CN110536245B - 一种基于深度学习的室内无线定位方法及系统 - Google Patents

一种基于深度学习的室内无线定位方法及系统 Download PDF

Info

Publication number
CN110536245B
CN110536245B CN201910802286.8A CN201910802286A CN110536245B CN 110536245 B CN110536245 B CN 110536245B CN 201910802286 A CN201910802286 A CN 201910802286A CN 110536245 B CN110536245 B CN 110536245B
Authority
CN
China
Prior art keywords
state information
layer
channel state
deep learning
amplitude value
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.)
Active
Application number
CN201910802286.8A
Other languages
English (en)
Other versions
CN110536245A (zh
Inventor
岳克强
张鹏达
许兆龙
赵培毅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Taoyi Data Technology Co.,Ltd.
Original Assignee
Hangzhou Dianzi University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN201910802286.8A priority Critical patent/CN110536245B/zh
Publication of CN110536245A publication Critical patent/CN110536245A/zh
Application granted granted Critical
Publication of CN110536245B publication Critical patent/CN110536245B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
    • G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • G01C21/206—Instruments for performing navigational calculations specially adapted for indoor navigation
    • 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
    • H04W4/024—Guidance services
    • 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
    • H04W4/029—Location-based management or tracking services
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明公开了一种基于深度学习的室内无线定位方法及系统，用以提高室内定位的精度，该方法包括如下步骤：步骤一，构建无线信号强度地图；步骤二，构建深度学习网络模型；步骤三，基于深度学习的在线定位；该系统包括：无线信号强度地图构建模块、深度学习网络模型构建模块、基于深度学习的在线定位模块；本发明通过采集信道状态信息幅度值与航位推算的解算位置坐标，构建联合指纹库，深入的利用了指纹中的特征信息，避免了把原始数据用于指纹时可能存在的测量误差与干扰，并在离线阶段基于深度学习网络进行深度学习模型的训练，在线阶段利用训练好的深度学习模型实现高精度数据匹配，最终得到更为精确的定位结果。

Description

一种基于深度学习的室内无线定位方法及系统
技术领域
本发明涉及了室内定位领域，尤其是一种基于深度学习的无线定位方法及系统。
背景技术
位置是人类在社会存在中必不可少的重要元素。随着人类社会的不断发展、活动范围的不断扩大，基于位置的服务(Location Based Service，LBS)越来越受到人类的高度关注。当前基于室内场景下的LBS的重要性愈加凸显，室内定位的应用场景十分广泛，LBS可以让用户在任何时间任何地点都获得其基于某种坐标系的坐标及相关信息，具有对物体实时跟踪和即时定位的功能，为人类的生活提供了极大的便利。随着室内组合导航技术的发展，当前定位的精度愈加满足不了室内定位高精度的要求。在某些实际应用场景，小范围、少量WiFi已经远远不能满足实际应用的需求，在实时定位之前，大量位置指纹数据的获取以及指纹数据库的建立变得十分必要。对于大样本的数据，机器学习的方式来实现室内定位也变的十分必要。大样本机器学习方法与全息位置地图的发展将为提升广域室内定位和服务性能提供重要支撑，引入深度学习等人工智能技术，感知室内场景、结构、群体行为、无线信号等室内空间特征获得鲁棒性强高精度的定位成了研究的热点。在广域室内定位的需求中，智能设备的室内行人航位推算(Pedestrian Dead Reckoning，PDR)存在航向角的累积误差问题，影响了定位的精确度。
发明内容
为解决现有技术的不足，实现提高定位精确度的目标，本发明采用如下的技术方案：
一种基于深度学习的室内无线定位方法，其特征在于，包括如下步骤：
步骤一，构建无线信号强度地图；
管理方的智能终端对无线路由器到所述管理方智能终端的信道状态信息幅度值和所述管理方智能终端自身的航位推算的初始参数进行采集，并上传至上位机系统，由所述上位机系统分别对采集到的所述信道状态信息的幅度值去噪，对采集到的所述航位推算的初始参数进行所述航位推算的解算过程，将解算得到的所述管理方智能终端的位置坐标与所述信道状态信息的幅度值，联合构建指纹库；
所述信道状态信息的幅度值去噪，是将所述无线路由器到所述管理方智能终端的同一样本点多次采集得到的所述信道状态信息的幅度值通过粒子滤波算法，过滤小概率的信号强度值。
所述航位推算的解算过程，是将采集的所述初始参数中的航向角变化值及运动载体的位移量，利用条件检测法获得移动的步数，并在上位机系统设定初始步长的基础上计算出行走的直线长度，每计一步则算出在地图上对应的所述管理方智能终端的解算位置坐标；
步骤二，构建深度学习网络模型，在上位机系统中，将步骤一所述指纹库输入深度学习网络，生成带权值的深度学习网络模型；
步骤三，基于深度学习的在线定位，通过将用户智能终端对所述无线路由器到所述用户智能终端实时采集的所述信道状态信息的幅度值输入步骤二所述带权值的深度学习网络模型，输出精确定位结果。
步骤一具体包括如下步骤：
(1)在无线设备覆盖的定位区域，通过所述管理方智能终端上的采集模块，对所述无线路由器到所述管理方智能终端的同一样本点的所述信道状态信息的幅度值进行多次采集，同时，所述管理方智能终端自主采集，得到所述管理方智能终端的所述航位推算的初始参数，将所述信道状态信息的幅度值和所述航位推算的初始参数上传至所述上位机系统；
(2)在所述上位机系统中，对多次采集的所述信道状态信息幅度值的幅度h，通过所述粒子滤波算法，过滤小概率的信号强度值，从而达到去除噪声的目的。
在频域，多发射多接收天线(MIMO)的窄带慢衰落信道模型为：
y＝Hx+n
其中y为接收信号矢量，x为发射信号矢量，n为噪声矢量，H为信道矩阵。所述噪声通常建模为圆对称复正态分布，即n～cN(0,S)，c是常系数，N是函数分布表达式，S是方差，矩阵估计模式就可以去掉所述噪声，得到H的一个估计值：
Figure BDA0002182660750000021
所述信道状态信息的幅度值就是对信道矩阵H的一个估计量。在OFDM系统中，所述信道状态信息表示子载波层。一个单子载波的时域所述信道状态信息幅度值可以表示为下面的数学形式：
h＝|h|ejsinθ
其中|h|为幅度，θ为相位，j为复指数。去噪的过程有助于提高采集信道状态信息幅度值的精确度。
(3)在所述上位机系统中，通过所述航位推算的初始参数中的航向角变化值及运动载体的位移量，利用所述条件检测法获得移动的步数，并在所述上位机系统设定初始步长的基础上计算出行走的直线长度，每计一步则算出在地图上对应的坐标，从而得到所述航位推算的解算位置坐标，条件检测法是一种滤波算法，可以提高精度。
(4)在所述上位机系统中，通过信道状态信息的幅度值与航位推算的解算位置坐标进行联合建库。
步骤(4)具体包括如下步骤：
(a)在所述航位推算每计算一步保存坐标，同时采用K均值聚类算法计算所述信道状态信息幅度值的聚类中心；
(b)选择聚类中存放相互之间欧式距离最短的所述聚类中心值作为最佳匹配对：
Figure BDA0002182660750000031
tr(i)为K个聚类中心的第i个，tr(j)为K个聚类中心的第j个；
(c)将配对的所述信道状态信息的聚类中心值和所述航位推算的解算位置坐标，作为一条基本数据单元，保存在所述上位机系统数据库中，同时将配对的所述信道状态信息的聚类中心值与所述航位推算的解算位置坐标在所述上位机系统里构建电子地图。
通过引入采集信道状态信息幅度值的聚类中心值，能够提高采集的精度；所述信道状态信息幅度值的聚类中心值和所述解算位置坐标联合建库，避免了单纯使用航位推算时存在航向角累积误差的问题。
步骤二，所述深度学习网络，采用深度信念网络，对输入的指纹库进行训练，所述训练是使用非监督贪婪逐层方法来预训练获得权值，训练过程包括：
(1)对每个受限玻尔兹曼机单独训练，所述受限玻尔兹曼机是两层神经网络，第一层为可视层，第二层为隐藏层，所述信道状态信息幅度值的聚类中心值作为所述可视层的向量映射到所述隐藏层，得到所述隐藏层的向量，再将所述隐藏层的向量反向映射到所述可视层，然后，将所述隐藏层的向量作为第三层所述受限玻尔兹曼机的可视层的向量输入，在此基础上，通过不断训练来更新层与层之间的权重以及每一层的偏置；
(2)对整个所述深度信念网络实现微调，在最后一层所述受限玻尔兹曼机上添加一层反向传播神经网络，所述反向传播神经网络将所述最后一层受限玻尔兹曼机的输出向量作为其输入向量，同时将所述解算位置坐标作为标签集添加到所述顶层受限玻尔兹曼机的隐藏层中，通过自上而下的过程，对深度信念网络的权值矩阵及偏置向量进行调整。
通过深度学习网络的训练，提高了采集信道状态信息幅度值的聚类中心值与解算位置坐标的匹配度，使输出定位结果精度更高。
一种基于深度学习的室内无线定位系统，其特征在于，包括：
无线信号强度地图构建模块，用于对无线路由器到管理方智能终端的信道状态信息幅度值和管理方智能终端自身的航位推算的初始参数进行采集，并上传至上位机系统，由所述上位机系统分别对采集到的所述信道状态信息的幅度值去噪，对采集到的所述初始参数进行所述航位推算的解算过程，将解算得到的所述管理方智能终端的位置坐标与所述信道状态信息幅度值，联合构建指纹库；
深度学习网络模型构建模块，用于在所述上位机系统中，将所述指纹库输入深度学习网络，生成带权值的深度学习网络模型；
基于深度学习的在线定位模块，用于将用户智能终端实时采集的所述信道状态信息幅度值输入所述带权值的深度学习网络模型，输出精确定位结果。
所述无线信号强度地图构建模块，包括：
信道状态信息采集模块，用于采集无线路由器到管理方智能终端的信道状态信息的幅度值；
航位推算初始参数采集模块，用于采集管理方智能终端自身的航位推算的初始参数；
信道状态信息的幅度值去噪模块，用于对所述无线接入设备到所述管理方智能终端的同一样本点多次采集得到的所述信道状态信息幅度值通过粒子滤波算法，过滤小概率的信号强度值，有助于提高采集信道状态信息的幅度值的精确度；
解算模块，用于将采集的所述航位推算的初始参数中的航向角变化值及运动载体的位移量，利用条件检测法获得移动的步数，并在上位机系统设定初始步长的基础上计算出行走的直线长度，每计一步则算出在地图上对应的管理方智能终端的解算位置坐标；
联合构建指纹库模块，用于将采集到的所述信道状态信息的幅度值和所述解算位置坐标进行联合建库。该模块包括：
K均值聚类算法计算模块，用于计算所述信道状态信息幅度值的聚类中心值，能够提高采集精度；
最短聚类中心值计算模块，用于计算所述聚类中心值中，相互之间欧式距离最短的聚类中心值，作为与所述解算位置坐标的最佳匹配对，能够提高采集精度；
联合构建模块，用于将配对的所述信道状态信息幅度值的聚类中心值和所述解算位置坐标构建所述指纹库，避免了单纯使用航位推算时存在航向角累积误差的问题。
所述深度学习网络模型构建模块，采用深度信念网络，对输入的指纹库进行训练，所述训练是使用非监督贪婪逐层方法来预训练获得权值；具体包括：
对每个受限玻尔兹曼机的单独训练，由于所述受限玻尔兹曼机是两层神经网络，第一层为可视层，第二层为隐藏层，将所述信道状态信息幅度值的聚类中心值作为所述可视层的向量映射到所述隐藏层，得到所述隐藏层的向量，再将所述隐藏层的向量反向映射到所述可视层，然后，将所述隐藏层的向量作为第三层所述受限玻尔兹曼机的可视层的向量输入，在此基础上，通过不断训练来更新层与层之间的权重以及每一层的偏置；
对整个深度信念网络的微调，在最后一层所述受限玻尔兹曼机上添加一层反向传播神经网络，所述反向传播神经网络将所述最后一层受限玻尔兹曼机的输出向量作为其输入向量，同时添加所述解算位置坐标作为标签集到所述顶层受限玻尔兹曼机的隐藏层中，通过自上而下的过程，对深度信念网络的权值矩阵及偏置向量进行调整。
通过深度学习网络的训练，提高了采集信道状态信息幅度值的聚类中心值与航位推算的解算位置坐标的匹配度，使输出定位结果精度更高。
本发明的优势和有益效果在于：
本发明可以实现高精度定位，在离线阶段，采集信道状态信息幅度值与航位推算的解算位置坐标，构建联合指纹库，深入的利用了指纹中的特征信息，很好展现数据的特征，也避免了把原始数据用于指纹时可能存在的测量误差与干扰，并在离线阶段基于深度学习网络进行深度学习模型的训练，在线阶段利用训练好的深度学习模型实现高精度数据匹配，最终得到更为精确的定位结果。
附图说明
图1是本发明的基于深度学习的室内无线定位方法流程图；
图2是航位推算原理图；
图3是本发明的基于深度学习的室内无线定位系统模块图。
具体实施方式
以下结合附图和具体实施例对本发明作具体的介绍。
在当前WiFi覆盖的大型商场室内环境中，用户通过手持智能设备，如智能手机或者平板电脑，需要通过室内定位技术快速查找商家分布及所需商品位置等信息。在用户使用前，商场管理方先通过管理方智能手机的采集模块，获取从WiFi接入设备到管理方智能手机的信道状态信息(Channel state information，CSI)幅度值，在无线通信中，传输的无线信号受到物理环境的影响，例如反射、衍射和散射等等，CSI描述了无线信号在信道中传播的幅度衰减、相移等特性。上位机系统完成CSI幅度值的去噪、PDR位置坐标的解算、联合指纹库的构建、深度学习网络模型的构建。
1、构建无线信号强度地图，离线阶段，管理方的智能手机对WiFi接入设备到管理方智能手机的CSI幅度值进行采集，并连同管理方智能手机采集到的PDR的初始参数，上传上位机系统，上位机系统对采集到CSI幅度值进行去噪，对采集到的PDR的初始参数进行PDR的解算过程，将解算得到的管理方智能手机位置坐标和去噪后的CSI幅度值联合构建室内指纹库，如图1所示，具体步骤如下：
(1)在WiFi设备覆盖的定位区域，通过管理方手持智能手机上的采集模块，对WiFi接入设备到管理方智能手机的同一样本点的CSI幅度值进行多次采集，同时，管理方智能手机自主采集，得到管理方智能手机的PDR的初始参数，将CSI幅度值和PDR的初始参数上传至上位机系统；
(2)在上位机系统中，对多次采集的CSI幅度值的幅度h，通过粒子滤波算法，过滤小概率的信号强度值，从而达到去除噪声的目的。
在频域，多发射多接收天线(MIMO)的窄带慢衰落信道模型为：
y＝Hx+n
其中y为接收信号矢量，x为发射信号矢量，n为噪声矢量，H为信道矩阵。噪声通常建模为圆对称复正态分布，即n～cN(0,S)，c是常系数，N是函数分布表达式，S是方差，矩阵估计模式就可以去掉噪声，得到H的一个估计值：
Figure BDA0002182660750000061
CSI幅度值就是对信道矩阵H的一个估计量。在OFDM系统中，CSI表示子载波层。一个单子载波的时域CSI可以表示为下面的数学形式：
h＝|h|ejsinθ
其中|h|为幅度，θ为相位，j为复指数。CSI提供了更精细的无线链路表示，信息量更丰富，并且具有更高的灵敏性。
(3)在上位机系统中，通过PDR的初始参数中的航向角变化值及运动载体的位移量，利用条件检测法获得移动的步数，并在上位机系统设定初始步长的基础上计算出行走的直线长度，每计一步则算出在地图上对应的坐标，从而达到解算PDR的位置坐标的目的。
如图2所示，A、B、C三个点，坐标分别为(x0，y0)、(x1，y1)、(x2，y2)，间距分别为d0、d1，偏航角分别为θ0、θ1。
假设运动载体在A点的位置坐标为(x0，y0)，运动速度为v，偏航角为θ0，则可推算经过时间T后到达B点的坐标(x1，y1)：
Figure BDA0002182660750000071
假设t0时刻运动载体初始位置(x0，y0)，则tn时刻的位置(xn，yn)及偏航角θn,可计算得到坐标(xn，yn)：
Figure BDA0002182660750000072
(4)在上位机系统中，通过CSI幅度值与PDR解算位置坐标进行联合建库：
(a)在PDR每计算一步保存坐标，同时采用K均值聚类算法计算CSI幅度值的聚类中心；
(b)选择聚类中存放相互之间欧式距离最短的聚类中心值作为最佳匹配对：
Figure BDA0002182660750000073
tr(i)为K个聚类中心的第i个，tr(j)为K个聚类中心的第j个；
(c)将配对的CSI的聚类中心值和PDR解算位置坐标，作为一条基本数据单元，保存在上位机系统数据库中，同时将配对的CSI的聚类中心值与PDR解算位置坐标在上位机系统里构建电子地图。
2、构建深度学习网络模型，离线阶段，在上位机系统中，利用深度学习算法，将构建的地图中CSI的聚类中心值和PDR解算位置坐标输入深度学习网络中，生成带权值的深度学习网络模型；
深度学习网络选择深度信念网络(Deep Belief Network，DBN)进行指纹库的训练，使用非监督贪婪逐层方法来预训练获得权值，训练过程：
(1)对每个受限玻尔兹曼机(Restricted Boltzmann Machines，RBM)单独训练，首先，将可视层向量映射到隐藏层得到隐藏层向量，然后由隐藏层向量反向映射到可视层，对每一层RBM进行训练，然后隐藏层向量作为下一层(高一层)受限玻尔兹曼机的可视层向量输入，在此基础上不断训练，通过不断训练来得到层与层之间权重以及每一层的偏置向量。
(2)对整个深度信念网络实现微调,在最后一层RBM之后添加一层反向传播(BackPropagation，BP)神经网络，BP神经网络将顶层RBM隐藏层的输出向量作为输入向量，同时添加标签集在顶层RBM隐藏层中，通过自上而下的过程，向下传播，得到每层的状态，对深度信念网络的权值矩阵及偏置向量进行调整。
3、基于深度学习的在线定位，在线阶段，用户的智能设备将获取的实时CSI幅度值通过WiFi网络上传到上位机系统，输入到带权值的深度学习网络模型中，输出匹配数据作为最终精确定位的结果。
本发明还提供了一种基于深度学习的室内无线定位系统，如图3所示，包括以下模块：
无线信号强度地图构建模块，用于对无线路由器到管理方智能终端的信道状态信息幅度值和管理方智能终端自身的航位推算的初始参数进行采集，并上传至上位机系统，由所述上位机系统分别对采集到的所述信道状态信息的幅度值去噪，对采集到的所述初始参数进行所述航位推算的解算过程，将解算得到的所述管理方智能终端的位置坐标与所述信道状态信息幅度值，联合构建指纹库；
深度学习网络模型构建模块，用于在所述上位机系统中，将所述指纹库输入深度学习网络，生成带权值的深度学习网络模型；
基于深度学习的在线定位模块，用于将用户智能终端实时采集的所述信道状态信息幅度值输入所述带权值的深度学习网络模型，输出精确定位结果。
所述无线信号强度地图构建模块，包括：
信道状态信息采集模块，用于采集无线路由器到管理方智能终端的信道状态信息的幅度值；
航位推算初始参数采集模块，用于采集管理方智能终端自身的航位推算的初始参数；
信道状态信息的幅度值去噪模块，用于对所述无线接入设备到所述管理方智能终端的同一样本点多次采集得到的所述信道状态信息幅度值通过粒子滤波算法，过滤小概率的信号强度值，有助于提高采集信道状态信息的幅度值的精确度；
解算模块，用于将采集的所述航位推算的初始参数中的航向角变化值及运动载体的位移量，利用条件检测法获得移动的步数，并在上位机系统设定初始步长的基础上计算出行走的直线长度，每计一步则算出在地图上对应的管理方智能终端的解算位置坐标；
联合构建指纹库模块，用于将采集到的所述信道状态信息的幅度值和所述解算位置坐标进行联合建库。该模块包括：
K均值聚类算法计算模块，用于计算所述信道状态信息幅度值的聚类中心值，能够提高采集精度；
最短聚类中心值计算模块，用于计算所述聚类中心值中，相互之间欧式距离最短的聚类中心值，作为与所述解算位置坐标的最佳匹配对，能够提高采集精度；
联合构建模块，用于将配对的所述信道状态信息幅度值的聚类中心值和所述解算位置坐标构建所述指纹库，避免了单纯使用航位推算时存在航向角累积误差的问题。
所述深度学习网络模型构建模块，采用深度信念网络，对输入的指纹库进行训练，所述训练是使用非监督贪婪逐层方法来预训练获得权值；具体包括：
对每个受限玻尔兹曼机的单独训练，由于所述受限玻尔兹曼机是两层神经网络，第一层为可视层，第二层为隐藏层，将所述信道状态信息幅度值的聚类中心值作为所述可视层的向量映射到所述隐藏层，得到所述隐藏层的向量，再将所述隐藏层的向量反向映射到所述可视层，然后，将所述隐藏层的向量作为第三层所述受限玻尔兹曼机的可视层的向量输入，在此基础上，通过不断训练来更新层与层之间的权重以及每一层的偏置；
对整个深度信念网络的微调，在最后一层所述受限玻尔兹曼机上添加一层反向传播神经网络，所述反向传播神经网络将所述最后一层受限玻尔兹曼机的输出向量作为其输入向量，同时添加所述解算位置坐标作为标签集到所述顶层受限玻尔兹曼机的隐藏层中，通过自上而下的过程，对深度信念网络的权值矩阵及偏置向量进行调整。
通过深度学习网络的训练，提高了采集信道状态信息幅度值的聚类中心值与航位推算的解算位置坐标的匹配度，使输出定位结果精度更高。

Claims (8)

1.一种基于深度学习的室内无线定位方法，其特征在于，包括如下步骤：
步骤一，构建无线信号强度地图；
管理方的智能终端对无线路由器到所述管理方智能终端的信道状态信息幅度值和所述管理方智能终端自身的航位推算的初始参数进行采集，并上传至上位机系统，由所述上位机系统分别对采集到的所述信道状态信息的幅度值去噪，对采集到的所述航位推算的初始参数进行所述航位推算的解算过程，将解算得到的所述管理方智能终端的位置坐标与所述信道状态信息的幅度值，联合构建指纹库；
所述信道状态信息的幅度值去噪，是将所述无线路由器到所述管理方智能终端的同一样本点多次采集得到的所述信道状态信息的幅度值通过粒子滤波算法，过滤小概率的信号强度值；
所述航位推算的解算过程，是将采集的所述初始参数中的航向角变化值及运动载体的位移量，利用条件检测法获得移动的步数，并在上位机系统设定初始步长的基础上计算出行走的直线长度，每计一步则算出在地图上对应的所述管理方智能终端的解算位置坐标；
步骤二，构建深度学习网络模型，在上位机系统中，将步骤一所述指纹库输入深度学习网络，生成带权值的深度学习网络模型；
步骤三，基于深度学习的在线定位，通过将用户智能终端对所述无线路由器到所述用户智能终端实时采集的所述信道状态信息的幅度值输入步骤二所述带权值的深度学习网络模型，输出精确定位结果。
2.根据权利要求1所述的一种基于深度学习的室内无线定位方法，其特征在于，所述步骤一具体包括如下步骤：
(1)在无线设备覆盖的定位区域，通过所述管理方智能终端上的采集模块，对所述无线路由器到所述管理方智能终端的同一样本点的所述信道状态信息的幅度值进行多次采集，同时，所述管理方智能终端自主采集，得到所述管理方智能终端的所述航位推算的初始参数，将所述信道状态信息的幅度值和所述航位推算的初始参数上传至所述上位机系统；
(2)在所述上位机系统中，对多次采集的所述信道状态信息幅度值的幅度h，通过所述粒子滤波算法，过滤小概率的信号强度值，从而达到去除噪声的目的；
多发射多接收天线(MIMO)的窄带慢衰落信道模型为：
y＝Hx+n
其中y为接收信号矢量，x为发射信号矢量，n为噪声矢量，H为信道矩阵；所述噪声通常建模为圆对称复正态分布，即n～cN(0,S)，c是常系数，N是函数分布表达式，S是方差，矩阵估计模式就可以去掉所述噪声，得到H的一个估计值：
Figure FDA0002633639050000021
所述信道状态信息的幅度值就是对信道矩阵H的一个估计量；在OFDM系统中，所述信道状态信息表示子载波层；一个单子载波的时域所述信道状态信息幅度值可以表示为下面的数学形式：
h＝|h|ejsinθ
其中|h|为幅度，θ为相位，j为复指数；
(3)在所述上位机系统中，通过所述航位推算的初始参数中的航向角变化值及运动载体的位移量，利用所述条件检测法获得移动的步数，并在所述上位机系统设定初始步长的基础上计算出行走的直线长度，每计一步则算出在地图上对应的坐标，从而得到所述航位推算的解算位置坐标；
(4)在所述上位机系统中，通过信道状态信息的幅度值与航位推算的解算位置坐标进行联合建库。
3.根据权利要求2所述的一种基于深度学习的室内无线定位方法，其特征在于，步骤(4)具体包括如下步骤：
(a)在所述航位推算每计算一步保存坐标，同时采用K均值聚类算法计算所述信道状态信息幅度值的聚类中心；
(b)选择聚类中存放相互之间欧式距离最短的聚类中心值作为最佳匹配对：
Figure FDA0002633639050000022
tr(i)为K个聚类中心的第i个，tr(j)为K个聚类中心的第j个；
(c)将配对的所述信道状态信息的聚类中心值和所述航位推算的解算位置坐标，作为一条基本数据单元，保存在所述上位机系统数据库中，同时将配对的所述信道状态信息的聚类中心值与所述航位推算的解算位置坐标在所述上位机系统里构建电子地图。
4.根据权利要求1所述的一种基于深度学习的室内无线定位方法，其特征在于，步骤二，所述深度学习网络，采用深度信念网络，对输入的指纹库进行训练，所述训练是使用非监督贪婪逐层方法来预训练获得权值，训练过程包括：
(1)对每个受限玻尔兹曼机单独训练，所述受限玻尔兹曼机是两层神经网络，第一层为可视层，第二层为隐藏层，所述信道状态信息幅度值的聚类中心值作为所述可视层的向量映射到所述隐藏层，得到所述隐藏层的向量，再将所述隐藏层的向量反向映射到所述可视层，然后，将所述隐藏层的向量作为第三层所述受限玻尔兹曼机的可视层的向量输入，在此基础上，通过不断训练来更新层与层之间的权重以及每一层的偏置；
(2)对整个所述深度信念网络实现微调，在最后一层所述受限玻尔兹曼机上添加一层反向传播神经网络，所述反向传播神经网络将所述最后一层受限玻尔兹曼机的输出向量作为其输入向量，同时将所述解算位置坐标作为标签集添加到顶层受限玻尔兹曼机的隐藏层中，通过自上而下的过程，对深度信念网络的权值矩阵及偏置向量进行调整。
5.一种基于深度学习的室内无线定位系统，其特征在于，包括：
无线信号强度地图构建模块，用于对无线路由器到管理方智能终端的信道状态信息幅度值和管理方智能终端自身的航位推算的初始参数进行采集，并上传至上位机系统，由所述上位机系统分别对采集到的所述信道状态信息的幅度值去噪，对采集到的所述初始参数进行所述航位推算的解算过程，将解算得到的所述管理方智能终端的位置坐标与所述信道状态信息幅度值，联合构建指纹库；
深度学习网络模型构建模块，用于在所述上位机系统中，将所述指纹库输入深度学习网络，生成带权值的深度学习网络模型；
基于深度学习的在线定位模块，用于将用户智能终端实时采集的所述信道状态信息幅度值输入所述带权值的深度学习网络模型，输出精确定位结果。
6.根据权利要求5所述的一种基于深度学习的室内无线定位系统，其特征在于，所述无线信号强度地图构建模块，包括：
信道状态信息采集模块，用于采集无线路由器到管理方智能终端的信道状态信息的幅度值；
航位推算初始参数采集模块，用于采集管理方智能终端自身的航位推算的初始参数；
信道状态信息的幅度值去噪模块，用于对无线路由器到所述管理方智能终端的同一样本点多次采集得到的所述信道状态信息幅度值通过粒子滤波算法，过滤小概率的信号强度值；
解算模块，用于将采集的所述航位推算的初始参数中的航向角变化值及运动载体的位移量，利用条件检测法获得移动的步数，并在上位机系统设定初始步长的基础上计算出行走的直线长度，每计一步则算出在地图上对应的管理方智能终端的解算位置坐标；
联合构建指纹库模块，用于将采集到的所述信道状态信息的幅度值和所述解算位置坐标进行联合建库。
7.根据权利要求6所述的一种基于深度学习的室内无线定位系统，其特征在于，所述联合构建指纹库模块包括：
K均值聚类算法计算模块，用于计算所述信道状态信息幅度值的聚类中心值；
最短聚类中心值计算模块，用于计算所述聚类中心值中，相互之间欧式距离最短的聚类中心值，作为与所述解算位置坐标的最佳匹配对；
联合构建模块，用于将配对的所述信道状态信息幅度值的聚类中心值和所述解算位置坐标构建所述指纹库。
8.根据权利要求5所述的一种基于深度学习的室内无线定位系统，其特征在于，所述深度学习网络模型构建模块，采用深度信念网络，对输入的指纹库进行训练，所述训练是使用非监督贪婪逐层方法来预训练获得权值；具体包括：
对每个受限玻尔兹曼机的单独训练，由于所述受限玻尔兹曼机是两层神经网络，第一层为可视层，第二层为隐藏层，将所述信道状态信息幅度值的聚类中心值作为所述可视层的向量映射到所述隐藏层，得到所述隐藏层的向量，再将所述隐藏层的向量反向映射到所述可视层，然后，将所述隐藏层的向量作为第三层所述受限玻尔兹曼机的可视层的向量输入，在此基础上，通过不断训练来更新层与层之间的权重以及每一层的偏置；
对整个深度信念网络的微调，在最后一层所述受限玻尔兹曼机上添加一层反向传播神经网络，所述反向传播神经网络将所述最后一层受限玻尔兹曼机的输出向量作为其输入向量，同时添加所述解算位置坐标作为标签集到顶层受限玻尔兹曼机的隐藏层中，通过自上而下的过程，对深度信念网络的权值矩阵及偏置向量进行调整。
CN201910802286.8A 2019-08-28 2019-08-28 一种基于深度学习的室内无线定位方法及系统 Active CN110536245B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910802286.8A CN110536245B (zh) 2019-08-28 2019-08-28 一种基于深度学习的室内无线定位方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910802286.8A CN110536245B (zh) 2019-08-28 2019-08-28 一种基于深度学习的室内无线定位方法及系统

Publications (2)

Publication Number Publication Date
CN110536245A CN110536245A (zh) 2019-12-03
CN110536245B true CN110536245B (zh) 2020-10-30

Family

ID=68664815

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910802286.8A Active CN110536245B (zh) 2019-08-28 2019-08-28 一种基于深度学习的室内无线定位方法及系统

Country Status (1)

Country Link
CN (1) CN110536245B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113051976A (zh) * 2019-12-27 2021-06-29 广东博智林机器人有限公司 指纹定位方法、装置、电子设备及存储介质
CN112188613A (zh) * 2020-09-09 2021-01-05 国网浙江海盐县供电有限公司 一种基于深度学习的多天线室内定位方法及装置
CN112729301A (zh) * 2020-12-10 2021-04-30 深圳大学 一种基于多源数据融合的室内定位方法
CN114040347A (zh) * 2021-10-29 2022-02-11 中国石油大学(华东) 一种基于深度置信网络的信号指纹定位方法
CN115103299B (zh) * 2022-06-15 2024-04-09 河南工程学院 一种基于rfid的多传感器融合定位方法
CN116347357B (zh) * 2023-04-17 2023-10-20 天津大学 一种将运动限制嵌入神经网络的室内无线被动定位方法
CN116527462B (zh) * 2023-05-25 2024-02-02 兰州交通大学 一种基于信道状态变化csi值的无线定位方法
CN117406170A (zh) * 2023-12-15 2024-01-16 中科华芯(东莞)科技有限公司 一种基于超宽带的定位方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101867943A (zh) * 2010-06-23 2010-10-20 哈尔滨工业大学 基于粒子滤波算法的wlan室内跟踪方法
CN102340868A (zh) * 2011-11-09 2012-02-01 广州市香港科大霍英东研究院 基于无线网络信道状态信息的室内定位方法
CN103596266A (zh) * 2013-11-26 2014-02-19 无锡市中安捷联科技有限公司 一种人体检测和定位的方法、装置及系统
CN103687000A (zh) * 2013-12-17 2014-03-26 上海交通大学无锡研究院 一种无线传感器网络室内定位中基于rssi的测距优化方法
CN104482933A (zh) * 2014-12-03 2015-04-01 北京航空航天大学 一种基于粒子滤波航迹推算和无线局域网组合定位的方法
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
CN107592611A (zh) * 2017-09-11 2018-01-16 东南大学 宽带大规模mimo系统无线定位方法和系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11455522B2 (en) * 2017-11-17 2022-09-27 International Business Machines Corporation Detecting personal danger using a deep learning system
CN108242946A (zh) * 2018-01-05 2018-07-03 中国矿业大学 一种基于mimo-ofdm技术的煤矿井下巷道目标定位方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101867943A (zh) * 2010-06-23 2010-10-20 哈尔滨工业大学 基于粒子滤波算法的wlan室内跟踪方法
CN102340868A (zh) * 2011-11-09 2012-02-01 广州市香港科大霍英东研究院 基于无线网络信道状态信息的室内定位方法
CN103596266A (zh) * 2013-11-26 2014-02-19 无锡市中安捷联科技有限公司 一种人体检测和定位的方法、装置及系统
CN103687000A (zh) * 2013-12-17 2014-03-26 上海交通大学无锡研究院 一种无线传感器网络室内定位中基于rssi的测距优化方法
CN104482933A (zh) * 2014-12-03 2015-04-01 北京航空航天大学 一种基于粒子滤波航迹推算和无线局域网组合定位的方法
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
CN107592611A (zh) * 2017-09-11 2018-01-16 东南大学 宽带大规模mimo系统无线定位方法和系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
惯导系统辅助CSS的室内定位方法;黄金鹏;《传感技术学报》;20180315;第31卷(第3期);367-393 *

Also Published As

Publication number Publication date
CN110536245A (zh) 2019-12-03

Similar Documents

Publication Publication Date Title
CN110536245B (zh) 一种基于深度学习的室内无线定位方法及系统
Song et al. A novel convolutional neural network based indoor localization framework with WiFi fingerprinting
Xia et al. Indoor fingerprint positioning based on Wi-Fi: An overview
Njima et al. Indoor localization using data augmentation via selective generative adversarial networks
Zhang et al. DeepPositioning: Intelligent fusion of pervasive magnetic field and WiFi fingerprinting for smartphone indoor localization via deep learning
CN105636201B (zh) 基于稀疏信号指纹数据库的室内定位方法
CN108627798B (zh) 基于线性判别分析和梯度提升树的wlan室内定位算法
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
CN110536257B (zh) 一种基于深度自适应网络的室内定位方法
CN110082716B (zh) 一种医院复杂环境室内定位系统及定位方法
Chidlovskii et al. Semi-supervised variational autoencoder for WiFi indoor localization
CN108828643B (zh) 一种基于灰色预测模型的室内外无缝定位系统及方法
CN109327797A (zh) 基于WiFi网络信号的移动机器人室内定位系统
CN110081888A (zh) 一种基于可信度的惯导和地磁融合的室内定位算法
Zhu et al. Accurate WiFi-based indoor localization by using fuzzy classifier and mlps ensemble in complex environment
CN109151750A (zh) 一种基于循环神经网络模型的lte室内定位楼层判别方法
CN111050294A (zh) 一种基于深度神经网络的室内定位系统及方法
CN110049441B (zh) 基于深度集成学习的WiFi室内定位方法
CN113596989A (zh) 一种用于智慧车间的室内定位方法及系统
CN109637126A (zh) 一种基于v2x终端的交通对象识别系统及其方法
CN112580479A (zh) 一种基于空洞卷积神经网络的地磁式室内定位系统
WO2022242018A1 (zh) 一种基于改进的cnn模型的室内目标定位方法
CN105357647B (zh) 一种在线性不稳定环境下的wifi室内定位方法
CN107124761B (zh) 融合pso和ss-elm的蜂窝网无线定位方法
CN111194000B (zh) 基于蓝牙融合混合滤波与神经网络的测距方法与系统

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
TR01 Transfer of patent right

Effective date of registration: 20210518

Address after: Room 405, 6-8 Jiaogong Road, Xihu District, Hangzhou City, Zhejiang Province, 310013

Patentee after: Hangzhou Taoyi Data Technology Co.,Ltd.

Address before: 310018 No. 2 street, Xiasha Higher Education Zone, Hangzhou, Zhejiang

Patentee before: HANGZHOU DIANZI University

TR01 Transfer of patent right