一种基于制造技术

本发明专利技术提供了一种基于

【技术实现步骤摘要】
一种基于CSA
‑
DBSCAN和RCVAE
‑
GAN的室内WiFi定位指纹库构建方法


[0001]本专利属于室内定位领域，尤其是涉及一种基于
CSA
‑
DBSCAN
和
RCVAE
‑
GAN
的室内
WiFi
定位指纹库构建方法
。

技术介绍

[0002]随着社会经济和科技的快速发展，
WiFi
被大量部署在室内环境中，人们在室内环境中对
WiFi
的访问依赖不断增强，因此基于
WiFi
的室内定位技术成为目前的热点
。
基于
WiFi
的室内定位过程共分为两个阶段：离线阶段和在线阶段
。
离线阶段采集无线接入点
(AP
，
Access Point)
的
WiFi
强度信号
(RSS
，
Received Signal Strength)
数据和对应的位置坐标数据构成离线指纹数据库；在线阶段利用离线指纹数据库对待定位点进行定位
。
指纹数据库的构建对基于
WiFi
的室内定位致关重要，直接决定了定位的精度和效果
。
然而，指纹数据库的构建需要技术人员在大量参考点位置进行长时间的数据采集，尤其对于大型多层室内场景中，仅数据采集工作就需要耗费极大的人力和时间成本
。
此外，由于房屋结构和材料等构成的复杂性场景对
WiFi
信号的传输存在干扰，导致采集的指纹数据夹杂着异常值
。
因此，在室内
WiFi
定位的离线阶段如何大幅度降低指纹数据库构建的人力与时间成本和有效去除异常值，实现快速的构建出高质量指纹数据库，提高指纹库构建效率是目前急需解决的问题
。

技术实现思路

[0003]为解决上述技术问题，本专利技术的目的是提供一种基于
CSA
‑
DBSCAN
和
RCVAE
‑
GAN
的室内
WiFi
定位指纹库构建方法
。
使用少量采集的参考点指纹数据来生成大量指定位置的指纹数据，构建出室内
WiFi
定位高质量的指纹库，提高指纹库构建效率，降低人力与时间成本
。
[0004]为实现上述目的，本专利技术采用的技术方案是：一种基于
CSA
‑
DBSCAN
和
RCVAE
‑
GAN
的室内
WiFi
定位指纹库构建方法，包括如下步骤：
[0005]步骤
S1、
设置少量随机位置为参考点，获取参考点指纹数据；
[0006]步骤
S2、
采用
CSA
‑
DBSCAN
算法对参考点指纹数据中的
RSS
信息进行聚类处理，识别不在任何簇的参考点指纹数据作为异常值，进行去除；
[0007]步骤
S3、
构建
RCVAE
‑
GAN
深度生成模型并训练，具体为：
[0008]步骤
S31、
由回归器
R、
编码器
E、
生成器
G
和判别器
D
构建
RCVAE
‑
GAN
深度生成模型，编码器
E
的输出与生成器
G
的输入相连接，生成器
G
的输出与判别器
D
和回归器
R
的输入相连接，编码器
E
与生成器
G
构成条件变分自动编码器
CVAE
，生成器
G
和判别器
D
构成
GAN
网络；
[0009]步骤
S32、
对异常值去除后的参考点指纹数据进行维度升高和归一化处理；
[0010]步骤
S33、
将处理后的参考点指纹数据分为训练集和测试集，对构建出的
RCVAE
‑
GAN
深度生成模型进行预训练和联合训练；
[0011]步骤
S4、
输入指定位置坐标信息，由训练后的
RCVAE
‑
GAN
深度生成模型中的生成器
G
生成指定位置的指纹数据，将生成的指纹数据与
CSA
‑
DBSCAN
处理后的参考点指纹数据合并构建出室内
WiFi
定位指纹库
。
[0012]进一步的，所述指纹数据包含位置坐标信息和
AP
信号
RSS
信息
。
[0013]进一步的，所述
CSA
‑
DBSCAN
算法为基于
CSA(
乌鸦搜索
)
优化的
DBSCAN
聚类算法，该算法以
DBSCAN
聚类的
Eps
和
MinPts
参数为搜索空间进行寻优，其中，
Eps
描述了某一样本的邻域距离阈值，
MinPts
描述了某一样本的距离为
Eps
的邻域中样本个数的阈值，
CSA
的种群搜索空间维数为2，乌鸦所处的每个位置和藏食物的记忆都代表一对参数
(Eps
，
MinPts)
，以
DBSCAN
聚类的平均轮廓系数
S
为适应度函数，其公式如下：
[0014][0015]其中，
n
为参考点的总个数，
a(i)
为第
i
个参考点指纹数据的内聚度，
b(i)
为第
i
个参考点指纹数据的分离度，
a(i)
满足：
[0016][0017]其中，
m
k
为第
k
个簇内参考点的个数，
j
表示与参考点
i
在同一个簇
(
第
k
个簇
)
内的其他参考点，
x
k
(i)
和
x
k
(j)
分别代表参考点
i
和参考点
j
的指纹数据，
d
代表了指纹数据间的欧氏距离，
b(i)
满足：
[0018][0019]其中，簇...

【技术保护点】

【技术特征摘要】
1.
一种基于
CSA
‑
DBSCAN
和
RCVAE
‑
GAN
的室内
WiFi
定位指纹库构建方法，其包括如下步骤：步骤
S1、
设置少量随机位置为参考点，获取参考点指纹数据；步骤
S2、
采用
CSA
‑
DBSCAN
算法对参考点指纹数据中的
RSS
信息进行聚类处理，识别不在任何簇的参考点指纹数据作为异常值，进行去除；步骤
S3、
构建
RCVAE
‑
GAN
深度生成模型并训练，具体为：步骤
S31、
由回归器
R、
编码器
E、
生成器
G
和判别器
D
构建
RCVAE
‑
GAN
深度生成模型，编码器
E
的输出与生成器
G
的输入相连接，生成器
G
的输出与判别器
D
和回归器
R
的输入相连接，编码器
E
与生成器
G
构成条件变分自动编码器
CVAE
，生成器
G
和判别器
D
构成
GAN
网络；步骤
S32、
对异常值去除后的参考点指纹数据进行维度升高和归一化处理；步骤
S33、
将处理后的参考点指纹数据分为训练集和测试集，对构建出的
RCVAE
‑
GAN
深度生成模型进行预训练和联合训练；步骤
S4、
输入指定位置坐标信息，由训练后的
RCVAE
‑
GAN
深度生成模型中的生成器
G
生成指定位置的指纹数据，将生成的指纹数据与
CSA
‑
DBSCAN
处理后的参考点指纹数据合并构建出室内
WiFi
定位指纹库
。2.
根据权利要求1所述的一种基于
CSA
‑
DBSCAN
和
RCVAE
‑
GAN
的室内
WiFi
定位指纹库构建方法，其特征在于：步骤
S1
所述指纹数据包含位置坐标信息和
AP
信号
RSS
信息
。3.
根据权利要求1所述的一种基于
CSA
‑
DBSCAN
和
RCVAE
‑
GAN
的室内
WiFi
定位指纹库构建方法，其特征在于：步骤
S2
所述
CSA
‑
DBSCAN
算法为基于
CSA(
乌鸦搜索
)
优化的
DBSCAN
聚类算法，该算法以
DBSCAN
聚类的
Eps
和
MinPts
参数为搜索空间进行寻优，其中，
Eps
描述了某一样本的邻域距离阈值，
MinPts
描述了某一样本的距离为
Eps
的邻域中样本个数的阈值，
CSA
的种群搜索空间维数为2，乌鸦所处的每个位置和藏食物的记忆都代表一对参数
(Eps
，
MinPts)
，以
DBSCAN
聚类的平均轮廓系数
S
为适应度函数，其公式如下：其中，
n
为参考点的总个数，
a(i)
为第
i
个参考点指纹数据的内聚度，
b(i)
为第
i
个参考点指纹数据的分离度，
a(i)
满足：其中，
m
k
为第
k
个簇内参考点的个数，
j
表示与参考点
i
在同一个簇
(
第
k
个簇
)
内的其他参考点，
x
k
(i)
和
x
k
(j)
分别代表参考点
i
和参考点
j
的指纹数据，
d
代表了指纹数据间的欧氏距离，
b(i)
满足：其中，簇
l
为与参考点
i
所属簇
k
不同的其他簇，
m
l
为第
l
个簇内参考点的个数，
x
l
(j)
表示簇
l
中参考点指纹数据
。4.
根据权利要求1所述的一种基于
CSA
‑
DBSCAN
和
RCVAE
‑
GAN
的室内
WiFi
定位指纹库构
建方法，其特征在于：步骤
S31
所述
RCVAE
‑
GAN
深度生成模型中的回归器
R、
编码器
E、
生成器
G
和判别器
D
均采用卷积神经网络
CNN
结构实现，激活函数均为
ReLu
；编码器
E
依次由3层卷积核大小分别为3×3×
16、3
×3×
32、3
×3×
32
的卷积层和2层神经元个数均为
1984
的全连接层构成；生成器
G
依次由1层神经元个数为
22
的全连接层和2层卷积核大小分别为4×4×
16、4
×4×1的卷积层构成；判别器
D
依次由2层卷积核大小分别为3×3×
32、3
×3×
64
的卷积层和2层神经元个数分别为
3968、1024
的全连接层构成；回归器
R
依次由2层卷积核大小分别为3×3×

【专利技术属性】
技术研发人员：高瑞，张浩，潘雷，张立阳，张泽众，张国举，
申请(专利权)人：天津城建大学，
类型：发明
国别省市：