CN112333625A - 一种基于Tensorflow的室内指纹定位方法 - Google Patents
一种基于Tensorflow的室内指纹定位方法 Download PDFInfo
- Publication number
- CN112333625A CN112333625A CN201911070538.9A CN201911070538A CN112333625A CN 112333625 A CN112333625 A CN 112333625A CN 201911070538 A CN201911070538 A CN 201911070538A CN 112333625 A CN112333625 A CN 112333625A
- Authority
- CN
- China
- Prior art keywords
- positioning
- algorithm
- model
- database
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000005516 engineering process Methods 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 238000001914 filtration Methods 0.000 claims abstract description 15
- 239000002245 particle Substances 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims abstract description 6
- 230000000007 visual effect Effects 0.000 claims abstract description 6
- 238000007637 random forest analysis Methods 0.000 claims abstract description 3
- 238000012706 support-vector machine Methods 0.000 claims abstract description 3
- 238000010801 machine learning Methods 0.000 claims description 5
- 238000012217 deletion Methods 0.000 claims description 2
- 230000037430 deletion Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000010295 mobile communication Methods 0.000 abstract description 2
- 238000011161 development Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000007123 defense Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明涉及人工智能及移动通信领域。涉及一种基于Tensorflow Lite的室内指纹定位方法。该方法包括以下步骤：步骤1、设计出采集WIFI信号的原型系统；步骤2、离线阶段，采集WIFI信号并对脏数据进行处理并建立位置指纹数据库；步骤3、使用K近邻算法、支持向量机算法、随机森林算法、多层感知机算法训练模型，并将这几种模型融合确定最终的定位模型,将融合后的定位模型进行粒子滤波与卡尔曼滤波处理；步骤4、将经滤波处理后的模型通过tensorflowlite技术移到移动端；步骤5、在移动端进行位置指纹定位的可视化预测与分析。该方法解决了室内位置指纹定位成本较高，鲁棒性低且定位精度不高的问题。
Description
技术领域
本发明涉及人工智能及移动通信领域。涉及一种基于Tensorflow Lite的室内指纹定位方 法。
背景技术
随着通信技术和物联网的发展，人们对于基于位置的服务需求越来越大。无论是在国防 领域还是人们的生活各个方面中，精准定位导航技术将扮演极重要的角色，基于位置的服务 具有非常广阔的市场远景以及巨大的商业价值。
在没有障碍物的室外环境，GPS是当前技术相对成熟且应用范围最广的定位导航系统。 然而地面接收的GPS卫星信号太过于微弱，GPS信号无法穿透绝大部分建筑物，造成GPS 系统无法实现定位。
由于室内环境复杂，使用GPS定位系统进行定位时，信号易受建筑物等障碍遮挡，多径 传播等效应使其难以达到室内的定位精度要求。例如常见的射频标签定位技术、蓝牙定位技 术、超宽带无线电(UWB)定位技术、LED光定位技术、WIFI定位等这些技术对定位硬件设 备和应用环境都有特定的要求，存在安装复杂、经济性差等因素。究其原因是室内定位环境 复杂、直达波路径损失严重、多径传播严重，影响室内环境变化因素较多等。
WIFI因其易于部署、通信速度快等特点为人们快速接入因特网提供了便利，同时智能硬 件的快速普及为人们借助WIFI通过智能硬件实现室内定位成为可能。因此，如何有效的利 用WIFI实现室内定位技术已经引起了广大研究者关注。近些年，机器学习因为其高效的自 主学习和更新能力，在众多领域都有着优秀的表现，于是将机器学习的思想引入室内定位中， 来解决室内定位问题。
发明内容
为了解决室内位置指纹定位成本较高，鲁棒性低且定位精度不高的问题。本发明公开了 一种基于Tensorflow Lite的室内指纹定位方法及系统。
为解决上述问题，本发明的技术方案如下：
步骤1、设计出采集WIFI信号的原型系统；
步骤2、离线阶段，采集WIFI信息，对数据清洗之后建立位置指纹数据库；
步骤3、使用K近邻算法、支持向量机算法、随机森林算法、多层感知机算法训练模型， 并将这几种模型融合确定最终的定位模型,将融合后的定位模型进行粒子滤波与卡尔曼滤波 处理；
步骤4、将经滤波处理后的模型通过Tensorflow Lite技术移到移动端；
步骤5、在移动端进行位置指纹定位的可视化预测与分析。
进一步，通过Android进行原型系统的设计与研发，该步骤主要是采用了Android的 GreenDao技术进行数据库的存储，该数据库主要用于WIFI信号的存储并具备相应的增删改 查功能。
进一步，(1)首先对脏数据进行删除法或插补法处理(2)离线建库阶段，在室内定位区域采 集WIFI信号特征数据建立指纹数据库。
进一步，在线定位阶段，位置指纹定位通过不同的训练点处采集到的RSS数据与真实物 理地址给之间的关系实现定位，把RSS信息映射到特定的物理环境中，将所测的信号强度作 为一个参数输入数据并与数据库中原有的信号强度信息进行对比，通过匹配算法(机器学习算 法)找到与原信号强度最接近的，然后将匹配到的信号强度映射出实际的物理位置信息，并将 定位信息进行卡尔曼滤波与粒子滤波处理从而推断终端所在的位置。
进一步，将训练好的pb模型迁移至android项目中。
进一步，通过Tensorflow Lite技术并加载.so文件在移动端完成可视化的预测与分析。
附图说明
为了使本发明的目的，技术方案和应用效果更为清晰准确，本发明提供附图进行一步的 说明，图1为本发明流程图。
具体实施方式
下面将结合附图，对本发明的实施例进行流程描述，应当正确理解，该实施例仅作为本 发明的说明样例，并不限制本发明所申请的保护范围。
步骤一：
开发环境中，本发明选择android studio作为开发平台，后端采用java语言编写，开发设 计出基于java模式的原型设计系统，wifi信号的存储采用GreenDao技术，并使存储的RSS 可以进行增删改查。
步骤二：
采用步骤1设计的原型通过手持移动设备进行wifi的采集，手写打开wifi接入当前区域 的无线局域网，然后启动室内定位软件。在离线建库阶段之前首先对脏数据进行删除法或插 补法处理，然后在离线建库阶段，在室内定位服务区域采集WIFI信号特征数据建立指纹数据 库，一般来说，一条指纹数据由两部分组成：多个AP信号的RSSI组成的信号强度向量数据 及位置空间坐标信息。比如采集第i个点作为参考数据，需要记录该点的空间坐标位置(xi，yi) 及多个AP信号的RSSI组成的信号强度向量RSSIi＝(rssi1,rssi2,rssi3,rssi4,……,rssin)，将坐标 的信息和RSSI值建立映射关系存入数据库中。可以选取n个AP,位置间隔设置为1m,在n个 AP的位置采集RSS信号强度，采集信号强度的数据使用GreenDao数据库技术进行保存。
步骤三：
在线定位阶段，位置指纹定位通过不同的训练点出采集到的RSS数据与真实物理地址给 之间的关系实现定位，把RSS信息映射到特定的物理环境中，将所测的信号强度作为一个参 数输入数据并与数据库中原有的信号强度信息进行对比，通过匹配算法(机器学习算法)找到与 原信号强度最接近的，然后将匹配到的信号强度映射出实际的物理位置信息，并将定位信息 进行卡尔曼滤波与粒子滤波处理从而推断终端所在的位置。
步骤四：
首先将训练好的pb模型迁移至Android项目中app/src/main/assets下，其次将下载的 libandroid_tensorflow_inference_java.jar文件放到app/libs目下，把libtensorflow_inference.so 放到app/libs/armeabi-v7a目录下，最后在app/build.gradle里进行配置。
步骤五：
通过tensorflowlite技术并加载.so文件在移动端完成可视化的预测与分析。
上述实施例为本发明可行的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未 背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含 在本发明的保护范围之内。
Claims (6)
1.一种基于Tensorflow Lite的室内指纹定位方法，其特征在于：该方法包括以下步骤：
步骤1、设计出采集WIFI信号的原型系统；
步骤2、离线阶段，采集WIFI信号并对脏数据进行处理并建立位置指纹数据库；
步骤3、使用K近邻算法、支持向量机算法、随机森林算法、多层感知机算法训练模型，并将这几种模型融合确定最终的定位模型,将融合后的定位模型进行粒子滤波与卡尔曼滤波处理；
步骤4、将经滤波处理后的模型通过Tensorflow Lite技术移到移动端；
步骤5、在移动端进行位置指纹定位的可视化预测与分析。
2.根据权利要求1所述的一种基于Tensorflow Lite的室内指纹定位方法，其特征在于：所述步骤1具体为：通过Android进行原型系统的设计与研发，该步骤主要是采用Android的GreenDao技术进行数据库的存储，该数据库主要用于WIFI信号的存储并具备相应的增删改查功能。
3.根据权利要求1所述的一种基于Tensorflow Lite的室内指纹定位方法，其特征在于：所述步骤2具体为：(1)首先对脏数据进行删除法或插补法处理(2)离线建库阶段，在室内定位服务区域采集WIFI信号特征数据建立指纹数据库，一般来说，一条指纹数据由两部分组成：多个AP信号的RSSI组成的信号强度向量数据及位置空间坐标信息。比如采集第i个点作为参考数据，需要记录该点的空间坐标位置(xi，yi)及多个AP信号的RSSI组成的信号强度向量RSSIi＝(rssi1,rssi2,rssi3,rssi4,……,rssin)，将坐标的信息和RSSI值建立映射关系存入数据库中。可以选取n个AP,位置间隔设置为1m,在n个AP的位置采集RSS信号强度，采集信号强度的数据使用GreenDao数据库技术进行保存。
4.根据权利要求1所述的一种基于Tensorflow Lite的室内指纹定位方法，其特征在于：所述步骤3具体为：在线定位阶段，位置指纹定位通过不同的训练点出采集到的RSS数据与真实物理地址给之间的关系实现定位，把RSS信息映射到特定的物理环境中，将所测的信号强度作为一个参数输入数据并与数据库中原有的信号强度信息进行对比，通过匹配算法(机器学习算法)找到与原信号强度最接近的，然后将匹配到的信号强度映射出实际的物理位置信息，并将定位信息进行卡尔曼滤波与粒子滤波处理从而推断终端所在的位置。
5.根据权利要求1所述的一种基于Tensorflow Lite的室内指纹定位方法，其特征在于：所述步骤4具体为：首先将训练好的pb模型迁移至Android项目中app/src/main/assets下，其次将下载的libandroid_tensorflow_inference_java.jar文件放到app/libs目下，把libtensorflow_inference.so放到app/libs/armeabi-v7a目录下，最后在app/build.gradle里进行配置。
6.根据权利要求1所述的一种基于Tensorflow Lite的室内指纹定位方法，其特征在于：所述步骤5具体为：通过Tensorflow Lite技术并加载.so文件在移动端完成可视化的预测与分析。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911070538.9A CN112333625A (zh) | 2019-11-05 | 2019-11-05 | 一种基于Tensorflow的室内指纹定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911070538.9A CN112333625A (zh) | 2019-11-05 | 2019-11-05 | 一种基于Tensorflow的室内指纹定位方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112333625A true CN112333625A (zh) | 2021-02-05 |
Family
ID=74319633
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911070538.9A Pending CN112333625A (zh) | 2019-11-05 | 2019-11-05 | 一种基于Tensorflow的室内指纹定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112333625A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114422952A (zh) * | 2022-01-29 | 2022-04-29 | 南京邮电大学 | 基于改进lssvr的室内指纹定位方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108632753A (zh) * | 2018-05-22 | 2018-10-09 | 同济大学 | 一种基于rssi和地磁融合的室内定位方法 |
| CN108717175A (zh) * | 2018-04-18 | 2018-10-30 | 同济大学 | 基于区域划分和稀疏支持向量回归的室内指纹定位方法 |
| CN109061705A (zh) * | 2018-06-27 | 2018-12-21 | 千寻位置网络有限公司 | 基于tensorflow的数据处理方法及终端、差分定位平台 |
| CN109816636A (zh) * | 2018-12-28 | 2019-05-28 | 汕头大学 | 一种基于智能终端的裂缝检测方法 |
| US20190199898A1 (en) * | 2017-12-27 | 2019-06-27 | Canon Kabushiki Kaisha | Image capturing apparatus, image processing apparatus, control method, and storage medium |
| CN110366244A (zh) * | 2019-08-02 | 2019-10-22 | 无锡职业技术学院 | 一种WiFi指纹室内定位方法 |
| CN112257791A (zh) * | 2020-10-26 | 2021-01-22 | 重庆邮电大学 | 一种基于cnn和pca的多属性分类任务的分类方法 |
-
2019
- 2019-11-05 CN CN201911070538.9A patent/CN112333625A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190199898A1 (en) * | 2017-12-27 | 2019-06-27 | Canon Kabushiki Kaisha | Image capturing apparatus, image processing apparatus, control method, and storage medium |
| CN108717175A (zh) * | 2018-04-18 | 2018-10-30 | 同济大学 | 基于区域划分和稀疏支持向量回归的室内指纹定位方法 |
| CN108632753A (zh) * | 2018-05-22 | 2018-10-09 | 同济大学 | 一种基于rssi和地磁融合的室内定位方法 |
| CN109061705A (zh) * | 2018-06-27 | 2018-12-21 | 千寻位置网络有限公司 | 基于tensorflow的数据处理方法及终端、差分定位平台 |
| CN109816636A (zh) * | 2018-12-28 | 2019-05-28 | 汕头大学 | 一种基于智能终端的裂缝检测方法 |
| CN110366244A (zh) * | 2019-08-02 | 2019-10-22 | 无锡职业技术学院 | 一种WiFi指纹室内定位方法 |
| CN112257791A (zh) * | 2020-10-26 | 2021-01-22 | 重庆邮电大学 | 一种基于cnn和pca的多属性分类任务的分类方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114422952A (zh) * | 2022-01-29 | 2022-04-29 | 南京邮电大学 | 基于改进lssvr的室内指纹定位方法 |
| CN114422952B (zh) * | 2022-01-29 | 2024-05-03 | 南京邮电大学 | 基于改进lssvr的室内指纹定位方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104483658B (zh) | 基于Wi-Fi和地磁场的室内定位方法 | |
| US9119168B2 (en) | Managing a location database for network-based positioning system | |
| US8200251B2 (en) | Determining a location of a mobile device using a location database | |
| CN109275095B (zh) | 一种基于蓝牙的室内定位系统、定位设备和定位方法 | |
| Pei et al. | Using inquiry-based Bluetooth RSSI probability distributions for indoor positioning | |
| CN102480677B (zh) | 一种指纹定位误差的确定方法和设备 | |
| CN102932911B (zh) | 位置指纹定位方法及定位系统 | |
| CN108919177B (zh) | 一种基于虚拟信源估计与轨迹校正的定位地图构建方法 | |
| CN105898713A (zh) | 一种基于加权余弦相似度的WiFi指纹室内定位方法 | |
| CN109379711B (zh) | 一种定位方法 | |
| CN102480784A (zh) | 一种指纹定位误差的评估方法和系统 | |
| Sophia et al. | Bluetooth low energy based indoor positioning system using ESP32 | |
| Zhu et al. | Review of RFID-based indoor positioning technology | |
| CN110572786A (zh) | 一种基于wifi与人脸识别的区块化室内定位系统及方法 | |
| CN112333625A (zh) | 一种基于Tensorflow的室内指纹定位方法 | |
| CN110839279A (zh) | 一种基于5g信号的智能终端定位方法及装置 | |
| CN112526572B (zh) | 室内外无缝导航的网络切换方法与定位系统 | |
| Feng et al. | Wifi-based indoor navigation with mobile GIS and speech recognition | |
| CN110856100B (zh) | 基于5g信号的终端定位及定位模型构建的方法和装置 | |
| CN114758364B (zh) | 基于深度学习的工业物联网场景融合定位方法及系统 | |
| Jia et al. | An indoor and outdoor seamless positioning system based on android platform | |
| CN108064020B (zh) | 一种优化的室内定位方法 | |
| CN113825100B (zh) | 定位寻物方法及系统 | |
| Li et al. | Outdoor location estimation in changeable environments | |
| CN108495262B (zh) | 室内空间泛在定位信号指纹库稀疏表征和匹配定位方法 |
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: 20210205 |