[发明专利]一种基于深度自适应网络的室内定位方法

权利要求书

1.一种基于深度自适应网络的室内定位方法，其特征在于包括以下步骤：

步骤1.将需要定位的室内环境划分为等大小的格点区域，并记录相应的坐标信息；

步骤2.将移动设备依次置于定位环境中的各个格点，并记录下此刻来自各个接入点的RSS值以及相应的格点坐标信息，形成RSS离线指纹数据库，即为源域，获取数据并形成RSS指纹库，将移动设备依次置于每一个格点，记录下格点编号和来自于各个接入点的RSS值，形成RSS向量i＝1,2,3,…,n_s，此处n_s为已知位置标记的所有RSS样本数量，相应的位置标记表示成y_i∈{1,2,…,C}，C＝48为格点的数量，RSS值与相应的位置标记构成了指纹数据库，即源域其中，

步骤3.收集待定位的移动设备的RSS值，形成目标域，收集请求定位的移动设备的RSS值，形成目标域此处为无位置标记的RSS样本形成的目标域数据矩阵，n_t为收集的RSS样本数量；

步骤4.知识迁移，通过深度自适应网络完成知识迁移

步骤4-1.将带位置坐标信息的源域数据以及未知坐标信息的目标域数据输入到深度自适应网络中，在网络隐藏层的最后一层得到源域和目标域的深度可迁移特征和其中，b为一个batch size，d为该隐藏层的神经元个数；

步骤4-2.将源域和目标域的深度可迁移特征映射到高维的再生核希尔伯特空间中，匹配源域和目标域的均值嵌入，即最小化以下损失函数：

其中，φ为一个核映射，核矩阵K_ij＝φ(h_i)^Tφ(h_j)＝k(h_i,h_j)，M_ij为MMD矩阵，计算方式如下：

步骤4-3.匹配域间隐藏表示H^s,H^t之间的二阶统计量来减小域差异，即最小化以下损失函数：

其中，Cov(H^s)和Cov(H^t)分别为源域和目标域隐藏表示的特征协方差矩阵，计算方式如下：

Cov(H^s)＝(H^s)^TJ_bH^s (4)

Cov(H^t)＝(H^t)^TJ_bH^t (5)

J_b为中心矩阵，为单位矩阵，为全1的列向量；

步骤4-4.在网络分类器层，利用交叉熵损失函数计算源域的训练损失，即最小化以下损失函数：

其中，c(θ|x_i,y_i)为分类的softmax损失，θ为网络的参数；

步骤4-5.利用梯度下降法优化网络参数，同时最小化以上三个损失函数，即最小化以下损失函数：

L＝L_s+L_m+L_c (7)；

步骤5.将目标域数据输入到训练好的网络中，即可获得位置。