[发明专利]基于深度集成学习的WiFi室内定位方法

说明书

本发明提供了基于深度集成学习的智能手机WiFi室内定位方法，属于室内定位技术，涉及无线通信技术以及机器学习、深度学习和集成学习领域，现有技术是通过采用接收信号强度作为位置指纹特征来区分不同的位置，由于接收信号强度容易受到室内环境动态的影响，存在各种噪声，导致定位精度严重下降。本发明将卷积神经网络每一层所提取出来的特征都分别训练了随机森林模型，最后再将每个随机森林模型的输出结果进行取平均值集成。如此一来，最终的结果不仅基于深层次的特征，还综合了各个层次的特征，更加具有全面性，最终的结果也更加的稳定。经过实验验证后，使用该方法可以显著提高室内定位的精度。

技术领域

本发明涉及室内定位领域，具体涉及一种基于深度集成学习的智能手机WiFi室内定位方法。

背景技术

在过去的二十年中，随着智能设备(例如智能手机，平板电脑等)的日益普及，对基于位置的服务(LBS)的需求正在增加，例如，驾驶到目的地，跟踪和记录我们的运动。这些服务通过全球定位系统(GPS)及其衍生应用程序(APP)在户外实施。尽管如此，由于室内环境中卫星信号接收能力较弱，建筑物内部无法使用GPS技术。

在城市中，有越来越多的购物中心，每层楼都有各种商店，还有大型停车场。GPS无法在室内以令人满意的精度实现定位服务。因此，出现了许多室内定位技术，以满足GPS拒绝环境中室内LBS的不断增长的需求，例如基于Bluetooth，Radi FrequencyIdentification(RFID)，超宽带(UWB)，IEEE 802.11(WiFi)的室内定位技术。与其他无线技术不同，WiFi不需要额外的设备安装，因为随着网络技术的发展，现有的WiFi基础设施广泛分布在各种室内公共场所。因此，WiFi室内定位技术受到广泛关注，并且多个研究机构正在研究开发该技术。

经过近十年的探索和研究，已经开发出多种基于WiFi的定位方法。室内定位方法主要有两种：基于测距和无需测距。基于测距的定位方法包括到达时间法(TOA)，到达时间差法(TDOA)，到达角法(AOA)和接收信号强度法(RSS)等。相比之下，基于通信跳频的方法和基于指纹识别的方案不需要测距。然而，基于测距的方法不适合于非视距室内环境，并且基于通信跳跃的系统通常是复杂的。所以基于指纹识别技术的室内定位方法成为最流行的室内定位方法，因为它可以提供令人满意的定位精度。指纹识别最易理解的概念是每个室内空间位置都可以通过独特的可测量特征来识别，就像人类指纹一样。

现有的指纹定位技术采用了很多不同的算法。流行的算法是分类算法，概率算法贝叶斯估计，回归算法支持向量机回归，神经网络算法反向传播，卷积神经网络等。但是目前的算法定位精度较低，在一定程度上影响了定位技术的实际应用与推广。

发明内容

针对现有的室内定位精度不高的问题，本发明提供了一种基于深度集成学习的智能手机WiFi室内定位方法。

本发明采用以下的技术方案：

基于深度集成学习的智能手机WiFi室内定位方法，包括以下步骤：

步骤1：选定实验室内环境，把室内平面采用二维坐标进行划分，在实验室内部署A个型号相同的WiFi路由器，并采用统一的命名方式进行编号：

步骤2：选定B训练点，使用安装过定位APP的智能手机记录训练点的坐标，并采集WiFi路由器的接收信号强度和名称，将坐标和接收信号强度组合成一组数据集，在一个训练点采集500组数据集，所有的训练点采集完毕后，所有的数据集组合成训练数据库，训练数据库是一个矩阵，所述矩阵的前两列为坐标值，其余列为接收信号强度值；