[发明专利]一种结合卷积神经网络与WKNN的精确室内定位方法

权利要求书

1.一种结合卷积神经网络与WKNN的精确室内定位方法，其特征在于，包括如下步骤：

步骤一、离线阶段：

在待定位区域每个采集点处，收集周围AP的RSS数据，然后对收集的RSS数据进行预处理操作；

预处理操作分为卡尔曼滤波去噪和归一化生成灰度图像；首先通过卡尔曼滤波算法对RSS数据进行降噪处理，再将滤波后的结果归一化后转换成灰度图像；

将预处理后的灰度图像放入卷积神经网络模型中进行迭代训练，在误差收敛或迭代次数完成后生成粗定位模型；

步骤二、在线阶段：

在待测点处，采集周围AP的RSSI数据,然后对收集的RSSI数据进行预处理操作；该处的预处理操作与步骤一中的预处理操作相同；

将预处理后的灰度图像，输入到粗定位模型中进行预测，得到预测的区域位置；

利用距离加权的WKNN定位算法，进一步缩小预测范围，得到精确的定位坐标。

2.根据权利要求1所述的一种结合卷积神经网络与WKNN的精确室内定位方法，其特征在于，卡尔曼滤波算法分为预测步骤和更新步骤；预测步骤根据之前的测量结果对RSSI的下一个值进行预测；更新步骤根据该时间步骤的测量结果估计系统的当前状态参数；

卡尔曼滤波算法流程如下：

首先根据当前环境进行建模，构建出系统状态公式和系统观测公式：

x_k＝Ax_k-1+Bu_k-1+w_k-1

上述公式中，A是状态转移矩阵；B是输入控制矩阵；w_k-1代表过程激励噪声，是预测过程中服从高斯分布的白噪声，期望为0，协方差为Q；

z_k＝Hx_k+v_k

上述公式中，H是观测转移矩阵；z_k是k时刻的测量值，是滤波的输入；v_k是观测噪声，服从高斯分布期望为0，协方差为R；

步骤1、预测接收点的信号强度状态信息；

上述公式中，是为k时刻的先验信号强度估计值，是滤波的中间计算结果；是k-1时刻的后验信号强度估计值，是上一次滤波的最终结果；

步骤2、计算协方差矩阵，并对协方差矩阵进行更新；

上述公式中，是k时刻的先验估计协方差，是滤波的中间计算结果；P_K-1是k-1时刻的后验估计协方差，表示状态的不确定性，是上一次滤波的最终结果；

步骤3、计算卡尔曼增益；

上述公式中，R代表测量噪声协方差，滤波器实际实现时，测量噪声协方差R一般可以观测得到，是滤波器的已知条件；

步骤4、由观测变量z_k更新估计；

上述公式中，z_k是k时刻观测到的信号强度值，根据卡尔曼增益、观测信号强度值、先验信号强度值推算出后验信号强度估计值，即滤波后的输出信号强度；

步骤5、更新测量误差；

上述公式中，根据得到的先验估计协方差、卡尔曼增益更新后验估计协方差，经过卡尔曼得到相应波形。