一种基于神经网络的Wi-Fi室内定位方法和系统技术方案

本发明专利技术涉及一种基于神经网络的Wi

【技术实现步骤摘要】
一种基于神经网络的Wi
‑
Fi室内定位方法和系统


[0001]本专利技术涉及室内定位
，尤其是指一种基于神经网络的Wi
‑
Fi室内定位方法和系统。

技术介绍

[0002]近年来，随着移动互联网和物联网的快速发展，室内定位技术越来越受到人们的关注。室内定位可以应用在室内导航、位置服务和增强现实等领域，室内定位技术的发展对于提升室内定位服务、改善室内用户体验、提高室内安全等方面具有重要意义。并且随着Wi
‑
Fi技术的不断发展和普及以及物联网技术的迅猛发展，基于Wi
‑
Fi的室内定位技术有着具有广阔的发展前景。目前已有的定位方法包括基于到达时间(TOA)、基于到达时间差(TDOA)、到达角(AOA)、接收信号的强度指示(RSSI)等，但是这些传统的定位方法精度都不是很高，随之发展的是一些基于神经网络的Wi
‑
Fi室内定位方法，但是基于神经网络的Wi
‑
Fi室内定位方法存在数据量庞大、模型规模较大不易部署于移动终端的困扰，导致现有很多基于神经网络的室内定位方法依旧处理速度较慢的问题，并且由于数据的原因导致模型泛化能力和适应能力较差的问题。
[0003]由此可见，如何收集有效的Wi
‑
Fi数据、以及提高模型的泛化性能是一个值得研究的问题。

技术实现思路

[0004]为此，本专利技术所要解决的技术问题在于克服现有技术中无法收集有效的Wi
‑
Fi数据，导致模型依然存在泛化性较差的问题。
[0005]为解决上述技术问题，本专利技术提供了一种基于神经网络的Wi
‑
Fi室内定位方法，包括：
[0006]步骤S1：收集室内的Wi
‑
Fi信号数据，所述Wi
‑
Fi信号数据包括Wi
‑
Fi信号强度数据及其对应的位置信息；
[0007]步骤S2：对收集到的Wi
‑
Fi信号数据进行数据转换，得到特征向量；
[0008]步骤S3：利用所述特征向量对神经网络模型进行训练，得到训练好的神经网络模型；
[0009]步骤S4：将训练好的神经网络模型进行知识蒸馏，得到室内定位模型；
[0010]步骤S5：快将待检测的Wi
‑
Fi信号转化为特征向量后输入所述定位模型，得到对应的位置信息。
[0011]在本专利技术的一个实施例中，所述步骤S1中收集室内的Wi
‑
Fi信号数据，方法包括：
[0012]设室内为矩形空间，在所述矩形空间中确定若干预设中心点；
[0013]获取以所述预设中心点形成水平面；
[0014]获取垂直于以所述预设中心点形成水平面的竖直线；
[0015]获取预设中心点到矩形空间八个对角点的八条对角线；
[0016]在获取的水平面上、以及每条线上间隔地设置数据采集点，并收集数据采集点对应的Wi
‑
Fi信号数据。
[0017]在本专利技术的一个实施例中，所述设室内为矩形空间，在所述矩形空间中确定若干预设中心点，方法包括：以所述矩形空间的地面为基准，在距离地面高度为50CM
‑
160CM的直线范围内取若干关键点作为预设中心点。
[0018]在本专利技术的一个实施例中，所述步骤S1还包括对收集到的Wi
‑
Fi信号数据进行预处理，具体为：对收集到的Wi
‑
Fi信号数据进行数据清洗、去除噪声、数据标准化。
[0019]在本专利技术的一个实施例中，所述步骤S3中利用所述特征向量对神经网络模型进行训练，得到训练好的神经网络模型，方法包括：
[0020]判断神经网络模型训练时的损失函数是否低于预设阈值，若损失函数低于预设阈值，则结束训练；若损失函数高于预设阈值，则通过交叉验证和超参数调整来优化神经网络模型，直至损失函数低于预设阈值。
[0021]在本专利技术的一个实施例中，所述步骤S3中的神经网络模型为多层感知机，所述多层感知机包括输入层、隐藏层和输出层。
[0022]在本专利技术的一个实施例中，所述步骤S4中将训练好的神经网络模型进行知识蒸馏，得到室内定位模型，方法包括：
[0023]将训练好的神经网络模型参数分别加载至教师模型和学生模型；
[0024]将Wi
‑
Fi信号数据分别输入至教师模型和学生模型，计算教师模型的输出和学生模型的输出之间的蒸馏损失、同时计算学生模型的输出和Wi
‑
Fi信号数据对应真实位置信息的样本损失，根据所述蒸馏损失和样本损失实现教师模型不断优化学生模型的参数，以实现知识蒸馏；
[0025]将知识蒸馏好的学生模型作为室内定位模型。
[0026]为解决上述技术问题，本专利技术提供了一种基于Wi
‑
Fi的室内定位系统，包括：
[0027]收集模块：用于收集室内的Wi
‑
Fi信号数据，所述Wi
‑
Fi信号数据包括Wi
‑
Fi信号强度数据及其对应的位置信息；
[0028]转换模块：用于对收集到的Wi
‑
Fi信号数据进行数据转换，得到特征向量；
[0029]训练模块：用于利用所述特征向量对神经网络模型进行训练，得到训练好的神经网络模型；
[0030]知识蒸馏模块：用于将训练好的神经网络模型进行知识蒸馏，得到室内定位模型；
[0031]定位模块：用于将待检测的Wi
‑
Fi信号转化为特征向量后输入所述定位模型，得到对应的位置信息。
[0032]为解决上述技术问题，本专利技术提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述基于神经网络的Wi
‑
Fi室内定位方法的步骤。
[0033]为解决上述技术问题，本专利技术提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如上述基于神经网络的Wi
‑
Fi室内定位方法的步骤。
[0034]本专利技术的上述技术方案相比现有技术具有以下优点：
[0035]本专利技术考虑到人们操作移动终端通常是坐着或站着，因此创造性地在距离室内地
面50CM
‑
160CM的高度范围内取若干关键点作为预设中心点，基于预设中心点采集Wi
‑
Fi信号数据，一是能够针对性地对Wi
‑
Fi信号数据进行采集，防止数据过多，二是基于预设中心点全空间范围内采集Wi
‑
Fi信号数据，保证数据的可靠性；
[0036]本专利技术还对神经网络模型(MLP)进行知识蒸馏，并将知识蒸馏好的学生模型作为室内定位模型，本专利技术的室内定位模型相对于原模型而言，大大减少神经元数目，从而本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的Wi
‑
Fi室内定位方法，其特征在于：包括：步骤S1：收集室内的Wi
‑
Fi信号数据，所述Wi
‑
Fi信号数据包括Wi
‑
Fi信号强度数据及其对应的位置信息；步骤S2：对收集到的Wi
‑
Fi信号数据进行数据转换，得到特征向量；步骤S3：利用所述特征向量对神经网络模型进行训练，得到训练好的神经网络模型；步骤S4：将训练好的神经网络模型进行知识蒸馏，得到室内定位模型；步骤S5：将待检测的Wi
‑
Fi信号转化为特征向量后输入所述定位模型，得到对应的位置信息。2.根据权利要求1所述的基于神经网络的Wi
‑
Fi室内定位方法，其特征在于：所述步骤S1中收集室内的Wi
‑
Fi信号数据，方法包括：设室内为矩形空间，在所述矩形空间中确定若干预设中心点；获取以所述预设中心点形成水平面；获取垂直于以所述预设中心点形成水平面的竖直线；获取预设中心点到矩形空间八个对角点的八条对角线；在获取的水平面上、以及每条线上间隔地设置数据采集点，并收集数据采集点对应的Wi
‑
Fi信号数据。3.根据权利要求2所述的基于神经网络的Wi
‑
Fi室内定位方法，其特征在于：所述设室内为矩形空间，在所述矩形空间中确定若干预设中心点，方法包括：以所述矩形空间的地面为基准，在距离地面高度为50CM
‑
160CM的直线范围内取若干关键点作为预设中心点。4.根据权利要求1所述的基于神经网络的Wi
‑
Fi室内定位方法，其特征在于：所述步骤S1还包括对收集到的Wi
‑
Fi信号数据进行预处理，具体为：对收集到的Wi
‑
Fi信号数据进行数据清洗、去除噪声、数据标准化。5.根据权利要求1所述的基于神经网络的Wi
‑
Fi室内定位方法，其特征在于：所述步骤S3中利用所述特征向量对神经网络模型进行训练，得到训练好的神经网络模型，方法包括：判断神经网络模型训练时的损失函数是否低于预设阈值，若损失函数低于预设阈值，则...

【专利技术属性】
技术研发人员：赵华荣，倪以航，袁铭圩，方璐，
申请(专利权)人：江南大学，
类型：发明
国别省市：