[发明专利]一种基于参数预测的深度迁移室内定位方法

说明书

本发明属于在复杂的室内环境下进行准确定位的方法，具体是涉及一种基于参数预测的深度迁移室内定位方法。本发明首先利用有标签的源域数据预训练一个性能良好的源网络定位模型，然后通过固定预训练的源网络参数，在无标签目标域数据的辅助下学习一种从源网络参数到目标网络参数的转换矩阵，最后利用该转换矩阵和源网络参数计算出目标域网络参数。本发明克服了常用领域适应技术过度专注于领域不变特征而忽略领域差异的弊端，能够使目标域的特征分布尽可能接近源域特征分布，从而保证了目标域网络在适应新环境的同时能保留部分源域网络的数据处理能力。本发明是一种能够良好适应复杂室内环境的高精度定位方法。

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预测的深度迁移室内定位方法。

背景技术

移动设备的普及和无线通讯技术的发展推动了一系列基于移动终端的业务的发展，其中基于位置的服务极大地改变了人们的生活方式，它通过获得用户的地理位置进而在相关平台上为用户提供服务，目前已经被广泛地应用于行人导航、广告推送、资产安全管理等场景中。定位技术作为基于位置的服务的基础，受到了研究者的广泛关注。

在众多室内定位技术中，基于WiFi的定位技术得益于其低成本、高实时性、使用便捷等优势，成为了最具前景的定位技术之一。该定位方法主要分为两大类：几何测距法和位置指纹法。前者容易受到多径效应和非视距传播的影响导致定位效果不稳定，后者只依赖于离线建立的指纹库，能有效避免由测量带来的误差，具有更强的稳定性。然而传统的基于位置指纹的定位方法的基本假设是：在线定位阶段的样本与离线建库阶段的指纹服从相同的数据分布。但在真实的室内环境下，RSS信号会随着时间的变化波动并出现数据分布偏移的现象，此外由于设备的硬件差异，不同设备对同一信号的测量值也会存在偏差，这两种因素都会导致传统指纹定位方法的假设不成立。因此，在实际定位场景中传统指纹定位方法并不适用，而迁移学习中的领域适应技术被证明能够解决这类问题。

文献“M.Long,Y.Cao,J.Wang,and M.Jordan,“Learning transferable featureswith deep adaptation networks,”in International conference on machinelearning,2015,pp.97–105”和文献“B.Sun and K.Saenko,“Deep coral:Correlationalignment for deep domain adaptation,”in European conference on computervision,2016,pp.443–450”是最常见的领域适应方法，它们分别使用最大均值差异准则(Maximum Mean Discrepancy,MMD)和深度协方差对齐(Deep Correlation Alignment,Deep CORAL)来缩小不同领域数据的分布差异。但这两种方法都采用了同一网络来提取不同领域的数据特征，这样的特征提取方式的弊端是过度专注于两个领域的共性而忽略了各自领域的独有特性。此外，由于相同的网络提取的特征为两个领域的公共部分，因此只能有效地约束共有特征的相似程度，按照这种方式缩小领域差异显然是不够充分的，并且当某一领域数据量较小或领域差异较大时还会导致模型的定位性能剧烈下降。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预测的深度迁移室内定位方法。如图1所示，本发明方法涉及两个结构相同但参数不同的深度神经网络，主要包含三个阶段，分别为：预训练阶段、参数预测阶段和测试阶段。图中的虚线框表示在此阶段内参数正在被更新，实线框表示参数固定不变。在预训练阶段，仅利用有标签的源域数据训练一个源网络，使其能在源域数据上取得良好的分类效果；在参数预测阶段，将目标域网络参数初始化为预训练的源网络参数，利用目标域数据和源域数据训练参数转换矩阵并更新分类层参数，通过转换矩阵对目标网络参数进行预测；在测试阶段，将在线样本输入目标网络中实现对位置的估计。

本发明的技术方案是：一种基于参数预测的深度迁移室内定位方法，包括以下步骤：