[发明专利]基于深度集成学习的WiFi室内定位方法

摘要

本发明提供了基于深度集成学习的智能手机WiFi室内定位方法，属于室内定位技术，涉及无线通信技术以及机器学习、深度学习和集成学习领域，现有技术是通过采用接收信号强度作为位置指纹特征来区分不同的位置，由于接收信号强度容易受到室内环境动态的影响，存在各种噪声，导致定位精度严重下降。本发明将卷积神经网络每一层所提取出来的特征都分别训练了随机森林模型，最后再将每个随机森林模型的输出结果进行取平均值集成。如此一来，最终的结果不仅基于深层次的特征，还综合了各个层次的特征，更加具有全面性，最终的结果也更加的稳定。经过实验验证后，使用该方法可以显著提高室内定位的精度。

主权项

1.基于深度集成学习的智能手机WiFi室内定位方法，其特征在于，包括以下步骤：步骤1：选定实验室内环境，把室内平面采用二维坐标进行划分，在实验室内部署A个型号相同的WiFi路由器，并采用统一的命名方式进行编号：步骤2：选定B训练点，使用安装过定位APP的智能手机记录训练点的坐标，并采集WiFi路由器的接收信号强度和名称，将坐标和接收信号强度组合成一组数据集，在一个训练点采集500组数据集，所有的训练点采集完毕后，所有的数据集组合成训练数据库，训练数据库是一个矩阵，所述矩阵的前两列为坐标值，其余列为接收信号强度值；步骤3：将训练数据库分离，得到一个B*500*2的坐标数据集矩阵和一个B*500*A接收信号强度数据集矩阵，进行数据融合处理，将每个点500*A个信号强度数据集的每相邻m行进行数据首尾拼接，得到B*(500/m)*(A*m)格式的接收信号强度数据集矩阵，相应地，每隔m行获取一次坐标数据，得到格式为B*(500/m)*2的坐标数据集矩阵；并对融合后的数据进行中值滤波处理；步骤4：搭建卷积神经网路模型，卷积神经网络由卷积层、池化层、全连接层组成；卷积层描述为：hⁱ⁺¹＝gc(Wⁱ⁺¹*hⁱ+bⁱ⁺¹)，其中，*表示卷积操作，hⁱ表示输入数据，Wⁱ⁺¹和bⁱ⁺¹分别表示卷积层的权重向量和偏置向量，gc()表示卷积层的激活函数，hⁱ⁺¹表示卷积层的输出；池化层描述为：h^j+1＝gp(down(h^j))，其中，down()表示卷积操作，gp()表示池化层的激活函数，h^j是池化层的输入，h^j+1是池化层的输出；全连接层描述为：h^k+1＝g(W^kh^k+b^k)，k＝2,3,4...；其中，h^k是全连接层的输入，w^k+1和b^k+l是全连接层的权重向量和偏置向量，h^k+1是全连接层的输出；搭建好卷积神经网络模型后，将步骤3中融合后格式为B*(500/m)*(A*m)的接收信号强度数据集矩阵作为输入，对应的融合后格式为B*(500/m)*2的坐标数据集矩阵作为标签，进行卷积神经网络的训练；步骤5：卷积神经网路模型训练好后，将步骤3中融合后格式为B*(500/m)*(A*m)的接收信号强度数据集矩阵再一次输入到卷积神经网路模型中，获取每一层的特征输出feature_n,并重组为一维的特征Feature_N；步骤6：将步骤5中一维特征Feature_N作为训练数据，B*(500/m)*2的坐标数据集矩阵作为标签作为训练标签，进行随机森林模型训练，得到与卷积神经网路模型层数相同的随机森林模型；随机森林模型为：f(x)＝Integrate{h_i(x)}，i＝1，2，3，4...，其中，h_i(x)表示第i棵决策树函数，Integrate{}表示随机森林对i棵树的集成策略，f(x)是当输入为x时的输出；将每个随机森林模型的输出取平均值，得到最终的位置预测结果；步骤7：用户向智能手机发送定位命令，智能手机在定位区域实时采集来自N个WiFi路由器的信号强度矢量r_o＝(r_o,1,r_o,2,…,r_o,N)，并将其发送到服务器；将r_o输入到已训练好的卷积神经网络模型和随机森林模型以预测位置，然后获得智能手机的估计位置信息；最后将坐标显示在服务器软件界面上，让用户获得位置信息。