基于去噪自编码器和卷积神经网络的WiFi指纹室内定位方法技术

本发明专利技术公开了一种基于去噪自编码器和卷积神经网络的WiFi指纹室内定位方法。该方法包括以下步骤：采集WiFi指纹数据，并利用已构建的指纹库计算相应接入点的粗略位置，所述指纹库包含接入点覆盖区域的位置参考点坐标；基于所述接入点的粗略位置，沿设定的方向对所述WiFi指纹数据进行重新排序；利用经训练的编码器从所述WiFi指纹数据中提取特征图；将所述特征图输入到经训练的回归网络模型，获得定位结果，其中所述回归网络模型反映WiFi指纹数据与位置坐标间的非线性关系。本发明专利技术提升了计算效率、抗噪能力和鲁棒性，并提高了定位精度。并提高了定位精度。并提高了定位精度。

【技术实现步骤摘要】
基于去噪自编码器和卷积神经网络的WiFi指纹室内定位方法


[0001]本专利技术涉及通信
，更具体地，涉及一种基于去噪自编码器和卷积神经网络的WiFi指纹室内定位方法。

技术介绍

[0002]随着物联网技术的发展，人们对定位服务的需求逐渐从室外扩展到室内，WiFi指纹定位因其便携性、部署简单、覆盖范围广、定位精度高和成本低等优点，迅速成为基于智能设备的主流室内定位技术。在室内环境中，多个WiFi信号接入点发射的信号会随传播距离增加而衰减，并且会被墙面等物体反射、遮挡，使得每个位置能接收到的WiFi信号都不同，形成独一无二的“位置指纹”，WiFi指纹定位即是利用物理位置与WiFi信号的映射对应关系实现基于WiFi信号来确定物理位置。
[0003]近年来，随着人们生活水平的提高，基于位置的服务需求越来越高。以中国北斗、美国GPS为代表的卫星导航系统已十分成熟，然而，在遮挡环境中卫星信号强度会大幅度衰减，无法满足定位精度要求甚至无法实现定位功能。在此背景下，新的定位技术被相继提出，例如基于WiFi、蓝牙、红外线和惯性传感器的定位技术。以智能手机为例，其已经集成了WiFi信号接收模组，并且在很多大型建筑中已经部署了大量AP设备(如路由器)，不需要再像蓝牙、红外线一样额外建立专门的硬件设施。并且，WiFi定位可以达到较高定位精度，所以WiFi定位在室内定位领域优势明显。然而，WiFi信号容易受到人体的随机遮挡，并且由于多径效应的存在和信号接入点(AccessPoint，AP)设备(如路由器)本身无线信号发射功率的不稳定性，使得AP的接收信号强度会随时间上下波动，导致定位精度降低。此外，在每个物理位置能够探测到的WiFi数量是有限的，故每条WiFi指纹包含大量重复的常量值，导致WiFi指纹数据稀疏，也会影响定位精度。
[0004]在现有技术中，WiFi定位方法主要分为几何法和指纹法。几何法使用到达时间(Time of Arrival，TOA)和到达角(Angle of Arrival，AOA)等来估计位置，TOA的主要缺点是所有WiFi信号收发装置之间的时间必须同步，同步问题没处理好会导致定位误差非常大。而AOA要求AP设备具有多个天线，对AP设备的硬件配置要求高。指纹法是利用不同位置的WiFi信号不同，建立位置与WiFi信号特征的对应关系并通过WiFi信号实现定位。常用的WiFi指纹特征有接收信号强度(Received Signal Strength Indication，RSSI)、信噪比和信道状态信息(Channel State Information，CSI)。CSI包含更多的信号特征，因此基于CSI的定位比基于RSSI的定位更精准，但由于CSI的获取相对困难，所以RSSI仍是WiFi指纹定位常用的指纹特征。指纹法需要在离线阶段采集所有位置参考点(Reference Point，RP)的WiFi信号并构建成一个WiFi指纹库；在定位过程中利用指纹匹配算法从指纹库中匹配最合适的RP，此RP的位置坐标就是最终的定位结果。
[0005]基于RSSI的指纹定位法主要分为两类：基于机器学习的方法和基于深度学习的方法。常用的机器学习方法有K近邻、加权K近邻、随机森林和决策树等。K近邻每次运行都需要遍历指纹库，算法运行时间随指纹库增大而增加。决策树和随机森林需要手动设计特征，而
不合理的特征选择会严重影响定位精度。基于深度学习的方法在离线阶段利用指纹库训练网络模型，而在线阶段不需要再遍历一遍指纹库，直接使用在线指纹数据计算出定位结果，而且基于深度学习的方法可以自动提取特征，不需要人工手动提取，但目前的深度学习模型太复杂，导致运行时间大大增加。
[0006]在现有方案中，专利申请CN2021109096762公开了一种WiFi指纹定位的方法及装置。该方法主要使用设备物理地址哈希值和链表方式减少指纹库的搜索空间，从而加快算法运行速度，但并没有提出哈希冲突时的解决方案，同时所求结果是局部最优解，而非全局最优解，此外，该方法并未考虑WiFi信号被人体遮挡或者波动性对结果的影响。
[0007]专利申请CN2022114371340公开了一种基于wifi指纹和改进knn算法的住宅楼宇室内定位方法。该方法采用多级聚类的方式来依次选择楼栋、单元、楼层和位置坐标，多级聚类的方式会增加算法运行时长，并且任何一级的错误结果都会严重影响定位精度，算法最后计算位置坐标时采用几何法中的三角定位法，三角定位法需要知道AP设备的坐标，因而不适合大规模推广使用，同时精度也更差，此外，采用了终端设备采集WiFi数据上报服务器的流程，增加了数据安全性风险和降低了算法实时性。
[0008]专利申请号CN2022111753748公开了一种WiFi指纹室内楼层识别与位置估计方法。该方法使用卷积神经网络对楼层进行识别，使用决策树、K近邻和随机森林来计算用户位置坐标，但这些基于机器学习的方法抗噪性能较差，当在线阶段的WiFi指纹与指纹库的历史数据差别较大时，定位误差会显著降低。
[0009]专利申请号CN2022104092596公开了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。该方法使用堆叠自编码器来对楼层进行识别，但没有涉及更细粒度的位置坐标计算。
[0010]综上，现有的基于WiFi指纹的室内定位方法在抗噪性能、定位精度、算法运行时长，以及与指纹库大小相关等方面存在一定的不足，需要对现有技术进行改进。

技术实现思路

[0011]本专利技术的目的是克服上述现有技术的缺陷，提供一种基于去噪自编码器和卷积神经网络的WiFi指纹室内定位方法。该方法包括以下步骤：
[0012]采集WiFi指纹数据，并利用已构建的指纹库计算相应接入点的粗略位置，所述指纹库包含接入点覆盖区域的位置参考点坐标；
[0013]基于所述接入点的粗略位置，沿设定的方向对所述WiFi指纹数据进行重新排序；
[0014]利用经训练的编码器从所述WiFi指纹数据中提取特征图；
[0015]将所述特征图输入到经训练的回归网络模型，获得定位结果，其中所述回归网络模型反映WiFi指纹数据与位置坐标间的非线性关系。
[0016]与现有技术相比，本专利技术的优点在于，提出一种卷积去噪自编码器，利用含噪声的WiFi指纹训练去噪自编码器，能够提取出与噪声无关的鲁棒特征，抑制WiFi信号波动性和人体遮挡等因素造成的信号干扰。并且提出了基于卷积神经网络的轻量化回归网络，用于对待定位坐标进行预测。此外，还提出基于AP位置信息排序的WiFi指纹数据增强方法，降低了WiFi指纹稀疏性的影响。总之，本专利技术通过搭建轻量化的网络模型，降低了模型运行时间，并采用去噪自编码器和基于AP位置信息排序的WiFi指纹数据增强方法提高了模型抗噪
能力和鲁棒性，降低了数据稀疏问题对定位精度的影响。
[0017]通过以下参照附图对本专利技术的示例性实施例的详细描述，本专利技术的其它特征及其优点将会变得清楚。
附图说明
[0018]被结合在本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于去噪自编码器和卷积神经网络的WiFi指纹室内定位方法，包括以下步骤：采集WiFi指纹数据，并利用已构建的指纹库计算相应接入点的粗略位置，所述指纹库包含接入点覆盖区域的位置参考点坐标；基于所述接入点的粗略位置，沿设定的方向对所述WiFi指纹数据进行重新排序；利用经训练的编码器从所述WiFi指纹数据中提取特征图；将所述特征图输入到经训练的回归网络模型，获得定位结果，其中所述回归网络模型反映WiFi指纹数据与位置坐标间的非线性关系。2.根据权利要求1所述的方法，其特征在于，根据以下步骤训练所述编码器：构建去噪自编码器，该去噪自编码器包含编码器和解码器；基于设定的损失函数，利用训练集训练所述去噪自编码器，其中编码器用于从WiFi指纹数据提取特征图，解码器将该特征图重建成原尺寸大小的指纹数据，所述训练集反映归一化的加噪WiFi指纹数据样本与坐标标签值之间的对应关系。3.根据权利要求2所述的方法，其特征在于，所述编码器包含两个卷积层和一个池化层，所述解码器包含一个上采样层和一个卷积层。4.根据权利要求1所述的方法，其特征在于，所述回归网络模型包含三个卷积层、两个池化层和全连接模块，其中，所述三层卷积层用于提取空间特征；所述全连接模块用于预测定位结果，并且所述全连接模块包含6个全连接层，每一层的隐藏神经元数量分别是128、256、128、64、32和2，除最后一层全连接层外其他全连接层后面都连接一层BN层并使用tanh激活函数。5.根据权利要求1所述的方法，其特...

【专利技术属性】
技术研发人员：孙方敏，周攀，李烨，侯沛尧，
申请(专利权)人：中国科学院深圳先进技术研究院，
类型：发明
国别省市：