[发明专利]基于贝叶斯半监督深度学习的室内定位方法

摘要

本发明公开了一种基于贝叶斯半监督深度学习的室内定位方法，该方法通过选取参考采样点和随机参考点分别采集室内所有无线路由器的RSS信号强度数据，然后构建包括输入层、具有4个隐藏节点的隐藏层和输出层的极限学习机模型，利用贝叶斯半监督深度学习方法对极限学习机模型进行训练，得到隐藏层的4个隐藏节点的权值参数向量，最后基于训练后的极限学习机模型确定定位位置；优点是在少量样本数据的基础上结合贝叶斯半监督深度学习方法对极限学习机模型进行训练，训练过程简单，充分利用了样本数据的局部信息，降低了隐藏层节点数量对模型训练精度的不良影响，有效降低了训练时间，最终不仅解决了冷启动问题，同时有效提升了定位精度和稳定性。

主权项

1.一种基于贝叶斯半监督深度学习的室内定位方法，其特征在于包括以下步骤：①在待定位室内间隔部署K台无线路由器，K为大于等于5且小于等于10的整数，然后将室内分为Q个区域，Q的取值为大于等于30且小于等于50的整数，在每个区域内选择一个位置作为参考采样点，并按照编号1～Q随机分别对Q个区域中的参考采样点进行编号，将编号为q的参考采样点记为参考采样点q，q＝1，2，…，Q；②先将笔记本电脑依次放到参考采样点1至参考采样点Q处分别采集K台无线路由器的RSS信号强度数据，将在每个参考采样点处采集到的K台无线路由器的RSS信号强度数据按照参考采样点的编号进行标记后分别保存；然后在室内随机选取M个不同位置作为M个随机采样点，M为大于等于50且小于等于100的整数，将笔记本电脑依次放到M个随机采样点处分别采集K台无线路由器的RSS信号强度数据并保存；③设置一个用于存放Q行数据的数据集，将该数据集记为D1，将笔记本电脑在参考采样点q处采集到的K台无线路由器的RSS信号强度数据及参考采样点q的编号按行分别保存在数据集D1中，将数据集D1中第i行的数据记为xi1,xi2,xi3,...,xiK,xi(K+1)，其中xit表示在参考采样点i处采集的第t台无线路由器的RSS信号强度数据，t＝1，2，…，K，i＝1，2，…，Q，xi(K+1)等于参考采样点i的编号；设置一个用于存放M行数据的数据集，将该数据集记为D2，将笔记本电脑在M个随机采样点处采集的K台无线路由器的RSS信号强度数据按行保存到数据集D2中，将数据集D2中第m行的数据记为xm_1,xm_2,xm_3,...,xm_K，其中xm_t表示在第m个随机采样点处采集的第t台无线路由器的RSS信号强度数据，m＝1，2，…，M；④构建一个极限学习机模型，所述的极限学习机模型包括输入层、具有4个隐藏节点的隐藏层和输出层，所述的输入层用于输入输入数据，所述的隐藏层用于连接所述的输入层和所述的输出层，所述的输出层用于输出输出数据，所述的极限学习机模型的函数表达式为：其中e^‑(x*θ)为以自然常数e为底的指数函数，w_k为所述的隐藏层中的第k个隐藏节点与所述的输出层之间的权值参数向量，k＝1，2，3，4，θ为所述的输入层和所述的隐藏层之间的权值参数向量，θ＝(θ₁,θ₂,...,θ_K)^T，上标T表示矩阵的转置，θ_c为采用随机函数生成的等于0或者1的随机整数，c＝1，2，…，K，符号*为乘运算符号；⑤将步骤③中保存的RSS信号强度数据作为所述的极限学习机模型的输入数据，参考采样点的编号作为输出数据，利用贝叶斯半监督深度学习方法对所述的极限学习机模型进行训练，得到所述的隐藏层的4个隐藏节点的权值参数向量w1、w2、w3和w4，将w1、w2、w3和w4代入所述的极限学习机模型的函数表达式中，得到训练后的极限学习机模型；⑥当对处于室内的携带着具有Wi‑Fi模块的NB‑IOT手环的待定位人员进行定位时，监测室中的笔记本电脑与待定位人员携带的具有Wi‑Fi模块的NB‑IOT手环通过无线网络进行通讯，将该待定位人员的当前位置记为G,笔记本电脑获取该具有Wi‑Fi模块的NB‑IOT手环在当前位置处采集的K个无线路由器的RSS信号强度数据,将当前位置G处采集的第n个无线路由器的RSS信号强度数据记为x'_n，n＝1，2，…，K；将向量x＝(x'₁,x'₂,x'₃,...,x'_K)代入到训练后的极限学习机模型的函数表达式中，计算得到Y；⑦分别计算Y与各个参考采样点的编号之差的绝对值，并比较计算得到的这些绝对值的大小，将绝对值最小的参考采样点的编号记为p，p为大于等于1且小于等于Q的整数，参考采样点p即为待定位人员的当前位置。