大型场馆室内定位模型构建方法、系统、设备以及存储介质技术方案

大型场馆室内定位模型构建方法、系统、设备以及存储介质，属于室内定位技术领域，解决了现有的WiFi室内定位面临的WiFi信号波动性和指纹高维稀疏性的问题。所述方法包括以下步骤：步骤S1，在数据库中分别收集每个预设路由器对应的WiFi信号强度值，将收集的WiFi信号强度值构建成数据集；步骤S2，对数据集进行标准化处理；步骤S3，对SDEA进行改进后，使用SDEA对步骤S2获得的数据集进行降维和特征重构；步骤S4，引入LightGBM对步骤S3获得的数据集进行分类；步骤S5，通过LightGBM学习位置和WiFi信号强度值之间的映射关系，进行调整参数，从而获得最优LightGBM定位模型。得最优LightGBM定位模型。得最优LightGBM定位模型。

【技术实现步骤摘要】
大型场馆室内定位模型构建方法、系统、设备以及存储介质


[0001]本专利技术涉及室内定位
，具体涉及大型场馆室内定位模型构建方法、系统、设备以及存储介质。

技术介绍

[0002]近年来，基于位置的服务(LBS)发展迅速。然而，由于严重的信号衰减和多径效应，一般的室外定位设施(如GPS)无法在建筑物中有效工作。
[0003]目前主流的室内定位技术方案有:超宽带(UWB)定位技术,射频识别(RFID)定位技术,蓝牙定位技术,超声波定位技术等等。这些都可以实现室内定位。然而,移动电话信号并不是在所有的室内场景下都可以稳定的传播,使用射频识别需要花费额外的硬件安装费用,超声波的商用设备在市场上少之又少,因此这些定位技术在实际应用中并不常见。而WiFi覆盖区域广泛,因此，WiFi定位技术通常作为室内定位技术的首选。通常，一个WiFi系统由一些固定的AP(接入点)组成,他们可以部署在室内一些便于安装的位置,能连接WiFi的设备相互之间可以直接或间接的通过AP通信，因此，可以考虑在通信功能外实现定位功能。
[0004]当前,绝大多数基于WiFi的定位系统都利用RSS(信号强度),其方法主要分为两类：三角形算法和位置指纹识别算法。其中三角形算法利用待测目标到至少三个已知参考点之间的距离信息估计目标位置，而位置指纹识别算法则通过比较定位所需的信号特征指纹信息获取目标位置。
[0005]基于三角型算法的WiFi定位很大程度上依赖于确知的AP位置信息及准确的信号传输损耗模型,由于影响信号传输的因素很多,不同环境下的信号传输损耗模型大不相同，建立一个准确的,适合实际应用的损耗模型存在着很大的困难。本研究重点在于使用WiFi位置指纹识别算法改善室内定位。
[0006]综上所述，现有的WiFi室内定位面临的WiFi信号波动性和指纹高维稀疏性。

技术实现思路

[0007]本专利技术解决了现有的WiFi室内定位面临的WiFi信号波动性和指纹高维稀疏性的问题。
[0008]本专利技术所述的大型场馆室内定位模型构建方法，包括以下步骤：
[0009]步骤S1，在数据库中分别收集每个预设路由器对应的WiFi信号强度值，将收集的WiFi信号强度值构建成数据集；
[0010]步骤S2，对数据集进行标准化处理；
[0011]步骤S3，对SDEA进行改进后，使用SDEA对步骤S2获得的数据集进行降维和特征重构；
[0012]步骤S4，引入LightGBM对步骤S3获得的数据集进行分类；
[0013]步骤S5，通过LightGBM学习位置和WiFi信号强度值之间的映射关系，进行调整参
数，从而获得最优LightGBM定位模型。
[0014]进一步地，在本专利技术的一个实施例中，所述标准化处理的计算公式为：
[0015][0016]式中，i是AP标识符，RSS
ij
是RP
i
的第j个RSS值，β是常数。
[0017]进一步地，在本专利技术的一个实施例中，所述SDEA的计算公式为：
[0018]z＝f
θ
(Wx0+b)；
[0019]x'＝g
θ'
(W'z+b')；
[0020]L(x,x')＝||x
‑
x'||2；
[0021]式中，f
θ
是编码器，g
θ'
是解码器，L(x,x')是SDEA的损失函数。
[0022]进一步地，在本专利技术的一个实施例中，所述SDEA包括第一编码层、第二编码层和编码层；
[0023]所述第一编码层输入526个神经元，输出128个神经元；
[0024]所述第二编码层输入128个神经元，输出64个神经元；
[0025]所述特征层输入和输出均是64个神经元。
[0026]本专利技术所述的大型场馆室内定位模型构建系统，所述系统包括以下模块
[0027]收集模块，在数据库中分别收集每个预设路由器对应的WiFi信号强度值，将收集的WiFi信号强度值构建成数据集；
[0028]处理模块，对数据集进行标准化处理；
[0029]改进模块，对SDEA进行改进后，使用SDEA对处理模块获得的数据集进行降维和特征重构；
[0030]分类模块，引入LightGBM对改进模块获得的数据集进行分类；
[0031]调整模块，通过LightGBM学习位置和WiFi信号强度值之间的映射关系，进行调整参数，从而获得最优LightGBM定位模型。
[0032]本专利技术所述的一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
[0033]存储器，用于存放计算机程序；
[0034]处理器，用于执行存储器上所存放的程序时，实现上述方法中任一所述的方法步骤。
[0035]本专利技术所述的一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述方法中任一所述的方法步骤。
[0036]本专利技术解决了现有的WiFi室内定位面临的WiFi信号波动性和指纹高维稀疏性的问题。具体有益效果包括：
[0037]本专利技术所述的大型场馆室内定位模型构建方法，通过改进的SDEA(堆叠降噪编码器)神经网络，对数据集做了降维降噪处理，并将重构特征输入到LightGBM分类模型中，不仅有效提高了定位准确度和速度，还解决了现有的大型场馆WiFi室内定位面临随机噪声、信号波动的问题。
附图说明
[0038]本专利技术上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
[0039]图1是具体实施方式所述的大型场馆室内定位系统架构图；
[0040]图2是具体实施方式所述的大型场馆室内定位系统的算法流程图；
[0041]图3是具体实施方式所述的SDEA及其改进后的架构图；
[0042]图4是具体实施方式所述的多种模型房间定位准确度对比图。
具体实施方式
[0043]下面结合附图将对本专利技术的多种实施方式进行清楚、完整地描述。通过参考附图描述的实施例是示例性的，旨在用于解释本专利技术，而不能理解为对本专利技术的限制。
[0044]本实施方式所述的大型场馆室内定位模型构建方法，其特征在于，包括以下步骤：
[0045]步骤S1，在数据库中分别收集每个预设路由器对应的WiFi信号强度值，将收集的WiFi信号强度值构建成数据集；
[0046]步骤S2，对数据集进行标准化处理；
[0047]步骤S3，对SDEA进行改进后，使用SDEA对步骤S2获得的数据集进行降维和特征重构；
[0048]步骤S4，引入LightGBM对步骤S3获得的数据集进行分类；
[0049]步骤S5，通过LightGBM学习位置和WiFi信号强度值之间的映射关系，进行调整参数，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.大型场馆室内定位模型构建方法，其特征在于，包括以下步骤：步骤S1，在数据库中分别收集每个预设路由器对应的WiFi信号强度值，将收集的WiFi信号强度值构建成数据集；步骤S2，对数据集进行标准化处理；步骤S3，对SDEA进行改进后，使用SDEA对步骤S2获得的数据集进行降维和特征重构；步骤S4，引入LightGBM对步骤S3获得的数据集进行分类；步骤S5，通过LightGBM学习位置和WiFi信号强度值之间的映射关系，进行调整参数，从而获得最优LightGBM定位模型。2.根据权利要求1所述的大型场馆室内定位模型构建方法，其特征在于，所述标准化处理的计算公式为：式中，i是AP标识符，RSS
ij
是RP
i
的第j个RSS值，β是常数。3.根据权利要求1所述的大型场馆室内定位模型构建方法，其特征在于，所述SDEA的计算公式为：z＝f
θ
(Wx0+b)；x'＝g
θ'
(W'z+b')；L(x,x')＝||x
‑
x'||2；式中，f
θ
是编码器，g
θ'
是解码器，L(x,x')是SDEA的损失函数。4.根据权利要求1所述的大型场馆室内定位模型构建方法，其特征...

【专利技术属性】
技术研发人员：张舒，郑园园，
申请(专利权)人：长春理工大学，
类型：发明
国别省市：