[发明专利]一种基于参数约束的双网络架构室内定位方法

说明书

本发明属于室内定位技术领域，具体是涉及一种基于参数约束的双网络架构室内定位方法。本发明利用基于参数约束的双网络架构，通过不同网络提取不同领域的数据特征，打破了单一网络架构只能提取公共特征的限制，能够充分提取不同领域的数据特征。对网络参数施加的线性约束，显式建模了室内定位环境中的数据分布漂移，从参数角度对分布漂移进行线性补偿，最大程度地减小领域差异，进而使模型能够有效地适应复杂的室内环境。本发明能够有效降低不同领域的数据分布差异，从而本发明是一种能够在复杂室内环境中实现高精度定位的方法。

技术领域

本发明属于室内定位技术领域，具体是涉及一种基于参数约束的双网络架构室内定位方法。

背景技术

随着智能设备的普及和物联网技术的飞速发展，室内定位技术获得了极大的市场机遇。基于室内环境的定位服务在商业、医疗和军事等方面的应用需求不断增长，刺激了室内定位技术和系统的快速发展。常见的室内定位技术包括红外、超声波、可见光、UWB和WiFi等，其中红外、超声波、可见光定位需要事先部署信号发射装置，需要耗费大量人力财力，因此普及率较低；UWB定位的设备昂贵，通常只适用于工业环境难以普及。基于以上因素已经被广泛部署在商场、机场航站楼等大型建筑中的WiFi信号成为了大多数定位系统选择使用的信号源。

目前，基于WiFi的定位方法主要分为两大类：三角定位法和指纹定位法。三角定位法容易受到多径效应和非视距效应的影响导致定位效果不稳定，指纹定位法依赖离线建立的指纹库相比于三角定位法更加稳定。指纹定位法主要包含离线建库和在线定位两个阶段。离线建库阶段，将室内环境划分成不同网格，记录下中心坐标并给定网格编号，不同坐标有且仅有唯一编号。在不同网格上通过移动设备采集环境中所有接入点的接收信号强度(Received Signal Strength,RSS)，将RSS值与网格坐标及编号拼接构成离线指纹库。在线定位阶段，给定一个未知位置的RSS样本，通过匹配算法在指纹库中找到相似度最高的指纹，并将其对应的坐标作为对未知RSS样本的位置估计。传统的基于指纹的定位方法假设在线定位阶段的样本与离线建库阶段的指纹具有相同的数据分布，但在真实的室内环境下，由于异构设备采样值存在偏差和环境的实时变化，两个阶段的样本数据分布会存在一定程度上的差异，传统的定位方法将导致定位误差增大。

文献“B.Sun and K.Saenko,“Deep coral:Correlation alignment for deepdomain adaptation,”in European conference on computer vision,2016,pp.443–450”提出了一种深度协方差对齐(Deep Correlation Alignment,Deep CORAL)的方法，通过减小源域特征和目标域特征的二阶统计差异减小领域差异。文献“M.Long,Y.Cao,J.Wang,andM.Jordan,“Learning transferable features with deep adaptation networks,”inInternational conference on machine learning,2015,pp.97–105”在多个全连接层上使用最大均值差异准则(Maximum Mean Discrepancy,MMD)的多核形式，将源域和目标域数据映射到希尔伯特空间上缩小差异。但上述两种方法对不同领域的数据使用了同种网络结构进行特征提取，这使得网络模型只能挖掘不同领域数据的公共特征，极大程度地限制了网络对某一领域数据的特征提取能力。此外，由于相同网络提取的特征为两个领域的公共部分，将会导致后续缩小领域差异不充分，尤其是在两个领域的数据分布差异较大的情况下，进而导致模型的定位性能下降。基于上述原因，此类方法在复杂的室内定位环境中难以实现准确的定位。

发明内容

本发明的目的是，为克服上述技术的不足，提供一种新的基于参数约束的双网络架构室内定位方法。如图1所示，方法采用两个结构相同且初始化参数相同的深度神经网络，分别记为源网络和目标网络。在训练阶段，对源网络和目标网络对应层的参数施加线性约束，并将源域数据和目标域数据分别输入到源网络和目标网络中同时训练。在测试阶段，利用目标网络实现在复杂的室内环境中的准确定位。