[发明专利]基于贝叶斯半监督深度学习的室内定位方法

说明书

本发明公开了一种基于贝叶斯半监督深度学习的室内定位方法，该方法通过选取参考采样点和随机参考点分别采集室内所有无线路由器的RSS信号强度数据，然后构建包括输入层、具有4个隐藏节点的隐藏层和输出层的极限学习机模型，利用贝叶斯半监督深度学习方法对极限学习机模型进行训练，得到隐藏层的4个隐藏节点的权值参数向量，最后基于训练后的极限学习机模型确定定位位置；优点是在少量样本数据的基础上结合贝叶斯半监督深度学习方法对极限学习机模型进行训练，训练过程简单，充分利用了样本数据的局部信息，降低了隐藏层节点数量对模型训练精度的不良影响，有效降低了训练时间，最终不仅解决了冷启动问题，同时有效提升了定位精度和稳定性。

技术领域

本发明涉及一种室内定位方法，尤其是涉及一种基于贝叶斯半监督深度学习的室内定位方法。

背景技术

随着大体量建筑的开发数量日益增多以及智能移动终端的普及，人们对室内位置服务的需求正迅速增加。公共安全、应急救援、大型场馆管理、特殊人群监护、物联网和智慧城市建设等领域都需要准确的室内位置信息。从技术成熟与大规模应用的现实角度考虑，Wi-Fi定位成为当前主流、也是未来最具发展潜力的室内定位方法。目前Wi-Fi室内定位方法中应用最普遍的是位置指纹定位法，该方法分为离线训练和在线定位两个阶段。离线训练阶段在待定位区域选定一系列参考点，在这些参考点处采集来自无线接入点AP(AccessPoint)的信号强度RSS(Received Signal Strength)值，将参考点坐标和对应AP的RSS信息存储在数据库中，建立位置指纹数据库；在线定位阶段则依据一定的匹配算法将待测点上收到的相应AP的RSS信息与数据库中的已有信息进行比较，估计用户当前的位置。该方法的关键之一在于位置指纹数据库的建立和维护。然而室内环境下射频信号传播非常复杂，墙壁、门窗和桌椅等设施以及人员走动会引发射频信号传播的多径和阴影效应，导致在室内固定位置处接收到各个AP的RSS时变性很强，此外，部署的AP也可能发生故障或位置的变更。这些都意味着离线阶段建立的位置指纹库并不能一劳永逸，需要经常维护更新，否则会使得定位的结果不准确。若采用专人定期更新指纹库的方法，非常耗费人力。最近，基于众包的定位有望支持大规模室内位置服务，采集所有室内人员所携带的移动设备的RRS指纹值。与传统的解决方案相比，这种方法不需要系统定位人员前期进行详细的现场调查，而是依赖于大量用户的贡献，这些被定位者通过移动设备报告他们所在位置的RSS指纹测量值，累积这些测量值进行位置匹配，最终能够估计出目标区域的准确位置信息。

此众包方法成本低、部署灵活，用来进行大范围室内定位是有希望的。然而，此方法有一个严重的问题——冷启动问题，这个问题通常发生在离线训练的初始阶段，即刚开始积累数据时，数据的数量比较少，又没有经过训练，从而导致了不准确和时间效率低下的定位,最终影响为用户提供位置服务的准确性。

发明内容

本发明所要解决的技术问题是提供一种定位准确定较高的基于贝叶斯半监督深度学习的室内定位方法。

本发明解决上述技术问题所采用的技术方案为：一种基于贝叶斯半监督深度学习的室内定位方法，包括以下步骤：

①在待定位室内间隔部署K台无线路由器，K为大于等于5且小于等于10的整数，然后将室内分为Q个区域，Q的取值为大于等于30且小于等于50的整数，在每个区域内选择一个位置作为参考采样点，并按照编号1～Q随机分别对Q个区域中的参考采样点进行编号，将编号为q的参考采样点记为参考采样点q，q＝1，2，…，Q；

②先将笔记本电脑依次放到参考采样点1至参考采样点Q处分别采集K台无线路由器的RSS信号强度数据，将在每个参考采样点处采集到的K台无线路由器的RSS信号强度数据按照参考采样点的编号进行标记后分别保存；然后在室内随机选取M个不同位置作为M个随机采样点，M为大于等于50且小于等于100的整数，将笔记本电脑依次放到M个随机采样点处分别采集K台无线路由器的RSS信号强度数据并保存；