CN106535134A - 一种基于wifi的多房间定位方法及服务器 - Google Patents

Abstract

本发明公开了一种基于wifi的多房间定位方法，所述方法包括步骤：S100、采集检测区域中各个无线接入点接收待检测客户端所发信号的信号强度数据；S200、将所述信号强度数据输入第一深度神经网络，经所述第一深度神经网络计算得到待检测客户端所在位置所属房间的房间标签；S300、将所述信号强度数据输入与待检测客户端所在位置所属房间的房间标签一一对应的第二深度神经网络；经所述第二深度神经网络计算得到待检测客户端所在位置的预测位置坐标。本发明采用训练后的深度神经网络，通过大量训练样本数据对深度神经网络进行训练，提升定位准确性以及精度。

Description

一种基于wifi的多房间定位方法及服务器

技术领域

本发明涉及无线局域网技术领域，尤其涉及一种基于wifi的多房间定位方法及服务器。

背景技术

目前在世界范围内的定位技术主要有GPS定位、Wi-Fi定位、蓝牙定位等，GPS定位主要应用于室外，Wi-Fi、蓝牙定位既可用于室内，也可用于室外。由于Wi-Fi定位相对成熟，下面以Wi-Fi定位技术为背景来介绍本发明的具体内容。随着无线路由器的普及，目前大部分公共区域都已经实现十几个甚至几十个WiFi信号覆盖，而且这些路由器在向四周传播WiFi信号的同时，也不停的发送其物理地址与信号强度等信息，只要在其信号覆盖范围内，即使不知道Wi-Fi的密码，也同样能获得这些信息。基于信号强度的定位技术基本原理是根据接收到的信号的强度推算信号接收器与信号源之间的距离，但由于室内房间上下有钢筋混凝土的隔离层，导致上下房间的信号有明显差异，因此，对于多个房间内进行定位时采用传统方法显然精度不高。

发明内容

为解决上述技术问题，本发明提供一种基于wifi的多房间定位方法及服务器，通过采集各个无线接入点对应的信号强度数据来确定待检测客户端所在房间的位置坐标，实现基于深度神经网络的WiFi定位。

本发明提供的技术方案如下：

本发明公开了一种基于wifi的多房间定位方法，所述方法包括步骤：S100、采集检测区域中各个无线接入点接收待检测客户端所发信号的信号强度数据；S200、将所述信号强度数据输入第一深度神经网络，经所述第一深度神经网络计算得到待检测客户端所在位置所属房间的房间标签；S300、将所述信号强度数据输入与待检测客户端所在位置所属房间的房间标签一一对应的第二深度神经网络；经所述第二深度神经网络计算得到待检测客户端所在位置的预测位置坐标。

进一步优选的，所述步骤S100之前还包括步骤：S010、预先训练分类型深度神经网络，将训练后的所述分类型深度神经网络作为所述第一深度神经网络；S020、预先训练多个分别与房间标签对应的拟合型深度神经网络，将训练后的所述拟合型深度神经网络中的一个作为所述第二深度神经网络。

进一步优选的，所述步骤S010训练所述第一深度神经网络进一步包括步骤：S011、对检测区域内的多个房间进行分类，为每个房间分配对应的房间标签；S012、分别采集每个房间内各个无线接入点接收预设训练位置上训练终端所发的信号的信号强度数据，并结合对应的房间标签形成每个房间的训练数据样本，将所有房间的训练数据样本生成第一训练数据集输入分类型深度神经网络；S013、依次将每个房间的训练样本数据输入所述分类型深度神经网络，经过所述深度神经网络输出相对应的训练结果；S014、依次将输出的训练结果与其对应的所述预设训练位置所属房间的房间标签进行比较，根据比较结果对分类型深度神经网络进行训练，将训练后的分类型深度神经网络作为所述第一深度神经网络；所述步骤S020中训练所述第二深度神经网络进一步包括步骤：S021、分别为每个房间建立一个与房间标签一一对应的拟合型深度神经网络；S022、在每个房间分别建立平面直角坐标系，在所述平面直角坐标系中标出用于训练的训练位置坐标；S023、分别将每个房间中的训练位置坐标以及各个无线接入点接收训练终端在每个训练位置坐标对应的位置上所发的信号的信号强度数据作为一组训练样本数据，生成每个房间的第二训练数据集，并送入与每个房间的房间标签相对应的拟合类深度神经网络中；S024、依次将每个房间的每一组训练样本数据中的信号强度数据输入与房间标签对应的所述拟合型深度神经网络，经过所述拟合型深度神经网络输出相对应的训练结果；S025、依次将输出的训练结果与其对应的训练位置坐标进行比较，根据比较结果对拟合型深度神经网络进行训练，将训练后的拟合型深度神经网络作为所述第二深度神经网络。

进一步优选的，所述步骤S025进一步包括步骤：按照下述公式分别将输出的训练结果与其对应的训练位置坐标进行比较：

其中，σ表示输出的训练结果与其对应的预设训练位置坐标的误差；(X₁,Y₁)表示每次训练输出的训练结果；(X₂,Y₂)表示对应的训练位置坐标；根据训练数据集中的每一组训练样本数据对所述拟合型深度神经网络进行训练，使得每次训练输出的训练结果与所述训练位置坐标进行比较后的误差σ收敛于预设范围内。

本发明还公开一种基于wifi的多房间定位服务器，包括：数据采集模块，用于采集检测区域中各个无线接入点接收待检测客户端所发信号的信号强度数据；分类模块，用于将所述信号强度数据输入第一深度神经网络，经所述第一深度神经网络计算得到待检测客户端所在位置所属房间的房间分类；定位模块，用于将所述信号强度数据输入与待检测客户端所在位置所属房间的房间标签一一对应的第二深度神经网络；经所述第二深度神经网络计算得到待检测客户端所在位置的预测位置坐标。

进一步优选的，还包括：第一训练模块，用于预先训练分类型深度神经网络，将训练后的所述分类型深度神经网络作为所述第一深度神经网络；第二训练模块，用于预先训练多个分别与房间标签对应的拟合型深度神经网络，将训练后的所述拟合型深度神经网络中的一个作为所述第二深度神经网络。

进一步优选的，所述第一训练模块进一步包括：房间分类子模块，用于对检测区域内的多个房间进行分类，为每个房间分配对应的房间标签；第一训练数据集生成子模块，用于分别采集每个房间内各个无线接入点接收预设训练位置上训练终端所发的信号的信号强度数据，并结合对应的房间标签形成每个房间的训练样本数据，将所有房间的训练样本数据生成第一训练数据集输入分类型深度神经网络；第一训练预测子模块，用于依次将每个房间的训练样本数据输入所述分类型深度神经网络，经过所述深度神经网络输出相对应的训练结果，依次将输出的训练结果与其对应的所述预设训练位置所属房间的房间标签进行比较，根据比较结果对分类型深度神经网络进行训练，将训练后的分类型深度神经网络作为所述第一深度神经网络；所述第二训练模块进一步包括：网络建立子模块，用于分别为每个房间建立一个与房间标签一一对应的拟合型深度神经网络；坐标系建立子模块，在每个房间分别建立平面直角坐标系，在所述平面直角坐标系中标出用于训练的训练位置坐标；第二训练数据集生成子模块，用于分别将每个房间中的训练位置坐标以及各个无线接入点接收训练终端在每个训练位置坐标对应的位置上所发的信号的信号强度数据作为一组训练样本数据，生成每个房间的第二训练数据集，并送入与每个房间的房间标签相对应的拟合类深度神经网络中；第二训练预测子模块，用于依次将每个房间的每一组训练样本数据中的信号强度数据输入与房间标签对应的所述拟合型深度神经网络，经过所述拟合型深度神经网络输出相对应的训练结果，依次将输出的训练结果与其对应的训练位置坐标进行比较，根据比较结果对拟合型深度神经网络进行训练，将训练后的拟合型深度神经网络作为所述第二深度神经网络。

进一步优选的，所述第二训练预测子模块按照下述公式分别将输出的训练结果与其对应的训练位置坐标进行比较：

其中，σ表示输出的训练结果与其对应的训练位置坐标的误差；(X₁,Y₁)表示每次训练输出的训练结果；(X₂,Y₂)表示对应的训练位置坐标；根据训练数据集中的每一组训练样本数据对所述拟合型深度神经网络进行训练，使得每次训练输出的训练结果与所述训练位置坐标进行比较后的误差σ收敛于预设范围内。

与现有技术相比，本发明提供的基于wifi的多房间定位方法及服务器，通过收集待测客户端的与各个无线接入点相对应的信号强度数据输入训练好的第一深度神经网络和第二深度神经网络，即可确定待测客户端所属房间及位置，通过利用含有大量训练样本数据的训练数据集对深度神经网络训练，不仅提升定位精度的提升，同时能够在不影响定位速度的情况下提升定位结果的准确性，成功将定位问题融入到大数据的背景中，并有效的利用大数据的优势来提高实时定位服务器的性能。

附图说明

下面将以明确易懂的方式，结合附图说明优选实施方式，对本发明予以进一步说明。

图1为本发明一种基于wifi的多房间定位方法的主要步骤示意图；

图2为本发明一种基于wifi的多房间定位方法的第一深度神经网络训练步骤示意图；

图3为本发明一种基于wifi的多房间定位方法的第二深度神经网络训练步骤示意图；

图4为本发明一种基于wifi的多房间定位服务器的主要组成示意图；

图5为本发明一种基于wifi的多房间定位服务器的完整组成示意图。

附图标记：

100、数据采集模块，200、分类模块，300、定位模块，410、第一训练模块，411、房间分类子模块，412、第一训练数据集生成子模块，413、第一训练预测子模块，420、第二训练模块，421、网络建立子模块，422、坐标系建立子模块，423、第二训练数据集生成子模块，424、第二训练预测子模块。

具体实施方式

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。

为使图面简洁，各图中只示意性地表示出了与本发明相关的部分，它们并不代表其作为产品的实际结构。另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个。在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形。

图1为本发明一种基于wifi的多房间定位方法的主要步骤示意图，如图1所示，一种基于wifi的多房间定位方法，所述方法包括步骤：S100、采集检测区域中各个无线接入点接收待检测客户端所发信号的信号强度数据；S200、将所述信号强度数据输入第一深度神经网络，经所述第一深度神经网络计算得到待检测客户端所在位置所属房间的房间标签；S300、将所述信号强度数据输入与待检测客户端所在位置所属房间的房间标签一一对应的第二深度神经网络；经所述第二深度神经网络计算得到待检测客户端所在位置的预测位置坐标。

具体的，上述待检测客户端(以下简称STA)是以智能手机、笔记本电脑或个人平板电脑等智能终端设备为载体。

STA在检测区域中实时发送探测帧，无线接入点收到后获取所述探测帧的信号强度，各个无线接入点上报信号强度至本地服务器或云服务器，服务器根据各个无线接入点上报的RSSI场强报文生成信号强度数据。本发明通过将各个无线接入点获得的与各个无线接入点对应的信号强度数据作为输入定位模型的原始数据，例如，信号强度数据的格式为<RSSI1，RSSI2，RSSI3，RSSI4，RSSI5>，其中RSSI1为AP1收到的STA的RSSI，RSSI2为AP2收到的STA的RSSI，以此类推。

具体的，本发明中第一深度神经网络为分类型深度神经网络，将所述信号强度数据输入第一深度神经网络，经计算后输出房间标签的概率值，选取概率值最大的房间标签确定当前待检测客户端所在位置所属房间。本发明中第二深度神经网络为拟合型深度神经网络，将所述信号强度数据输入第二深度神经网络，经计算后输出待检测客户端的预测位置坐标。

优选的，所述步骤S100之前还包括步骤：S010、预先训练分类型深度神经网络，将训练后的所述分类型深度神经网络作为所述第一深度神经网络；S020、预先训练多个分别与房间标签对应的拟合型深度神经网络，将训练后的所述拟合型深度神经网络中的一个作为所述第二深度神经网络。

本发明中对分类型深度神经网络进行训练，其中分类型深度神经网络的训练网络的结构如下：

数据层->卷积层1->卷积层2->ReLU层->Max Pooling层->全连接层1->全连接层2->SoftMaxLoss层

当网络参数训练完成之后，将分类型深度神经网络的网络参数更新为训练后的网络参数，同时将训练网络最后一层SoftMaxLoss层更为SoftMax层，形成实施网络，用于作为定位模型参与实际定位过程。其中SoftMaxLoss层用于深度神经网络进行训练时输出训练的输出结果与实际的训练位置标签的误差，而SoftMax层用于在实施网络在定位时，输出待检测客户端所在位置所属房间标签的概率值。

训练网络和实施网络除了最后一层不一样，其他层都一样，训练网络所得到的网络参数可以直接用在实施网络中。

本发明中对拟合型深度神经网络进行训练，其中拟合型深度神经网络的训练网络的结构如下：

数据层->全连接层1->ReLU层->全连接层2->Euclidean Loss层

当网络参数训练完成之后，将拟合型深度神经网络的网络参数更新为训练后的网络参数，同时将训练网络最后一层Euclidean Loss层去除，形成实施网络，用于作为定位模型参与实际定位过程。其中Euclidean Loss层用于深度神经网络进行训练时输出训练的输出结果与实际的训练位置标签的误差，而实施网络在定位时，直接在网络层输出待检测客户端所在位置的预测位置坐标。

训练网络和实施网络除了最后一层不一样(训练网络为Euclidean Loss层，实施网络去除Euclidean Loss层)，其他层都一样，训练网络所得到的网络参数可以直接用在实施网络中。

图2为本发明一种基于wifi的多房间定位方法的第一深度神经网络训练步骤示意图。优选的，如图2所示，所述步骤S010训练所述第一深度神经网络进一步包括步骤：S011、对检测区域内的多个房间进行分类，为每个房间分配对应的房间标签；S012、分别采集每个房间内各个无线接入点接收预设训练位置上训练终端所发的信号的信号强度数据，并结合对应的房间标签形成每个房间的训练数据样本，将所有房间的训练数据样本生成第一训练数据集输入分类型深度神经网络；S013、依次将每个房间的训练样本数据输入所述分类型深度神经网络，经过所述深度神经网络输出相对应的训练结果；S014、依次将输出的训练结果与其对应的所述预设训练位置所属房间的房间标签进行比较，根据比较结果对分类型深度神经网络进行训练，将训练后的分类型深度神经网络作为所述第一深度神经网络。

下面以具体实例介绍本发明对第一深度神经网络训练的过程。

1、首先是对检测区域内的房间进行分类。

对检测区域内的房间进行分类，依次为每个房间分配房间标签，比如某办公区域一共有6个房间，因此定义6类，并为每个房间分配一个对应的房间标签。

2、训练样本数据采集

采集每个房间内各个无线接入点接收预设训练位置上训练终端所发的信号的信号强度数据，本发明中每个房间的预设训练位置是用户自行定义，应用于实际定位时可根据WIFI精度进行设置，预设训练位置可以是多个。在上述6个房间中房间标签为1的房间中的预设训练位置上通过训练终端发出探测帧，无线接入点收到后获取所述探测帧的信号强度，各个无线接入点上报信号强度至本地服务器或云服务器。通过本地或云服务器采集各个AP的RSSI场强报文获得与各个AP对应的信号强度数据，同时，将房间标签为1的房间内的预设训练位置结合信号强度数据生成一组训练样本数据，假设检测区域中有4个AP，则一组训练样本数据表示为：(RSSI1，RSSI2，RSSI3，RSSI4，1)，以实例表示为<-30，-12，-14，-67，1>，其中，前四个数值的单位可以为dBm，最后一个数值可以无量纲。该训练样本数据可以表示编号为1的接入点对应的RSSI为-30dBm，编号为2的接入点对应的RSSI为-12dBm，编号为3的接入点对应的RSSI为-14dBm，编号为4的接入点对应的RSSI为-67dBm，该STA位于房间标签为1的房间中。

3、将训练样本数据中的信号强度数据输入第一深度神经网络进行计算，最后输出训练结果与训练位置标签的误差。

将训练样本数据中的RSSI1到RSSI4从输入数据层输入，在SoftMaxLoss层用label进行回归，通过训练在SoftMaxLoss层输出Loss。

4、最后通过调整深度神经网络中的参数使得整个网络的Loss即误差最小，将分类型深度神经网络作为第一深度神经网络。

需要说明的是，整个深度神经网络中没有标明具体参数，因为这些参数和具体的空间以及AP的个数有关，不在本专利的范围内。

图3为本发明一种基于wifi的多房间定位方法的第二深度神经网络训练步骤示意图。优选的，如图3所示，所述步骤S020中训练所述第二深度神经网络进一步包括步骤：S021、分别为每个房间建立一个与房间标签一一对应的拟合型深度神经网络；S022、在每个房间分别建立平面直角坐标系，在所述平面直角坐标系中标出用于训练的训练位置坐标；S023、分别将每个房间中的训练位置坐标以及各个无线接入点接收训练终端在每个训练位置坐标对应的位置上所发的信号的信号强度数据作为一组训练样本数据，生成每个房间的第二训练数据集，并送入与每个房间的房间标签相对应的拟合类深度神经网络中；S024、依次将每个房间的每一组训练样本数据中的信号强度数据输入与房间标签对应的所述拟合型深度神经网络，经过所述拟合型深度神经网络输出相对应的训练结果；S025、依次将输出的训练结果与其对应的训练位置坐标进行比较，根据比较结果对拟合型深度神经网络进行训练，将训练后的拟合型深度神经网络作为所述第二深度神经网络。

优选的，所述步骤S025进一步包括步骤：按照下述公式分别将输出的训练结果与其对应的训练位置坐标进行比较：

其中，σ表示输出的训练结果与其对应的预设训练位置坐标的误差；(X₁,Y₁)表示每次训练输出的训练结果；(X₂,Y₂)表示对应的训练位置坐标；根据训练数据集中的每一组训练样本数据对所述拟合型深度神经网络进行训练，使得每次训练输出的训练结果与所述训练位置坐标进行比较后的误差σ收敛于预设范围内。

下面以具体实例介绍本发明对第二深度神经网络训练的过程。

1、首先是对检测区域内每个房间建立一个与房间的房间标签相对应的拟合型深度神经网络，在每个房间中分别采集训练样本数据。

以对一个房间建立的拟合型深度神经网络进行训练为例：在房间内建立平面直角坐标系，在所述平面直角坐标系中标出用于训练的训练位置坐标，X轴和Y轴的单位长度设为预设值。比如房间内部空间为一个长方向，假设长为M，宽为N，面积为M*N。根据WIFI的精度特性以3米作为X轴和Y轴的单位长度，确定左下角为原点，则X轴的单位刻度为3米一单位，最大刻度为M/3，Y轴的单位刻度为3米一单位，最大刻度为N/3。依次在建立好坐标系的检测区域标出用于训练的预设训练位置坐标，比如label＝<1.4，5.3>，表示此位置在该房间内的坐标为：X＝1.4，Y＝5.3。

在上述房间中训练位置坐标对应的位置上通过训练终端发出探测帧，无线接入点收到后获取所述探测帧的信号强度，各个无线接入点上报信号强度至本地服务器或云服务器。通过本地或云服务器采集各个AP的RSSI场强报文获得与各个AP对应的信号强度数据，同时，将预设训练位置坐标结合信号强度数据生成一组训练样本数据，假设检测区域中有4个AP，则一组训练样本数据表示为：(RSSI1，RSSI2，RSSI3，RSSI4，label)，以实例表示为<-30，-12，-14，-67，1.4，5.3>，其中，前四个数值的单位可以为dBm，最后一个数值可以无量纲。该训练样本数据可以表示编号为1的接入点对应的RSSI为-30dBm，编号为2的接入点对应的RSSI为-12dBm，编号为3的接入点对应的RSSI为-14dBm，编号为4的接入点对应的RSSI为-67dBm，该STA位于房间中坐标为X＝1.4，Y＝5.3的位置。

如上述一个房间训练对应的拟合型深度神经网络为例，依次对每个房间对应的拟合型深度神经网络进行训练，得到与房间标签对应的多个拟合型深度神经网络。

2、依次将每个房间的每一组训练样本数据中的信号强度数据输入与房间标签对应的所述拟合型深度神经网络，经过所述拟合型深度神经网络输出相对应的训练结果与训练位置标签的误差。

将训练样本数据中的RSSI1到RSSI4从数据层输入，在Euclidean Loss层用label进行回归，通过训练在Euclidean Loss层输出Loss。

3、最后通过调整深度神经网络中的参数使得整个网络的Loss即误差最小，分别将训练后的多个拟合型深度神经网络作为第二深度神经网络。

需要说明的是，整个深度神经网络中没有标明具体参数，因为这些参数和具体的空间以及AP的个数有关，不在本专利的范围内。

下面以实例介绍基于第一深度神经网络和第二深度神经网络对待检测客户端所在位置进行预测，具体如下：

在检测区域内任意一个位置放置待检测STA。该STA向外广播探测请求帧，检测区域内的各个AP收到后获取所述探测帧的信号强度，各个无线接入点上报信号强度至本地服务器或云服务器，服务器根据所有AP上报的RSSI获得与各个AP对应的信号强度数据，结合上述实例可表示为，(RSSI1，RSSI2，RSSI3，RSSI4)。

把各个AP接收到的待预测STA位置训练终端所发信号的信号强度数据的RSSI1到RSSI4从第一深度神经网络的数据层输入，在SoftMax层输出6类房间标签的预测概率。

假设输出6类房间标签的概率值从大到小排列为：

Label 1：0.7

Label 2：0.2

Label 3：0.1

Label 4：0.04

Labe l5：0.01

…

…

则选取Label1作为最后的预测，即预测此STA在房间标签为1的房间内。

接着将信号强度数据的RSSI1到RSSI4从第二深度神经网络的数据层输入，在Euclidean层输出该STA在房间内的预测位置坐标。

图4为本发明一种基于wifi的多房间定位服务器的主要组成示意图，如图4所示，一种基于wifi的多房间定位服务器，包括：数据采集模块100，用于采集检测区域中各个无线接入点接收待检测客户端所发信号的信号强度数据；分类模块200，用于将所述信号强度数据输入第一深度神经网络，经所述第一深度神经网络计算得到待检测客户端所在位置所属房间的房间分类；定位模块300，用于将所述信号强度数据输入与待检测客户端所在位置所属房间的房间标签一一对应的第二深度神经网络；经所述第二深度神经网络计算得到待检测客户端所在位置的预测位置坐标。

具体的，上述待检测客户端(以下简称STA)是以智能手机、笔记本电脑或个人平板电脑等智能终端设备为载体。

STA在检测区域中实时发送探测帧，无线接入点收到后获取所述探测帧的信号强度，各个无线接入点上报信号强度至本地服务器或云服务器，服务器根据各个无线接入点上报的RSSI场强报文生成信号强度数据。本发明通过将各个无线接入点获得的与各个无线接入点对应的信号强度数据作为输入定位模型的原始数据，例如，信号强度数据的格式为<RSSI1，RSSI2，RSSI3，RSSI4，RSSI5>，其中RSSI1为AP1收到的STA的RSSI，RSSI2为AP2收到的STA的RSSI，以此类推。

具体的，本发明中第一深度神经网络为分类型深度神经网络，将所述信号强度数据输入第一深度神经网络，经计算后输出房间标签的概率值，选取概率值最大的房间标签确定当前待检测客户端所在位置所属房间。本发明中第二深度神经网络为拟合型深度神经网络，将所述信号强度数据输入第二深度神经网络，经计算后输出待检测客户端的预测位置坐标。

图5为本发明一种基于wifi的多房间定位服务器的完整组成示意图。优选的，还包括：第一训练模块410，用于预先训练分类型深度神经网络，将训练后的所述分类型深度神经网络作为所述第一深度神经网络；第二训练模块420，用于预先训练多个分别与房间标签对应的拟合型深度神经网络，将训练后的所述拟合型深度神经网络中的一个作为所述第二深度神经网络。

本发明中对分类型深度神经网络进行训练，其中分类型深度神经网络的训练网络的结构如下：

数据层->卷积层1->卷积层2->ReLU层->Max Pooling层->全连接层1->全连接层2->SoftMaxLoss层

当网络参数训练完成之后，将分类型深度神经网络的网络参数更新为训练后的网络参数，同时将训练网络最后一层SoftMaxLoss层更为SoftMax层，形成实施网络，用于作为定位模型参与实际定位过程。其中SoftMaxLoss层用于深度神经网络进行训练时输出训练的输出结果与实际的训练位置标签的误差，而SoftMax层用于在实施网络在定位时，输出待检测客户端所在位置所属房间标签的概率值。

训练网络和实施网络除了最后一层不一样(训练网络为SoftMaxLoss层，实施网络为)，其他层都一样，训练网络所得到的网络参数可以直接用在实施网络中。

本发明中对拟合型深度神经网络进行训练，其中拟合型深度神经网络的训练网络的结构如下：

数据层->全连接层1->ReLU层->全连接层2->Euclidean Loss层

当网络参数训练完成之后，将拟合型深度神经网络的网络参数更新为训练后的网络参数，同时将训练网络最后一层Euclidean Loss层去除，形成实施网络，用于作为定位模型参与实际定位过程。其中Euclidean Loss层用于深度神经网络进行训练时输出训练的输出结果与实际的训练位置标签的误差，而实施网络在定位时，直接在网络层输出待检测客户端所在位置的预测位置坐标。

训练网络和实施网络除了最后一层不一样(训练网络为Euclidean Loss层，实施网络去除Euclidean Loss层)，其他层都一样，训练网络所得到的网络参数可以直接用在实施网络中

优选的，所述第一训练模块410进一步包括：房间分类子模块411，用于对检测区域内的多个房间进行分类，为每个房间分配对应的房间标签；第一训练数据集生成子模块412，用于分别采集每个房间内各个无线接入点接收预设训练位置上训练终端所发的信号的信号强度数据，并结合对应的房间标签形成每个房间的训练样本数据，将所有房间的训练样本数据生成第一训练数据集输入分类型深度神经网络；第一训练预测子模块413，用于依次将每个房间的训练样本数据输入所述分类型深度神经网络，经过所述深度神经网络输出相对应的训练结果，依次将输出的训练结果与其对应的所述预设训练位置所属房间的房间标签进行比较，根据比较结果对分类型深度神经网络进行训练，将训练后的分类型深度神经网络作为所述第一深度神经网络；所述第二训练模块420进一步包括：网络建立子模块421，用于分别为每个房间建立一个与房间标签一一对应的拟合型深度神经网络；坐标系建立子模块422，在每个房间分别建立平面直角坐标系，在所述平面直角坐标系中标出用于训练的训练位置坐标；第二训练数据集生成子模块423，用于分别将每个房间中的训练位置坐标以及各个无线接入点接收训练终端在每个训练位置坐标对应的位置上所发的信号的信号强度数据作为一组训练样本数据，生成每个房间的第二训练数据集，并送入与每个房间的房间标签相对应的拟合类深度神经网络中；第二训练预测子模块424，用于依次将每个房间的每一组训练样本数据中的信号强度数据输入与房间标签对应的所述拟合型深度神经网络，经过所述拟合型深度神经网络输出相对应的训练结果，依次将输出的训练结果与其对应的训练位置坐标进行比较，根据比较结果对拟合型深度神经网络进行训练，将训练后的拟合型深度神经网络作为所述第二深度神经网络。

需要说明的是，对于上述第一训练模块410以及第二训练模块420的训练过程详见本发明对于方法部分训练分类型深度神经网络和拟合型深度神经网络的解释，此处不再复述。

优选的，所述第二训练预测模块420按照下述公式分别将输出的训练结果与其对应的训练位置坐标进行比较：

其中，σ表示输出的训练结果与其对应的训练位置坐标的误差；(X₁,Y₁)表示每次训练输出的训练结果；(X₂,Y₂)表示对应的训练位置坐标；根据训练数据集中的每一组训练样本数据对所述拟合型深度神经网络进行训练，使得每次训练输出的训练结果与所述训练位置坐标进行比较后的误差σ收敛于预设范围内。

本服务器中各模块之间的信息交互、执行过程等内容与上述方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。

应当说明的是，上述实施例均可根据需要自由组合。以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种基于wifi的多房间定位方法，其特征在于，所述方法包括步骤：

S100、采集检测区域中各个无线接入点接收待检测客户端所发信号的信号强度数据；

S200、将所述信号强度数据输入第一深度神经网络，经所述第一深度神经网络计算得到待检测客户端所在位置所属房间的房间标签；

S300、将所述信号强度数据输入与待检测客户端所在位置所属房间的房间标签一一对应的第二深度神经网络；经所述第二深度神经网络计算得到待检测客户端所在位置的预测位置坐标。

2.如权利要求1所述的基于wifi的多房间定位方法，其特征在于，所述步骤S100之前还包括步骤：

S010、预先训练分类型深度神经网络，将训练后的所述分类型深度神经网络作为所述第一深度神经网络；

S020、预先训练多个分别与房间标签对应的拟合型深度神经网络，将训练后的所述拟合型深度神经网络中的一个作为所述第二深度神经网络。

3.如权利要求2所述的基于wifi的多房间定位方法，其特征在于，所述步骤S010训练所述第一深度神经网络进一步包括步骤：

S011、对检测区域内的多个房间进行分类，为每个房间分配对应的房间标签；

S012、分别采集每个房间内各个无线接入点接收预设训练位置上训练终端所发的信号的信号强度数据，并结合对应的房间标签形成每个房间的训练样本数据，将所有房间的训练样本数据生成第一训练数据集输入分类型深度神经网络；

S013、依次将每个房间的训练样本数据输入所述分类型深度神经网络，经过所述深度神经网络输出相对应的训练结果；

S014、依次将输出的训练结果与其对应的所述预设训练位置所属房间的房间标签进行比较，根据比较结果对分类型深度神经网络进行训练，将训练后的分类型深度神经网络作为所述第一深度神经网络；

所述步骤S020中训练所述第二深度神经网络进一步包括步骤：

S021、分别为每个房间建立一个与房间标签一一对应的拟合型深度神经网络；

S022、在每个房间分别建立平面直角坐标系，在所述平面直角坐标系中标出用于训练的训练位置坐标；

S023、分别将每个房间中的训练位置坐标以及各个无线接入点接收训练终端在每个训练位置坐标对应的位置上所发的信号的信号强度数据作为一组训练样本数据，生成每个房间的第二训练数据集，并送入与每个房间的房间标签相对应的拟合类深度神经网络中；

S024、依次将每个房间的每一组训练样本数据中的信号强度数据输入与房间标签对应的所述拟合型深度神经网络，经过所述拟合型深度神经网络输出相对应的训练结果；

S025、依次将输出的训练结果与其对应的训练位置坐标进行比较，根据比较结果对拟合型深度神经网络进行训练，将训练后的拟合型深度神经网络作为所述第二深度神经网络。

4.如权利要求3所述的基于wifi的多房间定位方法，其特征在于，所述步骤S025进一步包括步骤：

按照下述公式分别将输出的训练结果与其对应的训练位置坐标进行比较：

$\mathrm{\&sigma;}=\sqrt{{(X_1-X_2)}^2+{(Y_1-Y_2)}^2}$

其中，σ表示输出的训练结果与其对应的预设训练位置坐标的误差；(X₁,Y₁)表示每次训练输出的训练结果；(X₂,Y₂)表示对应的训练位置坐标；

根据训练数据集中的每一组训练样本数据对所述拟合型深度神经网络进行训练，使得每次训练输出的训练结果与所述训练位置坐标进行比较后的误差σ收敛于预设范围内。

5.一种基于wifi的多房间定位服务器，其特征在于，包括：

数据采集模块，用于采集检测区域中各个无线接入点接收待检测客户端所发信号的信号强度数据；

分类模块，用于将所述信号强度数据输入第一深度神经网络，经所述第一深度神经网络计算得到待检测客户端所在位置所属房间的房间分类；

定位模块，用于将所述信号强度数据输入与待检测客户端所在位置所属房间的房间标签一一对应的第二深度神经网络；经所述第二深度神经网络计算得到待检测客户端所在位置的预测位置坐标。

6.如权利要求5所述的基于wifi的多房间定位服务器，其特征在于，还包括：

第一训练模块，用于预先训练分类型深度神经网络，将训练后的所述分类型深度神经网络作为所述第一深度神经网络；

第二训练模块，用于预先训练多个分别与房间标签对应的拟合型深度神经网络，将训练后的所述拟合型深度神经网络中的一个作为所述第二深度神经网络。

7.如权利要求5所述的基于wifi的多房间定位服务器，其特征在于，所述第一训练模块进一步包括：

房间分类子模块，用于对检测区域内的多个房间进行分类，为每个房间分配对应的房间标签；

第一训练数据集生成子模块，用于分别采集每个房间内各个无线接入点接收预设训练位置上训练终端所发的信号的信号强度数据，并结合对应的房间标签形成每个房间的训练样本数据，将所有房间的训练样本数据生成第一训练数据集输入分类型深度神经网络；

第一训练预测子模块，用于依次将每个房间的训练样本数据输入所述分类型深度神经网络，经过所述深度神经网络输出相对应的训练结果，依次将输出的训练结果与其对应的所述预设训练位置所属房间的房间标签进行比较，根据比较结果对分类型深度神经网络进行训练，将训练后的分类型深度神经网络作为所述第一深度神经网络；

所述第二训练模块进一步包括：

网络建立子模块，用于分别为每个房间建立一个与房间标签一一对应的拟合型深度神经网络；

坐标系建立子模块，在每个房间分别建立平面直角坐标系，在所述平面直角坐标系中标出用于训练的训练位置坐标；

第二训练数据集生成子模块，用于分别将每个房间中的训练位置坐标以及各个无线接入点接收训练终端在每个训练位置坐标对应的位置上所发的信号的信号强度数据作为一组训练样本数据，生成每个房间的第二训练数据集，并送入与每个房间的房间标签相对应的拟合类深度神经网络中；

第二训练预测子模块，用于依次将每个房间的每一组训练样本数据中的信号强度数据输入与房间标签对应的所述拟合型深度神经网络，经过所述拟合型深度神经网络输出相对应的训练结果，依次将输出的训练结果与其对应的训练位置坐标进行比较，根据比较结果对拟合型深度神经网络进行训练，将训练后的拟合型深度神经网络作为所述第二深度神经网络。

8.如权利要求7所述的基于wifi的多房间定位服务器，其特征在于，所述第二训练预测子模块按照下述公式分别将输出的训练结果与其对应的训练位置坐标进行比较：

$\mathrm{\&sigma;}=\sqrt{{(X_1-X_2)}^2+{(Y_1-Y_2)}^2}$

其中，σ表示输出的训练结果与其对应的训练位置坐标的误差；(X₁,Y₁)表示每次训练输出的训练结果；(X₂,Y₂)表示对应的训练位置坐标；

根据训练数据集中的每一组训练样本数据对所述拟合型深度神经网络进行训练，使得每次训练输出的训练结果与所述训练位置坐标进行比较后的误差σ收敛于预设范围内。