一种基于制造技术

本发明专利技术一种基于

【技术实现步骤摘要】
一种基于Wavelet
‑
CNN的多建筑楼层定位方法


[0001]本专利技术属于多建筑楼层定位领域，具体涉及一种基于
Wavelet
‑
CNN
的多建筑楼层定位方法
。

技术介绍

[0002]随着互联网和移动通信技术的发展，人们对基于室内位置服务的需求越来越多，导航定位服务已经成为许多人生活中的重要组成部分
。
全球卫星导航系统
(GNSS)
以其优越的定位实时性和高精度成为最重要的定位工具之一
。
由于人们大部分时间都在室内度过，全球卫星导航系统被广泛用于确定户外区域的位置，而卫星信号无法穿透墙壁，缺乏视线
(LOS)
等因素使其在室内定位方面受到限制，无法为人们日常生活中提供室内定位服务
。Wi
‑
Fi、
蓝牙
、
射频识别
(RFID)、
红外和超宽带
(UWB)
等技术已经被开发并用于室内定位，而在这些技术中，
Wi
‑
Fi
的高性价比成为最受欢迎的可行性技术
。
[0003]基于
Wi
‑
Fi
的定位由于其广泛的部署和简单性在这些方法中脱颖而出，特别是基于指纹识别的室内定位由于其易用性和不需要额外的硬件设施而被广泛用于室内定位
。
指纹技术利用接受到的信号强度指示
(RSSI)
或信道状态信息
(CSI)
来预测目标位置
。
在基于
CSI
的定位系统中，使用通信链路上的信息，包括等级指示
、
与编码器矩阵知识和信道质量知识来确定目标位置
。
而基于
RSS
的定位系统仅利用来自多个
MAC
地址的收集
/
接受信号强度
(RSS)
来确定目标位置
。
因此，
CSI
包含的信息更多，比基于
RSSI
的方法具有更好的鲁棒性
。
然而，支持
CSI
的设备需要高级网络接口卡，目前的智能手机并没有嵌入这些接口卡
。
而基于
RSSI
指纹的方法不需要额外的硬件，因此它成为了最常用的指纹识别技术
。
[0004]指纹定位技术对于提高室内楼层定位的精度具有有很重要的作用，但是目前使用深度学习进行指纹匹配的方法仍然存在对指纹中的重要特征表达不突出的问题，导致指纹匹配的准确度降低，影响定位精度，基于
WiFi CSI
的指纹定位还需使用专用设备采集信息
。
而多数深度学习模型仅通过改进模型提高信号的特征提取达到提高定位精度的目的
。

技术实现思路

[0005]本专利技术针对使用深度学习进行指纹匹配的方法仍然存在对指纹中的重要特征表达不突出的问题，导致指纹匹配的准确度降低，影响定位精度，基于
WiFi CSI
的指纹定位还需使用专用设备采集信息等问题，提出了一种基于
Wavelet
‑
CNN
的多建筑楼层定位方法
。
本方法将离线数据的
WiFi RSSI
通过小波变换对原始数据分解并重组，并转换为灰度图像作为
2D
‑
CNN
分类器的输入，然后然后优化
CNN
模型实现建筑
/
楼层信号数据的特征提取和分类，有效提高室内楼层的定位精度
。
[0006]为了实现上述目的，本专利技术通过以下技术方案予以实现：一种基于
Wavelet
‑
CNN
的多建筑楼层定位方法，包括离线学习阶段和在线定位阶段，离线学习阶段：
[0007]首先对离线采集的
Wi
‑
Fi
信号数据进行小波变换和归一化的预处理，然后再将预处理后的
RSSI
值的矢量转换为灰度图像，数据划分为训练集和验证集，
CNN
训练模型对这些
灰度图像进行训练，提取指纹数据的所有相关特征，并建立特征图；
[0008]在线定位阶段：
[0009]将实时采集到的
Wi
‑
Fi
信号数据进行相同的预处理操作后转换为实时指纹图像，将每个实时指纹图像送入训练好的
CNN
模型中与训练好的特征图匹配，最后，从训练好的
CNN
模型中输出建筑物识别号
ID
和楼层
ID
实现楼层定位
。
[0010]进一步的，所述步骤
1)
中将
RSSI
值转换成灰度图像的具体过程为：首先将给定的一维数组创建成一个二维数组，在不会影响一维数组向量的情况下添加或减少虚拟值，使原始数据值中的
AP
数量的总数为
n2，并将其所有的添加的虚拟
Ap
的
RSSI
值添加为
+100
，即为未检测值，然后将1×
n2的向量重塑成
n
×
n
的灰度图像
。
[0011]进一步的，所述小波变换采用
Haar
小波，设置去噪水平为3，得到三个尺度的近似系数和细节系数，然后根据设定的阈值将每个系数进行阈值化处理
。
[0012]进一步的，
Haar
小波函数可以用以下两个函数表示：
[0013][0014]在小波分解过程中，将信号分解为不同尺度的近似系数和细节系数，对于
Haar
小波基，一级小波分解的重构公式为：
[0015][0016]其中
a
1,k
是一级近似系数，
d
1,k
是一级细节系数，
ψ
0,k
(t)
和
ψ
1,k
(t)
是对应的小波基函数
。
[0017]进一步的，所述
CNN
模型采用多输出
CNN
模型，该模型采用2维卷积核，添加
ReLU
激活函数，经过多个连续的卷积后再进行最大池化后，通过
Dropout
层后解决训练过程中的过拟合问题，然后将从卷积层中提取的局部特征的数据经过
Flattening
函数变成向量作为输入送到全连接层
Denselayer
中，采用在第一个全连接层
Denselayer
进行分路的方法，将楼号识别和楼层识别再分成两路，两路数据分别经过全连接层
Denselayer、<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于
Wavelet
‑
CNN
的多建筑楼层定位方法，其特征在于：包括离线学习阶段和在线定位阶段，离线学习阶段：首先对离线采集的
Wi
‑
Fi
信号数据进行小波变换和归一化的预处理，然后再将预处理后的
RSSI
值的矢量转换为灰度图像，数据划分为训练集和验证集，
CNN
训练模型对这些灰度图像进行训练，提取指纹数据的所有相关特征，并建立特征图；在线定位阶段：将实时采集到的
Wi
‑
Fi
信号数据进行相同的预处理操作后转换为实时指纹图像，将每个实时指纹图像送入训练好的
CNN
模型中与训练好的特征图匹配，最后，从训练好的
CNN
模型中输出建筑物识别号
ID
和楼层
ID
实现楼层定位
。2.
根据权利要求1所述的一种基于
Wavelet
‑
CNN
的多建筑楼层定位方法，其特征在于：所述步骤
1)
中将
RSSI
值转换成灰度图像的具体过程为：首先将给定的一维数组创建成一个二维数组，在不会影响一维数组向量的情况下添加或减少虚拟值，使原始数据值中的
AP
数量的总数为
n2，并将其所有的添加的虚拟
Ap
的
RSSI
值添加为
+100
，即为未检测值，然后将1×
n2的向量重塑成
n
×
n
的灰度图像
。3.
根据权利要求1所述的一种基于
Wavelet
‑
CNN
的多建筑楼层定位方法，其特征在于：所述小波变换采用
Haar
小波，设置去噪水平为3，得到三个尺度的近似系数和细节系数，然后根据设定的阈值将每个系数进行阈值化处理
。4.
根据权利要求3所述的一种基于
Wavelet
‑
CNN
的多建筑楼层定位方法，其特征在于：
Haar
小波函数可以用以下两个函数表示：在小波分解过程中，将信号分解为不同尺度的近似系数和细节系数，对于
Haar
...

【专利技术属性】
技术研发人员：毛永毅，王晓甜，
申请(专利权)人：西安邮电大学，
类型：发明
国别省市：