[发明专利]一种基于深度特征学习的免校准室内定位方法

摘要

本发明公开一种基于深度特征学习的免校准室内定位方法，具体采用最强AP分类和普氏分析建立标准化子指纹库，降低异构设备影响；采用堆叠降噪自编码器(SDAE)方法构建深度特征子指纹库，提高指纹库稳定性，最终采用加权最近邻算法(WKNN)实现位置估计。实现过程如下，离线阶段：将在室内采集指纹数据中RSS值对应AP相同的指纹归为一类；利用普氏分析构建分类标准化子指纹库；采用SDAE训练标准化子指纹库，构建深度特征子指纹库。在线阶段：把待定位点测到的RSS值经过最强AP分类和普氏分析处理，得到分类标签和标准化RSS向量；把标准化RSS向量导入编码器模型，得到深度指纹特征；通过WKNN算法把深度指纹特征与深度特征子指纹库进行比对，获得待定位点的位置。

主权项

1.一种基于深度特征学习的免校准室内定位方法，其特征在于，具体步骤如下：第一步：在定位区域内划分网格，把网格中心点设置为参考点，并在参考点处采集所有AP(Access Point,接入点)的RSS(接收信号强度)数据；筛选获得定位区域内参考AP的RSS值与参考点坐标组合成为一条指纹，依照将对应AP编号相同的指纹划分为一类的原则把实际距离相近的参考点指纹归为一类；第二步：利用普氏分析的方法对分类后的指纹进行平移和缩放处理，构建标准化子指纹库；第三步：利用SDAE对标准化子指纹库训练，获取不同类的编码器模型，构建深度特征子指纹库；第四步：把待定位点获取的RSS数据经过第一步和第二步的处理，得到分类标签和标准化RSS向量；第五步：根据第四步得到的分类标签，把标准化RSS向量导入对应类的编码器模型中，得到RSS的深度特征向量；第六步：使用RSS的深度特征向量与对应类的深度特征子指纹库进行欧式距离的计算，得到距离最小的K个，并用K个点坐标的加权均值作为定位结果。