【技术实现步骤摘要】
本专利技术涉及无线通信，具体地说是一种基于多任务学习的室内定位方法。
技术介绍
1、随着人类社会的发展，对于室内定位的需求越来越多，例如医疗保健、基于位置的娱乐、紧急导航、广告推送、网络管理等。虽然目前已经有了很多室内定位技术，例如rfid、超宽带、可见光、红外线等。但是随着wifi网络的发展，越来越多的区域部署wifi网络，因此基于wifi的室内定位技术受到了越来越多的关注。rssi广泛应用于wifi室内定位技术。但是rssi是一个粗粒度的指标，相较而言，csi是一个细粒度的指标更能反映信号传输的多径效应。因此基于csi的室内定位是一个研究热点。
2、已有基于csi的室内定位算法有下面几类：基于到达角、基于传播时间、基于传播模型和基于指纹定位。其中基于指纹定位具有精度高的优点，因此得到了广泛研究。目前，基于指纹定位的研究聚焦于利用深度学习的方法。但是，已有相关方法在训练模型时，采用采样点的序列号作为标签，这样就丢失了采样点之间的地理空间相关性，因此降低定位精度。另外，由于室内环境遮挡严重，造成了严重的多径效应，从而答复降低定位精度。鉴于此，目前缺乏一种高精度的基于指纹的室内定位算法。
技术实现思路
1、已有基于深度学习的室内定位方法在训练时使用采样点的序列号作为标签，该方式忽略了采样点之间在地理空间的相关性，因此无法更好地提高定位精度。本专利技术针对该问题，充分考虑采样点间的地理空间相关性，利用采样点的坐标作为训练标签，提出基于多任务学习的室内定位方法。该方法包括两个
2、本专利技术为实现上述目的所采用的技术方案是：
3、一种基于多任务学习的室内定位方法，包括以下步骤：
4、1)离线训练：采集设备的定位训练样本，构建并训练多任务学习模型；
5、2)在线定位：采集待定位设备的样本，通过训练好的多任务学习模型预测设备的真实位置。
6、所述离线训练包括以下步骤：
7、1.1)采集设备的定位训练样本，构建样本训练集；
8、1.2)构建多任务学习模型；
9、1.3)基于多任务学习模型的输出构建定位概率图；
10、1.4)基于定位概率图，构建损失函数，通过损失函数对多任务学习模型进行训练。
11、所述步骤1.1)具体为：
12、确定需要采集样本csi的位置rp，记rp集合为r，在r中每个rpr上采集一组csi样本hr，令cr＝{xr,yr}为rpr的坐标，其中，xr和yr分别为rpr的横、纵坐标，令cr为样本hr的标签，在所有rp上采集的csi样本构成训练集f，即f＝{(hr,cr)|r∈r}。
13、所述多任务学习模型包括多个expert网络、2个gate网络以及2个tower网络，其中：
14、所述expert网络使用多层神经网络实现，记第i个expert网络为ne,i，则该expert的输出oe,i为：
15、
16、其中，e为expert网络的个数，i为输入csi样本；
17、所述gate网络使用单层神经网络实现，记第i个gate网络为ng,i，则该gate网络的输出og,i为：
18、
19、记，og,i中的第k位为
20、所述tower网络使用多层神经网络实现，记第i个tower网络为nt,i，则该tower网络的输出ot,i为：
21、
22、其中，用于预测x坐标，用于预测y坐标，c0和c1分别为定位区域的x坐标和y坐标最大整数值。
23、所述步骤1.3)包括以下步骤：
24、1.3.1)对多任务学习模型中的tower网络的输出进行softmax运算：
25、
26、其中，中间变量pt,k的第i位如下计算：
27、
28、1.3.2)计算设备在(x,y)坐标的概率px,y：
29、
30、1.3.3)计算设备的定位概率图m：
31、
32、所述步骤1.4)包括以下步骤：
33、1.4.1)计算设备分布在位置l的真实概率
34、
35、其中，l＝(x,y)为设备可能所在位置，u为设备真实采样位置，为协方差矩阵，δx和δy为用户设定参数；
36、1.4.2)计算设备的真实分布概率图m*：
37、
38、1.4.3)采用kl-散度dkl(m*||m)计算损失，作为损失函数：
39、
40、1.4.4)利用损失函数通过反向传播算法基于样本训练集对多任务学习模型进行训练。
41、所述在线定位包括以下步骤：
42、2.1)采集待定位设备的csi样本，记为i；
43、2.2)利用离线训练阶段训练好的模型，得到样本的定位概率图m；
44、2.3)令γ为用户输入阈值，利用该阈值对m中的点进行过滤，即删除定位概率图m中概率小于阈值γ的点；
45、2.4)利用基于密度的聚类算法对m中剩余的点进行聚类；
46、2.5)令p(l)为位置l在定位概率图m中的概率，为聚类所得的每一分簇c进行评分，得到评分结果s(c)：
47、
48、2.6)令c*为所有分簇中得分最高的分簇，为c*中每个位置计算一个权值ω(l)：
49、
50、2.7)预测的位置坐标为：
51、
52、
53、其中xl,yl分别表示位置l的x坐标和y坐标。
54、一种基于多任务学习的室内定位系统，包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于当执行所述计算机程序时，实现所述的一种基于多任务学习的室内定位方法。
55、一种计算机可读存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现所述的一种基于多任务学习的室内定位方法。
56、本专利技术具有以下有益效果及优点：
57、1.本专利技术直接采用采样点的坐标生成定位概率图，与已有方法相比，该方法可以完全保留采样点之间的地理空间相关性，从而提高模型定位精度。
58、2.本专利技术所提出的多任务学习模型，利用底层分享的网络结构提取x、y坐标预测所共同使用的信息，并利用底层独立网络提取x、y坐标预测时它们之间不相关的信息，即考虑了各坐本文档来自技高网...
【技术保护点】
1.一种基于多任务学习的室内定位方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于多任务学习的室内定位方法，其特征在于，所述离线训练包括以下步骤：
3.根据权利要求2所述的一种基于多任务学习的室内定位方法，其特征在于，所述步骤1.1)具体为：
4.根据权利要求2所述的一种基于多任务学习的室内定位方法，其特征在于，所述多任务学习模型包括多个expert网络、2个gate网络以及2个tower网络，其中：
5.根据权利要求2所述的一种基于多任务学习的室内定位方法，其特征在于，所述步骤1.3)包括以下步骤：
6.根据权利要求2所述的一种基于多任务学习的室内定位方法，其特征在于，所述步骤1.4)包括以下步骤：
7.根据权利要求1所述的一种基于多任务学习的室内定位方法，其特征在于，所述在线定位包括以下步骤：
8.一种基于多任务学习的室内定位系统，其特征在于，包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于当执行所述计算机程序时，实现如权利要求1-7任一项所述的一种基于多任
9.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如权利要求1-7任一项所述的一种基于多任务学习的室内定位方法。
...【技术特征摘要】
1.一种基于多任务学习的室内定位方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于多任务学习的室内定位方法，其特征在于，所述离线训练包括以下步骤：
3.根据权利要求2所述的一种基于多任务学习的室内定位方法，其特征在于，所述步骤1.1)具体为：
4.根据权利要求2所述的一种基于多任务学习的室内定位方法，其特征在于，所述多任务学习模型包括多个expert网络、2个gate网络以及2个tower网络，其中：
5.根据权利要求2所述的一种基于多任务学习的室内定位方法，其特征在于，所述步骤1.3)包括以下步骤：
6.根据权利要求...
【专利技术属性】
技术研发人员：梁炜，马超凡，郑萌，张雷，张吟龙，张思超，
申请(专利权)人：中国科学院沈阳自动化研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。