【技术实现步骤摘要】
本专利技术涉及室内定位，具体为一种利用神经网络进行室内定位的方法和装置。
技术介绍
1、室内定位是指在室内环境中实现位置定位，主要采用无线通讯、基站定位、惯导定位、动作捕捉等多种技术集成形成一套室内位置定位体系，从而实现人员、物体等在室内空间中的位置监控，室内定位技术主要分基站定位和惯导定位两种服务商。基站定位服务商主要有：谷歌、诺基亚、ti、苹果、高德、百度等采用wifi定位，一般来说，利用wifi信号作为特征的室内定位有两个主要方法：基于模型和基于wifi指纹的方法。前者利用传播接收信号形式的无线信号模型强度、飞行时间到达角之类构建模型，进行预测，后者考虑物理wifi的可测量属性，利用离散的空间点不同指纹或签名以区分位置，现有的由于室内wifi信号一般具有大幅波动，很难获得准确的传播模型，所以一般选用指纹识别的方法。
2、现有的指纹方法中，接收到的信号强度指示器被广泛用作本地化中的功能，因为rssi可以从大多数wifi接收器轻松获得，例如各种手机，但是rssi的方法有一些明显的缺点，由于信号多路径衰减导致的不稳定性，以及由于结构的个体差异，不同器件即使在相同位置也具有不同的rssi,需要结合其他的方法才能保证定位的准确性，针对上述问题，需要对现有的室内定位的方法进行改进。
技术实现思路
1、本专利技术的目的在于提供一种利用神经网络进行室内定位的方法和装置，以解决上述
技术介绍
中提出的现有的指纹方法中，接收到的信号强度指示器被广泛用作本地化中的功能，因为rssi可以从大
2、为实现上述目的，本专利技术提供如下技术方案：一种利用神经网络进行室内定位的方法和装置，包括s1：特征构建阶段：
3、每个aoi存在固定的ap和固定数量的rp，每个rpi在物理位置(xi,yi)对应的指纹向量f＝{fi1,fi2,fi3...fin}作为cnn网络的输入，n是所有ap上的有效的rssi的总数，编码顺序固定，fij(1<＝j<＝n)就是rpi的第j个特征(feature)，第二个lstm的网络的输入特征f＝{fi1,fi2,fi3...fin，c}，其中c是分类，为cnn网络的输出；
4、s2：样本生成阶段：
5、按照时间序列和运动路径，生成样本序列，之后进行数据清洗；
6、s3：确定分类阶段：
7、利用卷积神经网络，对个体进行分类，因为不同的类别，运动轨迹，运动速度都会有差异，先确定个体分类，这样对于后续的预测提供了依据；
8、s4：网络训练阶段：
9、分类网络主要采用卷积神经网络(cnn)，激活函数采用relu或者其他，bn层根据情况选取；
10、s5：预测阶段：
11、按照相应的时间序列，作为rnn网络的输入，类别影响值的生成，例如某个类别的最大速度是v，那么t时刻距离t-1时刻的最大距离差异，就大于一个固定的值，物体移动速度不超过最大速度，基于此生成路径。
12、优选的，所述s1阶段跟其他rssi方案的步骤类似分为离线和在线两个步骤，离线步骤每个预定义的rp的rssi读数保存在数据库，在线步骤根据rssi读数进行位置推理。
13、优选的，所述s4阶段的cnn分类网络的损失函数采用交叉熵，优化器采用adam，输入的宽度是特征总数j，高度是固定的时间序列。
14、优选的，所述s4阶段采用64个时间序列，channel为8，其主要是为了体现出channel数量，实际操作可以选择1，cnn一般用于图像处理，channel一般是选择3，对应图像的rgb通道数量。
15、优选的，所述s5阶段的rnn损失函数，由于输入和输出都是一个序列，那么定义如下：
16、
17、其中，t是总的时间片(time step)长度，表示输出的序列长度是t，是模型输出,li是gt(ground truth)。
18、优选的，所述s5阶段每个分类，都按照固定间隔的时间序列，首先，点与点之间的真实物理距离，都是已知的，预先计算好，基于真实的值，p(li)作为下一个位置点的概率。xpre和ypre是之前时间点li的位置坐标，dmax是根据分类，理论上下一时刻可能离li最远的位置，分布可以采用高斯分布，所有距离li的距离一样的点，下一个时间点被选中的概率都是一样的，这样来构建cdfmap。
19、优选的，所述s5阶段初始距离是通过测量后获得，由于物体的室内运动速度有限，△t时间间隔，最大移动距离是σ＝vmax x△t，每个类别的移动速度不同，但是越近的点，下个时间间隔，到达的概率越大，构建初始的位置变换概率表，表中的数值表示下个时间段，位置变化的概率。
20、优选的，所述s5阶段cdf map表归一化之后的概率p(li)根据下面公式计算
21、
22、其中(xpre,ypre)是li之前的位置，dmax是li和其他位置的最大可能距离，cdf表通过累每个li位置的p(li)获得，路径预测中，根据策略(具体策略选择，根据实际情况确定)选择一个随机数r，随机数在0-1之间，在cdf中选择最接近r的值作为下一个位置的预测值。
23、优选的，所述s5阶段不同的分类，会有不同的cdf，cdf最后的输出值，根据输出的序列，取设定长度t取滑动窗口内的平均值
24、
25、一种利用神经网络进行室内定位的装置，包括：
26、生成模块，所述生成模块用于将获取的样本数据生成样本序列；
27、分类模块，所述分类模块用于对生成样本序列的数据进行分类存储，同时分类存储采用；
28、获取模块，所述获取模块用于获取与不同定位区域对应的离线坐标指纹库，各离线坐标指纹库中包括参考点坐标和对应rssi值。
29、与现有技术相比，本专利技术的有益效果是：该利用神经网络进行室内定位的方法和装置，
30、本专利技术先利用运动序列在cnn通过模型进行分类预测，之后根据分类，结合时间序列和位置的关系，用rnn模型预测目标的未来运动轨迹；其次本专利技术中的具体的模型参数可以根据实际情况调整，按不同的分类构建不同的位置变化概率分布表，并以此获得更好的效果，同时避免出现上述提到的由于信号多路径衰减导致的不稳定性，以及由于结构的个体差异，不同器件即使在相同位置也具有不同的rssi,而导致的定位的准确性较低的问题。
本文档来自技高网...【技术保护点】
1.一种利用神经网络进行室内定位的方法，包括以下具体步骤，其特征在于：
2.根据权利要求1所述的一种利用神经网络进行室内定位的方法和装置，其特征在于：所述S1阶段跟其他RSSI方案的步骤类似分为离线和在线两个步骤，离线步骤的RP的RSSI读数保存在数据库，在线步骤根据RSSI读数进行位置推理。
3.根据权利要求1所述的一种利用神经网络进行室内定位的方法和装置，其特征在于：所述S4阶段的CNN分类网络的损失函数采用交叉熵，优化器采用Adam，输入的宽度是特征总数J，高度是固定的时间序列。
4.根据权利要求1所述的一种利用神经网络进行室内定位的方法和装置，其特征在于：所述S4阶段采用64个时间序列，Channel为8，其主要是为了体现出Channel数量，实际操作可以选择1，CNN一般用于图像处理，Channel一般是选择3，对应图像的RGB通道数量。
5.根据权利要求1所述的一种利用神经网络进行室内定位的方法和装置，其特征在于：所述S5阶段的RNN损失函数，由于输入和输出都是一个序列，那么定义如下：
6.根据权利要求1所述
7.根据权利要求1所述的一种利用神经网络进行室内定位的方法和装置，其特征在于：所述S5阶段初始距离是通过测量后获得，由于物体的室内运动速度有限，△T时间间隔，最大移动距离是σ＝Vmax X△T，每个类别的移动速度不同，但是越近的点，下个时间间隔，到达的概率越大，构建初始的位置变换概率表，表中的数值表示下个时间段，位置变化的概率。
8.根据权利要求1所述的一种利用神经网络进行室内定位的方法和装置，其特征在于：所述S5阶段CDF map表归一化之后的概率P(li)根据下面公式计算
9.根据权利要求1所述的一种利用神经网络进行室内定位的方法和装置，其特征在于：所述S5阶段不同的分类，会有不同的CDF，CDF最后的输出值，根据输出的序列，取设定长度T取滑动窗口内的平均值
10.一种利用神经网络进行室内定位的装置，其特征在于，包括：
...【技术特征摘要】
1.一种利用神经网络进行室内定位的方法，包括以下具体步骤，其特征在于：
2.根据权利要求1所述的一种利用神经网络进行室内定位的方法和装置，其特征在于：所述s1阶段跟其他rssi方案的步骤类似分为离线和在线两个步骤，离线步骤的rp的rssi读数保存在数据库，在线步骤根据rssi读数进行位置推理。
3.根据权利要求1所述的一种利用神经网络进行室内定位的方法和装置，其特征在于：所述s4阶段的cnn分类网络的损失函数采用交叉熵，优化器采用adam，输入的宽度是特征总数j，高度是固定的时间序列。
4.根据权利要求1所述的一种利用神经网络进行室内定位的方法和装置，其特征在于：所述s4阶段采用64个时间序列，channel为8，其主要是为了体现出channel数量，实际操作可以选择1，cnn一般用于图像处理，channel一般是选择3，对应图像的rgb通道数量。
5.根据权利要求1所述的一种利用神经网络进行室内定位的方法和装置，其特征在于：所述s5阶段的rnn损失函数，由于输入和输出都是一个序列，那么定义如下：
6.根据权利要求1所述的一种利用神经网络进行室内定位的方法和装置，其特征在于：所述s5阶段每个分类，都按照固定间隔的时间序列，首先，点与点之间的真实物理距离，都是已知...
【专利技术属性】
技术研发人员：王斌，王微，刘德生，龙真真，
申请(专利权)人：中科晶锐苏州科技有限公司，
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。