[发明专利]一种基于深度学习的WLAN指纹定位方法

权利要求书

1.一种基于深度学习的WLAN指纹定位方法，其特征在于，包括以下步骤：

(1)离线阶段，在室内待定位区域建立位置坐标系，在该区域内选择若干参考点和模拟用户移动的由多个点组成的一段训练轨迹，并记录下各参考点和轨迹各点的位置坐标；

(2)在各参考点和轨迹各点处利用终端设备测量来自多个接入点的接收信号强度，然后利用各参考点和轨迹各点处测量得到的接收信号强度向量与对应的位置坐标分别建立指纹数据库1和指纹数据库2，用于离线阶段的网络训练；

(3)利用步骤(2)中建立好的指纹数据库1，依次采用无监督特征学习和有监督微调的方式构建并训练堆叠改进稀疏自动编码器作为指纹定位算法；所述堆叠改进稀疏自动编码器依次包含隐藏层1、隐藏层2和隐藏层3；

(4)利用步骤(2)中建立好的指纹数据库2和步骤(3)中训练好的堆叠改进稀疏自动编码器构建并训练循环神经网络作为追踪算法，具体过程如下：

(4a)采用训练好的堆叠改进稀疏自动编码器的网络结构和参数，并在隐藏层3的计算式中增加用户上一时刻位置坐标作为额外输入，构建循环神经网络，循环神经网络t时刻隐藏层3第j个神经元的计算式如下：

上式中，是t时刻循环神经网络隐藏层2第i个神经元的输出；s_t-1,o是t时刻的额外输入，即t-1时刻用户位置坐标向量s_t-1的第o个元素；是隐藏层2第i个神经元和隐藏层3第j个神经元之间的权值；u_oj是额外输入第o个神经元和隐藏层3第j个神经元之间的权值；是隐藏层3第j个神经元的偏置；m₂为隐藏层3的神经元个数；f表示映射关系；

(4b)以指纹数据库2中用户t-1时刻真实位置坐标作为t时刻循环神经网络的额外输入s_t，保持其他权值和偏置不变，只训练s_t对应的权值矩阵；

(5)在线阶段，首先，将用户终端设备t时刻接收到的来自多个接入点的接收信号强度向量输入到步骤(3)中训练好的堆叠改进稀疏自动编码器中计算出用户t时刻坐标信息作为下一时刻训练好的循环神经网络的额外输入；然后，以t-1时刻堆叠改进稀疏自动编码器计算得到的坐标信息作为t时刻循环神经网络额外的输入计算出用户t时刻的定位坐标；当用户首次进入待定位区域时，则以堆叠改进稀疏自动编码器计算得到的定位坐标作为最终定位坐标。

2.根据权利要求1所述基于深度学习的WLAN指纹定位方法，其特征在于，在步骤(3)中，所述堆叠改进稀疏自动编码器的损失函数J_SISAE如下：

J_SISAE＝J_LOSS+λA

上式中，J_LOSS为稀疏自动编码器的损失函数，J_LOSS＝J_AE+αJ_KL+βW，其中J_AE是稀疏自动编码器的重构误差，J_KL是稀疏自动编码器的稀疏惩罚项，W是稀疏自动编码器的权重衰减项，α和β分别是J_KL和W的权重因子；A为活跃惩罚项，其中h_kj是稀疏自动编码器第k组输入下的隐藏层第j个神经元输出，n为输入的组数，m为隐藏层神经元个数；λ是活跃惩罚项A的权重因子。

3.根据权利要求1所述基于深度学习的WLAN指纹定位方法，其特征在于，在步骤(3)中，无监督特征学习阶段，以指纹数据库1中的接收信号强度向量作为输入训练改进稀疏自动编码器1，并以训练好的改进稀疏自动编码器1的隐藏层作为改进稀疏自动编码器2的输入层进行训练，并以训练好的改进稀疏自动编码器2的隐藏层作为改进稀疏自动编码器3的输入层进行训练，最后将这3个改进稀疏自动编码器堆叠起来得到接收信号强度的高阶特征表示；

有监督微调阶段，在堆叠的3个改进稀疏自动编码器的输出端加一个输出层构建堆叠改进稀疏自动编码器，最后以指纹数据库1中对应的参考点实际坐标为期望输出微调堆叠改进稀疏自动编码器。