CN109040957A - 一种基于wifi的室内定位方法及装置 - Google Patents
一种基于wifi的室内定位方法及装置 Download PDFInfo
- Publication number
- CN109040957A CN109040957A CN201810919725.9A CN201810919725A CN109040957A CN 109040957 A CN109040957 A CN 109040957A CN 201810919725 A CN201810919725 A CN 201810919725A CN 109040957 A CN109040957 A CN 109040957A
- Authority
- CN
- China
- Prior art keywords
- finger print
- print data
- wifi
- parameter
- sae
- 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.)
- Pending
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/025—Services making use of location information using location based information parameters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开一种基于WIFI的室内定位方法及装置,该方法包括:获取待定位WIFI指纹数据;将所述待定位WIFI指纹数据作为目标模型的输入参数,获得与所述目标模型的所述输入参数匹配的输出参数;所述目标模型为根据若干WIFI指纹数据样本对堆叠自动编码器SAE与深度神经网络DNN分类器进行训练获取得到;根据所述输出参数确定与所述待定位WIFI指纹数据相匹配的位置信息。实施本发明实施例,能够减小室内定位的计算量、可以描述复杂的WIFI信号分布模型以及减少过拟合现象,从而提高室内定位效果。
Description
技术领域
本发明涉及室内定位技术领域,尤其涉及一种基于WIFI的室内定位方法及装置。
背景技术
目前,常见的定位方式为利用全球定位系统(Global Positioning System,GPS)实现定位。这种基于GPS的定位方式在室外具有高精度的优势,但是,在室内时GPS信号很弱,导致GPS的定位方式在室内场景下定位效果较差。
在实践中发现,室内场景中通常存在大量的WIFI接入点,因此现在对于室内定位的方式主要采用基于WIFI的定位方式,例如基于K近邻(k-NearestNeighbor,KNN)的WIFI定位方式、基于加权K近邻(Weighted NearestNeighbor,WKNN)的WIFI定位方式、基于支撑向量机(Support Vector Machine,SVM)的WIFI定位方式和基于多层神经网络的WIFI定位方式等。
但是,上述基于WIFI的定位方式分别存在着以下问题:基于KNN的WIFI定位方式与基于WKNN的WIFI定位方式存在着计算量大的问题、基于SVM的WIFI定位方式存在着难以描述复杂的WIFI信号分布模型的问题以及基于多层神经网络的WIFI定位方式存在着过拟合的问题,这些问题都影响到定位效果,亟需本领域技术人员解决以提高室内场景下的定位效果。
发明内容
本发明实施例公开一种基于WIFI的室内定位方法及装置,能够减小室内定位的计算量、可以描述复杂的WIFI信号分布模型以及减少过拟合现象,从而提高室内定位效果。
本发明实施例第一方面公开一种基于WIFI的室内定位方法,包括:
获取待定位WIFI指纹数据;
将所述待定位WIFI指纹数据作为目标模型的输入参数,获得与所述目标模型的所述输入参数匹配的输出参数;所述目标模型为根据若干WIFI指纹数据样本对堆叠自动编码器SAE与深度神经网络DNN分类器进行训练获取得到;
根据所述输出参数确定与所述待定位WIFI指纹数据相匹配的位置信息。
作为一种可选的实施方式,在本发明实施例第一方面中,在所述获取待定位WIFI指纹数据之前,所述方法还包括:
采集若干个预设室内地点中每一所述预设室内地点相匹配的若干个WIFI接入点的信号强度值,并将与每一所述预设室内地点相匹配的若干个所述信号强度值确定为与所述预设室内地点匹配的WIFI指纹数据样本,获得WIFI指纹数据样本库;所述WIFI指纹数据样本库包括所述预设室内地点与所述预设室内地点对应的WIFI指纹数据样本;
根据所述WIFI指纹数据样本库中的所述WIFI指纹数据样本训练SAE获得目标SAE编码器;
以所述目标SAE编码器和DNN分类器为依据,获得待训练模型;
根据所述WIFI指纹数据样本库中的所述预设室内地点与所述预设室内地点对应的WIFI指纹数据样本训练所述待训练模型,获得目标模型。
作为一种可选的实施方式,在本发明实施例第一方面中,所述根据所述WIFI指纹数据样本库中的所述WIFI指纹数据样本训练SAE,获得目标SAE编码器,包括:
利用所述WIFI指纹数据样本库中的所述WIFI指纹数据样本作为所述SAE的编码器的第一输入数据;
调整所述SAE的编码器的第一参数,利用与所述第一参数对应的所述SAE的编码器对所述第一输入数据进行第一降维处理,并获取所述第一降维处理后的第一目标数据;
调整所述SAE的解码器的第二参数,利用与所述第二参数对应的所述SAE的解码器对所述第一目标数据进行还原处理,并获取所述还原处理后的第一输出数据;
确定所述第一输出数据与所述第一输入数据相匹配时的所述第一参数,获得与所述第一参数对应的目标SAE编码器。
作为一种可选的实施方式,在本发明实施例第一方面中,所述根据所述WIFI指纹数据样本库中的所述预设室内地点与所述预设室内地点对应的WIFI指纹数据样本训练所述待训练模型,获得目标模型,包括:
利用所述WIFI指纹数据样本库中的所述WIFI指纹数据样本作为所述待训练模型中的所述目标SAE编码器的第二输入数据;
利用所述目标SAE编码器对所述第二输入数据进行第二降维处理,并获取所述第二降维处理后的第二目标数据,将所述第二目标数据作为所述待训练模型中的所述DNN分类器的第三输入数据;
调整所述DNN分类器的第三参数,利用与所述第三参数对应的所述DNN分类器获取与所述第三输入数据相匹配的第二输出数据;
确定所述第二输出数据与所述第二输入数据对应的所述预设室内地点匹配时的所述第三参数,结合所述目标SAE编码器与所述第三参数对应的所述DNN分类器,获得目标模型。
作为一种可选的实施方式,在本发明实施例第一方面中,在所述根据所述WIFI指纹数据样本库中的所述预设室内地点与所述预设室内地点对应的WIFI指纹数据样本训练所述待训练模型,获得目标模型之前,所述方法还包括:
确定与所述待训练模型对应的超参数集合,所述超参数集合包括若干个与所述待训练模型对应的超参数;
所述根据所述WIFI指纹数据样本库中的所述预设室内地点与所述预设室内地点对应的WIFI指纹数据样本训练所述待训练模型,获得目标模型,包括:
根据所述超参数集合中的每一所述超参数和所述WIFI指纹数据样本库中的所述预设室内地点与所述预设室内地点对应的WIFI指纹数据样本训练所述待训练模型,获得与每一所述超参数对应的待选取模型;
对每一所述待选取模型进行模型评估,获得与所述待选取模型对应的模型评估结果;
从若干个所述模型评估结果中选取目标模型评估结果,并将与所述目标模型评估结果对应的所述待选取模型确定为目标模型。
本发明实施例第二方面公开一种基于WIFI的室内定位装置,包括:
第一获取单元,用于获取待定位WIFI指纹数据;
第二获取单元,用于将所述第一获取单元获取的所述待定位WIFI指纹数据作为目标模型的输入参数,获得与所述目标模型的所述输入参数匹配的输出参数;所述目标模型为根据若干WIFI指纹数据样本对堆叠自动编码器SAE与深度神经网络DNN分类器进行训练获取得到;
确定单元,根据所述输出参数确定与所述待定位WIFI指纹数据相匹配的位置信息。
作为一种可选的实施方式,在本发明实施例第二方面中,所述基于WIFI的室内定位装置还包括:
采集单元,用于在所述第一获取单元获取待定位WIFI指纹数据之前,采集若干个预设室内地点中每一所述预设室内地点相匹配的若干个WIFI接入点的信号强度值;
所述确定单元,还用于将与每一所述预设室内地点相匹配的若干个所述信号强度值确定为与所述预设室内地点匹配的WIFI指纹数据样本,获得WIFI指纹数据样本库;所述WIFI指纹数据样本库包括所述预设室内地点与所述预设室内地点对应的WIFI指纹数据样本;
第一训练单元,用于根据所述WIFI指纹数据样本库中的所述WIFI指纹数据样本训练SAE获得目标SAE编码器;
第三获取单元,用于以所述目标SAE编码器和DNN分类器为依据,获得待训练模型;
第二训练单元,用于根据所述WIFI指纹数据样本库中的所述预设室内地点与所述预设室内地点对应的WIFI指纹数据样本训练所述待训练模型,获得目标模型。
作为一种可选的实施方式,在本发明实施例第二方面中,所述第一训练单元包括:
第一设置子单元,用于利用所述WIFI指纹数据样本库中的所述WIFI指纹数据样本作为所述SAE的编码器的第一输入数据;
第一调整子单元,用于调整所述SAE的编码器的第一参数,利用与所述第一参数对应的所述SAE的编码器对所述第一输入数据进行第一降维处理,并获取所述第一降维处理后的第一目标数据;以及调整所述SAE的解码器的第二参数,利用与所述第二参数对应的所述SAE的解码器对所述第一目标数据进行还原处理,并获取所述还原处理后的第一输出数据;
第一确定子单元,用于确定所述第一输出数据与所述第一输入数据相匹配时的所述第一参数,获得与所述第一参数对应的目标SAE编码器。
作为一种可选的实施方式,在本发明实施例第二方面中,所述第二训练单元包括:
第二设置子单元,用于利用所述WIFI指纹数据样本库中的所述WIFI指纹数据样本作为所述待训练模型中的所述目标SAE编码器的第二输入数据;
降维子单元,用于利用所述目标SAE编码器对所述第二输入数据进行第二降维处理,并获取所述第二降维处理后的第二目标数据,将所述第二目标数据作为所述待训练模型中的所述DNN分类器的第三输入数据;
第二调整子单元,用于调整所述DNN分类器的第三参数,利用与所述第三参数对应的所述DNN分类器获取与所述第三输入数据相匹配的第二输出数据;
第二确定子单元,用于确定所述第二输出数据与所述第二输入数据对应的所述预设室内地点匹配时的所述第三参数,结合所述目标SAE编码器与所述第三参数对应的所述DNN分类器,获得目标模型。
作为一种可选的实施方式,在本发明实施例第二方面中,
所述确定单元,还用于在所述第二训练单元根据所述WIFI指纹数据样本库中的所述预设室内地点与所述预设室内地点对应的WIFI指纹数据样本训练所述待训练模型,获得目标模型之前,确定与所述待训练模型对应的超参数集合,所述超参数集合包括若干个与所述待训练模型对应的超参数;
所述第二训练单元用于根据所述WIFI指纹数据样本库中的所述预设室内地点与所述预设室内地点对应的WIFI指纹数据样本训练所述待训练模型,获得目标模型的方式具体为:
所述第二训练单元,用于根据所述超参数集合中的每一所述超参数和所述WIFI指纹数据样本库中的所述预设室内地点与所述预设室内地点对应的WIFI指纹数据样本训练所述待训练模型,获得与每一所述超参数对应的待选取模型;对每一所述待选取模型进行模型评估,获得与所述待选取模型对应的模型评估结果;从若干个所述模型评估结果中选取目标模型评估结果,并将与所述目标模型评估结果对应的所述待选取模型确定为目标模型。
本发明实施例第三方面公开一种基于WIFI的室内定位装置,包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行本发明实施例第一方面公开的一种基于WIFI的室内定位方法。
本发明实施例第四方面公开一种计算机可读存储介质,其存储计算机程序,其中,所述计算机程序使得计算机执行本发明实施例第一方面公开的一种基于WIFI的室内定位方法。
本发明实施例第五方面公开一种计算机程序产品,当所述计算机程序产品在计算机上运行时,使得所述计算机执行第一方面的任意一种方法的部分或全部步骤。
本发明实施例第六方面公开一种应用发布平台,所述应用发布平台用于发布计算机程序产品,其中,当所述计算机程序产品在计算机上运行时,使得所述计算机执行第一方面的任意一种方法的部分或全部步骤。
与现有技术相比,本发明实施例具有以下有益效果:
本发明实施例中,可以基于SAE和DNN分类器、根据若干WIFI指纹数据样本进行训练获得目标模型,进一步,利用训练得到的目标模型分析待定位WIFI指纹数据,获得输出参数,最后根据输出参数来定位获得位置信息,由于DNN分类器具有强大的拟合能力,因此,基于DNN分类器训练得到的目标模型在对待定位WIFI指纹数据进行处理时,能够减少计算量,以及SAE能够处理数据干扰,因此,进一步结合SAE训练得到的目标模型在对待定位WIFI指纹数据进行处理时,还能减少过拟合现象,提高定位效率,从而提高定位效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,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。
图1是本发明实施例公开的一种基于WIFI的室内定位方法的流程示意图;
图2是本发明实施例公开的另一种基于WIFI的室内定位方法的流程示意图;
图3是本发明实施例公开的一种训练SAE的示意图;
图4是本发明实施例公开的一种训练待训练模型的示意图;
图5是本发明实施例公开的另一种基于WIFI的室内定位方法的流程示意图;
图6是本发明实施例公开的一种基于WIFI的室内定位装置的结构示意图;
图7是本发明实施例公开的另一种基于WIFI的室内定位装置的结构示意图;
图8是本发明实施例公开的另一种基于WIFI的室内定位装置的结构示意图;
图9是本发明实施例公开的另一种基于WIFI的室内定位装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,本发明实施例及附图中的术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明实施例公开一种基于WIFI的室内定位方法及装置,能够减小室内定位的计算量、可以描述复杂的WIFI信号分布模型以及减少过拟合现象,从而提高室内定位效果。以下分别进行详细说明。
实施例一
请参阅图1,图1是本发明实施例公开的一种基于WIFI的室内定位方法的流程示意图。如图1所示,该基于WIFI的室内定位方法可以包括以下步骤:
101、获取待定位WIFI指纹数据。
本发明实施例中,待定位WIFI指纹数据是电子设备在某一室内位置接收到的各个WIFI接入点的接收信号强度值(Received Signal Strength Indicator,RSSI),例如,该某一室内位置接收到n个WIFI接入点,并且,在该某一室内位置与该n个WIFI接入点相匹配的RSSI分别为RSSI1,RSSI2,RSSI3,…,RSSIn,其形成的集合{RSSI1,RSSI2,RSSI3,…,RSSIn}即为待定位WIFI指纹数据。
102、将待定位WIFI指纹数据作为目标模型的输入参数,获得与目标模型的输入参数匹配的输出参数;目标模型为根据若干WIFI指纹数据样本对堆叠自动编码器SAE与深度神经网络DNN分类器进行训练获取得到。
本发明实施例中,目标模型为基于SAE和DNN分类器、根据若干WIFI指纹数据样本进行训练得到的模型;其中,目标模型的输入参数为WIFI指纹数据,目标模型的输出参数为与WIFI指纹数据相匹配的位置信息。这一过程可以基于对目标模型输入待定位WIFI指纹数据,得到与该待定位WIFI指纹数据相匹配的位置信息,以此实现室内定位。
103、根据输出参数确定与待定位WIFI指纹数据相匹配的位置信息。
可见,通过实施图1所描述的基于WIFI的室内定位方法,可以基于SAE和DNN分类器、根据若干WIFI指纹数据样本进行训练获得目标模型,进一步,利用训练得到的目标模型分析待定位WIFI指纹数据,获得输出参数,最后根据输出参数来定位获得位置信息,由于DNN分类器具有强大的拟合能力,因此,基于DNN分类器训练得到的目标模型在对待定位WIFI指纹数据进行处理时,能够减少计算量,以及SAE能够处理数据干扰,因此,进一步结合SAE训练得到的目标模型在对待定位WIFI指纹数据进行处理时,还能减少过拟合现象,提高定位效率,从而提高定位效果。
实施例二
请参阅图2,图2是本发明实施例公开的另一种基于WIFI的室内定位方法的流程示意图。如图2所示,该基于WIFI的室内定位方法可以包括以下步骤:
201、采集若干个预设室内地点中每一预设室内地点相匹配的若干个WIFI接入点的信号强度值。
本发明实施例中,预设室内地点可以为预先确定出的在室内中的地点,其中,对于采集得到的若干个预设室内地点的数量本发明实施例中不做限定。
作为一种可选的实施方式,在采集若干个预设室内地点中每一预设室内地点相匹配的若干个WIFI接入点的信号强度值之前,还可以执行以下步骤:
检测用户输入的需求信息,该需求信息至少包括目标模型的精确度标准;
根据该精确度标准确定出需要采集的预设室内地点的目标数量;
采集若干个预设室内地点中每一预设室内地点相匹配的若干个WIFI接入点的信号强度值包括:
采集数量为目标数量个预设室内地点中每一预设室内地点相匹配的若干个WIFI接入点的信号强度值。
通过实施这种可选的实施方式,可以根据用户(如训练目标模型的专业人员)对于目标模型的精确度需求的不同,采集不同数量的预设室内地点。例如,当此次构建的目标模型的应用场景需要较高精确度的目标模型来实现高精确度的定位时,可以选取较多数量的预设室内地点,当此次构建的目标模型的应用场景不需要高精确度的目标模型时,可以选取较少数量的预设室内地点。这一过程实现了按需确定预设室内地点的数量,既能满足用户对于目标模型的精确度需求,又能最大程度减少采集预设室内地点中每一预设室内地点相匹配的若干个WIFI接入点的信号强度值的工作量。
202、将与每一预设室内地点相匹配的若干个信号强度值确定为与预设室内地点匹配的WIFI指纹数据样本,获得WIFI指纹数据样本库;WIFI指纹数据样本库包括预设室内地点与预设室内地点对应的WIFI指纹数据样本。
本发明实施例中,WIFI指纹数据样本库包括上述采集的若干个预设室内地点,以及与每一预设室内地点对应的WIFI指纹数据样本,其中,每一预设室内地点对应的WIFI指纹数据样本包括与预设室内地点匹配的WIFI指纹数据样本。
203、利用WIFI指纹数据样本库中的WIFI指纹数据样本作为SAE的编码器的第一输入数据。
本发明实施例中,作为SAE的编码器的第一输入数据的WIFI指纹数据样本的样本数量可以根据用户对于目标模型的精确度的需求来设置,具体的,用户对于目标模型的精确度的需求越高,作为SAE的编码器的第一输入数据的WIFI指纹数据样本的样本数量越多。
204、调整SAE的编码器的第一参数,利用与第一参数对应的SAE的编码器对第一输入数据进行第一降维处理,并获取第一降维处理后的第一目标数据。
205、调整SAE的解码器的第二参数,利用与第二参数对应的SAE的解码器对第一目标数据进行还原处理,并获取还原处理后的第一输出数据。
206、确定第一输出数据与第一输入数据相匹配时的第一参数,获得与第一参数对应的目标SAE编码器。
通过执行步骤202至步骤206,可以根据WIFI指纹数据样本库中的WIFI指纹数据样本训练SAE,获得目标SAE编码器。
请参阅图3,图3是本发明公开的一种训练SAE的示意图,其中,图中所示编码器即为SAE的编码器,图中所示解码器即为SAE的解码器,向SAE的编码器输入的{RSSI1,RSSI2,RSSI3,…,RSSIn}第一输入数据即为WIFI指纹数据样本,在SAE的编码器的输入层接收到该第一输入数据后,调整SAE的编码器的第一参数、并利用与该调整后的第一参数对应的SAE的编码器将该第一输入数据经由若干个隐藏层进行第一降维处理,获取第一降维处理后的第一目标数据。调整SAE的解码器的第二参数、并利用与该调整后的第二参数对应的SAE的解码器将该第一目标数据进行还原处理,并获取还原处理后的第一输出数据,获取第一输出数据与第一数据相匹配时的第一参数,确定与该第一参数对应的目标SAE编码器。这一过程根据获取得到的目标SAE编码器可以对数据进行降维处理,可以处理数据干扰。
207、以目标SAE编码器和DNN分类器为依据,获得待训练模型。
208、利用WIFI指纹数据样本库中的WIFI指纹数据样本作为待训练模型中的目标SAE编码器的第二输入数据。
209、利用目标SAE编码器对第二输入数据进行第二降维处理,并获取第二降维处理后的第二目标数据,将第二目标数据作为待训练模型中的DNN分类器的第三输入数据。
210、调整DNN分类器的第三参数,利用与第三参数对应的DNN分类器获取与第三输入数据相匹配的第二输出数据。
211、确定第二输出数据与第二输入数据对应的预设室内地点匹配时的第三参数,结合目标SAE编码器与第三参数对应的DNN分类器,获得目标模型。
作为一种可选的实施方式,在确定第二输出数据与第二输入数据对应的预设室内地点匹配时的第三参数,结合目标SAE编码器与第三参数对应的DNN分类器,获得目标模型之后,还可以执行以下步骤:
确定若干测试WIFI指纹数据样本以及与每一测试WIFI指纹数据样本对应的第一室内地点;
将上述若干测试WIFI指纹数据样本作为目标模型的输入数据,获取目标模型针对每一测试WIFI指纹数据样本计算得到的第二室内地点;
当某一测试WIFI指纹数据样本对应的第一室内地点与第二室内地点匹配时,将该某一测试WIFI指纹数据样本标记为测试通过;
当另一测试WIFI指纹数据样本对应的第一室内地点与第二室内地点不匹配时,将该另一测试WIFI指纹数据样本标记为测试不通过;
计算标记为测试通过的测试WIFI指纹数据占上述若干测试WIFI指纹数据样本的百分比,判断该百分比是否大于预设百分比;
当判断出该百分比小于或者等于预设百分比时,调整与待训练模型相匹配的超参数,并重复执行步骤208至步骤211。
通过实施这种可选的实施方式,当对某一超参数对应的待训练模型训练得到的目标模型未通过测试时,可以调整超参数,并重复执行对待训练模型的训练过程,从而得到更加可靠的目标模型,进而获得更佳的定位效果。
通过执行步骤208至步骤211,可以根据WIFI指纹数据样本库中的预设室内地点与预设室内地点对应的WIFI指纹数据样本训练待训练模型,获得目标模型。
请参阅图4,图4是一种训练待训练模型的示意图,图4中的编码器即为上述目标SAE编码器,图4中的目标SAE编码器与DNN分类器组合得到的模型即为上述待训练模型。目标SAE编码器可以对第二输入数据(如图4中的WIFI指纹数据样本{RSSI1,RSSI2,RSSI3,…,RSSIn})进行第二降维处理,可以处理数据干扰,得到第二降维处理后的第二目标数据,将第二目标数据作为DNN分类器中的第三输入数据,调整DNN分类器的第三参数,利用与该第三参数对应的DNN分类器获取与第三输入数据相匹配的第二输出数据(如图4中的室内地点数据{d1,d2,d3,…,dn}),确定第二输出数据与第二输入数据对应的预设室内地点匹配时的第三参数,结合目标SAE编码器与第三参数对应的DNN分类器,获得目标模型。这一过程可以将DNN分类器的强大的拟合能力与目标SAE编码器对数据干扰的处理相结合,得到的目标模型具有较好的容错率、较低的计算量以及减少了过拟合现象的出现,从而提高定位效果。
212、获取待定位WIFI指纹数据。
213、将待定位WIFI指纹数据作为目标模型的输入参数,获得与目标模型的输入参数匹配的输出参数;目标模型为根据若干WIFI指纹数据样本对堆叠自动编码器SAE与深度神经网络DNN分类器进行训练获取得到。
214、根据输出参数确定与待定位WIFI指纹数据相匹配的位置信息。
可见,通过实施图2所描述的基于WIFI的室内定位方法,可以基于SAE和DNN分类器、根据若干WIFI指纹数据样本进行训练获得目标模型,进一步,利用训练得到的目标模型分析待定位WIFI指纹数据,获得输出参数,最后根据输出参数来定位获得位置信息,由于DNN分类器具有强大的拟合能力,因此,基于DNN分类器训练得到的目标模型在对待定位WIFI指纹数据进行处理时,能够减少计算量,以及SAE能够处理数据干扰,因此,进一步结合SAE训练得到的目标模型在对待定位WIFI指纹数据进行处理时,还能减少过拟合现象,提高定位效率,从而提高定位效果。
实施例三
请参阅图5,图5是本发明实施例公开的另一种基于WIFI的室内定位方法的流程示意图。如图5所示,该基于WIFI的室内定位方法可以包括以下步骤:
501、采集若干个预设室内地点中每一预设室内地点相匹配的若干个WIFI接入点的信号强度值。
502、将与每一预设室内地点相匹配的若干个信号强度值确定为与预设室内地点匹配的WIFI指纹数据样本,获得WIFI指纹数据样本库;WIFI指纹数据样本库包括预设室内地点与预设室内地点对应的WIFI指纹数据样本。
503、根据WIFI指纹数据样本库中的WIFI指纹数据样本训练SAE获得目标SAE编码器。
504、以目标SAE编码器和DNN分类器为依据,获得待训练模型。
505、确定与待训练模型对应的超参数集合,超参数集合包括若干个与待训练模型对应的超参数。
本发明实施例中,与待训练模型对应的超参数集合中可以包括若干个预先确定的待选取的超参数。
506、根据超参数集合中的每一超参数和WIFI指纹数据样本库中的预设室内地点与预设室内地点对应的WIFI指纹数据样本训练待训练模型,获得与每一超参数对应的待选取模型。
507、对每一待选取模型进行模型评估,获得与待选取模型对应的模型评估结果。
508、从若干个模型评估结果中选取目标模型评估结果,并将与目标模型评估结果对应的待选取模型确定为目标模型。
509、获取待定位WIFI指纹数据。
510、将待定位WIFI指纹数据作为目标模型的输入参数,获得与目标模型的输入参数匹配的输出参数;目标模型为根据若干WIFI指纹数据样本对堆叠自动编码器SAE与深度神经网络DNN分类器进行训练获取得到。
511、根据输出参数确定与待定位WIFI指纹数据相匹配的位置信息。
可见,通过实施图5所描述的基于WIFI的室内定位方法,可以基于SAE和DNN分类器、根据若干WIFI指纹数据样本进行训练获得目标模型,进一步,利用训练得到的目标模型分析待定位WIFI指纹数据,获得输出参数,最后根据输出参数来定位获得位置信息,由于DNN分类器具有强大的拟合能力,因此,基于DNN分类器训练得到的目标模型在对待定位WIFI指纹数据进行处理时,能够减少计算量,以及SAE能够处理数据干扰,因此,进一步结合SAE训练得到的目标模型在对待定位WIFI指纹数据进行处理时,还能减少过拟合现象,提高定位效率,从而提高定位效果。
此外,通过实施图5所描述的基于WIFI的室内定位方法,还可以在对待训练模型进行训练之前确定与待训练模型对应的超参数集合,根据超参数集合中的每一超参数计算与该超参数匹配的待选取模型,根据每一待选取模型的模型评估结果,从若干个模型评估结果中选取目标模型评估结果,将与目标模型评估结果对应的待选取模型确定为目标模型。这一过程可以在训练待训练模型的过程不断调整超参数,以此得到更优的目标模型。
实施例六
请参阅图6,图6是本发明实施例公开的一种基于WIFI的室内定位装置的结构示意图。如图6所示,该基于WIFI的室内定位装置600可以包括第一获取单元601、第二获取单元602以及确定单元603,其中:
第一获取单元601,用于获取待定位WIFI指纹数据。
本发明实施例中,待定位WIFI指纹数据是电子设备在某一室内位置接收到的各个WIFI接入点的接收信号强度值(Received Signal Strength Indicator,RSSI),例如,该某一室内位置接收到n个WIFI接入点,并且,在该某一室内位置与该n个WIFI接入点相匹配的RSSI分别为RSSI1,RSSI2,RSSI3,…,RSSIn,其形成的集合{RSSI1,RSSI2,RSSI3,…,RSSIn}即为待定位WIFI指纹数据。
第二获取单元602,用于将第一获取单元601获取的待定位WIFI指纹数据作为目标模型的输入参数,获得与目标模型的输入参数匹配的输出参数;目标模型为根据若干WIFI指纹数据样本对堆叠自动编码器SAE与深度神经网络DNN分类器进行训练获取得到。
本发明实施例中,目标模型为基于SAE和DNN分类器、根据若干WIFI指纹数据样本进行训练得到的模型;其中,目标模型的输入参数为WIFI指纹数据,目标模型的输出参数为与WIFI指纹数据相匹配的位置信息。这一过程可以基于对目标模型输入待定位WIFI指纹数据,得到与该待定位WIFI指纹数据相匹配的位置信息,以此实现室内定位。
确定单元603,根据第二获取单元602获取到的输出参数确定与待定位WIFI指纹数据相匹配的位置信息。
可见,通过实施图6所描述的基于WIFI的室内定位装置,可以基于SAE和DNN分类器、根据若干WIFI指纹数据样本进行训练获得目标模型,进一步,利用训练得到的目标模型分析待定位WIFI指纹数据,获得输出参数,最后根据输出参数来定位获得位置信息,由于DNN分类器具有强大的拟合能力,因此,基于DNN分类器训练得到的目标模型在对待定位WIFI指纹数据进行处理时,能够减少计算量,以及SAE能够处理数据干扰,因此,进一步结合SAE训练得到的目标模型在对待定位WIFI指纹数据进行处理时,还能减少过拟合现象,提高定位效率,从而提高定位效果。
实施例七
请参阅图7,图7是本发明实施例公开的另一种基于WIFI的室内定位装置的结构示意图。其中,图7所示的基于WIFI的室内定位装置600是由图6所示的基于WIFI的室内定位装置600优化得到的,与图6所示的基于WIFI的室内定位装置600相比,图7所示的基于WIFI的室内定位装置600还可以包括:
采集单元604,用于在第一获取单元601获取待定位WIFI指纹数据之前,采集若干个预设室内地点中每一预设室内地点相匹配的若干个WIFI接入点的信号强度值。
本发明实施例中,预设室内地点可以为预先确定出的在室内中的地点,其中,对于采集得到的若干个预设室内地点的数量本发明实施例中不做限定。
作为一种可选的实施方式,采集单元604在采集若干个预设室内地点中每一预设室内地点相匹配的若干个WIFI接入点的信号强度值之前,还可以用于:
检测用户输入的需求信息,该需求信息至少包括目标模型的精确度标准;
根据该精确度标准确定出需要采集的预设室内地点的目标数量;
采集若干个预设室内地点中每一预设室内地点相匹配的若干个WIFI接入点的信号强度值包括:
采集数量为目标数量个预设室内地点中每一预设室内地点相匹配的若干个WIFI接入点的信号强度值。
通过实施这种可选的实施方式,可以根据用户(如训练目标模型的专业人员)对于目标模型的精确度需求的不同,采集不同数量的预设室内地点。例如,当此次构建的目标模型的应用场景需要较高精确度的目标模型来实现高精确度的定位时,可以选取较多数量的预设室内地点,当此次构建的目标模型的应用场景不需要高精确度的目标模型时,可以选取较少数量的预设室内地点。这一过程实现了按需确定预设室内地点的数量,既能满足用户对于目标模型的精确度需求,又能最大程度减少采集预设室内地点中每一预设室内地点相匹配的若干个WIFI接入点的信号强度值的工作量。
确定单元603,还用于将采集单元604采集的与每一预设室内地点相匹配的若干个信号强度值确定为与预设室内地点匹配的WIFI指纹数据样本,获得WIFI指纹数据样本库;WIFI指纹数据样本库包括预设室内地点与预设室内地点对应的WIFI指纹数据样本。
第一训练单元605,用于根据确定单元603获得的WIFI指纹数据样本库中的WIFI指纹数据样本训练SAE获得目标SAE编码器。
第三获取单元606,用于以第一训练单元605训练的目标SAE编码器和DNN分类器为依据,获得待训练模型。
第二训练单元607,用于根据确定单元603获得的WIFI指纹数据样本库中的预设室内地点与预设室内地点对应的WIFI指纹数据样本训练第三获取单元606获得的待训练模型,获得目标模型。
可选的,第一训练单元605可以包括:
第一设置子单元6051,用于利用WIFI指纹数据样本库中的WIFI指纹数据样本作为SAE的编码器的第一输入数据。
本发明实施例中,作为SAE的编码器的第一输入数据的WIFI指纹数据样本的样本数量可以根据用户对于目标模型的精确度的需求来设置,具体的,用户对于目标模型的精确度的需求越高,作为SAE的编码器的第一输入数据的WIFI指纹数据样本的样本数量越多。
第一调整子单元6052,用于调整SAE的编码器的第一参数,利用与第一参数对应的SAE的编码器对第一输入数据进行第一降维处理,并获取第一降维处理后的第一目标数据;以及调整SAE的解码器的第二参数,利用与第二参数对应的SAE的解码器对第一目标数据进行还原处理,并获取还原处理后的第一输出数据。
第一确定子单元6053,用于确定第一输出数据与第一输入数据相匹配时的第一参数,获得与第一参数对应的目标SAE编码器。
进一步可选的,第二训练单元607可以包括:
第二设置子单元6071,用于利用WIFI指纹数据样本库中的WIFI指纹数据样本作为待训练模型中的目标SAE编码器的第二输入数据。
降维子单元6072,用于利用目标SAE编码器对第二输入数据进行第二降维处理,并获取第二降维处理后的第二目标数据,将第二目标数据作为待训练模型中的DNN分类器的第三输入数据。
第二调整子单元6073,用于调整DNN分类器的第三参数,利用与第三参数对应的DNN分类器获取与第三输入数据相匹配的第二输出数据。
第二确定子单元6074,用于确定第二输出数据与第二输入数据对应的预设室内地点匹配时的第三参数,结合目标SAE编码器与第三参数对应的DNN分类器,获得目标模型。
作为一种可选的实施方式,在第二确定子单元6074确定第二输出数据与第二输入数据对应的预设室内地点匹配时的第三参数,结合目标SAE编码器与第三参数对应的DNN分类器,获得目标模型之后,第二确定子单元6074还可以用于:
确定若干测试WIFI指纹数据样本以及与每一测试WIFI指纹数据样本对应的第一室内地点;
将上述若干测试WIFI指纹数据样本作为目标模型的输入数据,获取目标模型针对每一测试WIFI指纹数据样本计算得到的第二室内地点;
当某一测试WIFI指纹数据样本对应的第一室内地点与第二室内地点匹配时,将该某一测试WIFI指纹数据样本标记为测试通过;
当另一测试WIFI指纹数据样本对应的第一室内地点与第二室内地点不匹配时,将该另一测试WIFI指纹数据样本标记为测试不通过;
计算标记为测试通过的测试WIFI指纹数据占上述若干测试WIFI指纹数据样本的百分比,判断该百分比是否大于预设百分比;
当判断出该百分比小于或者等于预设百分比时,调整与待训练模型相匹配的超参数,并触发第二设置子单元6071执行利用WIFI指纹数据样本库中的WIFI指纹数据样本作为待训练模型中的目标SAE编码器的第二输入数据。
通过实施这种可选的实施方式,当对某一超参数对应的待训练模型训练得到的目标模型未通过测试时,可以调整超参数,并重复执行对待训练模型的训练过程,从而得到更加可靠的目标模型,进而获得更佳的定位效果。
可见,通过实施图7所描述的基于WIFI的室内定位装置,可以基于SAE和DNN分类器、根据若干WIFI指纹数据样本进行训练获得目标模型,进一步,利用训练得到的目标模型分析待定位WIFI指纹数据,获得输出参数,最后根据输出参数来定位获得位置信息,由于DNN分类器具有强大的拟合能力,因此,基于DNN分类器训练得到的目标模型在对待定位WIFI指纹数据进行处理时,能够减少计算量,以及SAE能够处理数据干扰,因此,进一步结合SAE训练得到的目标模型在对待定位WIFI指纹数据进行处理时,还能减少过拟合现象,提高定位效率,从而提高定位效果。
实施例八
请参阅图8,图8是本发明实施例公开的另一种基于WIFI的室内定位装置的结构示意图。其中,图8所示的基于WIFI的室内定位装置600是由图6所示的基于WIFI的室内定位装置600优化得到的,与图6所示的基于WIFI的室内定位装置600相比,图8所示的基于WIFI的室内定位装置600还可以包括:
采集单元604,用于在第一获取单元601获取待定位WIFI指纹数据之前,采集若干个预设室内地点中每一预设室内地点相匹配的若干个WIFI接入点的信号强度值。
确定单元603,还用于将采集单元604采集的与每一预设室内地点相匹配的若干个信号强度值确定为与预设室内地点匹配的WIFI指纹数据样本,获得WIFI指纹数据样本库;WIFI指纹数据样本库包括预设室内地点与预设室内地点对应的WIFI指纹数据样本。
第一训练单元605,用于根据确定单元603获得的WIFI指纹数据样本库中的WIFI指纹数据样本训练SAE获得目标SAE编码器。
第三获取单元606,用于以第一训练单元605训练的目标SAE编码器和DNN分类器为依据,获得待训练模型。
第二训练单元607,用于根据确定单元603获得的WIFI指纹数据样本库中的预设室内地点与预设室内地点对应的WIFI指纹数据样本训练第三获取单元606获得的待训练模型,获得目标模型。
确定单元603,还用于在第二训练单元607根据WIFI指纹数据样本库中的预设室内地点与预设室内地点对应的WIFI指纹数据样本训练待训练模型,获得目标模型之前,确定与待训练模型对应的超参数集合,超参数集合包括若干个与待训练模型对应的超参数。
第二训练单元607用于根据WIFI指纹数据样本库中的预设室内地点与预设室内地点对应的WIFI指纹数据样本训练待训练模型,获得目标模型的方式具体为:
第二训练单元607,用于根据超参数集合中的每一超参数和WIFI指纹数据样本库中的预设室内地点与预设室内地点对应的WIFI指纹数据样本训练待训练模型,获得与每一超参数对应的待选取模型;对每一待选取模型进行模型评估,获得与待选取模型对应的模型评估结果;从若干个模型评估结果中选取目标模型评估结果,并将与目标模型评估结果对应的待选取模型确定为目标模型。
可见,通过实施图8所描述的基于WIFI的室内定位装置,可以基于SAE和DNN分类器、根据若干WIFI指纹数据样本进行训练获得目标模型,进一步,利用训练得到的目标模型分析待定位WIFI指纹数据,获得输出参数,最后根据输出参数来定位获得位置信息,由于DNN分类器具有强大的拟合能力,因此,基于DNN分类器训练得到的目标模型在对待定位WIFI指纹数据进行处理时,能够减少计算量,以及SAE能够处理数据干扰,因此,进一步结合SAE训练得到的目标模型在对待定位WIFI指纹数据进行处理时,还能减少过拟合现象,提高定位效率,从而提高定位效果。
此外,通过实施图8所描述的基于WIFI的室内定位装置,还可以在对待训练模型进行训练之前确定与待训练模型对应的超参数集合,根据超参数集合中的每一超参数计算与该超参数匹配的待选取模型,根据每一待选取模型的模型评估结果,从若干个模型评估结果中选取目标模型评估结果,将与目标模型评估结果对应的待选取模型确定为目标模型。这一过程可以在训练待训练模型的过程不断调整超参数,以此得到更优的目标模型。
实施例九
请参阅图9,图9是本发明实施例公开的另一种基于WIFI的室内定位装置的结构示意图。如图9所示,该基于WIFI的室内定位装置可以包括:
存储有可执行程序代码的存储器901;
与存储器901耦合的处理器902;
其中,处理器902调用存储器901中存储的可执行程序代码,执行图1、图2或者图5任意一种基于WIFI的室内定位方法。
本发明实施例公开一种计算机可读存储介质,其存储计算机程序,其中,该计算机程序使得计算机执行图1、图2或者图5任意一种基于WIFI的室内定位方法。
本发明实施例还公开一种计算机程序产品,其中,当计算机程序产品在计算机上运行时,使得计算机执行如以上各方法实施例中的方法的部分或全部步骤。
本发明实施例还公开一种应用发布平台,其中,应用发布平台用于发布计算机程序产品,其中,当计算机程序产品在计算机上运行时,使得计算机执行如以上各方法实施例中的方法的部分或全部步骤。
在本发明的各种实施例中,应理解,上述各过程的序号的大小并不意味着执行顺序的必然先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
在本发明所提供的实施例中,应理解,“与A相应的B”表示B与A相关联,根据A可以确定B。但还应理解,根据A确定B并不意味着仅仅根据A确定B,还可以根据A和/或其他信息确定B。
另外,在本发明各实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
上述集成的单元若以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可获取的存储器中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或者部分,可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储器中,包括若干请求用以使得一台计算机设备(可以为个人计算机、服务器或者网络设备等,具体可以是计算机设备中的处理器)执行本发明的各个实施例上述方法的部分或全部步骤。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-only Memory,PROM)、可擦除可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory,OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
以上对本发明实施例公开的一种基于WIFI的室内定位方法及装置进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于WIFI的室内定位方法,其特征在于,包括:
获取待定位WIFI指纹数据;
将所述待定位WIFI指纹数据作为目标模型的输入参数,获得与所述目标模型的所述输入参数匹配的输出参数;所述目标模型为根据若干WIFI指纹数据样本对堆叠自动编码器SAE与深度神经网络DNN分类器进行训练获取得到;
根据所述输出参数确定与所述待定位WIFI指纹数据相匹配的位置信息。
2.根据权利要求1所述的方法,其特征在于,在所述获取待定位WIFI指纹数据之前,所述方法还包括:
采集若干个预设室内地点中每一所述预设室内地点相匹配的若干个WIFI接入点的信号强度值,并将与每一所述预设室内地点相匹配的若干个所述信号强度值确定为与所述预设室内地点匹配的WIFI指纹数据样本,获得WIFI指纹数据样本库;所述WIFI指纹数据样本库包括所述预设室内地点与所述预设室内地点对应的WIFI指纹数据样本;
根据所述WIFI指纹数据样本库中的所述WIFI指纹数据样本训练SAE获得目标SAE编码器;
以所述目标SAE编码器和DNN分类器为依据,获得待训练模型;
根据所述WIFI指纹数据样本库中的所述预设室内地点与所述预设室内地点对应的WIFI指纹数据样本训练所述待训练模型,获得目标模型。
3.根据权利要求2所述的方法,其特征在于,所述根据所述WIFI指纹数据样本库中的所述WIFI指纹数据样本训练SAE,获得目标SAE编码器,包括:
利用所述WIFI指纹数据样本库中的所述WIFI指纹数据样本作为所述SAE的编码器的第一输入数据;
调整所述SAE的编码器的第一参数,利用与所述第一参数对应的所述SAE的编码器对所述第一输入数据进行第一降维处理,并获取所述第一降维处理后的第一目标数据;
调整所述SAE的解码器的第二参数,利用与所述第二参数对应的所述SAE的解码器对所述第一目标数据进行还原处理,并获取所述还原处理后的第一输出数据;
确定所述第一输出数据与所述第一输入数据相匹配时的所述第一参数,获得与所述第一参数对应的目标SAE编码器。
4.根据权利要求2或3所述的方法,其特征在于,所述根据所述WIFI指纹数据样本库中的所述预设室内地点与所述预设室内地点对应的WIFI指纹数据样本训练所述待训练模型,获得目标模型,包括:
利用所述WIFI指纹数据样本库中的所述WIFI指纹数据样本作为所述待训练模型中的所述目标SAE编码器的第二输入数据;
利用所述目标SAE编码器对所述第二输入数据进行第二降维处理,并获取所述第二降维处理后的第二目标数据,将所述第二目标数据作为所述待训练模型中的所述DNN分类器的第三输入数据;
调整所述DNN分类器的第三参数,利用与所述第三参数对应的所述DNN分类器获取与所述第三输入数据相匹配的第二输出数据;
确定所述第二输出数据与所述第二输入数据对应的所述预设室内地点匹配时的所述第三参数,结合所述目标SAE编码器与所述第三参数对应的所述DNN分类器,获得目标模型。
5.根据权利要求2所述的方法,其特征在于,在所述根据所述WIFI指纹数据样本库中的所述预设室内地点与所述预设室内地点对应的WIFI指纹数据样本训练所述待训练模型,获得目标模型之前,所述方法还包括:
确定与所述待训练模型对应的超参数集合,所述超参数集合包括若干个与所述待训练模型对应的超参数;
所述根据所述WIFI指纹数据样本库中的所述预设室内地点与所述预设室内地点对应的WIFI指纹数据样本训练所述待训练模型,获得目标模型,包括:
根据所述超参数集合中的每一所述超参数和所述WIFI指纹数据样本库中的所述预设室内地点与所述预设室内地点对应的WIFI指纹数据样本训练所述待训练模型,获得与每一所述超参数对应的待选取模型;
对每一所述待选取模型进行模型评估,获得与所述待选取模型对应的模型评估结果;
从若干个所述模型评估结果中选取目标模型评估结果,并将与所述目标模型评估结果对应的所述待选取模型确定为目标模型。
6.一种基于WIFI的室内定位装置,其特征在于,包括:
第一获取单元,用于获取待定位WIFI指纹数据;
第二获取单元,用于将所述第一获取单元获取的所述待定位WIFI指纹数据作为目标模型的输入参数,获得与所述目标模型的所述输入参数匹配的输出参数;所述目标模型为根据若干WIFI指纹数据样本对堆叠自动编码器SAE与深度神经网络DNN分类器进行训练获取得到;
确定单元,根据所述输出参数确定与所述待定位WIFI指纹数据相匹配的位置信息。
7.根据权利要求6所述的基于WIFI的室内定位装置,其特征在于,所述基于WIFI的室内定位装置还包括:
采集单元,用于在所述第一获取单元获取待定位WIFI指纹数据之前,采集若干个预设室内地点中每一所述预设室内地点相匹配的若干个WIFI接入点的信号强度值;
所述确定单元,还用于将与每一所述预设室内地点相匹配的若干个所述信号强度值确定为与所述预设室内地点匹配的WIFI指纹数据样本,获得WIFI指纹数据样本库;所述WIFI指纹数据样本库包括所述预设室内地点与所述预设室内地点对应的WIFI指纹数据样本;
第一训练单元,用于根据所述WIFI指纹数据样本库中的所述WIFI指纹数据样本训练SAE获得目标SAE编码器;
第三获取单元,用于以所述目标SAE编码器和DNN分类器为依据,获得待训练模型;
第二训练单元,用于根据所述WIFI指纹数据样本库中的所述预设室内地点与所述预设室内地点对应的WIFI指纹数据样本训练所述待训练模型,获得目标模型。
8.根据权利要求7所述的基于WIFI的室内定位装置,其特征在于,所述第一训练单元包括:
第一设置子单元,用于利用所述WIFI指纹数据样本库中的所述WIFI指纹数据样本作为所述SAE的编码器的第一输入数据;
第一调整子单元,用于调整所述SAE的编码器的第一参数,利用与所述第一参数对应的所述SAE的编码器对所述第一输入数据进行第一降维处理,并获取所述第一降维处理后的第一目标数据;以及调整所述SAE的解码器的第二参数,利用与所述第二参数对应的所述SAE的解码器对所述第一目标数据进行还原处理,并获取所述还原处理后的第一输出数据;
第一确定子单元,用于确定所述第一输出数据与所述第一输入数据相匹配时的所述第一参数,获得与所述第一参数对应的目标SAE编码器。
9.根据权利要求7或8所述的基于WIFI的室内定位装置,其特征在于,所述第二训练单元包括:
第二设置子单元,用于利用所述WIFI指纹数据样本库中的所述WIFI指纹数据样本作为所述待训练模型中的所述目标SAE编码器的第二输入数据;
降维子单元,用于利用所述目标SAE编码器对所述第二输入数据进行第二降维处理,并获取所述第二降维处理后的第二目标数据,将所述第二目标数据作为所述待训练模型中的所述DNN分类器的第三输入数据;
第二调整子单元,用于调整所述DNN分类器的第三参数,利用与所述第三参数对应的所述DNN分类器获取与所述第三输入数据相匹配的第二输出数据;
第二确定子单元,用于确定所述第二输出数据与所述第二输入数据对应的所述预设室内地点匹配时的所述第三参数,结合所述目标SAE编码器与所述第三参数对应的所述DNN分类器,获得目标模型。
10.根据权利要求7所述的基于WIFI的室内定位装置,其特征在于:
所述确定单元,还用于在所述第二训练单元根据所述WIFI指纹数据样本库中的所述预设室内地点与所述预设室内地点对应的WIFI指纹数据样本训练所述待训练模型,获得目标模型之前,确定与所述待训练模型对应的超参数集合,所述超参数集合包括若干个与所述待训练模型对应的超参数;
所述第二训练单元用于根据所述WIFI指纹数据样本库中的所述预设室内地点与所述预设室内地点对应的WIFI指纹数据样本训练所述待训练模型,获得目标模型的方式具体为:
所述第二训练单元,用于根据所述超参数集合中的每一所述超参数和所述WIFI指纹数据样本库中的所述预设室内地点与所述预设室内地点对应的WIFI指纹数据样本训练所述待训练模型,获得与每一所述超参数对应的待选取模型;对每一所述待选取模型进行模型评估,获得与所述待选取模型对应的模型评估结果;从若干个所述模型评估结果中选取目标模型评估结果,并将与所述目标模型评估结果对应的所述待选取模型确定为目标模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810919725.9A CN109040957A (zh) | 2018-08-14 | 2018-08-14 | 一种基于wifi的室内定位方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810919725.9A CN109040957A (zh) | 2018-08-14 | 2018-08-14 | 一种基于wifi的室内定位方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109040957A true CN109040957A (zh) | 2018-12-18 |
Family
ID=64633131
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810919725.9A Pending CN109040957A (zh) | 2018-08-14 | 2018-08-14 | 一种基于wifi的室内定位方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109040957A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110012428A (zh) * | 2019-05-22 | 2019-07-12 | 合肥工业大学 | 一种基于WiFi的室内定位方法 |
CN110231593A (zh) * | 2019-04-11 | 2019-09-13 | 深圳市城市交通规划设计研究中心有限公司 | 室内定位方法、装置、计算机可读存储介质及终端设备 |
CN110461001A (zh) * | 2019-07-31 | 2019-11-15 | 天津大学 | 基于自适应上下文生成对抗模型预估rss缺失值的方法 |
CN111327721A (zh) * | 2020-02-28 | 2020-06-23 | 加和(北京)信息科技有限公司 | Ip地址定位方法及装置、存储介质及电子装置 |
CN111461251A (zh) * | 2020-04-10 | 2020-07-28 | 桂林电子科技大学 | 基于随机森林与自编码器的WiFi指纹的室内定位方法 |
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 |
WO2021066330A1 (en) * | 2019-10-04 | 2021-04-08 | Samsung Electronics Co., Ltd. | System and method for wifi-based indoor localization via unsupervised domain adaptation |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106535326A (zh) * | 2016-11-22 | 2017-03-22 | 上海斐讯数据通信技术有限公司 | 一种基于深度神经网络的WiFi定位方法及服务器 |
CN106792769A (zh) * | 2016-11-22 | 2017-05-31 | 上海斐讯数据通信技术有限公司 | 一种WiFi定位方法及服务器及定位模型建立方法 |
CN107037399A (zh) * | 2017-05-10 | 2017-08-11 | 重庆大学 | 一种基于深度学习的Wi‑Fi室内定位方法 |
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 |
-
2018
- 2018-08-14 CN CN201810919725.9A patent/CN109040957A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106535326A (zh) * | 2016-11-22 | 2017-03-22 | 上海斐讯数据通信技术有限公司 | 一种基于深度神经网络的WiFi定位方法及服务器 |
CN106792769A (zh) * | 2016-11-22 | 2017-05-31 | 上海斐讯数据通信技术有限公司 | 一种WiFi定位方法及服务器及定位模型建立方法 |
CN107037399A (zh) * | 2017-05-10 | 2017-08-11 | 重庆大学 | 一种基于深度学习的Wi‑Fi室内定位方法 |
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 |
Non-Patent Citations (2)
Title |
---|
MICHAŁ NOWICKI: "Low-effort place recognition with WiFi fingerprints using deep learning", 《INTERNATIONAL CONFERENCE ON AUTOMATION》 * |
刘侃: "一种基于深度神经网络的无线定位方法", 《计算机工程》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110231593A (zh) * | 2019-04-11 | 2019-09-13 | 深圳市城市交通规划设计研究中心有限公司 | 室内定位方法、装置、计算机可读存储介质及终端设备 |
CN110012428A (zh) * | 2019-05-22 | 2019-07-12 | 合肥工业大学 | 一种基于WiFi的室内定位方法 |
CN110012428B (zh) * | 2019-05-22 | 2020-12-29 | 合肥工业大学 | 一种基于WiFi的室内定位方法 |
CN110461001A (zh) * | 2019-07-31 | 2019-11-15 | 天津大学 | 基于自适应上下文生成对抗模型预估rss缺失值的方法 |
WO2021066330A1 (en) * | 2019-10-04 | 2021-04-08 | Samsung Electronics Co., Ltd. | System and method for wifi-based indoor localization via unsupervised domain adaptation |
CN114514759A (zh) * | 2019-10-04 | 2022-05-17 | 三星电子株式会社 | 经由无监督域自适应的基于WiFi的室内定位的系统和方法 |
US11363416B2 (en) | 2019-10-04 | 2022-06-14 | Samsung Electronics Co., Ltd. | System and method for WiFi-based indoor localization via unsupervised domain adaptation |
US11941663B2 (en) | 2019-10-04 | 2024-03-26 | Samsung Electronics Co., Ltd. | System and method for WiFi-based indoor localization via unsupervised domain adaptation |
CN111327721A (zh) * | 2020-02-28 | 2020-06-23 | 加和(北京)信息科技有限公司 | Ip地址定位方法及装置、存储介质及电子装置 |
CN111461251A (zh) * | 2020-04-10 | 2020-07-28 | 桂林电子科技大学 | 基于随机森林与自编码器的WiFi指纹的室内定位方法 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109040957A (zh) | 一种基于wifi的室内定位方法及装置 | |
CN107077550A (zh) | 用于用户验证的生物联系 | |
RU2628155C2 (ru) | Устройство, способ и компьютерная программа для реконструкции движения объекта | |
CN108763857A (zh) | 一种基于相似度生成对抗网络的过程软测量建模方法 | |
US11715303B2 (en) | Dynamically predicting shot type using a personalized deep neural network | |
CN108304820A (zh) | 一种人脸检测方法、装置及终端设备 | |
CN109214366A (zh) | 局部目标重识别方法、装置及系统 | |
US20080175482A1 (en) | Behavior and pattern analysis using multiple category learning | |
CN107633323A (zh) | 核保难度预测的方法、装置、计算机设备及存储介质 | |
CN109086711A (zh) | 人脸特征分析方法、装置、计算机设备和存储介质 | |
CN109858230A (zh) | 滑块验证方法、装置、计算机设备及存储介质 | |
CN106767772A (zh) | 地磁指纹分布图的构建方法和装置及定位方法和装置 | |
CN109902470A (zh) | 滑块验证方法、装置、计算机设备及存储介质 | |
CN106874874A (zh) | 一种运动状态的识别方法及装置 | |
CN110363229A (zh) | 一种基于改进RReliefF和mRMR相结合的人体特征参数选择方法 | |
RU2016122457A (ru) | Устройство и способ для автоматической оценки хода тренировочного упражнения | |
CN104636748B (zh) | 一种号牌识别的方法及装置 | |
CN107510937A (zh) | 一种游泳姿势规范性的检测方法及可穿戴设备 | |
CN106842161B (zh) | 基于置信度评价的微动周期提取方法 | |
CN106559750A (zh) | 基于无源超高频rfid的多目标室内被动式定位算法 | |
CN110376290A (zh) | 基于多维核密度估计的声发射源定位方法 | |
CN110163086A (zh) | 基于神经网络的健身动作识别方法、装置、设备及介质 | |
EP3912090A1 (en) | Personalizing prediction of performance using data and body-pose for analysis of sporting performance | |
CN110533184A (zh) | 一种网络模型的训练方法及装置 | |
CN108712725B (zh) | 一种基于啮齿类动物模型与wifi指纹的slam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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181218 |