[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

说明书

本发明提供了一种结合卷积神经网络与WKNN的精确室内定位方法，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；本发明利用WiFi位置指纹匹配法进行室内定位，在线匹配算法选取卷积神经网络与WKNN结合算法；先利用CNN分类模型提取室内波动RSSI的特征并学习RSSI与位置之间的非线性映射关系，完成初步区域定位后，再结合WKNN在小范围内进行精确坐标预测；该方法整体使用的数据量和计算复杂度相对较小，时效性较好，且定位精度进一步提高。

技术领域

本发明涉及室内定位领域，具体是一种结合卷积神经网络与WKNN的精确室内定位方法。

背景技术

随着无线通信技术、物联网行业的迅速发展和各种智能终端的不断问世，位置信息发挥了越来越重要的作用，基于位置服务的需求不断扩张，已经渗透到日常、军事、搜救和商业等领域之中。在室外环境下，全球定位系统(Global Positioning System,GPS)技术已经成熟且被广泛应用。但室内定位应用在封闭或半封闭空间的区域内，卫星信号无法穿透进去，加上室内各种障碍物阻碍导致传播路径建模困难、接收信号强度波动大、多径问题干扰定位结果等，导致实现高精度的室内定位成为一个具有挑战性的目标。

目前，较常用的室内定位技术有蓝牙、WiFi、RFID、ZigBee等，但是不同的室内定位技术作用范围和定位精度差异导致了应用局限性，目前尚未有一种普适化技术可以满足大部分室内服务需求。WiFi室内定位技术具有成本低、组网方便、应用和覆盖范围广等优点，已经应用在一些例如商场、仓库、住宅等室内场所。WiFi室内定位技术不需要额外的硬件设备，只需将现有的基础设施，例如无线接入点(Access Point,AP)和移动终端结合便可实现室内定位。基于WiFi定位系统的诸多优点，使其得到了大量研究人员的关注和推广，通过不断地改进和发展来满足当今时代对室内定位服务的要求。

目前，WiFi室内定位技术有基于测距和非测距定位两大类，基于测距定位的算法有：基于信号到达时间(Time of Arrival，TOA)、信号到达时间差(Time Difference ofArrival，TDOA)、信号到达角度(Angle of Arrival，AOA)；基于非测距定位的算法主要有接收信号强度(Received Signal Strength，RSS)的位置指纹匹配法。TOA和TDOA方法都是将信号的到达时间转换为用户端与锚点之间的距离；TOA方法以用户端到至少三个不共线的锚点的距离为半径的三个圆来确定交点实现定位；TDOA方法以用户端到各个锚点之间的距离差所形成的双曲线相交实现定位；AOA方法通过感知发射节点信号到达方向，计算两个或多个锚点间的相对角度实现定位。与TOA、TDOA、AOA这三种方法需要精密的测量设备和时钟同步精度要求相比，基于RSS的位置指纹匹配法可以直接通过现有硬件测量，不需要额外增加高硬件设施支持成本，成为发展迅速的定位方法。位置指纹法也称为指纹定位算法，由于无线信号在室内环境中传播存在慢衰落现象，不同的位置与接收到的来自AP的信号强度之间存在一一映射关系，就像人类的指纹一样，每个位置对应一个独一无二的位置“指纹”，因此可以事先收集定位区域每个采集点接受到的AP信号强度值，建立多维的信号强度空间，即离线指纹库。定位时通过采集待测点接受到的AP信号强度值，通过在线匹配算法实现定位，常见的在线匹配算法有：KNN、神经网络、SVR等。

由于室内环境各种障碍物阻碍导致传播路径建模困难、接收信号强度波动大、多径等问题，导致传统在线匹配算法KNN和SVR效果不是很好。神经网络度具有强大的建模优势，通过训练积累的经验数据来建立室内复杂环境的定位模型，但是许多研究者都是通过使用复杂高层数的网络结构和长时间调节网络参数来得到最优匹配结果，使得离线数据采集工作量大、训练难度大、在线匹配时间长、硬件要求严格等。

发明内容

本发明的目的在于提供一种结合卷积神经网络与WKNN的精确室内定位方法，以解决上述背景技术中提出的问题。