[发明专利]一种基于深度自适应网络的室内定位方法

说明书

本发明属于在复杂的室内环境下采用深度迁移学习方法解决RSS波动性问题的范畴，具体为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；步骤3.收集待定位的移动设备的RSS值，形成目标域；步骤4.知识迁移；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。

技术领域

本发明属于利用室内环境中的接收信号强度进行定位的方法，特别是利用深度迁移学习方法对复杂室内环境中无线设备进行定位的技术，具体为一种基于深度自适应网络的室内定位方法。

背景技术

近年来，由于移动设备的广泛应用以及社交网络的迅猛发展，室内定位服务的需求日益增大。譬如，大型机场和车站内的导航，工厂对工人位置的实时监控，紧急情况下室内人员的救助等不胜枚举。因此在巨大的市场牵引力的作用下，寻求一种适合复杂室内定位环境下的高精度实时定位系统，已成为业界的研究重点。

一般地，基于WiFi的RSS室内定位方法通常分为两种：三角定位法和位置指纹定位法。三角定位法基于角度的几何属性，利用几何原理计算出用户的定位位置。由于多径效应和非视距效应的存在，该方法定位精度往往较低。位置指纹定位法不需要假设存在直达波以及知道室内环境的布局，它通常包含两个阶段：离线阶段和在线阶段。在离线阶段，在划分好的每一个格点通过移动设备采集所有接入点的RSS值，之后利用采集到的RSS值以及对应的坐标信息构造离线指纹数据库。在线阶段时，给定一个未知位置的RSS样本，利用匹配算法与离线指纹数据库进行匹配，将相似度最高的RSS值对应的位置作为定位结果。

利用传统的匹配算法实现位置指纹定位时，通常要求离线指纹数据和在线指纹数据满足相同的分布，但是由于环境的变化和异构设备的影响，RSS值会产生波动，导致定位结果出现偏差。文献[1]利用迁移学习方法来解决RSS值波动性问题，该方法通过在一个子空间学习到浅层可迁移特征来减小域间差异。在这个子空间中，利用最大均值差异准则(Maximum Mean Discrepancy，MMD)减小源域与目标域之间的边缘概率分布差异，同时地，最大化RSS样本的方差以保留数据的属性。在张成的子空间中，域间的分布差异已得到了减小，RSS值的波动性问题得到了解决，之后再利用传统的匹配算法即可得到在线指纹数据的实际位置。该方法虽然在一定程度上能够提高定位精度，但其缺点也较为明显，该方法主要通过学习一个浅层映射将源域和目标域映射到该子空间中，而浅层映射仅仅能学习到浅层的表示特征，这对于减小域差异是明显不足的。因此，该类方法由于上述问题的存在而在复杂的室内环境中很难形成准确、实时、稳定的定位。

发明内容

本发明的目的是针对技术背景中的浅层表示特征学习方法存在的缺陷，研究设计了一种基于深度自适应网络的高精度室内定位方法。该方法通过深度自适应网络，学习可反映域间不变因素的深度可迁移特征。该深度自适应网络通过匹配希尔伯特空间中域间的均值嵌入，以及匹配域间的隐藏表示的二阶统计量来减小因RSS波动造成的域差异。该方法克服了传统的迁移学习方法只能通过学习浅层特征去减小域差异的缺点，有效地利用了深度自适应网络学习深度可迁移特征，减轻了RSS值波动带来的性能下降，提高了定位精度和稳健性。

针对上述问题，本发明创造性地给出了一种基于深度自适应网络的室内定位方法，通过实测数据的验证，说明了算法的实用性。

为解决现有技术中的问题，本发明提供了一种基于深度自适应网络的室内定位方法。

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；