一种基于一维卷积神经网络的位置指纹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一维卷积神经网络的位置指纹室内定位方法和系统，涉及位置指纹室内定位领域

【技术实现步骤摘要】
一种基于一维卷积神经网络的位置指纹室内定位方法和系统


[0001]本专利技术涉及室内定位
，尤其是指一种基于一维卷积神经网络的
WiFi
指纹室内定位方法和系统
。

技术介绍

[0002]近年来，随着基于位置的智能设备
、
应用程序和技术的不断扩展和发展，室内定位技术正在成为我们日常生活中不可或缺的一部分
。
室内定位技术可以应用在智能家居
、
医疗保健
、
位置服务等领域，室内定位技术的不断进步与发展能够提升室内定位服务
、
改善室内用户体验
、
提高室内安全
。
并且随着
WiFi
技术的普及与发展，
WiFi
凭借其易于部署的优点在商场
、
医院
、
家庭等大多数室内环境中都能够简单的部署，基于
WiFi
的室内定位技术具有广阔的发展前景
。
目前已有的基于
WiFi
的室内定位方法有到达时间
(TOA)、
到达角
(AOA)、
到达时间差
(TDOA)、
无距离定位和接收信号强度指示等，但是这些传统方法的定位精度无法满足需求，因为
WiFi
信号在传输过程中容易产生多径效应导致定位精度下降，随之而来的是一些基于深度学习的
WiFi
室内定位技术被研究与发展，基于深度学习的技术能够学习到
WiFi
信号的特征，一定程度上能够提高定位的精度，但还是受到信号多径效应的影响
。
[0003]由此可见，如何减少
WiFi
信号受到多径效应影响提高室内定位精度是一个值得研究的问题
。

技术实现思路

[0004]为此，本专利技术要解决的技术问题在于减少现有技术中
WiFi
信号受到多径效应影响提高室内定位精度
。
[0005]为解决上述技术问题，本专利技术提供了一种基于一维卷积神经网络的
WiFi
指纹室内定位方法，包括：
[0006]步骤
S1
：采集室内环境中的
WiFi
信号数据；
[0007]步骤
S2
：对采集到的数据进行预处理；
[0008]步骤
S3
：将指纹数据输入到派生模块中进行指纹数据的派生，提取派生指纹特征；
[0009]步骤
S4
：将指纹数据输入到邻近模块中，加入邻近点指纹并归一化；
[0010]步骤
S5
：将指纹数据输入到噪声模块中，在指纹数据中加入噪声；
[0011]步骤
S6
：指纹数据进行划分并输入一维卷积神经网络模型进行训练；
[0012]步骤
S7
：将待检测的
WiFi
信号输入模型，得到的结果进行相似度判断最终得到对应位置信息
。
[0013]优选的，所述步骤
S1
采集室内环境中的
WiFi
信号数据，方法包括：
[0014]进入室内环境进行实地部署接入点，每个接入点会发送当前位置的
RSSI
信号值；
[0015]在室内环境中按照一定间隔设定参考点；
[0016]准备阶段收集室内环境的
WiFi
信号数据，在设置的每一个参考点的不同方向采集
WiFi
信号数据，所述
WiFi
信号数据包括
WiFi
信号强度数据及其对应的位置信息
。
[0017]在本专利技术的一个实施例中，所述进入室内环境进行实地部署接入点，每个接入点会发送当前位置的
RSSI
信号值，方法包括：以所述室内环境的地面为基准，在室内环境的边缘处
、
柱子处距离地面高度
2m
按照一定距离部署接入点
。
[0018]优选的，所述在室内环境中按照一定间隔设定参考点，方法包括：将室内空间划分为网格，每个网格的大小为
1x1
米，在每个
1x1
米的网格交点处标记一个参考点
。
[0019]在本专利技术的一个实施例中，所述步骤
S2
对采集到的数据进行预处理，方法包括：
[0020]对收集到的数据进行缺失值处理；
[0021]对收集到的数据进行异常值处理；
[0022]处理好的数据形成离线指纹数据库
。
[0023]优选的，所述对收集到的数据进行缺失值处理，方法包括：由于并非所有在实验区域中的
AP
都可以在每次扫描中被扫描到，因此采用下式的方法对采集到的
RSSI
进行预处理；
[0024][0025]优选的，所述对收集到的数据进行异常值处理，方法包括：异常值通过指定具体属性的取值范围，剔除超出取值范围的异常值并当做缺失值处理
。
[0026]优选的，所述处理好的数据形成离线指纹数据库，方法包括：通过下面公式的方法形成离线指纹数据库：
[0027][0028]式中
Ω
代表离线指纹数据库，
RSSI
nm
表示第
n
个参考点处接收到的第
m
个接入点的
RSSI
值；
n
表示参考点的数量；
m
表示接入点的个数；
(x1，
y1)
表示第一个参考点的坐标
。
[0029]在本专利技术的一个实施例中，所述步骤
S3
将指纹数据输入到派生模块中进行指纹数据的派生，提取派生指纹特征，方法包括：
[0030]对接收的经过初始化的
RSSI
数据进一步提取派生指纹特征；
[0031]将提取的派生指纹特征加入到离线指纹库数据中
。
[0032]优选的，所述对接收的经过初始化的
RSSI
数据进一步提取派生指纹特征，方法包括：本专利技术选择了
16
种派生指纹特征，具体如下：
[0033]双曲线指纹
[0034][0035]其中，为在第
n
个参考点采集数据时，来自第
i
个
AP
和第
j
个
AP
的
RSSI
组成的双曲线指纹，但是，双曲线指纹整体趋势为非线性变化，因此，利用对数法对其进行线性调整：
[0036][0037]因此第
k
个参考点构建的双曲线指纹矩阵为：
[0038][0039]最大值
[0040]X
max
＝<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于一维卷积神经网络的
WiFi
指纹室内定位方法，其特征在于，包括：步骤
S1
：采集室内环境中的
WiFi
信号数据；其方法包括：进入室内环境进行实地部署接入点，每个接入点会发送当前位置的
RSSI
信号值；以所述室内环境的地面为基准，在室内环境的边缘处
、
柱子处距离地面高度
2m
按照一定距离部署接入点；在室内环境中按照一定间隔设定参考点，将室内空间划分为网格，每个网格的大小为
1x1
米，在每个
1x1
米的网格交点处标记一个参考点；准备阶段收集室内环境的
WiFi
信号数据，在设置的每一个参考点的不同方向采集
WiFi
信号数据，所述
WiFi
信号数据包括
WiFi
信号强度数据及其对应的位置信息步骤
S2
：对采集到的数据进行预处理；包括：对收集到的数据进行缺失值处理，包括由于并非所有在实验区域中的
AP
都可以在每次扫描中被扫描到，因此采用下式的方法对采集到的
RSSI
进行预处理；对收集到的数据进行异常值处理，包括异常值通过指定具体属性的取值范围，剔除超出取值范围的异常值并当做缺失值处理；处理好的数据形成离线指纹数据库，包括：通过下面公式的方法形成离线指纹数据库：式中
Ω
代表离线指纹数据库，
RSSI
nm
表示第
n
个参考点处接收到的第
m
个接入点的
RSSI
值；
n
表示参考点的数量；
m
表示接入点的个数；
(x1，
y1)
表示第一个参考点的坐标；步骤
S3
：将指纹数据输入到派生模块中进行指纹数据的派生，提取派生指纹特征；包括：对接收的经过初始化的
RSSI
数据进一步提取派生指纹特征；将提取的派生指纹特征加入到离线指纹库数据中；步骤
S4
：将指纹数据输入到邻近模块中，加入邻近点指纹并归一化，包括：找到所在参考点的临近点并计算每个临近点收集到的指纹的平均值，包括：对于所在参考点的点，找到其周围的临近参考点
(
前
、
后
、
左
、
右
、
左上
、
左下
、
右上
、
右下
)
并计算每个点所有收集到的指纹的平均指纹，将平均指纹加入所在参考点的离线指纹数据库中；将指纹平均值加入所在参考点的离线指纹数据库中；对离线指纹数据库中的信号数据进行归一化，包括：将离线指纹库中的每个参考点处的
WiFi
指纹通过最大最小归一化进行归一化处理：其中
max
表示
WiFi
指纹数据中的最大值，
min
表示
WiFi
指纹数据中的最小值；步骤
S5
：将指纹数据输入到噪声模块中，在指纹数据中加入噪声，包括：
高斯噪声方法通过从高斯分布中随机采样来生成噪声，并将其添加到原始数据中；
AP
丢失方法通过引入一个随机二进制向量来模拟没有接收到
AP
数据的情况；步骤
S6
：指纹数据进行划分并输入一维卷积神经网络模型进行训练；步骤
S7
：将待检测的
WiFi
信号输入模型，得到的结果进行相似度判断最终得到对应位置信息
。2.
根据权利要求1所述的基于一维卷积神经网络的
WiFi
指纹室内定位方法，其特征在于，所述对接收的经过初始化的
RSSI
数据进一步提取派生指纹特征，方法包括：本发明选择了
16
种派生指纹特征，具体如下：双曲线指纹其中，为在第
n
个参考点采集数据时，来自第
i
个
AP
和第
j
个
AP
的
RSSI
组成的双曲线指纹，但是，双曲线指纹整体趋势为非线性变化，因此，利用对数法对其进行线性调整：因此第
k
个参考点构建的双曲线指纹矩阵为：最大值
X
max
＝
{RSS
i
，
i
＝
1,2,...,n}
max
最小值
X
min
＝
{RSS
i
，
i
＝
1,2,...,n}
min
均值中位数
M

【专利技术属性】
技术研发人员：顾吴郡，朱立才，陈朗，张珂珂，周昊，顾鹏，
申请(专利权)人：盐城工学院，
类型：发明
国别省市：