CN114666734A - 一种深度学习射频信号指纹识别算法的定位方法和装置 - Google Patents

一种深度学习射频信号指纹识别算法的定位方法和装置 Download PDF

Info

Publication number
CN114666734A
CN114666734A CN202210283144.7A CN202210283144A CN114666734A CN 114666734 A CN114666734 A CN 114666734A CN 202210283144 A CN202210283144 A CN 202210283144A CN 114666734 A CN114666734 A CN 114666734A
Authority
CN
China
Prior art keywords
client
radio frequency
point location
building
floor
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
Application number
CN202210283144.7A
Other languages
English (en)
Other versions
CN114666734B (zh
Inventor
苏醒
李鹤
陈俊男
马秋楠
余红钊
肖靖
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.)
Guangzhou Mengxiang Network Technology Co ltd
Original Assignee
Guangzhou Mengxiang Network Technology Co ltd
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 Guangzhou Mengxiang Network Technology Co ltd filed Critical Guangzhou Mengxiang Network Technology Co ltd
Priority to CN202210283144.7A priority Critical patent/CN114666734B/zh
Publication of CN114666734A publication Critical patent/CN114666734A/zh
Application granted granted Critical
Publication of CN114666734B publication Critical patent/CN114666734B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
    • 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)
  • Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本申请提供了一种深度学习射频信号指纹识别算法的定位方法和装置。通过所述客户端依据所述信号强度指纹的集合生成点位数据集；其中，点位数据集为所述客户端在目标商场内的每个点位的概率以及每个点位的具体信息的集合；所述具体信息包括相对应的点位所在的建筑、所在的楼层以及所在的射频信号特征集合；所述客户端依据所述点位数据集进行分组；所述分组包括建筑组集、楼层组集和射频信号特征组集；所述客户端依据所述建筑组集、楼层组集和射频信号特征组集确定所述客户端在所述目标范围的当前位置。通过客户端运用模型，使得能够快速识别相关店铺。本申请通过对射频信号发送的信号强度指纹的集合的接收和定位，能够用于识别无官方铺设的店铺。

Description

一种深度学习射频信号指纹识别算法的定位方法和装置
技术领域
本申请涉及室内定位技术领域，特别是一种深度学习射频信号指纹识别算法的定位方法和装置。
背景技术
目标的位置信息在各种场合中发挥着重要作用，如车辆导航、矿井井下人员定位、医疗看护对象定位、建筑工地管理等。目前定位上应用最广泛的无疑是“全球卫星定位系统(GPS)”，GPS作为全球最广泛使用的卫星导航定位技术，在许多领域得到了推广应用。但GPS难以解决室内环境下的一些定位问题，大部分室内环境下都存在射频信号(WiFi无线通信技术)，因此利用射频WiFi进行定位无需额外部署硬件设备，是一个非常节省成本的方法。近十年来，在室内射频场景下的定位中，位置指纹法被广泛研究和采用。
现有的射频信号指纹定位识别技术是通过手机客户端侧定时将射频信号指纹数据集合上传到服务端，然后由服务端进行位置判断，判断完毕以后，再将判断结果返回给客户端。现有的射频场景识别技术适用于地图导航软件等对定位实时性要求高且无功耗要求的应用场景，来判定用户是否进入射频端所在大概区域。现有射频信号指纹定位技术方案中比较明显的问题：每次识别都需要网络请求，而网络请求依赖于当时的网络环境。如果网络比较慢或者没有网络，就会导致定位慢或者定位失败。而网络请求相对来说是一种比较耗电的操作，如果很耗电，则会给用户很差的体验。且现有射频信号指纹定位技术只能用于区域定位，无法应用于较为精准的用户店铺驻留行为判断。
现有射频信号场景识别技术通过在手机客户端侧射频信号通过算法处理判断使用者的店铺驻留状态，结合手机设备MEMS (Micro-Electro-Mechanical System，微机电系统)传感器判断用户运动状态，通过场景识别算法判断用户在店铺场景的驻留行为。现有射频信号场景识别技术只能用于有官方射频设备布设的店铺识别，无法应用于没有官方射频设备布设的店铺识别。
发明内容
鉴于所述问题，提出了本申请以便提供克服所述问题或者至少部分地解决所述问题的一种深度学习射频信号指纹识别算法的定位方法和装置，包括：
一种深度学习射频信号指纹识别算法的定位方法，所述方法涉及射频端和客户端，目标范围包括隔断区域和识别区域；所述隔断区域至少设置十个射频端；所述客户端预存有所述目标范围的点位信息、所述射频端的信号强度与所述点位信息相对应的数据信息；
所述方法用于所述客户端在目标范围的情况下通过射频确定所述客户端当前位置；所述方法包括：
当所述客户端进入所述目标范围时，所述客户端接收所述射频端发送的信号并将所述信号生成信号强度指纹的集合；
所述客户端依据所述信号强度指纹的集合生成点位数据集；其中，点位数据集为所述客户端在目标商场内的每个点位的概率以及每个点位的具体信息的集合；所述具体信息包括相对应的点位所在的建筑、所在的楼层以及所在的射频信号特征集合；
所述客户端依据所述点位数据集进行分组；所述分组包括建筑组集、楼层组集和射频信号特征组集；
所述客户端依据所述建筑组集、楼层组集和射频信号特征组集确定所述客户端在所述目标范围的当前位置；其中，所述当前位置包括所述客户端的区域状态；所述区域状态包括识别区域停留状态和隔断区域停留状态。
优选地，所述客户端依据所述建筑组集、楼层组集和射频信号特征组集确定所述客户端在所述目标范围的当前位置的步骤，包括：
所述客户端依据所述射频信号特征组集确定第一位置，并确定依据所述第一位置确定第一建筑和第一楼层；
所述客户端依据所述建筑组集和所述楼层组集生成第二建筑和第二楼层；
所述客户端将所述第一建筑与所述第二建筑相匹配，所述第一楼层与所述第二楼层相匹配，若二者均匹配则将所述射频端组的位置作为所述客户端在所述目标范围的当前位置输出。
优选地，所述客户端依据所述建筑组集和所述楼层组集生成第二建筑和第二楼层的步骤，包括：
所述客户端将所述建筑组集中点位数量最多的建筑组作为第二建筑输出；
所述客户端将所述楼层组集中点位数量最多的楼层组作为第二楼层输出。
优选地，所述客户端依据所述建筑组集和所述楼层组集生成第二建筑和第二楼层的步骤，包括：
所述客户端将所述第一建筑与所述第二建筑相匹配，所述第一楼层与所述第二楼层相匹配，若二者中有其一不匹配则不输出数据。
优选地，所述客户端依据所述点位数据集进行分组的步骤，包括：
所述客户端依据所述点位数据集中的具体信息分为第一建筑组集、第一楼层组件以及第一射频信号特征组集；
所述客户端依据所述概率分别将所述第一建筑组集、所述第一楼层组集以及第一射频信号特征组集进行排序生成所述建筑组集、楼层组集以及所述射频信号特征组集。
优选地，所述客户端依据所述射频信号特征组集确定第一位置的步骤，包括：
所述客户端依据所述射频信号特征组集中的概率确定第一射频信号特征集合，并依据所述第一射频信号特征集合确定所述第一位置。
优选地，所述方法还包括服务器端；
当所述服务器端识别所述客户端进入所述隔断区域时，所述服务端发送模型至所述客户端；其中，所述模型包括所述目标范围的点位信息、所述射频端的信号强度与所述点位信息相对应的数据信息。
为实现本申请还包括一种深度学习射频信号指纹识别算法的定位装置，所述装置涉及射频端和客户端，目标范围包括隔断区域和识别区域；所述隔断区域至少设置十个射频端；所述客户端预存有所述目标范围的点位信息、所述射频端的信号强度与所述点位信息相对应的数据信息；
所述装置用于所述客户端在目标范围的情况下通过射频确定所述客户端当前位置；所述装置包括：
信号强度指纹的集合发送模块，用于当所述客户端进入所述目标范围时，所述客户端接收所述射频端发送的信号并将所述信号生成信号强度指纹的集合；
点位数据集生成模块，用于所述客户端依据所述信号强度指纹的集合生成点位数据集；其中，点位数据集为所述客户端在目标商场内的每个点位的概率以及每个点位的具体信息的集合；所述具体信息包括相对应的点位所在的建筑、所在的楼层以及所在的射频信号特征集合；
点位数据集分组模块，用于所述客户端依据所述点位数据集进行分组；所述分组包括建筑组集、楼层组集和射频信号特征组集；
当前位置确定模块，用于所述客户端依据所述建筑组集、楼层组集和射频信号特征组集确定所述客户端在所述目标范围的当前位置；其中，所述当前位置包括所述客户端的区域状态；所述区域状态包括识别区域停留状态和隔断区域停留状态。
为实现本申请还包括一种深度学习射频信号指纹识别算法的定位系统，所述系统涉及射频端、客户端以及服务器端，目标范围包括隔断区域和识别区域；所述隔断区域至少设置十个射频端；所述客户端预存有所述目标范围的点位信息、所述射频端的信号强度与所述点位信息相对应的数据信息；
所述系统用于所述客户端在目标范围的情况下通过射频确定所述客户端当前位置；所述系统包括：
当所述服务器端识别所述客户端进入所述目标范围时，所述服务端发送模型至所述客户端；其中，所述模型包括所述目标范围的点位信息、所述射频端的信号强度与所述点位信息相对应的数据信息；
所述客户端接收所述射频端发送的信号并将所述信号生成信号强度指纹的集合；
所述客户端依据所述信号强度指纹的集合生成点位数据集；其中，点位数据集为所述客户端在目标商场内的每个点位的概率以及每个点位的具体信息的集合；所述具体信息包括相对应的点位所在的建筑、所在的楼层以及所在的射频信号特征集合；
所述客户端依据所述点位数据集进行分组；所述分组包括建筑组集、楼层组集和射频信号特征组集；
所述客户端依据所述建筑组集、楼层组集和射频信号特征组集确定所述客户端在所述目标范围的当前位置；其中，所述当前位置包括所述客户端的区域状态；所述区域状态包括识别区域停留状态和隔断区域停留状态。
为实现本申请还包括一种电子设备，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现所述的深度学习射频信号指纹识别算法的定位方法的步骤。
本申请具有以下优点：
在本申请的实施例中，通过本申请涉及射频端和客户端，目标范围包括隔断区域和识别区域；所述隔断区域至少设置十个射频端；所述客户端预存有所述目标范围的点位信息、所述射频端的信号强度与所述点位信息相对应的数据信息；所述方法用于所述客户端在目标范围的情况下通过射频确定所述客户端当前位置；所述方法包括：当所述客户端进入所述目标范围时，所述客户端接收所述射频端发送的信号并将所述信号生成信号强度指纹的集合；所述客户端依据所述信号强度指纹的集合生成点位数据集；其中，点位数据集为所述客户端在目标商场内的每个点位的概率以及每个点位的具体信息的集合；所述具体信息包括相对应的点位所在的建筑、所在的楼层以及所在的射频信号特征集合；所述客户端依据所述点位数据集进行分组；所述分组包括建筑组集、楼层组集和射频信号特征组集；所述客户端依据所述建筑组集、楼层组集和射频信号特征组集确定所述客户端在所述目标范围的当前位置；其中，所述当前位置包括所述客户端的区域状态；所述区域状态包括识别区域停留状态和隔断区域停留状态。通过在客户端运用定位请求，减少了网络请求，使得能够快速识别相关店铺。本申请通过对射频信号发送的信号强度指纹的集合的接收和定位，能够用于识别无官方铺设的店铺。
附图说明
为了更清楚地说明本申请的技术方案，下面将对本申请的描述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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的一种深度学习射频信号指纹识别算法的定位方法的步骤流程图；
图2是本申请一实施例提供的一种深度学习射频信号指纹识别算法的定位方法的结构框图；
图3是本申请一实施例提供的一种深度学习射频信号指纹识别算法的定位装置的结构框图；
图4是本发明一实施例提供的一种计算机设备的结构示意图。
具体实施方式
为使本申请的所述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
需要说明的是，所述方法用于所述客户端在目标范围的情况下通过射频确定所述客户端当前位置。
参照图1，示出了本申请一实施例提供的一种深度学习射频信号指纹识别算法的定位方法，所述方法包括：
S110、当所述客户端进入所述目标区域时，所述客户端接收所述射频端发送的信号并将所述信号生成信号强度指纹的集合；
S120、所述客户端依据所述信号强度指纹的集合生成点位数据集；其中，点位数据集为所述客户端在目标商场内的每个点位的概率以及每个点位的具体信息的集合；所述具体信息包括相对应的点位所在的建筑、所在的楼层以及所在的射频信号特征集合；
S130、所述客户端依据所述点位数据集进行分组；所述分组包括建筑组集、楼层组集和射频信号特征组集；
S140、所述客户端依据所述建筑组集、楼层组集和射频信号特征组集确定所述客户端在所述隔断区域的当前位置；其中，所述当前位置包括所述客户端的区域状态；所述区域状态包括识别区域停留状态和隔断区域停留状态。
在本申请的实施例中，通过当所述服务器端识别所述客户端进入所目标范围时，所述服务端发送模型至所述客户端；其中，所述模型为指纹定位模型；所述客户端依据所述模型接收所述射频端发送的信号并将所述信号生成信号强度指纹的集合；所述客户端依据所述信号强度指纹的集合生成点位数据集；其中，点位数据集为所述客户端在目标商场内的每个点位的概率以及每个点位的具体信息的集合；所述具体信息包括相对应的点位所在的建筑、所在的楼层以及所在的射频信号特征集合；所述客户端依据所述点位数据集进行分组；所述分组包括建筑组集、楼层组集和射频信号特征组集；所述客户端依据所述建筑组集、楼层组集和射频信号特征组集确定所述客户端在所述隔断区域的当前位置；其中，所述当前位置包括所述客户端的区域状态；所述区域状态包括识别区域停留状态和隔断区域停留状态。通过在客户端运用定位请求，减少了网络请求，同时也提升了定位速度，使得能够快速识别相关店铺。通过在客户端运用定位请求，减少了网络请求，使得能够快速识别相关店铺。本申请通过对射频信号发送的信号强度指纹的集合的接收和定位，能够用于识别无官方WiFi的店铺。
下面，将对本示例性实施例中一种深度学习射频信号指纹识别算法的定位方法作进一步地说明。
需要说明的是，本发明的识别范围为需要进行店铺识别的商场，识别区域可以为购物商场内需要识别的店铺，所述识别区域无官方WiFi，隔断区域为商场走廊或需要识别的店铺隔壁店铺等区域，射频端可以为WiFi。所述识别区域如便利店、女装店等无官方WiFi的店铺。所述隔断区域至少设置十个射频端。
如所述步骤S110所述，当所述客户端进入所述目标范围时，所述客户端接收所述射频端发送的信号并将所述信号生成信号强度指纹的集合。
在本发明一实施例中，可以结合下列描述进一步说明步骤S110所述“当所述客户端进入所述目标范围时，所述客户端接收所述射频端发送的信号并将所述信号生成信号强度指纹的集合”的具体过程。
在本申请一具体实施例中，当所述服务器端识别所述客户端进入所述目标范围时，所述服务端发送模型至所述客户端；其中，所述模型包括所述目标范围的点位信息、所述射频端的信号强度与所述点位信息相对应的数据信息。具体地，所述点位信息包括目标范围内的识别区域和隔断区域的划分等。
在本申请一具体实施例中，所述客户端可以为手机设备或其他电子设备；本发明的目标范围可以为购物商场等地点，射频端可以为WiFi；当所述服务器端识别所述客户端进入所述目标范围时，所述服务端发送模型至所述客户端，所述客户端依据所述模型接收所述射频端发送的信号，即使用一次手机设备发起WiFi扫描获取到的所有AP(WirelessAccessPoint，无线访问接入点)列表的SSID(Service Set Identifier，服务集标识)、BSSID(WiFi 唯一身份标识号)、信号强度的列表作为指纹特征，所述客户端将所有射频端的信号进行集合生成所述信号强度指纹的集合。
作为一种示例，所述客户端接收所述指纹定位模型，并下载所述指纹定位模型。
在一具体实施例中，所述客户端通过使用Google(谷歌)提供的 TensorFlow Lite库(TensorFlow Lite是TensorFlow针对移动和嵌入式设备的轻量级解决方案；其中，TensorFlow是一个基于数据流编程的符号数学系统) 来加载本地WiFi指纹识别模型。
在本申请一具体实施例中，所述客户端将所有射频端的信号进行集合生成所述信号强度指纹的集合的具体步骤为；将WiFi指纹数据进行归一化以后，转换为WiFi指纹识别模型能够接收的参数。
在本申请一具体实施例中，通过本地WiFi指纹识别模型返回的店铺ID 及相关概率，来模拟进店和离店；同时，进店时对于置信度概率值有更严格要求，而离店时对于置信度概率值要求则较低，既进店逻辑判定严格，一但进店逻辑完成后，离店逻辑判定宽松轻易难以离店。使得一个场景只需要少量的点位，就可以达到比较完整的店铺识别范围。在处理WiFi指纹离店逻辑时，增加移动判断和位置相似度判比，减少了因为环境变化而误判断为离店的情况。
如所述步骤S120所述，所述客户端依据所述信号强度指纹的集合生成点位数据集；其中，点位数据集为所述客户端在目标商场内的每个点位的概率以及每个点位的具体信息的集合；所述具体信息包括相对应的点位所在的建筑、所在的楼层以及所在的射频信号特征集合。
在本发明一实施例中，可以结合下列描述进一步说明步骤S120所述“所述客户端依据所述信号强度指纹的集合生成点位数据集；其中，点位数据集为所述客户端在目标商场内的每个点位的概率以及每个点位的具体信息的集合；所述具体信息包括相对应的点位所在的建筑、所在的楼层以及所在的射频信号特征集合”的具体过程。
在本申请一具体实施例中，模型将输入的数据进行推理，最终输出一系列带有概率的点位ID(唯一标识号)。模型的训练方法为预先采集目标内商场内需要进行WiFi指纹识别的店铺WiFi信号指纹，将每个店铺分为门口点位和店内每8米乘以8米一个点位，每个点位通过采集人员翻转手机、来回小幅度走动等方式采集10组WiFi指纹，采集完成后，使用Google提供的TensorFlow深度学习框架，将70％的采集所得WiFi指纹作为训练集数据，输入到以上图1结构的神经网络中，以30％的采集所得WiFi指纹作为校验集数据，循环训练到准确率达到99％以上训练完成，输出训练所得的该商场WiFi的指纹识别模型。
如所述步骤S130所述，所述客户端依据所述点位数据集进行分组；所述分组包括建筑组集、楼层组集和射频信号特征组集。
在本发明一实施例中，可以结合下列描述进一步说明步骤S130所述“所述客户端依据所述点位数据集进行分组；所述分组包括建筑组集、楼层组集和射频信号特征组集”的具体过程。
在本申请一实施例中，所述客户端依据所述点位数据集中的具体信息分为第一建筑组集、第一楼层组件以及第一射频信号特征组集；所述客户端依据所述概率分别将所述第一建筑组集、所述第一楼层组集以及第一射频信号特征组集进行排序生成所述建筑组集、楼层组集以及所述射频信号特征组集。
在一具体实施例中，将一系列带有概率的点位ID按建筑、楼层、店铺的规则进行分组，并将每个分组点位ID按置信度概率值从大到小进行排序。
需要说明的是，置信度在统计学中，一个概率样本的置信区间是对这个样本的某个总体参数的区间估计。置信区间展现的是这个参数的真实值有一定概率落在测量结果的周围的程度。置信区间给出的是被测量参数测量值的可信程度范围，即前面所要求的“一定概率”。这个概率被称为置信水平。
在本申请一具体实施例中，如所述步骤S140所述，所述客户端依据所述建筑组集、楼层组集和射频信号特征组集确定所述客户端在所述隔断区域的当前位置。
在本发明一实施例中，可以结合下列描述进一步说明步骤S140所述“所述客户端依据所述建筑组集、楼层组集和射频信号特征组集确定所述客户端在所述隔断区域的当前位置”的具体过程。
在本申请一实施例中，所述客户端依据所述射频信号特征组集确定第一位置，并确定依据所述第一位置确定第一建筑和第一楼层；所述客户端依据所述建筑组集和所述楼层组集生成第二建筑和第二楼层；所述客户端将所述第一建筑与所述第二建筑相匹配，所述第一楼层与所述第二楼层相匹配，若二者均匹配则将所述射频端组的位置作为所述客户端在所述隔断区域的当前位置输出。所述客户端将所述第一建筑与所述第二建筑相匹配，所述第一楼层与所述第二楼层相匹配，若二者中有其一不匹配则不输出数据。
在本申请一实施例中，所述客户端依据所述射频信号特征组集确定第一位置，并确定依据所述第一位置确定第一建筑和第一楼层；所述客户端依据所述建筑组集和所述楼层组集生成第二建筑和第二楼层；所述客户端将所述第一建筑与所述第二建筑相匹配，所述第一楼层与所述第二楼层相匹配，若二者中有其一不匹配则不输出数据。
在本发明一实施例中，可以结合下列描述进一步说明步骤所述“所述客户端依据所述射频信号特征组集确定第一位置”的具体过程。
在本申请一具体实施例中，所述客户端依据所述射频信号特征组集中的概率确定第一射频信号特征集合，并依据所述第一射频信号特征集合确定所述第一位置。
在本发明一实施例中，可以结合下列描述进一步说明步骤所述“所述客户端依据所述建筑组集和所述楼层组集生成第二建筑和第二楼层；”的具体过程。
在本申请一具体实施例中，所述客户端将所述建筑组集中点位数量最多的建筑组作为第二建筑输出；所述客户端将所述楼层组集中点位数量最多的楼层组作为第二楼层输出。
在本申请一具体实施例中，单独将建筑和楼层两个分组，采用投票机制来获取当前最有可能的建筑和楼层。最后，通过配置文件获取店铺前N个点位的店铺信息，将每个店铺的楼层和建筑信息与投票机制得到的建筑和楼层信息进行对比，如果存在店铺的建筑和楼层匹配成功，则判断为识别成功；否则判断为识别失败。
在一具体实施例中，图2是一个SDAE(stacked denoised autoencoder，堆栈去噪自编码器)+SIMO的深度神经网络结构(傅里叶神经网络)。网络输入特征是这个大场景中采集到的所有AP的接收信号值RSS(接收信号强度)。由于指纹采集时存在噪声，同时据实际采集发现大场景可能存在几千至上万的独立AP信息，因此网络前置了SDAE栈式去噪编码器，用于数据降维以及特征提取。网络中部为一个多输出公用隐藏层，将以前分隔在多个网络中的结构融合在一起，减少训练量。网络后半部是一个SIMO多输出结构，对于不同的子问题使用单独的输出层。
在一具体实施例中，通过在手机端运用WiFi指纹识别模型，减少了网络请求，同时也提升了WiFi指纹识别速度，使得能够快速识别相关店铺。
在一具体实施例中，使用一次手机设备发起WiFi扫描获取到的所有AP 列表的SSID(AP名称)、BSSID(AP唯一ID)、RSS(AP信号强度)组合作为WiFi指纹特征。一般来说，由于指纹库中存在数以亿记的AP信息，为了减少点位识别时的计算复杂度，识别逻辑按照层次来递进。识别层次为：大场景识别->建筑物识别->楼层识别->楼层子区域识别->具体点位识别并获取POI(Point of Interest，在地理信息系统中，一个POI可以是一栋房子、一个商铺、一个邮筒、一个公交站等)。大场景识别为设备找到当前大场景(一个拥有子POI的POI)信息，通过一个记录AP-父场景POI对应关系的Redis(Remote Dictionary Server，远程字典服务)数据库，可以简单统计待识别指纹中的AP大多数落于哪一个父场景，辅以经纬度与基站信息，由此确定当前所处的大场景。后续识别流程中，因为信号值的波动性、多径效应产生的噪声，以及RSS接收时的时间与设备依赖性，主要采用了神经网络算法进行建筑物/楼层/店铺点位的识别。
作为一种示例，所述区域状态包括识别区域停留状态和隔断区域停留状态。所述客户端在所述目标范围的识别区域时，所述客户端为识别区域停留状态；或；所述客户端在所述目标范围的隔断区域时，所述客户端为隔断区域停留状态。
在本申请一具体实施例中，当所述客户端进入所述隔断区域时，所述客户端接收所述射频端发送的信号并将所述信号生成信号强度指纹的集合；所述客户端依据所述信号强度指纹的集合生成点位数据集；其中，点位数据集为所述客户端在目标商场内的每个点位的概率以及每个点位的具体信息的集合；所述具体信息包括相对应的点位所在的建筑、所在的楼层以及所在的射频信号特征集合；所述客户端依据所述点位数据集进行分组；所述分组包括建筑组集、楼层组集和射频信号特征组集；所述客户端依据所述建筑组集、楼层组集和射频信号特征组集确定所述客户端在所述目标范围的当前位置；所述客户端的区域状态；所述区域状态包括识别区域停留状态和隔断区域停留状态为隔断区域停留状态，即非识别区域停留状态。
在本申请一具体实施例中，当所述客户端进入所述识别区域时，所述客户端接收所述射频端发送的信号并将所述信号生成信号强度指纹的集合；所述客户端依据所述信号强度指纹的集合生成点位数据集；其中，点位数据集为所述客户端在目标商场内的每个点位的概率以及每个点位的具体信息的集合；所述具体信息包括相对应的点位所在的建筑、所在的楼层以及所在的射频信号特征集合；所述客户端依据所述点位数据集进行分组；所述分组包括建筑组集、楼层组集和射频信号特征组集；所述客户端依据所述建筑组集、楼层组集和射频信号特征组集确定所述客户端在所述目标范围的当前位置；所述客户端的区域状态；所述区域状态包括识别区域停留状态和隔断区域停留状态为识别区域停留状态。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
参照图3，示出了本申请一实施例提供的一种深度学习射频信号指纹识别算法的定位装置；
具体包括：
信号强度指纹的集合发送模块310，用于当所述客户端进入所述目标范围时，所述客户端接收所述射频端发送的信号并将所述信号生成信号强度指纹的集合；
点位数据集生成模块320，用于所述客户端依据所述信号强度指纹的集合生成点位数据集；其中，点位数据集为所述客户端在目标商场内的每个点位的概率以及每个点位的具体信息的集合；所述具体信息包括相对应的点位所在的建筑、所在的楼层以及所在的射频信号特征集合；
点位数据集分组模块330，用于所述客户端依据所述点位数据集进行分组；所述分组包括建筑组集、楼层组集和射频信号特征组集；
当前位置确定模块340，用于所述客户端依据所述建筑组集、楼层组集和射频信号特征组集确定所述客户端在所述隔断区域的当前位置；其中，所述当前位置包括所述客户端的区域状态；所述区域状态包括识别区域停留状态和隔断区域停留状态。
在本发明一实施例中，所述点位数据集分组模块330，包括：
点位数据集分组子模块，用于所述客户端依据所述点位数据集中的具体信息分为第一建筑组集、第一楼层组件以及第一射频信号特征组集；
排序子模块，用于所述客户端依据所述概率分别将所述第一建筑组集、所述第一楼层组集以及第一射频信号特征组集进行排序生成所述建筑组集、楼层组集以及所述射频信号特征组集。
在本发明一实施例中，所述当前位置确定模块340，包括：
第一位置子模块，用于所述客户端依据所述射频信号特征组集确定第一位置，并确定依据所述第一位置确定第一建筑和第一楼层；
第二楼层子模块，用于所述客户端依据所述建筑组集和所述楼层组集生成第二建筑和第二楼层；
当前位置子模块，用于所述客户端将所述第一建筑与所述第二建筑相匹配，所述第一楼层与所述第二楼层相匹配，若二者均匹配则将所述射频端组的位置作为所述客户端在所述目标区域的当前位置输出。
在本发明一实施例中，所述第二楼层子模块，包括：
第二建筑输出子模块，用于所述客户端将所述建筑组集中点位数量最多的建筑组作为第二建筑输出；
第二楼层输出子模块，用于所述客户端将所述楼层组集中点位数量最多的楼层组作为第二楼层输出。
不输出子模块，用于所述客户端将所述第一建筑与所述第二建筑相匹配，所述第一楼层与所述第二楼层相匹配，若二者中有其一不匹配则不输出数据。
在本发明一实施例中，所述第一位置子模块，包括：
第一位置确定子模块，用于所述客户端依据所述射频信号特征组集中的概率确定第一射频信号特征集合，并依据所述第一射频信号特征集合确定所述第一位置。
定位请求接收模块，用于当所述服务器端识别所述客户端进入所述隔断区域时，所述服务端发送模型至所述客户端；其中，所述模型包括所述目标范围的点位信息、所述射频端的信号强度与所述点位信息相对应的数据信息。
本申请还包括一种深度学习射频信号指纹识别算法的定位系统，所述系统涉及射频端、客户端以及服务器端，目标范围包括隔断区域和识别区域；所述隔断区域至少设置十个射频端；所述客户端预存有所述目标范围的点位信息、所述射频端的信号强度与所述点位信息相对应的数据信息；
所述系统用于所述客户端在目标区域的情况下通过射频确定所述客户端当前位置；所述系统包括：
当所述服务器端识别所述客户端进入所述目标区域时，所述服务端发送模型至所述客户端；其中，所述模型包括所述目标范围的点位信息、所述射频端的信号强度与所述点位信息相对应的数据信息；
所述客户端接收所述射频端发送的信号并将所述信号生成信号强度指纹的集合；
所述客户端依据所述信号强度指纹的集合生成点位数据集；其中，点位数据集为所述客户端在目标商场内的每个点位的概率以及每个点位的具体信息的集合；所述具体信息包括相对应的点位所在的建筑、所在的楼层以及所在的射频信号特征集合；
所述客户端依据所述点位数据集进行分组；所述分组包括建筑组集、楼层组集和射频信号特征组集；
所述客户端依据所述建筑组集、楼层组集和射频信号特征组集确定所述客户端在所述目标范围的当前位置；其中，所述当前位置包括所述客户端的区域状态；所述区域状态包括识别区域停留状态和隔断区域停留状态。
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
在本具体实施例与上述具体实施例中有重复的操作步骤，本具体实施例仅做简单描述，其余方案参考上述具体实施例描述即可。
对于系统实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
参照图4，示出了本申请的深度学习射频信号指纹识别算法的定位方法的计算机设备，具体可以包括如下：
上述计算机设备12以通用计算设备的形式表现，计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，内存28，连接不同系统组件(包括内存28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、音视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
内存28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器30和/或高速缓存存储器32。计算机设备12可以进一步包括其他移动/不可移动的、易失性/非易失性计算机体统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其他光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质界面与总线18相连。存储器可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块42，这些程序模块42被配置以执行本申请各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器中，这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其他程序模块42以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本申请所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24、摄像头等)通信，还可与一个或者多个使得操作人员能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其他计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过I/O接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN))，广域网(WAN)和/ 或公共网络(例如因特网)通信。如图4所示，网络适配器20通过总线18 与计算机设备12的其他模块通信。应当明白，尽管图4中未示出，可以结合计算机设备12使用其他硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元16、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统34等。
处理单元16通过运行存储在内存28中的程序，从而执行各种功能应用以及数据处理，例如实现本申请实施例所提供的深度学习射频信号指纹识别算法的定位方法。
也即，上述处理单元16执行上述程序时实现：一种深度学习射频信号指纹识别算法的定位方法。
在本申请实施例中，本申请还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请所有实施例提供的深度学习射频信号指纹识别算法的定位方法。
也即，给程序被处理器执行时实现：当所述服务器端识别所述客户端进入所述目标范围时，所述服务端发送模型至所述客户端；其中，所述定位请求包括指纹定位模型；所述客户端依据所述定位请求接收所述射频端发送的信号并将所述信号生成信号强度指纹的集合；所述客户端依据所述信号强度指纹的集合生成点位数据集；其中，点位数据集为所述客户端在目标商场内的每个点位的概率以及每个点位的具体信息的集合；所述具体信息包括相对应的点位所在的建筑、所在的楼层以及所在的射频信号特征集合；所述客户端依据所述点位数据集进行分组；所述分组包括建筑组集、楼层组集和射频信号特征组集；所述客户端依据所述建筑组集、楼层组集和射频信号特征组集确定所述客户端在所述目标范围的当前位置；其中，所述当前位置包括所述客户端的区域状态；所述区域状态包括识别区域停留状态和隔断区域停留状态。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言——诸如Golang、Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在操作人员计算机上执行、部分地在操作人员计算机上执行、作为一个独立的软件包执行、部分在操作人员计算机上部分在远程计算机上执行或者完全在远程计算机或者服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到操作人员计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
尽管已描述了本申请实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种深度学习射频信号指纹识别算法的定位和装置，进行了详细介绍，本文中应用了具体个例对本申请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申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种深度学习射频信号指纹识别算法的定位方法，其特征在于，所述方法涉及射频端和客户端，目标范围包括隔断区域和识别区域；所述隔断区域至少设置十个射频端；所述客户端预存有所述目标范围的点位信息、所述射频端的信号强度与所述点位信息相对应的数据信息；
所述方法用于所述客户端在目标范围的情况下通过射频确定所述客户端当前位置；所述方法包括：
当所述客户端进入所述目标范围时，所述客户端接收所述射频端发送的信号并将所述信号生成信号强度指纹的集合；
所述客户端依据所述信号强度指纹的集合生成点位数据集；其中，点位数据集为所述客户端在目标商场内的每个点位的概率以及每个点位的具体信息的集合；所述具体信息包括相对应的点位所在的建筑、所在的楼层以及所在的射频信号特征集合；
所述客户端依据所述点位数据集进行分组；所述分组包括建筑组集、楼层组集和射频信号特征组集；
所述客户端依据所述建筑组集、楼层组集和射频信号特征组集确定所述客户端在所述目标范围的当前位置；其中，所述当前位置包括所述客户端的区域状态；所述区域状态包括识别区域停留状态和隔断区域停留状态。
2.根据权利要求1所述的深度学习射频信号指纹识别算法的定位方法，其特征在于，所述客户端依据所述建筑组集、楼层组集和射频信号特征组集确定所述客户端在所述目标范围的当前位置的步骤，包括：
所述客户端依据所述射频信号特征组集确定第一位置，并确定依据所述第一位置确定第一建筑和第一楼层；
所述客户端依据所述建筑组集和所述楼层组集生成第二建筑和第二楼层；
所述客户端将所述第一建筑与所述第二建筑相匹配，所述第一楼层与所述第二楼层相匹配，若二者均匹配则将所述射频端组的位置作为所述客户端在所述目标范围的当前位置输出。
3.根据权利要求2所述的深度学习射频信号指纹识别算法的定位方法，其特征在于，所述客户端依据所述建筑组集和所述楼层组集生成第二建筑和第二楼层的步骤，包括：
所述客户端将所述建筑组集中点位数量最多的建筑组作为第二建筑输出；
所述客户端将所述楼层组集中点位数量最多的楼层组作为第二楼层输出。
4.根据权利要求2所述的深度学习射频信号指纹识别算法的定位方法，其特征在于，所述客户端依据所述建筑组集和所述楼层组集生成第二建筑和第二楼层的步骤，包括：
所述客户端将所述第一建筑与所述第二建筑相匹配，所述第一楼层与所述第二楼层相匹配，若二者中有其一不匹配则不输出数据。
5.根据权利要求1所述的深度学习射频信号指纹识别算法的定位方法，其特征在于，所述客户端依据所述点位数据集进行分组的步骤，包括：
所述客户端依据所述点位数据集中的具体信息分为第一建筑组集、第一楼层组件以及第一射频信号特征组集；
所述客户端依据所述概率分别将所述第一建筑组集、所述第一楼层组集以及第一射频信号特征组集进行排序生成所述建筑组集、楼层组集以及所述射频信号特征组集。
6.根据权利要求2所述的深度学习射频信号指纹识别算法的定位方法，其特征在于，所述客户端依据所述射频信号特征组集确定第一位置的步骤，包括：
所述客户端依据所述射频信号特征组集中的概率确定第一射频信号特征集合，并依据所述第一射频信号特征集合确定所述第一位置。
7.根据权利要求1所述的深度学习射频信号指纹识别算法的定位方法，其特征在于，所述方法还包括服务器端；
当所述服务器端识别所述客户端进入所述目标范围时，所述服务端发送模型至所述客户端；其中，所述模型包括所述目标范围的点位信息、所述射频端的信号强度与所述点位信息相对应的数据信息。
8.一种深度学习射频信号指纹识别算法的定位装置，其特征在于，所述装置涉及射频端和客户端，目标范围包括隔断区域和识别区域；所述隔断区域至少设置十个射频端；所述客户端预存有所述目标范围的点位信息、所述射频端的信号强度与所述点位信息相对应的数据信息；
所述装置用于所述客户端在目标范围的情况下通过射频确定所述客户端当前位置；所述装置包括：
信号强度指纹的集合发送模块，用于当所述客户端进入所述目标范围时，所述客户端接收所述射频端发送的信号并将所述信号生成信号强度指纹的集合；
点位数据集生成模块，用于所述客户端依据所述信号强度指纹的集合生成点位数据集；其中，点位数据集为所述客户端在目标商场内的每个点位的概率以及每个点位的具体信息的集合；所述具体信息包括相对应的点位所在的建筑、所在的楼层以及所在的射频信号特征集合；
点位数据集分组模块，用于所述客户端依据所述点位数据集进行分组；所述分组包括建筑组集、楼层组集和射频信号特征组集；
当前位置确定模块，用于所述客户端依据所述建筑组集、楼层组集和射频信号特征组集确定所述客户端在所述目标范围的当前位置；其中，所述当前位置包括所述客户端的区域状态；所述区域状态包括识别区域停留状态和隔断区域停留状态。
9.一种深度学习射频信号指纹识别算法的定位系统，其特征在于，所述系统涉及射频端、客户端以及服务器端，目标范围包括隔断区域和识别区域；所述隔断区域至少设置十个射频端；所述客户端预存有所述目标范围的点位信息、所述射频端的信号强度与所述点位信息相对应的数据信息；
所述系统用于所述客户端在目标范围的情况下通过射频确定所述客户端当前位置；所述系统包括：
当所述服务器端识别所述客户端进入所述目标范围时，所述服务端发送模型至所述客户端；其中，所述模型包括所述目标范围的点位信息、所述射频端的信号强度与所述点位信息相对应的数据信息；
所述客户端接收所述射频端发送的信号并将所述信号生成信号强度指纹的集合；
所述客户端依据所述信号强度指纹的集合生成点位数据集；其中，点位数据集为所述客户端在目标商场内的每个点位的概率以及每个点位的具体信息的集合；所述具体信息包括相对应的点位所在的建筑、所在的楼层以及所在的射频信号特征集合；
所述客户端依据所述点位数据集进行分组；所述分组包括建筑组集、楼层组集和射频信号特征组集；
所述客户端依据所述建筑组集、楼层组集和射频信号特征组集确定所述客户端在所述目标范围的当前位置；其中，所述当前位置包括所述客户端的区域状态；所述区域状态包括识别区域停留状态和隔断区域停留状态。
10.一种电子设备，其特征在于，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的深度学习射频信号指纹识别算法的定位方法的步骤。
CN202210283144.7A 2022-03-22 2022-03-22 一种深度学习射频信号指纹识别算法的定位方法和装置 Active CN114666734B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210283144.7A CN114666734B (zh) 2022-03-22 2022-03-22 一种深度学习射频信号指纹识别算法的定位方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210283144.7A CN114666734B (zh) 2022-03-22 2022-03-22 一种深度学习射频信号指纹识别算法的定位方法和装置

Publications (2)

Publication Number Publication Date
CN114666734A true CN114666734A (zh) 2022-06-24
CN114666734B CN114666734B (zh) 2022-11-22

Family

ID=82031731

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210283144.7A Active CN114666734B (zh) 2022-03-22 2022-03-22 一种深度学习射频信号指纹识别算法的定位方法和装置

Country Status (1)

Country Link
CN (1) CN114666734B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120315918A1 (en) * 2011-06-10 2012-12-13 Google Inc. Prediction of indoor level and location using a three stage process
CN106792553A (zh) * 2016-11-22 2017-05-31 上海斐讯数据通信技术有限公司 一种基于wifi的多楼层定位方法及服务器
CN107484118A (zh) * 2016-06-07 2017-12-15 滴滴（中国）科技有限公司 一种基于建筑物WiFi指纹的室内场景定位方法及系统
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
CN110691336A (zh) * 2019-10-12 2020-01-14 黑龙江大学 一种基于集成学习和相对定位的双尺度定位算法
CN113805142A (zh) * 2021-09-16 2021-12-17 北京交通大学 一种基于联邦学习的建筑物楼层室内定位方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120315918A1 (en) * 2011-06-10 2012-12-13 Google Inc. Prediction of indoor level and location using a three stage process
CN107484118A (zh) * 2016-06-07 2017-12-15 滴滴（中国）科技有限公司 一种基于建筑物WiFi指纹的室内场景定位方法及系统
CN106792553A (zh) * 2016-11-22 2017-05-31 上海斐讯数据通信技术有限公司 一种基于wifi的多楼层定位方法及服务器
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
CN110691336A (zh) * 2019-10-12 2020-01-14 黑龙江大学 一种基于集成学习和相对定位的双尺度定位算法
CN113805142A (zh) * 2021-09-16 2021-12-17 北京交通大学 一种基于联邦学习的建筑物楼层室内定位方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘宝丛: "《基于WiFi位置指纹的室内定位算法研究》", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Also Published As

Publication number Publication date
CN114666734B (zh) 2022-11-22

Similar Documents

Publication Publication Date Title
Lee et al. Random forest and WiFi fingerprint-based indoor location recognition system using smart watch
CN107798557B (zh) 电子装置、基于lbs数据的服务场所推荐方法及存储介质
CN110166991B (zh) 用于定位电子设备的方法、设备、装置以及存储介质
CN110633381B (zh) 一种识别虚假房源的方法、装置、存储介质及电子设备
US8830909B1 (en) Methods and systems to determine user relationships, events and spaces using wireless fingerprints
CN107302793B (zh) 一种基于无线信号的定位方法、服务器、终端和系统
CN111757464B (zh) 一种区域轮廓提取方法及装置
CN111174778B (zh) 一种基于行人航迹推算的建筑入口确定方法及装置
CN111739095A (zh) 基于图像识别的定位方法、装置和电子设备
US9361633B1 (en) Determining present venue for a user device
Gu et al. ZeeFi: Zero-effort floor identification with deep learning for indoor localization
CN114547386A (zh) 基于Wi-Fi信号的定位方法、装置，以及电子设备
CN114666734B (zh) 一种深度学习射频信号指纹识别算法的定位方法和装置
CN112738714B (zh) 楼宇的楼层识别方法、电子设备及计算机可读存储介质
CN112235723B (zh) 定位方法、装置、电子设备及计算机可读存储介质
CN111954154B (zh) 定位方法及装置、计算机可读存储介质以及电子设备
CN111356072A (zh) 一种室内定位的位置估计方法、装置及可读存储介质
CN111132309B (zh) 一种定位方法、装置、服务器及存储介质
CN111757284B (zh) 一种室内入口定位方法及电子设备
CN115002675A (zh) 数据匹配方法、装置、可读介质及电子设备
CN114189806A (zh) 一种生成无线信号指纹数据库的方法、装置及电子设备
Li et al. Indoor localization based on subarea division with fuzzy C-means
CN113593065A (zh) 智能考勤的处理方法、装置、计算机设备和存储介质
Alzantot et al. Demonstrating CrowdInside: A system for the automatic construction of indoor floor-plans
CN112533137B (zh) 设备的定位方法、装置、电子设备及计算机存储介质

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
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A positioning method and device for deep learning RF signal fingerprint recognition algorithm

Effective date of registration: 20230908

Granted publication date: 20221122

Pledgee: Bank of China Limited by Share Ltd. Guangzhou Panyu branch

Pledgor: GUANGZHOU MENGXIANG NETWORK TECHNOLOGY CO.,LTD.

Registration number: Y2023980055816

PE01 Entry into force of the registration of the contract for pledge of patent right