CN106658422A - 针对高度稀疏WiFi数据的网络侧定位方法与系统 - Google Patents
针对高度稀疏WiFi数据的网络侧定位方法与系统 Download PDFInfo
- Publication number
- CN106658422A CN106658422A CN201710012659.2A CN201710012659A CN106658422A CN 106658422 A CN106658422 A CN 106658422A CN 201710012659 A CN201710012659 A CN 201710012659A CN 106658422 A CN106658422 A CN 106658422A
- Authority
- CN
- China
- Prior art keywords
- information
- network side
- network
- vector
- module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/02—Power saving arrangements
- H04W52/0209—Power saving arrangements in terminal devices
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及一种针对高度稀疏WiFi数据的网络侧定位方法及系统,在该网络侧定位方法中,当带有WiFi模块的终端处于指定已知位置时,环境中的网络侧AP获取到该终端的信号强度等信息;然后将信号强度、MAC地址等信息按照一定的通信协议发送给服务器端;服务器端将不同AP发过来的信息进行处理,形成指纹,并存储在数据库中。训练定位模型时,将数据库中的指纹向量输入到深度学习方法中,通过调整参数以得到定位模型。得到定位模型后,当有用户处于该环境中时,网络侧AP就会感知到该用户的WiFi信息,将该信息发给服务器,服务器将处理得到的特征向量输入到已有的定位模型中,即可得到用户的位置信息。
Description
技术领域
本发明涉及室内定位领域,基于网络侧AP获取的WiFi数据,结合深度学习方法,实现在数据稀疏时的高精度网络侧定位,以便向用户提供更好的基于位置的服务,尤其是在智慧商业领域。
背景技术
目前应用较多的是手机终端侧的WiFi指纹定位系统,分为离线阶段和在线阶段,如图1所示。离线阶段是指利用带有Wi-Fi模块的终端,如手机、平板电脑等,在室内指定位置(即坐标已知)搜索环境中存在的无线接入点(Access Point,AP)的信号强度,再将不同AP的信号强度组成无线信号向量(特征);进而利用机器学习方法等构建多组无线信号向量与其对应位置关系的映射,即形成定位模型。在线阶段则是带有Wi-Fi模块的终端在未知位置获取无线信号向量,将其输入到定位模型中,计算得到位置信息,以实现定位。
上述的定位方法是目前广泛使用的定位方法,需要用户主动采集标定数据建立指纹数据库,因此对用户依赖程度较高,同时也给用户带来一定的影响。而在“互联网+”理念的引导下,传统产业正在进行转型,传统的线下商场等力图通过线上大数据为用户提供更好的服务,形成“互联网+商业”的智慧商业模式。实际系统中,由于终端和AP的握手机会少,以及手机黑屏等系统低功耗模式也会降低扫描频率,造成了网络侧获取的数据稀疏,难以形成密集的指纹数据(无线信号向量与其对应位置组成的向量为指纹向量)。
发明内容
本发明的目的在于克服现有技术中由于终端和AP的握手机会少,以及手机黑屏等系统低功耗模式也会降低扫描频率,造成了网络侧获取的数据稀疏,难以形成密集的指纹数据,从而提供一种针对高度稀疏WiFi数据的网络侧定位方法及系统。
为了实现上述目的,本发明提供了一种针对高度稀疏WiFi数据的网络侧定位方法,包括以下步骤:
当带有WiFi模块的终端处于指定已知位置时,网络侧无线访问接入点AP获取该终端的信号强度信息,形成包含所述信号强度信息的向量信息;
通过设定的通信协议将所述向量信息发送给网络侧服务器;
当所述网络侧服务器收到网络侧的n个AP发送的向量信息时,将所收到的n个向量信息与已知位置信息结合,形成并存储训练定位模型所需的指纹信息,n为自然数;
将所述指纹信息输入到具有稀疏约束的深度学习方法中,训练得到定位模型;
当有用户处于该网络环境中时,网络侧AP将感知到的该用户的WiFi信息发送给所述网络侧服务器,所述网络侧服务器将处理得到的特征向量输入到所述定位模型中,得到用户的位置信息。
进一步地,所述向量信息还包括:终端标识信息、AP标识信息和时间戳。
进一步地,所述终端标识信息为终端设备的MAC地址,所述AP标识信息为AP设备的MAC地址。
进一步地,所述将所收到的n个向量信息与已知位置信息结合,形成并存储训练定位模型所需的指纹信息步骤包括:
根据所述向量信息中的时间戳和网络侧服务器存储的时间信息,筛选环境中有效感知的AP设备;
统计出环境中的AP信息,若环境中总共有m个感知AP,则特征维数为m维,m为不小于n的自然数;
将位置信息与筛选出的AP的向量进行组合,若感知到n个有效AP,则形成的定位指纹表示为:(xj,yj,rss1,...,rssm),其中xj,yj为所述位置信息的横纵坐标,如某AP不在该向量中,则该缺失的AP的信号强度则用默认值补齐。
进一步地,所述将所述指纹信息输入到具有稀疏约束的深度学习方法中,训练得到定位模型步骤包括:
确定自编码学习网络的层数,对每一层神经网络的初始连接权值和偏置进行随机赋值;
自底向上,逐层对自编码学习网络进行无监督预训练,预训练准则是对于单个自编码学习网络,在引入KL散度的约束下,求解网络参数,使得目标函数最小;
将每一层自编码学习网络的编码输出结果作为下一层网络的输入数据;
将最后一层自编码学习网络的输出输入到Logistic回归中,使用监督学习方法训练Logistic回归的参数;
对整个网络进行微调,即通过反向传播算法同时调整所有层的参数获取最终的网络参数。
为达到上述目的,本发明还提供了一种针对高度稀疏WiFi数据的网络侧定位系统,包括:位于网络侧AP端的数据获取模块和第一通信模块,以及位于网络侧服务器端的数据处理模块、数据存储模块、算法模块和第二通信模块,其中:
所述数据获取模块,用于当带有WiFi模块的终端处于指定已知位置时,获取该终端的信号强度信息,形成包含所述信号强度信息的向量信息;
所述第一通信模块,用于通过设定的通信协议将所述向量信息发送给网络侧服务器的所述第二通信模块;
所述数据处理模块,用于当所述第二通信模块收到网络侧的n个AP发送的向量信息时,将所收到的n个向量信息与已知位置信息结合,形成训练定位模型所需的指纹信息,n为自然数;
所述数据存储模块,用于存储所述数据处理模块形成的指纹信息;
所述算法模块,用于将所述指纹信息输入到具有稀疏约束的深度学习方法中,训练得到定位模型;
当有用户处于该网络环境中时,所述第一通信模块将所述数据获取模块感知到的该用户的WiFi信息发送给所述第二通信模块,所述数据处理模块将所述第二通信模块接收的WiFi信息处理得到的特征向量输入到所述算法模块的定位模型中,得到用户的位置信息。
进一步地,所述向量信息还包括:终端标识信息、AP标识信息和时间戳。
进一步地,所述终端标识信息为终端设备的MAC地址,所述AP标识信息为AP设备的MAC地址。
进一步地,所述数据处理模块包括:
筛选单元,用于根据所述向量信息中的时间戳和网络侧服务器存储的时间信息,筛选环境中有效感知的AP设备;
指纹形成单元,用于统计出环境中的AP信息,若环境中总共有m个感知AP,则特征维数为m维,m为不小于n的自然数;
将位置信息与筛选出的AP的向量进行组合,若感知到n个有效AP,则形成的定位指纹表示为:(xj,yj,rss1,...,rssm),其中xj,yj为所述位置信息的横纵坐标,如某AP不在该向量中,则该缺失的AP的信号强度则用默认值补齐。
进一步地,所述算法模块包括:
参数赋值单元,用于确定自编码学习网络的层数,对每一层神经网络的初始连接权值和偏置进行随机赋值;
无监督训练单元,用于自底向上,逐层对自编码学习网络进行无监督预训练,预训练准则是对于单个自编码学习网络,在引入KL散度的约束下,求解网络参数,使得目标函数最小;
监督训练单元,用于将每一层自编码学习网络的编码输出结果作为下一层网络的输入数据,将最后一层自编码学习网络的输出输入到Logistic回归中,使用监督学习方法训练Logistic回归的参数;
参数调整单元,用于对整个网络进行微调,即通过反向传播算法同时调整所有层的参数获取最终的网络参数。
本发明的优点在于:
相比于传统的基于终端侧客户端的定位,本发明的网络侧的定位可以利用无线接入点获取Wi-Fi模块信号强度,在对用户造成干扰最小的情况下获取数据。具体地,网络侧AP探针周期性的在各个信道切换发送广播信标帧,终端设备也在周期性切换信道,监听周边AP发送的信标帧并发送探测帧。本发明可以在网络侧实现对用户端的定位,摆脱了传统室内定位方法需要用户不断搜索WiFi进行定位的约束,既可以节省电量消耗,同时也可以在无干扰情况下积累海量数据,挖掘新的知识,为智慧商业的发展提供支持。采用的深度学习方法可以更好地挖掘信号特征,减少因数据稀疏带来的不利影响,实现高精度的网络侧定位。
附图说明
图1是基于WiFi信号的指纹向量定位方法示意图;
图2是本发明的网络侧定位环境示意图;
图3是本发明网络侧定位系统模块图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图,对本发明进一步详细说明。应当理解,此处所描述的具体实例仅仅用以解释本发明,并不用于限定本发明。
本发明的网络侧定位方法与系统是基于WLAN系统和WiFi信号数据。本发明的网络侧定位方法与系统的网络环境包括网络侧服务器,布置于室内环境的多个无线介入点AP及进入该室内环境的带有WiFi模块的终端。
由于数据的获取主要是通过网络侧的AP主动扫描得到,不同位置感知AP的信息也有较大差异;加之网络侧AP扫描机制导致得到的指纹信息具有较强的稀疏特性。因此,本发明使用了具有稀疏约束的深度学习方法训练定位模型。
深度学习隶属于人工神经网络,相比于单层神经网络,深度学习含有多个隐藏层,其目标是模拟人脑分析学习的机制,通过组合低层特征以产生更加抽象的高层特征,发现数据的分布式特征或结构,以此解释数据。目前基于深度学习的研究,还没有将其应用到室内定位领域。然而,考虑到网络侧定位数据的特性,本发明使用了基于稀疏约束的深度学习网络侧定位方法。本方法以自编码作为深度神经网络的构建模块;基于自编码深度学习的目标是:数据经过网络学习后,使输入datain和输出dataout保持一致,即datain=dataout。如果将自编码中数据经过网络输入和输出相等这个严格要求适当放松,在目标函数中引入一个表示稀疏的正则项(一般可以通过L1范数或者KL散度实现),通过逐层求解该优化问题,即可自动学习到数据的稀疏表示,可以很好的解决网络侧定位应用的问题。
以下先介绍本发明的方法实施例。
本发明的一个针对高度稀疏WiFi数据的网络侧定位方法实施例,包括以下步骤:
当带有WiFi模块的终端处于指定已知位置Loc(X,Y)时,网络侧无线访问接入点AP获取该终端的信号强度信息,形成包含所述信号强度信息的向量信息;
通过设定的通信协议将所述向量信息发送给网络侧服务器;
当所述网络侧服务器收到网络侧的n个AP发送的向量信息时,将所收到的n个向量信息与已知位置信息结合,形成并存储训练定位模型所需的指纹信息,n为自然数;
将所述指纹信息输入到具有稀疏约束的深度学习方法中,训练得到定位模型;
当有用户处于该网络环境中时,网络侧AP将感知到的该用户的WiFi信息发送给所述网络侧服务器,所述网络侧服务器将处理得到的特征向量(与训练模型过程中的指纹向量特征维度一致)输入到所述定位模型中,得到用户的位置信息。
例如,所述向量信息还包括:终端标识信息、AP标识信息和时间戳。利用AP和终端的标识信息作为索引构建指纹向量。
例如,所述终端标识信息为终端设备的MAC地址,所述AP标识信息为AP设备的MAC地址。
在本发明的一个具体实施例中,所述将所收到的n个向量信息与已知位置信息结合,形成并存储训练定位模型所需的指纹信息步骤包括:
根据所述向量信息中的时间戳和网络侧服务器存储的时间信息,筛选环境中有效感知的AP设备;
统计出环境中的AP信息,若环境中总共有m个感知AP,则特征维数为m维;
将位置信息与筛选出的AP的向量进行组合,若感知到n个有效AP,则形成的定位指纹表示为:(xj,yj,rss1,...,rssm),其中xj,yj为所述位置信息的横纵坐标,rss1和rssm之间的为rssi,(i=2,…,m-1),rssi为对应MAC地址为maci的AP感知到的智能终端信号强度,如某AP不在该向量中,则该缺失的AP的信号强度则用默认值补齐。
在本发明的一个具体实施例中,所述将所述指纹信息输入到具有稀疏约束的深度学习方法中,训练得到定位模型步骤包括:
确定自编码学习网络的层数,对每一层神经网络的初始连接权值和偏置进行随机赋值;
自底向上,逐层对自编码学习网络进行无监督预训练,预训练准则是对于单个自编码学习网络,在引入KL散度的约束下,求解网络参数,使得目标函数最小;
将每一层自编码学习网络的编码输出结果作为下一层网络的输入数据;
将最后一层自编码学习网络的输出输入到Logistic回归中,使用监督学习方法训练Logistic回归的参数;
对整个网络进行微调,即通过反向传播算法同时调整所有层的参数获取最终的网络参数。
通过这样的深度学习方法,可以利用网络侧AP得到的具有稀疏特性的指纹实现较高精度的定位,进一步为实现基于位置的服务提供基础。本专利的发明内容基于具有稀疏约束的深度学习网络侧定位方法深度学习方法,在实际的商场环境进行测试,具体结果如表3所示。
其中表1是网络侧AP感知到的用户在标定位置的Wi-Fi信息向量。第一列是Unix时间戳,第二列是网络侧AP的MAC地址,第三列是智能终端的MAC地址,第四列是获取到的智能终端的信号强度。
表1网络侧AP感知数据格式
1470552089 | f4:ea:74:39:b2:87 | c8:14:79:64:fc:5d | -80 |
1470552089 | ed:53:81:53:64:fa | c8:14:79:64:fc:5d | -86 |
1470552089 | f3:fc:79:6e:56:4c | c8:14:79:64:fc:5d | -79 |
1470552089 | e8:5e:15:39:d2:69 | c8:14:79:64:fc:5d | -66 |
1470552091 | eb:14:cc:c7:ee:ca | c8:14:79:64:fc:5d | -93 |
1470552091 | e1:c2:3b:1d:a5:48 | c8:14:79:64:fc:5d | -80 |
1470552091 | f0:fb:36:5d:aa:f7 | c8:14:79:64:fc:5d | -55 |
…… | …… | …… | …… |
1470552097 | dc:32:65:be:ea:df | c8:14:79:64:fc:5d | -90 |
当服务器收到网络侧AP发过来的向量后,根据服务器记录的时间信息,选择在该时间内的对应向量,并将这个信息进行处理,并结合对应的位置信息得到指纹向量如表2所示。其中,前两列是标记位置的横纵坐标信息,后面是对应网络侧AP感知到的终端的信号强度。其中,不存在的网络侧AP感知终端的信号强度用0补齐。从表2中可以明显的看到指纹数据的稀疏性。
表2处理后的指纹数据
780.0 | 619.0 | -70 | 0 | 0 | 0 | -68 | 0 | 0 | …… | 0 |
0 | 0 | 0 | -88 | 0 | 0 | 0 | 0 | 0 | …… | 0 |
1321.0 | 560.0 | 0 | -90 | 0 | 0 | 0 | 0 | 0 | …… | 0 |
0 | -80 | 0 | 0 | 0 | 0 | 0 | -56 | 0 | …… | -78 |
1106.0 | 661.0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | …… | 0 |
0 | 0 | 0 | 0 | 0 | 0 | 0 | -88 | 0 | …… | 0 |
…… | …… | …… | …… | …… | …… | …… | …… | …… | …… | …… |
386.0 | 440.0 | 0 | 0 | 0 | 0 | -86 | 0 | 0 | …… | 0 |
将处理得到的指纹数据输入到算法模块中具有稀疏约束的深度学习网络侧定位方法中,得到最终的位置信息。在真实环境下,将本发明提供的基于稀疏约束的深度学习的网络侧定位方法(Patent Method)与其他方法定位结果进行比较,如表3所示,实验主要对比了几个常用方法,包括了最近邻方法(Nearest Neighbor,NN),支持向量机(SupportVector Machine,SVM),超限学习机(Extreme Leaning Machine,ELM)对比结果如表3所示。从时间结果可以得出,在网络侧稀疏数据的情况,传统的定位方法得到定位结果误差较大,平均定位误差距离甚至超过20m。而使用基于稀疏约束的深度学习网络侧定位方法后,平均定位误差距离可以降低到10m以内,较大的提升了定位精度,为实现网络侧基于位置的服务提供良好基础。
表3不同方法定位精度对比
NN | SVM | ELM | 本发明方法 | |
平均误差距离(m) | 27.62 | 25.15 | 23.55 | 12.77 |
基于稀疏数据的网络侧室内定位系统,该系统包含着位置已知的m个可以获取WiFi模块信号强度的无线接入点APi(i=1,2,...,m),带有WiFi模块的智能设备SD(由于智能终端是被感知对象,无需任何主动操作,在此不做介绍)和服务器端组成,如图2所示。网络侧定位系统主要包括位于网络侧AP端的数据获取模块和第一通信模块,以及位于网络侧服务器端的数据处理模块、数据存储模块、算法模块和第二通信模块,下面结合图3详细介绍系统各部分的作用。
(a)网络侧AP
1.数据获取模块
主要负责数据获取:训练阶段,当用户所在的已知位置(xj,yj)可以被环境中一些网络侧AP的信号覆盖范围内时,则这些网络侧的AP就可以获取到该设备的信号强度。假设在环境中的m个AP中有n个可以感知到智能终端设备,则这n个网络侧AP就会将带有时间戳tsi,自身设备MAC地址APmaci,以及扫描到的终端的MAC地址和信号强度rssi的向量信息存储下来并发送给服务器,向量信息形式如下:(tsi,APmaci,maci,rssi)。依上所述,n个可感知到该智能设备的AP就可以形成n个向量信息。
2.第一通信模块
主要负责与服务器的通信;通信协议采用socket协议,由网络侧AP主动发起通信请求,将采集的向量信息(tsi,APmaci,maci,rssi)以既定的协议发送到服务器端;并等待接收回传的位置信息。
(b)网络侧服务器
网络侧服务器主要包含数据处理模块、数据存储模块、算法模块和通信模块。
1.数据处理模块
主要负责处理原始数据以得到指纹:对于服务器,当用户处于已知指定位置时,服务器会存储该位置信息和时间信息。当服务器收到网络侧的n个AP发送的向量信息时,将这些向量信息与位置信息结合,形成训练定位模型所需要的指纹信息。数据处理模块形成指纹信息的步骤如下:
●根据时间戳和服务器存储的时间信息,筛选环境中有效感知的AP设备;
●统计出环境中的AP信息,若环境中总共有m个感知AP,则特征维数为m维;
●将位置信息与筛选出的AP的向量进行组合,若感知到n个有效AP,则形成的定位指纹表示为:(xj,yj,rss1,...,rssm),其中,xj,yj为所述位置信息的横纵坐标,rssi为对应MAC地址为maci的AP感知到的智能终端信号强度,如某AP不在该向量中,则该缺失的AP的信号强度则用默认值补齐。
2.数据存储模块
主要负责存储功能:一是存储指纹向量以用来训练定位模型;二是存储定位模型,供后续的在线定位阶段的使用。
3.算法模块
算法模块是网络侧服务器的核心,实现具有稀疏约束的深度学习方法。具体地,数据存储模块中的指纹向量是算法模块的输入,经过算法模块的处理,计算得到的位置信息则为算法模块的输出。考虑到网络侧定位相比于传统定位方式特有的稀疏特性,算法模块主要使用具有稀疏约束的深度学习方法。
4.第二通信模块
该通信模块用来实现与网络侧AP的通信,包括接收AP发送的信息以及返回定位的计算结果。
根据本发明另一个实施例的针对高度稀疏WiFi数据的网络侧定位系统,包括:位于网络侧AP端的数据获取模块和第一通信模块,以及位于网络侧服务器端的数据处理模块、数据存储模块、算法模块和第二通信模块,其中:
所述数据获取模块,用于当带有WiFi模块的终端处于指定已知位置时,获取该终端的信号强度信息,形成包含所述信号强度信息的向量信息;
所述第一通信模块,用于通过设定的通信协议将所述向量信息发送给网络侧服务器的所述第二通信模块;
所述数据处理模块,用于当所述第二通信模块收到网络侧的n个AP发送的向量信息时,将所收到的n个向量信息与已知位置信息结合,形成训练定位模型所需的指纹信息,n为自然数;
所述数据存储模块,用于存储所述数据处理模块形成的指纹信息;
所述算法模块,用于将所述指纹信息输入到具有稀疏约束的深度学习方法中,训练得到定位模型;
当有用户处于该网络环境中时,所述第一通信模块将所述数据获取模块感知到的该用户的WiFi信息发送给所述第二通信模块,所述数据处理模块将所述第二通信模块接收的WiFi信息处理得到的特征向量输入到所述算法模块的定位模型中,得到用户的位置信息。
进一步地,所述数据处理模块包括:
筛选单元,用于根据所述向量信息中的时间戳和网络侧服务器存储的时间信息,筛选环境中有效感知的AP设备;
指纹形成单元,用于统计出环境中的AP信息,若环境中总共有m个感知AP,则特征维数为m维;
将位置信息与筛选出的AP的向量进行组合,若感知到n个有效AP,则形成的定位指纹表示为:(xj,yj,rss1,...,rssm),其中rssi为对应MAC地址为maci的AP感知到的智能终端信号强度,如某AP不在该向量中,则该缺失的AP的信号强度则用默认值补齐。
进一步地,所述算法模块包括:
参数赋值单元,用于确定自编码学习网络的层数,对每一层神经网络的初始连接权值和偏置进行随机赋值;
无监督训练单元,用于自底向上,逐层对自编码学习网络进行无监督预训练,预训练准则是对于单个自编码学习网络,在引入KL散度的约束下,求解网络参数,使得目标函数最小;
监督训练单元,用于将每一层自编码学习网络的编码输出结果作为下一层网络的输入数据,将最后一层自编码学习网络的输出输入到Logistic回归中,使用监督学习方法训练Logistic回归的参数;
参数调整单元,用于对整个网络进行微调,即通过反向传播算法同时调整所有层的参数获取最终的网络参数。
上述实施例中,当带有WiFi模块的终端处于指定已知位置Loc(X,Y)时,环境中的网络侧AP获取到该终端的信号强度等信息;然后将信号强度、MAC地址等信息按照一定的通信协议发送给服务器端;服务器端将不同AP发过来的信息进行处理,形成指纹,并存储在数据库中。训练定位模型时,将数据库中的指纹向量输入到深度学习方法中,通过调整参数以得到定位模型。得到定位模型后,当有用户处于该环境中时,网络侧AP就会感知到该用户的WiFi信息,将该信息发给服务器,服务器将处理得到的特征向量输入到已有的定位模型中,即可得到用户的位置信息。
本发明的优点在于,可以在网络侧实现对用户端的定位,摆脱了传统室内定位方法需要用户不断搜索WiFi进行定位的约束,既可以节省电量消耗,同时也可以在无干扰情况下积累海量数据,挖掘新的知识,为智慧商业的发展提供支持。采用的深度学习方法可以更好地挖掘信号特征,减少因数据稀疏带来的不利影响。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,对本发明的技术方案进行修改或者等同替换,都不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种针对高度稀疏WiFi数据的网络侧定位方法,其特征在于,包括以下步骤:
当带有WiFi模块的终端处于指定已知位置时,网络侧无线访问接入点AP获取该终端的信号强度信息,形成包含所述信号强度信息的向量信息;
通过设定的通信协议将所述向量信息发送给网络侧服务器;
当所述网络侧服务器收到网络侧的n个AP发送的向量信息时,将所收到的n个向量信息与已知位置信息结合,形成并存储训练定位模型所需的指纹信息,n为自然数;
将所述指纹信息输入到具有稀疏约束的深度学习方法中,训练得到定位模型;
当有用户处于该网络环境中时,网络侧AP将感知到的该用户的WiFi信息发送给所述网络侧服务器,所述网络侧服务器将处理得到的特征向量输入到所述定位模型中,得到用户的位置信息。
2.根据权利要求1所述的网络侧定位方法,其特征在于,所述向量信息还包括:终端标识信息、AP标识信息和时间戳。
3.根据权利要求2所述的网络侧定位方法,其特征在于,所述终端标识信息为终端设备的MAC地址,所述AP标识信息为AP设备的MAC地址。
4.根据权利要求3所述的网络侧定位方法,其特征在于,所述将所收到的n个向量信息与已知位置信息结合,形成并存储训练定位模型所需的指纹信息步骤包括:
根据所述向量信息中的时间戳和网络侧服务器存储的时间信息,筛选环境中有效感知的AP设备;
统计出环境中的AP信息,若环境中总共有m个感知AP,则特征维数为m维,m为不小于n的自然数;
将位置信息与筛选出的AP的向量进行组合,若感知到n个有效AP,则形成的定位指纹表示为:(xj,yj,rss1,...,rssm),其中xj,yj为所述位置信息的横纵坐标,如某AP不在该向量中,则该缺失的AP的信号强度用默认值补齐。
5.根据权利要求1所述的网络侧定位方法,其特征在于,所述将所述指纹信息输入到具有稀疏约束的深度学习方法中,训练得到定位模型步骤包括:
确定自编码学习网络的层数,对每一层神经网络的初始连接权值和偏置进行随机赋值;
自底向上,逐层对自编码学习网络进行无监督预训练,预训练准则是对于单个自编码学习网络,在引入KL散度的约束下,求解网络参数,使得目标函数最小;
将每一层自编码学习网络的编码输出结果作为下一层网络的输入数据;
将最后一层自编码学习网络的输出输入到Logistic回归中,使用监督学习方法训练Logistic回归的参数;
对整个网络进行微调,即通过反向传播算法同时调整所有层的参数获取最终的网络参数。
6.一种针对高度稀疏WiFi数据的网络侧定位系统,其特征在于,包括:位于网络侧AP端的数据获取模块和第一通信模块,以及位于网络侧服务器端的数据处理模块、数据存储模块、算法模块和第二通信模块,其中:
所述数据获取模块,用于当带有WiFi模块的终端处于指定已知位置时,获取该终端的信号强度信息,形成包含所述信号强度信息的向量信息;
所述第一通信模块,用于通过设定的通信协议将所述向量信息发送给网络侧服务器的所述第二通信模块;
所述数据处理模块,用于当所述第二通信模块收到网络侧的n个AP发送的向量信息时,将所收到的n个向量信息与已知位置信息结合,形成训练定位模型所需的指纹信息,n为自然数;
所述数据存储模块,用于存储所述数据处理模块形成的指纹信息;
所述算法模块,用于将所述指纹信息输入到具有稀疏约束的深度学习方法中,训练得到定位模型;
当有用户处于该网络环境中时,所述第一通信模块将所述数据获取模块感知到的该用户的WiFi信息发送给所述第二通信模块,所述数据处理模块将所述第二通信模块接收的WiFi信息处理得到的特征向量输入到所述算法模块的定位模型中,得到用户的位置信息。
7.根据权利要求6所述的网络侧定位系统,其特征在于,所述向量信息还包括:终端标识信息、AP标识信息和时间戳。
8.根据权利要求7所述的网络侧定位系统,其特征在于,所述终端标识信息为终端设备的MAC地址,所述AP标识信息为AP设备的MAC地址。
9.根据权利要求8所述的网络侧定位系统,其特征在于,所述数据处理模块包括:
筛选单元,用于根据所述向量信息中的时间戳和网络侧服务器存储的时间信息,筛选环境中有效感知的AP设备;
指纹形成单元,用于统计出环境中的AP信息,若环境中总共有m个感知AP,则特征维数为m维,m为不小于n的自然数;
将位置信息与筛选出的AP的向量进行组合,若感知到n个有效AP,则形成的定位指纹表示为:(xj,yj,rss1,...,rssm),其中xj,yj为所述位置信息的横纵坐标,如某AP不在该向量中,则该缺失的AP的信号强度则用默认值补齐。
10.根据权利要求6所述的网络侧定位系统,其特征在于,所述算法模块包括:
参数赋值单元,用于确定自编码学习网络的层数,对每一层神经网络的初始连接权值和偏置进行随机赋值;
无监督训练单元,用于自底向上,逐层对自编码学习网络进行无监督预训练,预训练准则是对于单个自编码学习网络,在引入KL散度的约束下,求解网络参数,使得目标函数最小;
监督训练单元,用于将每一层自编码学习网络的编码输出结果作为下一层网络的输入数据,将最后一层自编码学习网络的输出输入到Logistic回归中,使用监督学习方法训练Logistic回归的参数;
参数调整单元,用于对整个网络进行微调,即通过反向传播算法同时调整所有层的参数获取最终的网络参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710012659.2A CN106658422B (zh) | 2017-01-09 | 2017-01-09 | 针对高度稀疏WiFi数据的网络侧定位方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710012659.2A CN106658422B (zh) | 2017-01-09 | 2017-01-09 | 针对高度稀疏WiFi数据的网络侧定位方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106658422A true CN106658422A (zh) | 2017-05-10 |
CN106658422B CN106658422B (zh) | 2019-09-10 |
Family
ID=58843780
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710012659.2A Active CN106658422B (zh) | 2017-01-09 | 2017-01-09 | 针对高度稀疏WiFi数据的网络侧定位方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106658422B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107896362A (zh) * | 2017-10-25 | 2018-04-10 | 电子科技大学 | 一种基于深度学习的wifi位置指纹定位方法及系统 |
CN108347764A (zh) * | 2018-01-23 | 2018-07-31 | 南京航空航天大学 | 基于深度学习的考场无线电作弊信号定位方法及系统 |
CN108363086A (zh) * | 2018-02-26 | 2018-08-03 | 成都步速者科技股份有限公司 | 室内导航方法、装置、服务器及存储介质 |
CN108668249A (zh) * | 2018-07-10 | 2018-10-16 | 北京物资学院 | 一种移动终端室内定位方法及装置 |
CN109041208A (zh) * | 2018-07-18 | 2018-12-18 | 广东小天才科技有限公司 | 一种基于Wi-Fi指纹库的定位方法和定位服务器 |
CN109151995A (zh) * | 2018-09-04 | 2019-01-04 | 电子科技大学 | 一种基于信号强度的深度学习回归融合定位方法 |
CN109769280A (zh) * | 2019-03-29 | 2019-05-17 | 南京邮电大学 | 一种基于机器学习的wifi智能预测切换方法 |
CN110225460A (zh) * | 2019-06-05 | 2019-09-10 | 三维通信股份有限公司 | 一种基于深度神经网络的室内定位方法及装置 |
CN110430533A (zh) * | 2019-08-26 | 2019-11-08 | 浙江三维通信科技有限公司 | 移动终端定位方法、装置、系统、计算机设备和存储介质 |
CN110726970A (zh) * | 2018-07-17 | 2020-01-24 | Tcl集团股份有限公司 | 目标定位方法及终端设备 |
CN112533136A (zh) * | 2020-11-26 | 2021-03-19 | 南京工业大学 | 一种基于深度学习的wlan指纹定位方法 |
CN112866900A (zh) * | 2021-01-07 | 2021-05-28 | 浙江云合数据科技有限责任公司 | 一种基于众包数据的细粒度WiFi指纹地图实时构建方法 |
WO2021213376A1 (zh) * | 2020-04-22 | 2021-10-28 | 维沃移动通信有限公司 | 定位方法、通信设备和网络设备 |
EP3881091A4 (en) * | 2018-11-17 | 2022-08-10 | CommScope Technologies LLC | LOCATION WITH A CLOUD WIRELESS ACCESS NETWORK |
CN115802282A (zh) * | 2022-12-16 | 2023-03-14 | 兰笺(苏州)科技有限公司 | 无线信号场的协同定位方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103702416A (zh) * | 2013-12-24 | 2014-04-02 | 北京交通大学 | 基于支持向量机的半监督学习室内定位方法 |
US20140099971A1 (en) * | 2012-10-10 | 2014-04-10 | University-Industry Cooperation Group Of Kyunghee University | Apparatus and method for measuring location of user equipment located indoors in wireless network |
CN103945533A (zh) * | 2014-05-15 | 2014-07-23 | 济南嘉科电子技术有限公司 | 基于大数据的无线实时位置定位方法 |
CN105101408A (zh) * | 2015-07-23 | 2015-11-25 | 常熟理工学院 | 基于分布式ap选择策略的室内定位方法 |
CN106093852A (zh) * | 2016-05-27 | 2016-11-09 | 东华大学 | 一种提高WiFi指纹定位精度与效率的方法 |
-
2017
- 2017-01-09 CN CN201710012659.2A patent/CN106658422B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140099971A1 (en) * | 2012-10-10 | 2014-04-10 | University-Industry Cooperation Group Of Kyunghee University | Apparatus and method for measuring location of user equipment located indoors in wireless network |
CN103702416A (zh) * | 2013-12-24 | 2014-04-02 | 北京交通大学 | 基于支持向量机的半监督学习室内定位方法 |
CN103945533A (zh) * | 2014-05-15 | 2014-07-23 | 济南嘉科电子技术有限公司 | 基于大数据的无线实时位置定位方法 |
CN105101408A (zh) * | 2015-07-23 | 2015-11-25 | 常熟理工学院 | 基于分布式ap选择策略的室内定位方法 |
CN106093852A (zh) * | 2016-05-27 | 2016-11-09 | 东华大学 | 一种提高WiFi指纹定位精度与效率的方法 |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107896362A (zh) * | 2017-10-25 | 2018-04-10 | 电子科技大学 | 一种基于深度学习的wifi位置指纹定位方法及系统 |
CN108347764A (zh) * | 2018-01-23 | 2018-07-31 | 南京航空航天大学 | 基于深度学习的考场无线电作弊信号定位方法及系统 |
CN108363086A (zh) * | 2018-02-26 | 2018-08-03 | 成都步速者科技股份有限公司 | 室内导航方法、装置、服务器及存储介质 |
CN108668249A (zh) * | 2018-07-10 | 2018-10-16 | 北京物资学院 | 一种移动终端室内定位方法及装置 |
CN108668249B (zh) * | 2018-07-10 | 2021-01-22 | 北京物资学院 | 一种移动终端室内定位方法及装置 |
CN110726970A (zh) * | 2018-07-17 | 2020-01-24 | Tcl集团股份有限公司 | 目标定位方法及终端设备 |
CN109041208A (zh) * | 2018-07-18 | 2018-12-18 | 广东小天才科技有限公司 | 一种基于Wi-Fi指纹库的定位方法和定位服务器 |
CN109041208B (zh) * | 2018-07-18 | 2020-10-16 | 广东小天才科技有限公司 | 一种基于Wi-Fi指纹库的定位方法和定位服务器 |
CN109151995A (zh) * | 2018-09-04 | 2019-01-04 | 电子科技大学 | 一种基于信号强度的深度学习回归融合定位方法 |
CN109151995B (zh) * | 2018-09-04 | 2020-12-01 | 电子科技大学 | 一种基于信号强度的深度学习回归融合定位方法 |
EP3881091A4 (en) * | 2018-11-17 | 2022-08-10 | CommScope Technologies LLC | LOCATION WITH A CLOUD WIRELESS ACCESS NETWORK |
CN109769280A (zh) * | 2019-03-29 | 2019-05-17 | 南京邮电大学 | 一种基于机器学习的wifi智能预测切换方法 |
CN109769280B (zh) * | 2019-03-29 | 2021-10-08 | 南京邮电大学 | 一种基于机器学习的wifi智能预测切换方法 |
CN110225460A (zh) * | 2019-06-05 | 2019-09-10 | 三维通信股份有限公司 | 一种基于深度神经网络的室内定位方法及装置 |
CN110225460B (zh) * | 2019-06-05 | 2021-03-23 | 三维通信股份有限公司 | 一种基于深度神经网络的室内定位方法及装置 |
CN110430533A (zh) * | 2019-08-26 | 2019-11-08 | 浙江三维通信科技有限公司 | 移动终端定位方法、装置、系统、计算机设备和存储介质 |
WO2021213376A1 (zh) * | 2020-04-22 | 2021-10-28 | 维沃移动通信有限公司 | 定位方法、通信设备和网络设备 |
CN112533136B (zh) * | 2020-11-26 | 2021-12-07 | 南京工业大学 | 一种基于深度学习的wlan指纹定位方法 |
CN112533136A (zh) * | 2020-11-26 | 2021-03-19 | 南京工业大学 | 一种基于深度学习的wlan指纹定位方法 |
CN112866900A (zh) * | 2021-01-07 | 2021-05-28 | 浙江云合数据科技有限责任公司 | 一种基于众包数据的细粒度WiFi指纹地图实时构建方法 |
CN112866900B (zh) * | 2021-01-07 | 2023-03-31 | 浙江云合数据科技有限责任公司 | 一种基于众包数据的细粒度WiFi指纹地图实时构建方法 |
CN115802282A (zh) * | 2022-12-16 | 2023-03-14 | 兰笺(苏州)科技有限公司 | 无线信号场的协同定位方法及装置 |
CN115802282B (zh) * | 2022-12-16 | 2024-06-07 | 兰笺(苏州)科技有限公司 | 无线信号场的协同定位方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN106658422B (zh) | 2019-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106658422A (zh) | 针对高度稀疏WiFi数据的网络侧定位方法与系统 | |
EP3636001B1 (en) | Optimizing cellular networks using deep learning | |
Luo et al. | Dynamic resource allocations based on Q-learning for D2D communication in cellular networks | |
CN106550331B (zh) | 一种室内定位方法和设备 | |
CN102546059B (zh) | 认知自组织网络中基于无监督聚类的分布式合作频谱感知方法 | |
CN107113635A (zh) | 用于确定小区状态以调整天线配置参数的方法和装置 | |
CN104185275A (zh) | 一种基于wlan的室内定位方法 | |
CN105137390A (zh) | 一种基于可调发射功率ap的室内定位方法 | |
DE102004035531A1 (de) | Vorrichtung und Verfahren zum Ermitteln einer aktuellen Position eines mobilen Gerätes | |
CN108123772A (zh) | 一种基于梯度投影的无人机时频资源分配方法 | |
CN101729164B (zh) | 无线资源分配方法和认知无线电用户设备 | |
CN104780007A (zh) | 基于联盟博弈的多用户协作频谱感知方法 | |
Basiri et al. | Indoor positioning technology assessment using analytic hierarchy process for pedestrian navigation services | |
Shinkuma et al. | Data assessment and prioritization in mobile networks for real-time prediction of spatial information with machine learning | |
CN103874158A (zh) | 一种新型的聚类路由算法 | |
CN108566625A (zh) | 基于软件定义网络的WiFi定位方法 | |
Zhou et al. | Multi-agent few-shot meta reinforcement learning for trajectory design and channel selection in UAV-assisted networks | |
CN113453148B (zh) | 联合深度学习与加权k邻近算法的室内位置指纹定位方法 | |
CN105898873A (zh) | 数据帧的分配方法与装置以及数据传输方法与装置 | |
CN103179675A (zh) | 基于ε-贪婪的在线序贯感知与机会接入方法 | |
CN105848199A (zh) | 信息处理方法及装置 | |
US20200271769A1 (en) | Method for evaluating positioning parameters and system | |
CN106921978A (zh) | 一种位置分布确定方法及装置 | |
CN110621025B (zh) | 一种设备选型方法和装置 | |
CN105592563A (zh) | 一种多用户机会频谱接入方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |