CN107396322B - 基于路径匹配与编码译码循环神经网络的室内定位方法 - Google Patents

Abstract

本发明涉及室内定位方法，尤其涉及一种基于路径匹配与编码译码循环神经网络的室内定位方法。本发明包括训练阶段和测试阶段。训练阶段在待定位区域中设计行走路径，并采集移动设备在各路径上行走时来自AP的信号接收强度动态时间序列；对RSS时间序列进行预处理；通过插值得到对应的位置时间序列；建立编码译码循环神经网络模型，用长短时记忆作为模型的基本组件，定位服务器利用预处理后的RSS时间序列及对应的位置时间序列对循环神经网络模型进行训练。测试阶段获取在线RSS数据，得到RSS时间序列；对RSS时间序列进行预处理，把预处理后的RSS时间序列作为已训练好的深度学习模型的输入，得到的输出序列作为对移动设备的路径位置估计。

Description

基于路径匹配与编码译码循环神经网络的室内定位方法

技术领域个

本发明涉及室内定位方法，尤其涉及一种基于路径匹配与编码译码循环神经网络的室内定位方法。

背景技术

全球定位系统(Global Positioning System，GPS)在受建筑物遮挡的环境下定位效果差，因此室内定位技术成为GPS的重要补充。现有的室内定位方法主要可以分为基于信号模型的方法和基于机器学习的方法。室内环境一般较为复杂，多径现象严重，这使得精确可用的信号模型的建立十分困难，大部分已有的用于定位的信号模型都没有考虑多径情况或者考虑得过于简单。而基于机器学习的方法不需要建立信号模型，而是从数据中学习模型，在数据足够充分、模型选择合适的情况下能学习到更适应环境的定位模型。

目前基于机器学习的室内定位方法主要有最近邻法、支持向量机、神经网络方法等。近年来基于神经网络的深度学习方法在很多领域取得了突破性的成果，深度学习方法的优点在于能够提取信号中的高度抽象信息。把深度学习方法用在室内定位上学习复杂信号模型也有一定成果。已有的深度学习室内定位方法大部分属于静态方法，把采集到的连续时间样本视为相互独立的数据点，没有利用到信号与位置变化在时间维度的相关性，定位结果可能会有较大的时间跳动。简单采取对位置估计结果进行时间平滑的措施可以一定程度上缓解跳动，但没有从根本上利用时间相关性。此外一些跟踪方法利用到位置时间特性进行建模，例如卡尔曼滤波、粒子滤波及隐马尔科夫模型、贝叶斯推断等方法。但这些方法往往建立在信号模型是高斯的假设上，且跟踪与定位本质上不同，跟踪方法中对当前时刻的预测需要用到历史时刻的轨迹。

综上所述，移动设备的运动路径是动态连续的，接收信号中不仅包含空间信息还包含时间信息。有必要建立一种能从信号中学习这种时空特性的深度学习定位模型，以提高定位的鲁棒性和时间稳定性。

发明内容

本发明目的在于提供一种基于编码译码循环神经网络模型的室内路径匹配定位方法，循环神经网络是一种用于序列学习的深度学习框架。旨在充分利用移动设备运动过程中的动态信号测量的时间相关性以提高室内定位系统的精度、鲁棒性和时间稳定性。

为解决上述技术问题，本发明所采取的技术方案是：

一种基于路径匹配与编码译码循环神经网络的室内定位方法，基于M个AP、一个移动设备和定位服务器构成的定位系统；AP与移动设备构成M个收发对；

所述定位方法包括训练阶段和测试阶段；

所述训练阶段：在待定位区域中设计的路径上行走，并采集移动设备在各路径上行走时来自AP的RSS动态时间序列；对RSS时间序列进行预处理；通过插值得到对应的位置时间序列；建立编码译码循环神经网络模型，用LSTM作为模型的基本组件，定位服务器利用预处理后的RSS时间序列及对应的位置时间序列对循环神经网络模型进行训练。

所述测试阶段：移动设备获取在线RSS数据，得到RSS时间序列；对RSS时间序列进行预处理，把预处理后的RSS时间序列作为已训练好的深度学习模型的输入，得到的输出序列作为对移动设备的路径位置估计。

所述训练阶段具体包括以下步骤：

1)数据采集。手持移动设备在待定位区域数据采集路径上匀速移动，同时移动设备无线网卡接收来自M个AP以固定速率发送的数据包，获取RSS数据，把从路径的起点到终点采集的数据作为一次RSS时间序列数据采集。为方便描述，假设数据采集在同一条路径上进行，容易推广到多条路径的情况。数据采集总共进行N次，第n次数据采集的RSS时间序列记为：

ⁿS＝[ⁿs₁ ⁿs₂ … ⁿs_T]，n＝1,...,N，

其中T表示序列的长度，ⁿs_t(t＝1,...T)表示第n次数据采集来自各AP以△t为区间长度的等长时间区间[(t-1)△t,t·△t]内的RSS数据的均值组成的RSS向量，记为：

2)数据预处理。数据预处理包括对步骤1)中采集到的数据集{ⁿS,n＝1,...,N}进行中心化、归一化、切片以得到适合循环神经网络网络训练的数据集。

数据集的中心化的方法是把所有数据减去其均值。

数据集的归一化方法是把中心化后的数据除以其标准差。

当数据集中时间序列ⁿS长度T较大时，可采用重叠切片的方式得到T-L+1个长度L(L<T)较小的RSS时间序列^ntx，即^ntx＝[ⁿs_t,...,ⁿs_t+L-1]，t＝1,...,T-L+1。

3)获取位置标签。根据采集路径的端点、长度和T的大小插值得到与RSS时间序列对应的位置时间序列^nty＝[ⁿy_t,...,ⁿy_t+L-1]，t＝1,...,T-L+1，即RSS时间序列^ntx对应的位置标签序列，其中ⁿy_t∈R²表示RSS向量ⁿs_t对应的二维位置坐标。将序列对{^ntx,^nty}作为训练编码译码循环神经网络模型的输入和输出对，为方便，简记为{x,y}。

4)建立编码译码循环神经网络模型。模型由编码器和译码器两部分组成，两部分均采用循环神经网络结构。

译码器的目的是，给定的固定长向量表示c和先前预测到的路径{y₁,...,y_t-1}，预测下一个时刻的位置y_t。即是说，译码器将联合概率分解为有序条件概率来定义匹配路径y的概率：

其中，y＝(y₁,...,y_L)，对于循环神经网络，每个条件概率模型为：

p(y_t|{y₁,...,y_t-1},c)＝g(y_t-1,s_t,c)

其中g为非线性多层函数用于输出y_t的概率，s_t为译码器的隐藏层状态。为了引入对齐(alignment)机制，重新定义模型架构：

p(y_i|{y₁,...,y_i-1},x)＝g(y_i-1,s_i,c_i)

其中s_i为译码器在i时刻的隐藏层状态，计算方式为：

s_i＝f(s_i-1,y_i-1),c_i)。

与前述非对齐机制不同，对于每个目标位置y_i都有一个不同的编码c_i，

权重α_ij的计算方式为：

其中e_ij＝a(s_i-1,h_j)，是一个对齐模型，它表示译码器中第i-1时刻与编码器中第i时刻的匹配程度。将对齐模型a参数化为与所提出的系统的所有其他组件联合训练的前馈神经网络。

编码器处理输入RSS时间序列x，通过下面公式把输入序列编码成固定长向量表示c，

h_t＝f(x_t,h_t-1)，

和

c＝q({h₁,...,h_L})，

其中为t时刻的采样数据，为t时刻的隐藏状态。f和q表示某个非线性函数，本发明用LSTM单元作为f。

为了充分利用路径的前后位置和信号的关系，编码器采用双向循环神经网络,包含前向和后向循环神经网络，前向循环神经网络按原始顺序读取输入序列并计算前向隐藏层状态后向循环神经网络以逆向读取输入序列得到后向隐藏层状态最后的编码器隐藏层状态由前向和后向隐藏层状态拼接得到，

所述测试阶段具体包括以下步骤：

1)移动设备在待定位区域中设计的路径上在线采集RSS时间序列，按照训练阶段步骤2)描述的方式对RSS时间序列进行预处理；

2)处理后的RSS时间序列作为训练好的网络模型的输入，得到的输出作为对移动设备行走路径的估计。

所述编码译码循环神经网络模型隐藏层采用LSTM作为基本组件。其每一个隐藏层单元都采用LSTM单元，LSTM单元的具体公式表示如下：

i_t＝σ(W_xix_t+W_hih_t-1+W_cic_t-1+b_i)

f_t＝σ(W_xfx_t+W_hfh_t-1+W_cfc_t-1+b_f)

c_t＝f_tc_t-1+i_ttanh(W_xcc_t-1+W_hch_t-1+b_c)

o_t＝σ(W_xox_t+W_hoh_t-1+W_coc_t-1+b_o)

h_t＝o_ttanh(c_t)

其中，i、f、o、c、h分别表示输入门(input gate)、遗忘门(forget gate)，输出门(output gate)，单元激活向量(cell activation vectors)，隐藏层状态，W_xi、W_hi、W_ci分别为输入特征向量、隐藏层状态、单元激活向量与输入门之间的权重矩阵，W_xf、W_hf、W_cf分别为输入特征向量、隐藏层状态、单元激活向量与遗忘门之间的权重矩阵，W_xo、W_ho、W_co分别为输入特征向量、隐藏层状态、单元激活向量与输出门之间的权重矩阵，W_xc、W_hc分别为输入特征向量、隐藏层单元与单元激活向量之间的权重矩阵，所述权重矩阵均为对角阵；b_i、b_f、b_c、b_o分别为输入门、遗忘门、输出门、单元激活向量的偏差值，t作为下标时表示采样时刻，σ为逻辑sigmoid激活函数，门使用σ激活函数：

其中，x是输入数据。它能够把输入数据“压缩”到[0,1]范围内，特别的，若输入为非常大的正数时，输出为1。

tanh为另一种激活函数。输入和隐藏层状态通常使用tanh激活函数：

其中，x是输入数据。它能够把输入数据“压缩”到[-1,1]范围内，当输入为0时，tanh函数输出为0。

本发明具有如下有益效果：

与现有静态定位技术相比，本发明充分利用了室内定位信号的时间变化的动态特性，其定位结果比一般算法更具有时间稳定性。

其次，与一般的指纹匹配定位算法相比，本发明应用了深度学习技术，在室内复杂环境下定位结果更具有鲁棒性，且定位精度更高。

此外，一般的指纹匹配定位算法需要存储和计算的指纹随着环境规模的扩大而增加，而本发明需要存储和计算的参数不受环境规模的影响，可以根据环境的复杂程度自由设计，存储器不需要记忆所有指纹(即训练数据)。

附图说明

图1是本发明的系统框图；

图2是编码译码循环神经网络模型路径匹配定位结构图；

图3是LSTM单元的结构图；

图4是仿真场景下三种方法的RMSE随噪声标准差σ变化的比较图；

图5是仿真场景下两种方法的RMSE随序列长度L变化的比较图；

图6是仿真场景下三种方法的CDF比较图；

图7是仿真场景下三种方法对一条路径进行定位的定位误差比较图。

具体实施方式

下面结合实例详细说明本发明的技术方案。

本发明系统框图如图1所示，包括训练阶段和测试阶段。

训练阶段根据待定位区域的地图结构，设计一些用于采集数据的路径，以固定速率采集移动设备在各路径上行走时来自AP的RSS时间序列；对RSS时间序列进行预处理；通过插值得到对应的位置时间序列；建立编码译码循环神经网络模型，用LSTM作为模型的基本组件，定位服务器利用预处理后的RSS时间序列及对应的位置时间序列对循环神经网络模型进行训练。

测试阶段移动设备获取在线RSS数据，得到RSS时间序列；对RSS时间序列进行预处理，把预处理后的RSS时间序列作为已训练好的深度学习模型的输入，得到的输出序列作为对移动设备的路径位置估计。

训练阶段具体包括以下步骤：

1)数据采集。手持移动设备在待定位区域数据采集路径上匀速移动，同时移动设备无线网卡接收来自M个AP以固定速率发送的数据包，获取RSS数据，把从路径的起点到终点采集的数据作为一次RSS时间序列数据采集。为方便描述，假设数据采集在同一条路径上进行，容易推广到多条路径的情况。数据采集总共进行N次，第n次数据采集的RSS时间序列记为：

ⁿS＝[ⁿs₁ ⁿs₂ … ⁿs_T]，n＝1,...,N，

其中T表示序列的长度，ⁿs_t(t＝1,...T)表示第n次数据采集来自各AP以△t为区间长度的等长时间区间[(t-1)△t,t·△t]内的RSS数据的均值组成的RSS向量，记为：

2)数据预处理。数据预处理包括对步骤1)中采集到的数据集{ⁿS,n＝1,...,N}进行中心化、归一化、切片以得到适合循环神经网络网络训练的数据集。

数据集的中心化的方法是把所有数据减去其均值。

数据集的归一化方法是把中心化后的数据除以其标准差。

当数据集中时间序列ⁿS长度T较大时，可采用重叠切片的方式得到T-L+1个长度L(L<T)较小的RSS时间序列^ntx，即^ntx＝[ⁿs_t,...,ⁿs_t+L-1]，t＝1,...,T-L+1。

3)获取位置标签。根据采集路径的端点、长度和T的大小插值得到与RSS时间序列对应的位置时间序列^nty＝[ⁿy_t,...,ⁿy_t+L-1]，t＝1,...,T-L+1，即RSS时间序列^ntx对应的位置标签序列，其中ⁿy_t∈R²表示RSS向量ⁿs_t对应的二维位置坐标。将序列对{^ntx,^nty}作为训练编码译码循环神经网络模型的输入和输出对，为方便，简记为{x,y}。

4)建立编码译码循环神经网络模型。模型由编码器和译码器两部分组成，两部分均采用循环神经网络结构。

译码器的目的是，给定的固定长向量表示c和先前预测到的路径{y₁,...,y_t-1}，预测下一个时刻的位置y_t。即是说，译码器将联合概率分解为有序条件概率来定义匹配路径y的概率：

其中，y＝(y₁,...,y_L)，对于循环神经网络，每个条件概率模型为：

p(y_t|{y₁,...,y_t-1},c)＝g(y_t-1,s_t,c)

其中g为非线性多层函数用于输出y_t的概率，s_t为译码器的隐藏层状态。为了引入对齐(alignment)机制，重新定义模型架构：

p(y_i|{y₁,...,y_i-1},x)＝g(y_i-1,s_i,c_i)

其中s_i为译码器在i时刻的隐藏层状态，计算方式为：

s_i＝f(s_i-1,y_i-1),c_i)。

与前述非对齐机制不同，对于每个目标位置y_i都有一个不同的编码c_i，

权重α_ij的计算方式为：

其中e_ij＝a(s_i-1,h_j)，是一个对齐模型，它表示译码器中第i-1时刻与编码器中第i时刻的匹配程度。将对齐模型a参数化为与所提出的系统的所有其他组件联合训练的前馈神经网络。

编码器处理输入RSS时间序列x，通过下面公式把输入序列编码成固定长向量表示c，

h_t＝f(x_t,h_t-1)，

和

c＝q({h₁,...,h_L})，

其中为t时刻的采样数据，为t时刻的隐藏状态。f和q表示某个非线性函数，本发明用LSTM单元作为f。

为了充分利用路径的前后位置和信号的关系，编码器采用双向循环神经网络,包含前向和后向循环神经网络，前向循环神经网络按原始顺序读取输入序列并计算前向隐藏层状态后向循环神经网络以逆向读取输入序列得到后向隐藏层状态最后的编码器隐藏层状态由前向和后向隐藏层状态拼接得到，

测试阶段具体包括以下步骤：

1)移动设备在待定位区域中设计的路径上在线采集RSS时间序列，按照训练阶段步骤2描述的方式对RSS时间序列进行预处理；

2)处理后的RSS时间序列作为训练好的网络模型的输入，得到的输出作为对移动设备行走路径的估计。

编码译码循环神经网络模型隐藏层采用LSTM作为基本组件。其每一个隐藏层单元都采用LSTM单元，LSTM单元的具体公式表示如下：

i_t＝σ(W_xix_t+W_hih_t-1+W_cic_t-1+b_i)

f_t＝σ(W_xfx_t+W_hfh_t-1+W_cfc_t-1+b_f)

c_t＝f_tc_t-1+i_ttanh(W_xcc_t-1+W_hch_t-1+b_c)

o_t＝σ(W_xox_t+W_hoh_t-1+W_coc_t-1+b_o)

h_t＝o_ttanh(c_t)

其中，i、f、o、c、h分别表示输入门(input gate)、遗忘门(forget gate)，输出门(output gate)，单元激活向量(cell activation vectors)，隐藏层状态，W_xi、W_hi、W_ci分别为输入特征向量、隐藏层状态、单元激活向量与输入门之间的权重矩阵，W_xf、W_hf、W_cf分别为输入特征向量、隐藏层状态、单元激活向量与遗忘门之间的权重矩阵，W_xo、W_ho、W_co分别为输入特征向量、隐藏层状态、单元激活向量与输出门之间的权重矩阵，W_xc、W_hc分别为输入特征向量、隐藏层单元与单元激活向量之间的权重矩阵，所述权重矩阵均为对角阵；b_i、b_f、b_c、b_o分别为输入门、遗忘门、输出门、单元激活向量的偏差值，t作为下标时表示采样时刻，σ为逻辑sigmoid激活函数，门使用σ激活函数：

其中，x是输入数据。它能够把输入数据“压缩”到[0,1]范围内，特别的，若输入为非常大的正数时，输出为1。

tanh为另一种激活函数。输入和隐藏层状态通常使用tanh激活函数：

其中，x是输入数据。它能够把输入数据“压缩”到[-1,1]范围内，当输入为0时，tanh函数输出为0。

以下通过具体实施例说明本发明内容：

本实施例利用光线跟踪技术来模拟室内无线电磁环境，为评估本发明的定位方法，同时还对比仿真了经典的k最近邻(k-Nearest Neighbor，kNN)指纹定位方法。由于本发明采用路径匹配的思想，而传统kNN方法是基于位置点匹配的思想，出于对比的公平性，我们将传统kNN方法推广到了路径匹配中，即把路径视为一个样本点进行kNN匹配。把这两种思想下的kNN方法分别记为：kNN点匹配方法和kNN路径匹配方法，为方便图示说明，以下把本发明方法记为RNN路径匹配方法。下面通过具体实施例来对比这两种方法与本发明的定位方法的性能差异。

仿真环境设置为一间长宽高分别为20米，15米，4米的空旷房间，房间的四个角的平面坐标分别为(0，0)，(0，15)，(20，15)，(20，0)。房间内共放置6个AP，放置的高度为1米，它们的平面坐标分别为(1，1)，(10，1)，(19，1)，(1，14)，(10，14)，(19，14)，单位米。AP的发射频率设置为2400MHz。移动设备位置均假设与AP同高，即高度为1米。数据采集路径假设为沿着房间周围的一个矩形路径，矩形的四个角的坐标分别为(2，2)，(2，13)，(18，13)，(18，2)。仿真数据利用用光线跟踪技术产生移动设备沿矩形路径某一起点开始行走至该起点结束所接收到的RSS时间序列作为一次采样。为模拟真实采样过程，仿真路径在所设计的矩形路径上增加了一个微小的随机偏移，仿真RSS数据噪声标准差为σ。

仿真产生20次路径样本序列和50次路径样本序列分别作为训练数据集和测试数据集，每次路径样本序列包含92个位置点的RSS序列，编码译码循环神经网络模型输入序列长度设置为L＝5，通过对训练数据集和测试数据集预处理，可以分别得到1760个训练数据对和4400个测试数据对。训练时的优化算法采用Adam，该算法对每个权值都自适应地计算学习速率。训练时随机选取小量的batch_size个训练输入来工作，即小批量数据(mini-batch)，本实验中使用小批量数据尺寸为batch_size＝50。损失函数采用交叉熵损失。

图4为三种方法的测试均方根误差(Root Mean Square Error,RMSE)随噪声标准差变化的曲线比较，其中kNN方法的误差棒表示k值在1-10范围内变化时RMSE的偏差，类似的，RNN方法的误差棒表示取概率最大的k(k的变化范围也为1-10)个位置的平均值作为位置估计结果的RMSE的偏差。从图4可以看到，kNN点匹配方法的RMSE曲线在另外两种方法的上方，误差较大；利用了路径信息的kNN路径匹配方法和RNN路径匹配方法则有效降低了定位误差；在噪声标准差小于3dB时，kNN路径匹配方法略好于RNN路径匹配方法，而在噪声标准差大于3dB时，RNN路径匹配方法比kNN路径匹配方法对噪声有明显的抑制作用。

图5是k值取5，σ分别为4dB，8dB，12dB时，两种路径匹配方法的RMSE随输入序列长度L改变时的变化曲线比较。从图5可以看到，随L的增大，两种方法的误差都呈下降趋势；RNN路径匹配方法总体误差低于kNN路径匹配方法，且当噪声标准差越大时，优势越为明显。

图6(a)和图6(b)分别为当k＝1和k＝10时，三种方法的误差累积概率密度曲线比较。从图6可以看出，RNN路径匹配方法的误差累积概率密度曲线总体上好于另外两种方法；当k值取1时优势更为明显。

图7是k为3,σ为10的情况下三种定位方法对一条路径进行定位的定位误差比较。从图7看出RNN路径匹配方法的时间稳定性最好。

Claims (3)

1.基于路径匹配与编码译码循环神经网络的室内定位方法，该方法用于基于M个AP、一个移动设备和定位服务器构成的定位系统，所述AP与移动设备构成M个收发对，其特征在于，所述的定位方法包括训练阶段和测试阶段；

训练阶段：

在待定位区域中设计的路径上行走，并采集移动设备在各路径上行走时来自AP的动态RSS时间序列；对RSS时间序列进行预处理；用插值法得到对应的位置时间序列；建立编码译码循环神经网络模型，用LSTM作为模型的基本组件，定位服务器利用预处理后的RSS时间序列及对应的位置时间序列对循环神经网络模型进行训练；训练阶段具体包括以下步骤：

S1、数据采集：

手持移动设备在待定位区域数据采集路径上匀速移动，同时移动设备无线网卡接收来自M个AP以固定速率发送的数据包，获取RSS数据，把从路径的起点到终点采集的数据作为一次RSS时间序列数据采集；数据采集总共进行N次，第n次数据采集的RSS时间序列记为：

ⁿS＝[ⁿs₁ ⁿs₂…ⁿs_T]，n＝1,...,N，

其中T表示序列的长度，ⁿs_t(t＝1,...T)表示第n次数据采集来自各AP以△t为区间长度的等长时间区间[(t-1)△t,t·△t]内的RSS数据的均值组成的RSS向量，记为：

S2、数据预处理：

数据预处理包括对步骤S1中采集到的数据集{ⁿS,n＝1,...,N}进行中心化、归一化、切片以得到适合循环神经网络网络训练的数据集；

数据集的中心化的方法是把所有数据减去其均值；

数据集的归一化方法是把中心化后的数据除以其标准差；

当数据集中时间序列ⁿS长度T较大时，可采用重叠切片的方式得到T-L+1个长度L(L<T)较小的RSS时间序列^ntx，即^ntx＝[ⁿs_t,...,ⁿs_t+L-1]，t＝1,...,T-L+1；

S3、获取位置标签：

根据采集路径的端点、长度和T的大小插值得到与RSS时间序列对应的位置时间序列^nty＝[ⁿy_t,...,ⁿy_t+L-1]，t＝1,...,T-L+1，即RSS时间序列^ntx对应的位置标签序列，其中ⁿy_t∈R²表示RSS向量ⁿs_t对应的二维位置坐标；将序列对{^ntx,^nty}作为训练编码译码循环神经网络模型的输入和输出对，记为{x,y}；

S4、建立编码译码循环神经网络模型：

模型由编码器和译码器两部分组成，两部分均采用循环神经网络结构；

译码器的目的是，给定的固定长向量表示c和先前预测到的路径{y₁,...,y_t-1}，预测下一个时刻的位置y_t，即译码器将联合概率分解为有序条件概率来定义匹配路径y的概率：

其中，y＝(y₁,...,y_L)，对于循环神经网络，每个条件概率模型为：

p(y_t|{y₁,...,y_t-1},c)＝g(y_t-1,s_t,c)

其中g为非线性多层函数用于输出y_t的概率，s_t为译码器的隐藏层状态；为了引入对齐机制，重新定义模型架构：

p(y_i|{y₁,...,y_i-1},x)＝g(y_i-1,s_i,c_i)

其中s_i为译码器在i时刻的隐藏层状态，计算方式为：

s_i＝f(s_i-1,y_i-1),c_i)

对于每个目标位置y_i都有一个不同的编码c_i，

权重α_ij的计算方式为：

其中e_ij＝a(s_i-1,h_j)，是一个对齐模型，它表示译码器中第i-1时刻与编码器中第i时刻的匹配程度；将对齐模型a参数化为与所提出的系统的所有其他组件联合训练的前馈神经网络；

编码器处理输入RSS时间序列x，通过下面公式把输入序列编码成固定长向量表示c，

h_t＝f(x_t,h_t-1)，

和

c＝q({h₁,...,h_L})，

其中为t时刻的采样数据，为t时刻的隐藏状态；f和q表示某个非线性函数，设定用LSTM单元作为f；

编码器采用双向循环神经网络,包含前向和后向循环神经网络，前向循环神经网络按原始顺序读取输入序列并计算前向隐藏层状态后向循环神经网络以逆向读取输入序列得到后向隐藏层状态最后的编码器隐藏层状态由前向和后向隐藏层状态拼接得到，

测试阶段：

移动设备获取在线RSS数据，得到RSS时间序列；对RSS时间序列进行预处理，把预处理后的RSS时间序列作为已训练好的深度学习模型的输入，得到的输出序列作为对移动设备的路径位置估计。

2.根据权利要求1所述的基于路径匹配与编码译码循环神经网络的室内定位方法，其特征在于，所述测试阶段具体包括以下步骤：

S5、移动设备在待定位区域中设计的路径上在线采集RSS时间序列，按照步骤S2对RSS时间序列进行预处理；

S6、处理后的RSS时间序列作为训练好的网络模型的输入，得到的输出作为对移动设备行走路径的估计。

3.根据权利要求2所述的基于路径匹配与编码译码循环神经网络的室内定位方法，其特征在于，所述编码译码循环神经网络模型隐藏层采用LSTM作为基本组件；其每一个隐藏层单元都采用LSTM单元，LSTM单元的具体公式表示如下：

i_t＝σ(W_xix_t+W_hih_t-1+W_cic_t-1+b_i)

f_t＝σ(W_xfx_t+W_hfh_t-1+W_cfc_t-1+b_f)

c_t＝f_tc_t-1+i_t tanh(W_xcc_t-1+W_hch_t-1+b_c)

o_t＝σ(W_xox_t+W_hoh_t-1+W_coc_t-1+b_o)

h_t＝o_ttanh(c_t)

其中，i、f、o、c、h分别表示输入门、遗忘门，输出门，单元激活向量，隐藏层状态，W_xi、W_hi、W_ci分别为输入特征向量、隐藏层状态、单元激活向量与输入门之间的权重矩阵，W_xf、W_hf、W_cf分别为输入特征向量、隐藏层状态、单元激活向量与遗忘门之间的权重矩阵，W_xo、W_ho、W_co分别为输入特征向量、隐藏层状态、单元激活向量与输出门之间的权重矩阵，W_xc、W_hc分别为输入特征向量、隐藏层单元与单元激活向量之间的权重矩阵，所述权重矩阵均为对角阵；b_i、b_f、b_c、b_o分别为输入门、遗忘门、输出门、单元激活向量的偏差值，t作为下标时表示采样时刻，σ为逻辑sigmoid激活函数，门使用σ激活函数：

其中，x是输入数据，它能够把输入数据“压缩”到[0,1]范围内，特别的，若输入为非常大的正数时，输出为1；

tanh为另一种激活函数；输入和隐藏层状态通常使用tanh激活函数：

其中，x是输入数据，tanh激活函数能够把输入数据压缩到[-1,1]范围内，当输入为0时，tanh函数输出为0。