到的信号强度的最小值；
[0016]并且，在计算众包样本S
k
的信号空间距离矩阵之前还包括：将RSS向量f
k
中未接收到的信号源的RSS值设置为极小值MIN。
[0017]本专利技术将众包样本和众包样本中缺失的信号源的RSS值设置为一个合理的极小值，由此能够统一所有栅格指纹和众包样本中接收信号强度的维度。
[0018]进一步地，MIN＝
‑
100dBm。
[0019]本专利技术将众包样本和众包样本中缺失信号源的RSS值设置为
‑
100dBm，近似符合RSS特征在室内空间的传播模型中处于最大通信距离位置时的取值，由此能够在统一维度的基础上保证栅格指纹的合理性和准确性。
[0020]进一步的，在计算众包样本对应的信号空间距离矩阵时，还包括：若某个栅格没有指纹，则将该栅格对应的信号空间距离设为极大值MAX；MAX大于所有众包样本与当前栅格指纹距离的最大值。
[0021]本专利技术将没有指纹的栅格相对于众包样本的信号空间距离设置为一个合理的极
大值，能够保证所构建的信号空间距离矩阵的合理性和准确性。
[0022]进一步地，定位模块根据特征V
sig
预测位置时，采用回归的方法。...

【技术保护点】

【技术特征摘要】
1.一种室内定位模型建立方法，其特征在于，包括：将室内区域划分为多个栅格，并将各众包样本分配到距离最近的栅格；众包样本S
k
由采集位置坐标l
k
＝(x
k
,y
k
)和在位置I
k
处接收到的RSS向量构成，k表示众包样本编号，N表示信号源总数；对于每一个栅格G
i
，计算其众包样本的RSS向量均值，作为栅格G
i
的指纹i表示栅格编号；对于每一个众包样本S
k
，计算各栅格的指纹与RSS向量f
k
的距离，得到信号空间距离矩阵并计算各栅格中心与位置l
k
的距离，得到物理空间距离矩阵由信号空间距离矩阵物理空间距离矩阵以及位置l
k
构成一条训练集样本；建立暹罗神经网络；所述暹罗神经网络包括：用于提取信号空间距离矩阵的特征V
sig
的第一特征提取模块，用于提取物理空间距离矩阵的特征V
phy
的第二特征提取模块，以及用于根据特征V
sig
预测位置的定位模块；以信号空间距离矩阵和物理空间距离矩阵作为输入，以位置为标签，以Loss＝αLossA+(1
‑
α)LossF为损失函数，利用所有训练集样本训练所述暹罗神经网络，训练结束后，由第一特征提取模块和定位模块构成室内定位模型；Loss为总的损失，LossA为预测的位置与实际位置之间的差异，LossF为特征V
sig
与特征V
phy
之间的差异；α表示平衡系数，且0<α<1。2.如权利要求1所述的室内定位模型建立方法，其特征在于，计算栅格G
i
的指纹F
i
时，若栅格G
i
的所有众包样本均未接收到某个信号源的信号，则将栅格G
i
的指纹F
i
中来自该信号源的RSS值设置为极小值MIN；MIN小于可接收到的信号强度的最小值；并且，在计算众包样本S
k
的信号空间距离矩阵之前还包括：将RSS向量f
k
中未接收到的信号源的RSS值设置为极小值MIN。3.如权利要求2所述的室内定位模型建立方法，其特征在于，MIN＝
‑
100dBm。4.如权利要求3所述的室内定位模型建立方法，其特征在于，在计算众包样本对应的信号空间距离矩阵时，还包括：若某个栅格没有指纹，则将该栅格对应的信号空间距离设为极大值MAX；MAX大于所有众包样本与当前栅格指纹距离的最大值。5.如权利要求1～4任一项所述的室内定位模型建立方法，其特征在于，所述定位模块根据特征V
sig

【专利技术属性】
技术研发人员：王邦，綦廷浩，韦李潇，欧阳光，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：