一种基于三步对抗的室内定位方法技术

本发明专利技术属于室内定位技术领域，具体是涉及一种基于三步对抗的室内定位方法。本发明专利技术通过最小化离线和在线数据之间的多核最大均值差异来解决问题a)，通过三步式最大最小化对抗学习解决问题b)。此外，本发明专利技术采用多梯度下降算法来平衡模型对上述两个问题的处理能力，并使得本发明专利技术不需要任何的超参数。本发明专利技术利用三步式对抗学习增强了模型对目标域类内不同样本差异的泛化性，克服了传统领域适应技术仅对齐域间边缘分布，而忽略了类内不同样本差异的问题，从而达到高精度定位效果。从而达到高精度定位效果。从而达到高精度定位效果。

【技术实现步骤摘要】
一种基于三步对抗的室内定位方法


[0001]本专利技术属于室内定位
，具体是涉及一种基于三步对抗的室内定位方法。

技术介绍

[0002]随着物联网技术的飞速发展，越来越多基于位置的服务需要用户或物联网设备的精确位置，在室内环境中，由于卫星信号的视距传播限制，传统的全球卫星定位系统无法提供服务。现有的室内定位方法通常使用蓝牙、超声波、WIFI、RFID等无线信号，采用基于几何的方法、基于行人位置推测的方法或基于指纹的方法进行定位。其中，因为指纹定位方法不需要任何的初始位置信息，以及WIFI设备的普适性与其广泛部署，使用WIFI信号接收强度(RSS)进行指纹定位成为了近年来最具前景的定位技术之一。
[0003]指纹定位技术分为两个阶段：离线阶段和在线阶段。在离线阶段，我们将室内环境按等间隔划分为多个参考点，并在每一个参考点记录其位置和信号特征(比如接收信号强度或者信道状态信息)，从而建立指纹库。在在线阶段，我们将测量当前用户位置的信号特征，并使用机器学习或其他方法将其与指纹库中数据进行匹配，从而获得用户位置。
[0004]然而，因为环境动态变化、测量设备异构等多种原因，在线测试样本分布与指纹库中样本分布不同，导致使用离线指纹库训练的模型在在线定位阶段效果较差。进而传统指纹定位算法需要频繁地更新数据库，消耗了大量人力物力。现有的大多数室内定位方法致力于解决上述问题，比如基于众包的方法和基于迁移学习的方法。此外，即使在同一时间段使用同一设备对同一参考点信号特征进行多次测量，结果也因多径效应、信道噪声、人体阴影效应等多种干扰而不同。目前多数指纹定位方法采用两种措施应对上述问题：1、将同一参考点多次测量数据进行平均。2、将多次测量数据当作独立指纹。这两种措施都不能有有效利用多次测量数据之间的相似性与差异信息。
[0005]文献“Mingsheng Long,Yue Cao,Jianmin Wang,and Michael I.Jordan.2015.Learning transferable features with deep adaptation networks.In Proceedings of the 32nd International Conference on International Conference on Machine Learning
‑
Volume 37(ICML'15).JMLR.org,97
–
105”将最大均值差异与神经网络相结合，利用神经网络的强拟合能力最小化该差异，从而减小域分布差异，达到好的迁移效果。但是该方法只关注了域间分布差异，却忽略了目标域类内的样本间差异，不能达到理想效果。
[0006]文献“Kuniaki Saito,Kohei Watanabe,Yoshitaka Ushiku,and Tatsuya Harada.Maximum Classifier Discrepancy for Unsupervised Domain Adaptation.arXiv e
‑
prints,page arXiv:1712.02560,December 2017”利用两个不同的分类器，寻找出目标域中迁移效果不好的样本，并加强模型对其的处理。但其忽略了源域与目标域本身的数据分布差异。且两个分类器参数较多，训练开销大。

技术实现思路

[0007]本专利技术的目的是，为克服上述技术的不足，提供一种新的基于三步对抗的室内定位方法。如图1所示，本专利技术方法涉及的神经网络包括自动编码器、特征提取器、回归器三个部分。自动编码器旨在压缩数据特征维度，特征提取器用于提取和转换特征，使其更适合后续的定位任务，回归器旨在通过特征提取器所转化特征预测位置。由于多径效应、信道噪声、人体阴影效应等多种干扰，即使在同一时间段利用同一设备对同一参考点RSS值进行多次测量，也会获得不同的值。本方法采用三步式对抗方法，利用多次测量数据，训练特征提取器将源域和目标域数据转换到具有相同分布的同一特征空间，同时保证转换后的特征位于回归器回归超平面的“平坦”处，从而减小上述干扰对定位结果的影响。“平坦”意味着在所有方向的导数都接近零。此外，为了平衡模型对域分布差异问题与多测量数据问题的处理，本专利技术采用了多梯度下降算法自学习不同损失函数的权重。
[0008]图1中实线箭头指明了整个训练过程中源域数据的流向，虚线箭头指明了目标域数据的流向，虚线方框表明了每个损失函数计算所需数据。图2三个子图指明三步式对抗训练方法。在步骤A中，我们仅利用有标签的源域数据训练自动编码器和整个网络，使其能在源域数据上取得良好的定位效果；在步骤B，固定特征提取器参数，更新回归器参数，使得整个目标域同参考点多测量数据之间的定位误差最大；在步骤C中，固定回归器参数，更新特征提取器参数，使其能够将源域与目标域样本映射到具有相同分布的同一特征空间中，并位于回归器回归超平面“平坦”点处，使得目标域同参考点多测量数据之间的定位差异最小。
[0009]本专利技术的技术方案是：一种基于三步对抗的深度迁移室内定位方法，包括以下步骤：
[0010]S1、将待定位区域划分为多个参考点，在每个参考点采集RSS样本并记录位置，构建指纹库；
[0011]S2、经过一段时间后，在每个参考点采集k条RSS样本作为目标域，并划分训练集和测试集；
[0012]S3、采用三步对抗式训练法结合多梯度下降法训练模型；
[0013]S31、使用源域数据预训练整个模型；
[0014]S32、固定特征提取器参数，更新回归器参数，最大化目标域同参考点多测量数据之间的定位差异；
[0015]S33、固定回归器参数，更新特征提取器参数，最小化源域数据与目标域数据之间的分布差异，并最小化目标域同参考点多测量数据之间的定位差异；
[0016]S32和S33交替执行，直至收敛；
[0017]S4、将S2中测试集输入模型，获得定位结果。
[0018]本专利技术的有益效果是:本专利技术在领域适应方法的基础上使用对抗学习加强特征提取器对原始特征的转化，该转化在拉近源域与目标域分布的同时尽可能使特征转化到回归器的“平坦”处。本专利技术考虑到同参考点同时间段同设备多次采集数据之间的差异，并利用该差异增强了模型对多径效应、人体阴影效应、信道噪声等干扰的鲁棒性。此外，本专利技术采用多梯度下降法自学习不同损失函数的权重，不仅平衡了模型对分布差异和多测量差异的处理能力，更使得本专利技术不需要任何的超参数。本专利技术可灵活应用于长时间室内定位系统，
以及高噪声环境。
[0019]附图说明的
[0020]图1为基于三步对抗式迁移学习室内定位算法模型结构示意图。
[0021]图2为本专利技术三步对抗训练示意图。
[0022]图3为基于三步对抗式迁移学习室内定位算法流程图。
[0023]图4为
技术介绍
方法和本专利技术方法在不同月份的平均定位误差对比图，其中(a)是第三层定位误差对比本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于三步对抗的室内定位方法，其特征在于，包括以下步骤：S1、将待定位室内环境划分为N个格点，在设定时间周期内，使用移动设备依次在每个格点中进行多次采样并记录每条RSS样本值用于构建指纹库，其中第i条RSS样本值表示为：其中，l表示待定位区域中所有接入点的数量，表示第i条样本中接收到第l个接入点的信号强度值，令整个待定位区域中一共采集了N
s
条RSS样本，则源域指纹库D
s
表示为：其中表示采集第i条样本的参考点位置坐标；S2、在另外的设定时间周期内，在每个参考点采集k条RSS样本作为目标域：其中，N
t
表示总共采集的参考点数量，表示在第j个参考点处采集的多条RSS值构成的矩阵：的矩阵：其中表示在第j个参考点第k次的RSS测量值，表示在第j个参考点第k次测量值中第l个接入点的信号强度值；S3、采用三步对抗式训练法结合多梯度下降法训练分类模型，具体为：S31、使用源域有标签数据训练整个网络，自动编码器的优化式为：其中，θ
code
为编码器参数，θ
decode
为解码器参数，L
mse
为均方误差损失函数，为解码器恢复的第i个源域样本；使用源域定位损失函数更新特征提取器和回归器：其中θ
e
为特征提取器参数，θ
r
为回归器参数，为第i个源域数据的预测位置；S32、固定特征提取器参数，更新回归器参数，最大化多次测量数据损失L
hm
，同时最小化源域数据定位损失L
s
：
其中表示目标域中第j个参考点的第n次测量数据的预测位置，且源域数据定位损失L
s
如S31中所示；整体优化式为：其中α为损失函数权重，采用多梯度下降法，自学习损失函数权重α：其中α为损失函数权重，采用多梯度下降法，自学习损失函数权重α：其中为多测量数据损失函数L
hm
以及定位损...

【专利技术属性】
技术研发人员：郭贤生，杨胤，陈丽萍，代茜怡，段林甫，司皓楠，黄健，钱博诚，
申请(专利权)人：四川混构定位科技有限公司，
类型：发明
国别省市：