一种基于生成式对抗网络的射频指纹增强方法及系统技术方案

本发明专利技术属于室内定位领域，具体公开了一种基于生成式对抗网络的射频指纹增强方法及系统，首先将移动设备采集到的Wi‑Fi指纹、惯导数据严格按照时间顺序排列，得到时序‑路径数据；将得到的时序‑路径数据利用递归图生成多通道RP图特征；设计一个多模态对抗生成网络AVF‑net，将生成的多通道RP图特征作为多模态对抗生成网络AVF‑net的输入，输出增强后的虚拟指纹；该系统包括：序列划分单元、数据预处理单元、增强虚拟指纹网络单元。与现有技术相比，本发明专利技术的基于生成式对抗网络的射频指纹增强方法及系统对现有指纹定位系统稳定性提升有显著作用，同时耗时、算法适配性等测试均表现优秀。

【技术实现步骤摘要】

本专利技术涉及室内定位领域，特别是一种基于生成式对抗网络的射频指纹增强方法及系统。

技术介绍

1、在过去的几十年中，大量室内定位和室内导航(indoor positioning and indoornavigation,ipin)伴随泛在的智能移动设备和位置服务需求而生。射频(radiofrequency，rf)指纹识别方法是室内定位系统中使用的一种主要方法，自从微软射频指纹定位提出至今，已经过去十数年，而随着wi-fi、蓝牙等射频信号发射设备的大量普及，该方法已经成为室内定位系统中可行性很强的方法。此方法通常使用wi-fi或蓝牙信号作为指纹信号，在部署阶段将空间中的每个位置标点与对应的信号特征指纹相关联，建立指纹库和定位算法。目前常见的定位算法包括经典的利用指纹相似度计算和通过机器学习方法对指纹信息进行分类。此类方法本质上是基于非线性特征变换的浅层结构的机器学习方法，其建模和表达能力有限，因而目前很多研究人员试图将深度学习应用于室内定位，以获得更好的定位结果。深度神经网络使用指纹数据库中每个采样点的所有无线访问节点(access point,ap)节点的本文档来自技高网...

【技术保护点】

1.一种基于生成式对抗网络的射频指纹增强方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于生成式对抗网络的射频指纹增强方法，其特征在于，所述步骤S100包括：

3.根据权利要求1所述的基于生成式对抗网络的射频指纹增强方法，其特征在于，所述步骤S200包括：

4.根据权利要求1所述的基于生成式对抗网络的射频指纹增强方法，其特征在于，所述步骤S300中多模态对抗生成网络AVF-net由生成器、判别器、预测器组成；其中预测器利用传统定位系统中的定位算法，生成器和判别器构成对抗生成网络形式，生成器通过卷积结构网络利用多通道RP图特征生产虚拟指纹，利...

【技术特征摘要】

1.一种基于生成式对抗网络的射频指纹增强方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于生成式对抗网络的射频指纹增强方法，其特征在于，所述步骤s100包括：

3.根据权利要求1所述的基于生成式对抗网络的射频指纹增强方法，其特征在于，所述步骤s200包括：

4.根据权利要求1所述的基于生成式对抗网络的射频指纹增强方法，其特征在于，所述步骤s300中多模态对抗生成网络avf-net由生成器、判别器、预测器组成；其中预测器利用传统定位系统中的定位算法，生成器和判别器构成对抗生成网络形式，生成器通过卷积结构网络利用多通道rp图特征生产虚拟指纹，利用判别器进行分辨对抗，在对抗过程中判别器不断分辨真实指纹和虚拟指纹，迫使生成器不断令自身的输出结果趋近于真实指纹，从而令生成器所生成的虚拟指纹和真实指纹分布相似；同时生成器和预测器衔接，在训练阶段不断加强生成器所抽取特征包含位置信息的能力，从...

【专利技术属性】
技术研发人员：荆楠，王家淇，王林，徐荣楠，厉斌斌，
申请(专利权)人：燕山大学，
类型：发明
国别省市：