CN108594170A - 一种基于卷积神经网络识别技术的wifi室内定位方法 - Google Patents
一种基于卷积神经网络识别技术的wifi室内定位方法 Download PDFInfo
- Publication number
- CN108594170A CN108594170A CN201810300922.2A CN201810300922A CN108594170A CN 108594170 A CN108594170 A CN 108594170A CN 201810300922 A CN201810300922 A CN 201810300922A CN 108594170 A CN108594170 A CN 108594170A
- Authority
- CN
- China
- Prior art keywords
- reference point
- pic
- full articulamentum
- convolutional
- neural networks
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0278—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves involving statistical or probabilistic considerations
Landscapes
- Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于卷积神经网络识别技术的WIFI室内定位方法,首先对室内定位区域划分参考点,对每个参考点进行WIFI信号采集,然后分别将每个参考点的数据处理后通过小波变换为对应位置的特征图构建初级定位指纹库;再将每个参考点的特征图进行像素变换构建定位指纹库的训练集,将训练集中每个参考点的特征图加标签后送入改进的卷积神经网络模型中训练得到分类模型;最后通过采样待测位置WIFI信号,数据处理后通过小波变换为对应位置的特征图送入得到的分类模型中进行分类,对位置类别做加权平均,从而实现针对待测位置的定位,即实现了WIFI室内定位。本发明特别适宜在商业场合中应用,其设备简单、功耗低。
Description
技术领域
本发明涉及WIFI室内定位方法,尤其是涉及一种基于卷积神经网络识别技术的WIFI室内定位方法,适用于大型超市或商场的商品定位,手机定位等各种室内定位技术。
背景技术
随着无线通信技术与网络技术的不断发展和全面普及,各种新业务与新需求层出不穷,其中位置感知计算和基于位置的服务在人们的生产生活中起到了至关重要的作用,如何确定用户位置是实施前述应用的首要问题,因此定位技术是位置感知计算和基于位置的服务的核心问题。GPS技术的成熟应用虽然能够满足人们对室外定位的各种需求,然而由于GPS信号穿透能力差无法适用于室内环境,因此急需寻找一种可行的室内定位方法来弥补全球定位系统的不足。
室内定位有着非常广阔的应用前景,目前已有一些室内定位方案,比如基于计算机视觉、红外传感器、超声波、和射频识别等,虽然能够解决定位问题,但分别存在如下问题:
计算机视觉定位,具有较高的辨识度,能够清晰显示目标的行走状态;但对室内环境要求较高,需要视野比较开阔的室内环境,对于复杂多隔间的室内环境需要相应配置很多台设备,增加开销。
红外线技术是一个比较常见的技术,目前比较典型的代表是Active Badge系统。定位系统复杂度较高,功耗较大,由于光线不能穿过障碍物,使得红外线仅能视距传播,容易受其它灯光干扰,并且红外线的传输距离较短,使其室内定位的效果很差。当移动设备放置在口袋里或者被墙壁遮挡时,就不能正常工作,需要在每个房间、走廊安装接收天线,导致总体造价较高。
基于超声波的定位技术使用在一些实验性的工作中,而实际利用超声波的商用设备很少,因此实际应用并不多,且容易受多径效应和非视距传播的影响,降低定位精度;同时,它还需要大量的底层硬件设施投资,总体成本较高。
射频识别定位技术利用射频方式进行非接触式双向通信交换数据,实现移动设备识别和定位的目的,但是这种技术不便于整合到移动设备之中,而且作用距离短。
发明内容
本发明是为避免上述现有技术所存在的不足之处,提供一种基于卷积神经网络识别技术的WIFI室内定位方法,使其相应配置的设备更为简单、成本低、功耗低、对室内环境要求不高、具有多径分辨能力,能观察视距或非视距路径上信号的微弱波动,不受光线影响。
本发明为解决技术问题采用如下技术方案:
本发明基于卷积神经网络识别技术的WIFI室内定位方法是按如下步骤进行:
步骤1、将一室内空间的外接矩形作为WIFI室内定位区域,将所述WIFI室内定位区域均匀划分为a个正方形网格,以每个正方形网格的中心点作为参考点,形成参考点集合CP,CP={CP1,CP2,...,CPi,...,CPa},CPi为第i个参考点,是指第i个正方形网格内的参考点,i=1,2,...,a。
步骤2、在所述WIFI室内定位区域的外部设置一个具有b根天线的路由器作为发射设备AP,在每个参考点上设置一个具有c根天线的接收设备,b和c的取值均大于0;
所述第i个参考点CPi在一段时间内利用所述接收设备按照采样速率v连续采集由所述发射设备AP发送的n个WIFI信号,从而构成第i个参考点CPi的信号时间序列集合CSIi,为第i个参考点CPi在第j次采集的WIFI信号,且为b×c×m的三维复数矩阵,m表示在无线传输标准协议IEEE802.11n下信道被划分的子载波个数,b×c表示所述接收设备和发射设备AP之间的链路数量,j=1,2,...,n。
步骤3、以所述第i个参考点CPi的信号时间序列集合CSIi中一条链路采集获得的WIFI信号代表第i个参考点CPi的位置信息,从而构成第i个参考点CPi的位置信息集合CPIi,为第i个参考点CPi接收到的第k个WIFI信号,且CPIi为n×m的二维复数矩阵,k=1,2,...,n。
步骤4、随机从二维复数矩阵CPIi的m列中取出1列数据,组成一个n×1的复数矩阵CPIi′;将复数矩阵CPIi′通过变换函数cwt进行一维连续复小波变换,复小波变换中的小波函数采用db3,变换尺度区间设为[1,100],步长设为0.1,进而得到s张与小波变换系数绝对值一一对应的灰度值图,即位置特征图,以此构成第i个参考点CPi的位置特征图集合PICi,为第i个参考点CPi的第q张位置特征图,q=1,2,...,s,并进一步得到所有参考点处的位置特征图总集PIC,PIC={PIC1,PIC2,...,PICi,...,PICa},以所述位置特征图总集PIC作为初级定位指纹库。
步骤5、对所述第i个参考点CPi的位置特征图集合PICi中的各位置特征图进行像素变换处理,得到第i个参考点CPi的变换位置特征图集合PIC′i,pict′i为像素变换后的第i个参考点CPi的第t张位置特征图,且的像素为w×h,t=1,2,...,s,进而得到所有参考点处的变换位置特征图总集PIC′,PIC′={PIC1′,PIC2′,...,PICi′,...,PICa′},以所述变换位置特征图总集PIC′作为定位指纹库的训练集。
步骤6、对于所述训练集中每个参考点的变换位置特征图集合PIC′i设置标签,获得带有标签的训练集,针对带有标签的训练集利用卷积神经网络模型进行训练,得到分类模型。
步骤7、针对一待测位置,按照步骤2采集其WIFI信号,经过步骤3和步骤4的处理方式后,取待测位置的一张位置特征图送入所述分类模型中进行分类,取z个概率最大的位置类别做加权平均,从而实现针对待测位置的定位。
本发明中基于卷积神经网络识别技术的WIFI室内定位方法,其特点也在于所述卷积神经网络模型采用具有如下改进结构的卷积神经网络模型:
设置卷积神经网络模型的结构包括输入层、3个卷积结构、3个全连接层以及输出层;所述3个卷积结构分别是第一卷积结构r1、第二卷积结构r2和第三个卷积结构r3;所述3个全连接层分别是第一全连接层fc1、第二全连接层fc2和第三全连接层fc3;
所述第一卷积结构r1包含两个卷积层conv1_1和conv1_2,每个卷积层分别设置64个卷积核,每个卷积核的尺寸为5×5、步长为2;池化卷积核尺寸为2×2,步长为1;LRN的local_size设置为5;
所述第二个卷积结构r2包含两个卷积层conv2_1和conv2_2,每个卷积层分别设置128个卷积核,每个卷积核的尺寸为3×3,步长为1;池化卷积核尺寸为2×2,步长为1;LRN的local_size设置为5;
所述第三个卷积结构r3包含三个卷积层conv3_1、conv3_2和conv3_3,每个卷积层分别设置256个卷积核,每个卷积核的尺寸为3×3,步长为1;池化卷积核尺寸为2×2步长为1;LRN的local_size设置为5;
所述第一全连接层fc1共有1024个神经元,在第一全连接层fc1后连接一个dropout-1层,所述dropout-1层的dropout-ratio设置为0.5;
所述第二个全连接层fc2共有512个神经元,在第一全连接层fc2后连接一个dropout-2层,所述dropout-2层的dropout-ratio设置为0.5;
所述第三个全连接层fc3有a个神经元;
所述步骤6中针对带有标签的训练集利用卷积神经网络模型进行训练是按如下步骤进行;
步骤2.1、将所述带有标签的训练集输入到改进结构的卷积神经网络模型的第一卷积结构r1中,依次经池化、局部响应归一化处理(LRN),由所述第一卷积结构r1输出64张特征图;将所述64张特征图输入到第二卷积结构r2中,依次经池化、局部响应归一化处理(LRN),由所述第二卷积结构r2输出128张特征图;将所述128张特征图输入到第三卷积结构r3中,依次经池化、局部响应归一化处理(LRN),由所述第三卷积结构r3输出256张特征图。
步骤2.2、将所述256张特征图输入到第一个全连接层fc1,并在所述第一个全连接层fc1中输出一个1024行的一维向量;将所述1024行的一维向量输入到第二个全连接层fc2,并在所述第二个全连接层fc2中输出一个512行的一维向量;将所述512行的一维向量输入到第三个全连接层fc3,并在所述第二个全连接层fc3中输出一个a行的一维向量。
步骤2.3、将所述在第三个全连接层fc3中输出的a行的一维向量送入Softmax回归分类器后得到输出误差,利用反向传播算法优化误差进行训练,得到分类模型。
与已有技术相比,本发明有益效果体现在:
1、本发明利用普通无线设备实现环境感知,利于在商业场合中的推广,设备结构简单、功耗和成本较低。
2、本发明中所采用的WIFI信号具体为CSI信号,即信道状态信息,它可从一个数据包中同时测量多个子载波的频率响应,而非全部子载波叠加的总体幅度响应,从而能够更加精细地刻画频率选择性信道,具有多径分辨能力,能观察视距或非视距路径上信号的微弱波动。
3、在WIFI信号广泛部署的家庭、旅馆、咖啡馆、机场、商场等各类大型或小型建筑物内,利用WIFI信号进行室内定位体现出其巨大的实用价值,其对于室内环境要求不高,不受光线影响,同时WIFI信号传输速度非常快,利于提高室内定位的速率。
4、当前包括智能手机、笔记本在内的大部分移动通信设备都内嵌了WIFI模块,无线电波覆盖范围广,非常利于本发明方法在室内定位方面的推广。
附图说明
图1为本发明室内定位方法流程图;
图2为本发明实施例中定位区域参考点分布图;
图3为本发明中某个参考点数据经小波变换后的一张灰度值图。
具体实施方式
参见图1和图2,本实施例中基于卷积神经网络识别技术的WIFI室内定位方法是按如下步骤进行:
步骤1、将一室内空间的外接矩形作为WIFI室内定位区域,将WIFI室内定位区域均匀划分为a个正方形网格,以每个正方形网格的中心点作为参考点,形成参考点集合CP,CP={CP1,CP2,...,CPi,...,CPa},CPi为第i个参考点,是指第i个正方形网格内的参考点,i=1,2,...,a。
划分正方形网格的数量和正方形网格尺寸的选取与具体的定位需求和室内场景的大小有关。正方形网格数量越多、正方形网格尺寸越小,则定位精度越高,同时,为构建定位指纹库的训练集所需的代价也越高。比如:对于一间长为14m、宽为10m的区域进行划分,其正方形网格的数量通常可以20~130,正方形网格的尺寸可以为0.75m×0.75m~2m×2m。
参见图2,本实施例中,以长10m、宽为8m的矩形区域作为WIFI室内定位区域,划分正方形网格的数量为80,正方形网格选取的尺寸为1m×1m,以各正方形网格的中心点作为参考点。为便于定位建立图2所示的坐标系,是以矩形区域的一个角为原点,以矩形区域中相互垂直的两条边线分别作为x轴和y轴,则各参考点在坐标系中具有确定的位置坐标(y,x)。
步骤2、在WIFI室内定位区域的外部设置一个具有b根天线的路由器作为发射设备AP,在每个参考点上设置一个具有c根天线的接收设备,b和c的取值均大于0;
第i个参考点CPi在一段时间内利用接收设备按照采样速率v连续采集由发射设备AP发送的n个WIFI信号,从而构成第i个参考点CPi的信号时间序列集合CSIi,为第i个参考点CPi在第j次采集的WIFI信号,且为b×c×m的三维复数矩阵,m表示在无线传输标准协议IEEE802.11n下信道被划分的子载波个数,b×c表示接收设备和发射设备AP之间的链路数量,j=1,2,...,n;
目前市场上常见路由器的天线数量为1~3,本实施例中接收设备是内置无线网卡为Intel 5300的笔记本电脑,笔记本电脑内置无线网卡天线的数量通常为1~3,因此b和c的取值为1~3,则b×c为接收设备和发射设备AP之间的链路数量,也就是两者之间传输数据所走的物理通道的数量,本实施例中,取b=1,c=1,在接收设备和发射设备AP之间构成一条链路。当采用多条天线时,b×c即构成多条链路,针对多条链路,选择其任意一组链路以相同的方式进行定位即;采用不同的链路组获得的定位结果可以用来进行相互校核。
步骤3、以第i个参考点CPi的信号时间序列集合CSIi中一条链路采集获得的WIFI信号代表第i个参考点CPi的位置信息,从而构成第i个参考点CPi的位置信息集合CPIi,为第i个参考点CPi接收到的第k个WIFI信号,且CPIi为n×m的二维复数矩阵,k=1,2,...,n。
步骤4、随机从二维复数矩阵CPIi的m列中取出1列数据,组成一个n×1的复数矩阵CPI′i;将复数矩阵CPI′i通过变换函数cwt进行一维连续复小波变换,复小波变换中的小波函数采用db3,变换尺度区间设为[1,100],步长设为0.1,进而得到s张与小波变换系数绝对值一一对应的灰度值图,即位置特征图,以此构成第i个参考点CPi的位置特征图集合PICi,为第i个参考点CPi的第q张位置特征图,q=1,2,...,s,并进一步得到所有参考点处的位置特征图总集PIC,PIC={PIC1,PIC2,...,PICi,...,PICa},以位置特征图总集PIC作为初级定位指纹库。
图3所示为本发明方法中一个参考点数据经小波变换后的一张灰度值图,即位置特征图,横坐标表示时间序列,纵坐标表示变换尺度,小波变换系数就是图上的每个像素点。
步骤5、对第i个参考点CPi的位置特征图集合PICi中的各位置特征图进行像素变换处理,得到第i个参考点CPi的变换位置特征图集合PIC′i,为像素变换后的第i个参考点CPi的第t张位置特征图,且的像素为w×h,t=1,2,...,s,进而得到所有参考点处的变换位置特征图总集PIC′,PIC′={PIC′1,PIC′2,...,PIC′i,...,PIC′a},以变换位置特征图总集PIC′作为定位指纹库的训练集。
步骤6、对于训练集中每个参考点的变换位置特征图集合PICi′设置标签,获得带有标签的训练集,针对带有标签的训练集利用卷积神经网络模型进行训练,得到分类模型;
步骤7、针对一待测位置,按照步骤2采集其WIFI信号,经过步骤3和步骤4的处理方式后,取待测位置的一张位置特征图送入分类模型中进行分类,取z个概率最大的位置类别做加权平均,从而实现针对待测位置的定位。
本实施例中针对卷积神经网络模型采用具有如下改进结构的卷积神经网络模型:
设置卷积神经网络模型的结构包括输入层、3个卷积结构、3个全连接层以及输出层;3个卷积结构分别是第一卷积结构r1、第二卷积结构r2和第三个卷积结构r3;3个全连接层分别是第一全连接层fc1、第二全连接层fc2和第三全连接层fc3;
第一卷积结构r1包含两个卷积层conv1_1和conv1_2,每个卷积层分别设置64个卷积核,每个卷积核的尺寸为5×5、步长为2;池化卷积核尺寸为2×2,步长为1;LRN的local_size设置为5;
第二个卷积结构r2包含两个卷积层conv2_1和conv2_2,每个卷积层分别设置128个卷积核,每个卷积核的尺寸为3×3,步长为1;池化卷积核尺寸为2×2,步长为1;LRN的local_size设置为5;
第三个卷积结构r3包含三个卷积层conv3_1、conv3_2和conv3_3,每个卷积层分别设置256个卷积核,每个卷积核的尺寸为3×3,步长为1;池化卷积核尺寸为2×2步长为1;LRN的local_size设置为5;
第一全连接层fc1共有1024个神经元,在第一全连接层fc1后连接一个dropout-1层,dropout-1层的dropout-ratio设置为0.5;
第二个全连接层fc2共有512个神经元,在第一全连接层fc2后连接一个dropout-2层,dropout-2层的dropout-ratio设置为0.5;
第三个全连接层fc3有a个神经元;
步骤6中针对带有标签的训练集利用卷积神经网络模型进行训练是按如下步骤进行;
步骤2.1、将带有标签的训练集输入到改进结构的卷积神经网络模型的第一卷积结构r1中,依次经池化、局部响应归一化处理(LRN),由第一卷积结构r1输出64张特征图;将64张特征图输入到第二卷积结构r2中,依次经池化、局部响应归一化处理(LRN),由第二卷积结构r2输出128张特征图;将128张特征图输入到第三卷积结构r3中,依次经池化、局部响应归一化处理(LRN),由第三卷积结构r3输出256张特征图;
步骤2.2、将256张特征图输入到第一个全连接层fc1,并在第一个全连接层fc1中输出一个1024行的一维向量;将1024行的一维向量输入到第二个全连接层fc2,并在第二个全连接层fc2中输出一个512行的一维向量;将512行的一维向量输入到第三个全连接层fc3,并在第二个全连接层fc3中输出一个a行的一维向量;
步骤2.3、将在第三个全连接层fc3中输出的a行的一维向量送入Softmax回归分类器后得到输出误差,利用反向传播算法优化误差进行训练,得到分类模型。
Claims (2)
1.一种基于卷积神经网络识别技术的WIFI室内定位方法,其特征是按如下步骤进行:
步骤1、将一室内空间的外接矩形作为WIFI室内定位区域,将所述WIFI室内定位区域均匀划分为a个正方形网格,以每个正方形网格的中心点作为参考点,形成参考点集合CP,CP={CP1,CP2,...,CPi,...,CPa},CPi为第i个参考点,是指第i个正方形网格内的参考点,i=1,2,...,a;
步骤2、在所述WIFI室内定位区域的外部设置一个具有b根天线的路由器作为发射设备AP,在每个参考点上设置一个具有c根天线的接收设备,b和c的取值均大于0;
所述第i个参考点CPi在一段时间内利用所述接收设备按照采样速率v连续采集由所述发射设备AP发送的n个WIFI信号,从而构成第i个参考点CPi的信号时间序列集合CSIi, 为第i个参考点CPi在第j次采集的WIFI信号,且为b×c×m的三维复数矩阵,m表示在无线传输标准协议IEEE802.11n下信道被划分的子载波个数,b×c表示所述接收设备和发射设备AP之间的链路数量,j=1,2,...,n;
步骤3、以所述第i个参考点CPi的信号时间序列集合CSIi中一条链路采集获得的WIFI信号代表第i个参考点CPi的位置信息,从而构成第i个参考点CPi的位置信息集合CPIi, 为第i个参考点CPi接收到的第k个WIFI信号,且CPIi为n×m的二维复数矩阵,k=1,2,...,n;
步骤4、随机从二维复数矩阵CPIi的m列中取出1列数据,组成一个n×1的复数矩阵CPIi′;将复数矩阵CPIi′通过变换函数cwt进行一维连续复小波变换,复小波变换中的小波函数采用db3,变换尺度区间设为[1,100],步长设为0.1,进而得到s张与小波变换系数绝对值一一对应的灰度值图,即位置特征图,以此构成第i个参考点CPi的位置特征图集合PICi, 为第i个参考点CPi的第q张位置特征图,q=1,2,...,s,并进一步得到所有参考点处的位置特征图总集PIC,PIC={PIC1,PIC2,...,PICi,...,PICa},以所述位置特征图总集PIC作为初级定位指纹库;
步骤5、对所述第i个参考点CPi的位置特征图集合PICi中的各位置特征图进行像素变换处理,得到第i个参考点CPi的变换位置特征图集合PICi′, 为像素变换后的第i个参考点CPi的第t张位置特征图,且的像素为w×h,t=1,2,...,s,进而得到所有参考点处的变换位置特征图总集PIC′,PIC′={PIC′1,PIC′2,...,PIC′i,...,PIC′a},以所述变换位置特征图总集PIC′作为定位指纹库的训练集;
步骤6、对于所述训练集中每个参考点的变换位置特征图集合PICi′设置标签,获得带有标签的训练集,针对带有标签的训练集利用卷积神经网络模型进行训练,得到分类模型;
步骤7、针对一待测位置,按照步骤2采集其WIFI信号,经过步骤3和步骤4的处理方式后,取待测位置的一张位置特征图送入所述分类模型中进行分类,取z个概率最大的位置类别做加权平均,从而实现针对待测位置的定位。
2.根据权利要求1所述的基于卷积神经网络识别技术的WIFI室内定位方法,其特征是:
所述卷积神经网络模型采用具有如下改进结构的卷积神经网络模型:
设置卷积神经网络模型的结构包括输入层、3个卷积结构、3个全连接层以及输出层;所述3个卷积结构分别是第一卷积结构r1、第二卷积结构r2和第三个卷积结构r3;所述3个全连接层分别是第一全连接层fc1、第二全连接层fc2和第三全连接层fc3;
所述第一卷积结构r1包含两个卷积层conv1_1和conv1_2,每个卷积层分别设置64个卷积核,每个卷积核的尺寸为5×5、步长为2;池化卷积核尺寸为2×2,步长为1;LRN的local_size设置为5;
所述第二个卷积结构r2包含两个卷积层conv2_1和conv2_2,每个卷积层分别设置128个卷积核,每个卷积核的尺寸为3×3,步长为1;池化卷积核尺寸为2×2,步长为1;LRN的local_size设置为5;
所述第三个卷积结构r3包含三个卷积层conv3_1、conv3_2和conv3_3,每个卷积层分别设置256个卷积核,每个卷积核的尺寸为3×3,步长为1;池化卷积核尺寸为2×2步长为1;LRN的local_size设置为5;
所述第一全连接层fc1共有1024个神经元,在第一全连接层fc1后连接一个dropout_1层,所述dropout_1层的dropout_ratio设置为0.5;
所述第二个全连接层fc2共有512个神经元,在第一全连接层fc2后连接一个dropout_2层,所述dropout_2层的dropout_ratio设置为0.5;
所述第三个全连接层fc3有a个神经元;
所述步骤6中针对带有标签的训练集利用卷积神经网络模型进行训练是按如下步骤进行;
步骤2.1、将所述带有标签的训练集输入到改进结构的卷积神经网络模型的第一卷积结构r1中,依次经池化、局部响应归一化处理(LRN),由所述第一卷积结构r1输出64张特征图;将所述64张特征图输入到第二卷积结构r2中,依次经池化、局部响应归一化处理(LRN),由所述第二卷积结构r2输出128张特征图;将所述128张特征图输入到第三卷积结构r3中,依次经池化、局部响应归一化处理(LRN),由所述第三卷积结构r3输出256张特征图;
步骤2.2、将所述256张特征图输入到第一个全连接层fc1,并在所述第一个全连接层fc1中输出一个1024行的一维向量;将所述1024行的一维向量输入到第二个全连接层fc2,并在所述第二个全连接层fc2中输出一个512行的一维向量;将所述512行的一维向量输入到第三个全连接层fc3,并在所述第二个全连接层fc3中输出一个a行的一维向量;
步骤2.3、将所述在第三个全连接层fc3中输出的a行的一维向量送入Softmax回归分类器后得到输出误差,利用反向传播算法优化误差进行训练,得到分类模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810300922.2A CN108594170B (zh) | 2018-04-04 | 2018-04-04 | 一种基于卷积神经网络识别技术的wifi室内定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810300922.2A CN108594170B (zh) | 2018-04-04 | 2018-04-04 | 一种基于卷积神经网络识别技术的wifi室内定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108594170A true CN108594170A (zh) | 2018-09-28 |
CN108594170B CN108594170B (zh) | 2021-09-14 |
Family
ID=63625493
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810300922.2A Active CN108594170B (zh) | 2018-04-04 | 2018-04-04 | 一种基于卷积神经网络识别技术的wifi室内定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108594170B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110225453A (zh) * | 2019-06-24 | 2019-09-10 | 鲸数科技(北京)有限公司 | 移动终端定位方法、装置、电子设备及存储介质 |
CN110933631A (zh) * | 2019-12-03 | 2020-03-27 | 浙江科技学院 | 基于wifi位置指纹的室内定位方法 |
CN111212379A (zh) * | 2020-01-06 | 2020-05-29 | 天津工业大学 | 一种基于卷积神经网络的新型csi室内定位方法 |
CN111836358A (zh) * | 2019-12-24 | 2020-10-27 | 北京嘀嘀无限科技发展有限公司 | 定位方法、电子设备和计算机可读存储介质 |
CN112839311A (zh) * | 2019-11-22 | 2021-05-25 | 南京理工大学 | 一种基于动态监测的csi室内定位方法 |
WO2021103027A1 (en) * | 2019-11-30 | 2021-06-03 | Beijing Didi Infinity Technology And Development Co., Ltd. | Base station positioning based on convolutional neural networks |
CN112946567A (zh) * | 2021-01-26 | 2021-06-11 | 西安电子科技大学 | 基于域对抗神经网络的运动目标指纹室内定位方法 |
CN113038595A (zh) * | 2020-12-30 | 2021-06-25 | 东南大学 | 一种基于pq和cnn的快速指纹定位方法 |
CN113177101A (zh) * | 2021-06-30 | 2021-07-27 | 平安科技(深圳)有限公司 | 用户轨迹识别方法、装置、设备及存储介质 |
CN115357862A (zh) * | 2022-10-20 | 2022-11-18 | 山东建筑大学 | 一种狭长空间中的定位方法 |
CN115550863A (zh) * | 2022-11-23 | 2022-12-30 | 南京第三代通信科技有限公司 | 一种基于卷积神经网络的wifi室内定位方法 |
CN116347598A (zh) * | 2023-05-30 | 2023-06-27 | 华南师范大学 | 一种基于Wi-Fi的室内定位方法和装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2570772A1 (en) * | 2011-09-16 | 2013-03-20 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Method for localisation and mapping of pedestrians or robots using wireless access points |
US20140011518A1 (en) * | 2012-06-26 | 2014-01-09 | The Governing Council Of The University Of Toronto | System, method and computer program for dynamic generation of a radio map |
CN105828289A (zh) * | 2016-04-20 | 2016-08-03 | 浙江工业大学 | 一种基于信道状态信息的无源室内定位方法 |
US20160286519A1 (en) * | 2015-03-24 | 2016-09-29 | Ramot At Tel-Aviv University Ltd. | Determining a location of an ofdm transmitter |
CN106131958A (zh) * | 2016-08-09 | 2016-11-16 | 电子科技大学 | 一种基于信道状态信息和支持向量机的室内被动定位方法 |
CN106658590A (zh) * | 2016-12-28 | 2017-05-10 | 南京航空航天大学 | 基于WiFi信道状态信息多人室内环境状态监控系统的设计与实现 |
CN107832834A (zh) * | 2017-11-13 | 2018-03-23 | 合肥工业大学 | 一种基于生成对抗网络的wifi室内定位指纹库的构建方法 |
-
2018
- 2018-04-04 CN CN201810300922.2A patent/CN108594170B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2570772A1 (en) * | 2011-09-16 | 2013-03-20 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Method for localisation and mapping of pedestrians or robots using wireless access points |
US20140011518A1 (en) * | 2012-06-26 | 2014-01-09 | The Governing Council Of The University Of Toronto | System, method and computer program for dynamic generation of a radio map |
US20160286519A1 (en) * | 2015-03-24 | 2016-09-29 | Ramot At Tel-Aviv University Ltd. | Determining a location of an ofdm transmitter |
CN105828289A (zh) * | 2016-04-20 | 2016-08-03 | 浙江工业大学 | 一种基于信道状态信息的无源室内定位方法 |
CN106131958A (zh) * | 2016-08-09 | 2016-11-16 | 电子科技大学 | 一种基于信道状态信息和支持向量机的室内被动定位方法 |
CN106658590A (zh) * | 2016-12-28 | 2017-05-10 | 南京航空航天大学 | 基于WiFi信道状态信息多人室内环境状态监控系统的设计与实现 |
CN107832834A (zh) * | 2017-11-13 | 2018-03-23 | 合肥工业大学 | 一种基于生成对抗网络的wifi室内定位指纹库的构建方法 |
Non-Patent Citations (3)
Title |
---|
RUI ZHOU 等: ""Device-Free Presence Detection and Localization With SVM and CSI Fingerprinting"", 《IEEE SENSORS JOURNAL》 * |
XUYU WANG 等: ""CSI-Based Fingerprinting for Indoor Localization: A Deep Learning Approach"", 《IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY》 * |
蔡雄: ""基于CSI的室内WiFi定位技术研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110225453A (zh) * | 2019-06-24 | 2019-09-10 | 鲸数科技(北京)有限公司 | 移动终端定位方法、装置、电子设备及存储介质 |
CN112839311B (zh) * | 2019-11-22 | 2022-09-30 | 南京理工大学 | 一种基于动态监测的csi室内定位方法 |
CN112839311A (zh) * | 2019-11-22 | 2021-05-25 | 南京理工大学 | 一种基于动态监测的csi室内定位方法 |
WO2021103027A1 (en) * | 2019-11-30 | 2021-06-03 | Beijing Didi Infinity Technology And Development Co., Ltd. | Base station positioning based on convolutional neural networks |
CN110933631A (zh) * | 2019-12-03 | 2020-03-27 | 浙江科技学院 | 基于wifi位置指纹的室内定位方法 |
CN111836358B (zh) * | 2019-12-24 | 2021-09-14 | 北京嘀嘀无限科技发展有限公司 | 定位方法、电子设备和计算机可读存储介质 |
CN111836358A (zh) * | 2019-12-24 | 2020-10-27 | 北京嘀嘀无限科技发展有限公司 | 定位方法、电子设备和计算机可读存储介质 |
CN111212379A (zh) * | 2020-01-06 | 2020-05-29 | 天津工业大学 | 一种基于卷积神经网络的新型csi室内定位方法 |
CN113038595A (zh) * | 2020-12-30 | 2021-06-25 | 东南大学 | 一种基于pq和cnn的快速指纹定位方法 |
CN113038595B (zh) * | 2020-12-30 | 2022-07-01 | 东南大学 | 一种基于pq和cnn的快速指纹定位方法 |
CN112946567A (zh) * | 2021-01-26 | 2021-06-11 | 西安电子科技大学 | 基于域对抗神经网络的运动目标指纹室内定位方法 |
CN113177101A (zh) * | 2021-06-30 | 2021-07-27 | 平安科技(深圳)有限公司 | 用户轨迹识别方法、装置、设备及存储介质 |
CN113177101B (zh) * | 2021-06-30 | 2021-11-12 | 平安科技(深圳)有限公司 | 用户轨迹识别方法、装置、设备及存储介质 |
CN115357862A (zh) * | 2022-10-20 | 2022-11-18 | 山东建筑大学 | 一种狭长空间中的定位方法 |
CN115550863A (zh) * | 2022-11-23 | 2022-12-30 | 南京第三代通信科技有限公司 | 一种基于卷积神经网络的wifi室内定位方法 |
CN115550863B (zh) * | 2022-11-23 | 2023-08-04 | 南京第三代通信科技有限公司 | 一种基于卷积神经网络的wifi室内定位方法 |
CN116347598A (zh) * | 2023-05-30 | 2023-06-27 | 华南师范大学 | 一种基于Wi-Fi的室内定位方法和装置 |
CN116347598B (zh) * | 2023-05-30 | 2023-08-15 | 华南师范大学 | 一种基于Wi-Fi的室内定位方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108594170B (zh) | 2021-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108594170A (zh) | 一种基于卷积神经网络识别技术的wifi室内定位方法 | |
Li et al. | AF-DCGAN: Amplitude feature deep convolutional GAN for fingerprint construction in indoor localization systems | |
CN103476118B (zh) | 一种用于实时监控的wlan室内位置指纹定位方法 | |
CN103997781B (zh) | 区域定位基站系统及其区域定位方法 | |
TWI633325B (zh) | 位置獲取方法及裝置 | |
CN105828289B (zh) | 一种基于信道状态信息的无源室内定位方法 | |
Wang et al. | Optimizing node localization in wireless sensor networks based on received signal strength indicator | |
CN104076349B (zh) | 一种基于多普勒频移的被动式移动目标定位方法 | |
CN106793086A (zh) | 一种室内定位方法 | |
CN110536245A (zh) | 一种基于深度学习的室内无线定位方法及系统 | |
CN111479231A (zh) | 一种用于毫米波大规模mimo系统的室内指纹定位方法 | |
CN107727095A (zh) | 基于谱聚类和加权反向传播神经网络的3d室内定位方法 | |
CN110572774B (zh) | 一种基于uwb自定位的室内多基站扩展方法 | |
Dian et al. | A precise RFID indoor localization system with sensor network assistance | |
CN107992882A (zh) | 一种基于WiFi信道状态信息和支持向量机的室内人数统计方法 | |
CN109922427A (zh) | 利用大规模阵列天线的智能无线定位系统和方法 | |
CN106255059B (zh) | 一种基于几何方式的无设备目标定位方法 | |
CN111918388A (zh) | 基于深度可分离卷积的csi指纹被动式定位方法 | |
Ding et al. | Improving WiFi-based human activity recognition with adaptive initial state via one-shot learning | |
Kumar et al. | Localization for wireless sensor networks: A neural network approach | |
CN106559750A (zh) | 基于无源超高频rfid的多目标室内被动式定位算法 | |
CN104683953B (zh) | 基于SimRank相似组合邻近图构建的室内WLAN定位组网方法 | |
CN112135344A (zh) | 一种基于csi和dcnn的无设备目标定位方法 | |
Zhang et al. | A training-free multipath enhancement (TFME-RTI) method for device-free multi-target localization | |
CN201535817U (zh) | 一种基于区域的室内定位系统 |
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 |