[发明专利]一种基于改进GAN结合假设检验的Wi-Fi室内定位方法

权利要求书

1.一种基于改进GAN结合假设检验的Wi-Fi室内定位方法，其特征在于包括以下步骤：

步骤一、在目标区域内，随机部署m个无线接入点(Access Point，AP)和标定n个参考点(Reference Point，RP)，同时标定k个测试点(Test Point,TP)。

步骤二、划分区域数量为C，采集每个区域类别中RP的RSS样本值500次，记作R_w(w＝1,2,…C)，每个区域的数据集如下所示：

其中m是环境中AP的数量，K是每个区域中观测的数量，是位于第w个区域中第j个AP的第i次观测的RSS值。上述矩阵的每一列构成所需类别的分布，因此，定义生成器的目标是映射先验噪声潜变量表示R_c的分布。

步骤三、RSS样本值中，250次作为训练集，250次作为测试集。把训练集的RSS样本送入GAN网络中训练，最终得到生成的RSS样本。

步骤四、在每个区域内，把生成的RSS样本与采集的原始RSS样本合成新的RSS样本，形成新的离线数据集，新的离线数据集可以定义为：

其中，表示在第w个区域中原始RSS样本，表示在第w个区域中生成的RSS样本，Q是合成的RSS样本的数量，为在第w个区域中合成的RSS数据集。

步骤五、利用CHAID方法，通过皮尔逊卡方检验描述每个AP的位置分辨率，将位置分辨率大的AP分配较大的权重。

步骤六、在线阶段，测量测试点处的RSS样本值。

步骤七、计算每个区域的匹配概率，即来消除与对应归属区域相距较远的匹配参考点，其中P_w(w＝1,…,C)，C为区域的个数，表示位于第w个区域且来自第l个AP的匹配参考点的个数。

步骤八、通过计算得到的AP权重，计算第j(j＝1,…,k)个测试点处的RSS样本与匹配区域中各个匹配参考点处的RSS样本之间的距离其中，和分别表示来自第l个AP在第i个参考点和第j个测试点处的RSS样本均值。

步骤九、根据计算出的距离，结合KNN算法，选择距离最近的K个位置，取平均值得到位置估计。

2.根据权利要求1所述的一种基于改进GAN结合假设检验的Wi-Fi室内定位方法，其特征在于所述步骤三包括以下步骤：

步骤三、RSS样本值中，250次作为训练集，250次作为测试集。把训练集的RSS样本送入GAN网络中训练，最终得到生成的RSS样本；具体包括以下步骤：

步骤三(一)、先把随机的RSS样本送入GAN的生成器中训练，随机噪声样本RSS数据样本通过基于梯度上升的优化器Adam更新θ_d，可以通过鉴别器的损失函数来得到更新的参数，具体的更新算法，首先计算损失函数，然后求损失函数关于θ_d的偏导，然后再利用Adam优化器得到θ_d参数的更新,具体如下：

其中，X_b和Z_b分别是X和Z的第b行，β₁∈[0,1)、η为Adam优化器的参数。

步骤三(二)、在GAN的生成器中，样本通过基于梯度下降的优化器Adam更新θ_g,可以通过生成器的损失函数来得到更新参数，具体的更新算法与鉴别器的更新过程类似为：

其中，β₂∈[0,1)、η为Adam优化器的参数。

步骤三(三)、更新θ_d和θ_g直到收敛，当时会发生收敛，这意味着鉴别器无法区分真实数据和合成数据。收敛后，通过得到的θ_g，生成器准备通过相同的先验噪声分布生成所需类别的合成样本z～p_z(z)，其中

3.根据权利要求1所述的一种基于改进GAN结合假设检验的Wi-Fi室内定位方法，其特征在于所述步骤五包括以下步骤：

步骤五、利用CHAID方法，通过皮尔逊卡方检验描述每个AP的位置分辨率，将位置分辨率大的AP分配较大的权重；具体包括以下步骤：

步骤五(一)、假设数据集由1个反应变量R∈{Area1,…,AreaC}和m个解释变量E_APl∈{(b₁,b₂],…,(b_v,b_v+1]}(l＝1,…,m)组成，其中，m和C分别表示AP数量和划分的区域数量，b_i(i＝1,…,v+1)表示第i个RSS类目边界，v表示RSS类目的数量。在此基础上，构建关于反应变量R与解释变量E_APl的v×C列联表，将v×C列联表拆分成个二维列联表，在不失去一般性的情况下，以第k个二维列联表为例计算对应的皮尔逊卡方检验统计量，如表1所示，其中，k＝1,…,a_iw表示关于参考点处的RSS落在第w区域中并且属于第i个RSS类目的频数。

表1 二维列联表

步骤五(二)、构建原假设“H₀：R与E_APl不相关”与备择假设“H₁：R与E_APl相关”，计算皮尔逊卡方检验统计量χ²，则该皮尔逊卡方检验统计量为：

步骤五(三)、将决策值p_k设置为其中，表示对第k个二维列联表在χ²分布条件下满足关系的概率运算，因此，在显著性水平α＝0.05条件下，如果p_k≥α，则认为原假设H₀为真；反之，则认为备择假设H₁为真。

步骤五(四)、将大于α的最大决策值p(即)所对应的两个RSS类目进行合并，得到一个新类目。此时，原始的v×C列联表的维数降为(v-1)×C。