TWI726412B - 識別室內位置的建模系統、可攜式電子裝置、室內定位方法、電腦程式產品及電腦可讀取紀錄媒體 - Google Patents

Abstract

一種識別室內位置的建模系統、可攜式電子裝置、室內定位方法、電腦程式產品及電腦可讀取紀錄媒體，該室內定位方法包含：獲取一訓練集及一測試集；依據該訓練集中的資料訓練一閥式卷積神經網路模型，其包括一輸入層、數個特徵擷取模組、數個全連接層及一輸出層，該特徵擷取模組包括一卷積層、一閥式卷積層及一池化層；依據該測試集中的資料測試該訓練後的閥式卷積神經網路模型，以形成一位置識別模型；及將一待識別資料輸入該位置識別模型，使該位置識別模型輸出一室內位置識別結果。

Description

識別室內位置的建模系統、可攜式電子裝置、室內定位方法、電腦程式產品及電腦可讀取紀錄媒體

本發明係關於一種室內定位技術，特別是關於一種基於卷積神經網路及多通道狀態資訊進行室內定位之識別室內位置的建模系統、可攜式電子裝置、室內定位方法、電腦程式產品及電腦可讀取紀錄媒體。

行動定位功能被大量應用於工商業或個人需求，例如：全球衛星定位系統等室外定位技術，雖可被用於規劃最佳路徑以達到導航目的，然其訊號在室內空間受限於屏蔽效應，使得訊號快速衰減，導致無法用於室內定位。

隨著室內定位應用漸趨廣泛，舉凡智慧倉儲或智慧導覽等，只要搭配相關應用軟體(如應用智慧型手機等)，即可提高應用便利性，遂衍生出其他室內定位需求。

習知室內定位方法雖具室內定位效果，惟受室內多路徑通訊環境影響易造成誤差，如需時間同步功能則所需硬體成本高。後續雖發展出其他室 內定位技術，惟因須先選定空間中的參考點或訊號衰退程度不一等因素，導致室內定位效果仍待改善。

有鑑於此，有必要提供一種有別以往的技術方案，以解決習知技術所存在的問題。

本發明之一目的在於提供一種識別室內位置的建模系統，基於卷積神經網路建立用於識別室內位置的模型，以利提升定位準確度。

本發明之次一目的在於提供一種可攜式電子裝置，基於卷積神經網路的模型進行室內定位，以利提升定位準確度。

本發明之另一目的在於提供一種室內定位方法，基於卷積神經網路的模型進行室內定位，以利提升定位準確度。

本發明之又一目的在於提供一種電腦程式產品，基於卷積神經網路的模型進行室內定位，以利提升定位準確度。

本發明之再一目的在於提供一種內儲程式之電腦可讀取紀錄媒體，基於卷積神經網路的模型進行室內定位，以利提升定位準確度。

為達上述之目的，本發明的一方面提供一種識別室內位置的建模系統，包含：一資料庫，儲存一資料集，該資料集中的資料包含一無線發射器在一室內平面移動時的數個座標、由數個無線接收器在該無線發射器移動過程接收到的數個通道狀態資訊及數個雜訊，該資料集中的資料被分成一訓練集及一測試集；一訓練單元，耦接該資料庫，由該訓練單元依據該訓練集中的資料訓練一閥式卷積神經網路模型，該閥式卷積神經網路模型包括一輸入層、數個 特徵擷取模組、數個全連接層及一輸出層，該數個特徵擷取模組中的每個包括一卷積層、一閥式卷積層及一池化層；及一測試單元，耦接該訓練單元，由該測試單元依據該測試集中的資料測試該訓練後的閥式卷積神經網路模型，判斷一測試準確度是否滿足一預定準確度，若判斷為是，將該訓練後的閥式卷積神經網路模型當作一位置識別模型，若判斷為否，再次依據該訓練集中的資料訓練該閥式卷積神經網路模型。

在本發明之一實施例中，該閥式卷積層包括一輸入單元、二卷積單元、一激勵單元、一門閥單元及一點乘單元，由該輸入單元傳遞的資料經由該二卷積單元分別進行一卷積函數運算，由該二卷積單元運算後的資料分別經由該激勵單元進行一激勵函數運算及經由該門閥單元進行一門閥函數運算，由該激勵單元運算後的資料及由該門閥單元運算後的資料經由該點乘單元進行一點乘函數運算。

在本發明之一實施例中，該門閥函數為產生一值介於0至1的一函數。

在本發明之一實施例中，該門閥函數為sigmoid函數、hard_sigmoid函數或log_log函數。

在本發明之一實施例中，該激勵函數為RELU函數、ex_maxout函數或tanh函數。

為達上述之目的，本發明的另一方面提供一種可攜式電子裝置，包括：一位置識別模型，依據如上所述之識別室內位置的建模系統被配置形成，該位置識別模型被輸入一待識別資料，該待識別資料包含數個通道狀態資訊，使該位置識別模型輸出一室內位置識別結果。

為達上述之目的，本發明的另一方面提供一種室內定位方法，包含：獲取一資料集，該資料集中的資料包含一無線發射器在一室內平面移動時的數個座標、由數個無線接收器在該無線發射器移動過程接收到的數個通道狀態資訊及數個雜訊，該資料集中的資料被分成一訓練集及一測試集；依據該訓練集中的資料訓練一閥式卷積神經網路模型，該閥式卷積神經網路模型包括一輸入層、數個特徵擷取模組、數個全連接層及一輸出層，該數個特徵擷取模組中的每個包括一卷積層、一閥式卷積層及一池化層；依據該測試集中的資料測試該訓練後的閥式卷積神經網路模型，判斷一測試準確度是否滿足一預定準確度，若判斷為是，將該訓練後的閥式卷積神經網路模型當作一位置識別模型，若判斷為否，再次依據該訓練集中的資料訓練該閥式卷積神經網路模型；及將一待識別資料輸入該位置識別模型，該待識別資料包含數個通道狀態資訊，使該位置識別模型輸出一室內位置識別結果。

在本發明之一實施例中，該閥式卷積層包括一輸入函數、二卷積函數、一激勵函數、一門閥函數及一點乘函數，由該輸入函數傳遞的資料經由該二卷積函數分別進行運算，由該二卷積函數運算後的資料分別經由該激勵函數進行運算及經由該門閥函數進行運算，由該激勵函數運算後的資料及由該門閥函數運算後的資料經由該點乘函數進行運算。

在本發明之一實施例中，該門閥函數為產生一值介於0至1的一函數。

在本發明之一實施例中，該門閥函數為sigmoid函數、hard_sigmoid函數或log_log函數。

在本發明之一實施例中，該激勵函數為RELU函數、ex_maxout函數或tanh函數。

為達上述之目的，本發明的另一方面提供一種電腦程式產品，當電腦載入該電腦程式並執行後，該電腦能夠執行如上所述之室內定位方法。

為達上述之目的，本發明的另一方面提供一種電腦可讀取紀錄媒體，該電腦可讀取紀錄媒體內儲程式，當電腦載入該程式並執行後，該電腦能夠完成如上所述之室內定位方法。

本發明的識別室內位置的建模系統、可攜式電子裝置、室內定位方法、電腦程式產品及電腦可讀取紀錄媒體，基於卷積神經網路及多通道狀態資訊進行室內定位，可以有效提升定位準確度，改善習知室內定位技術的定位準確度低問題。此外，本發明的識別室內位置的建模系統、可攜式電子裝置、室內定位方法、電腦程式產品及電腦可讀取紀錄媒體更可有效提高室內定位精度，進而適用於相關室內定位應用，如智慧倉儲或智慧導覽等，可增加室內定位使用裕度。

1:資料庫

2:訓練單元

3:測試單元

A1:習知全連接式神經網路的誤差平均

A2:習知卷積神經網路的誤差平均

A3:本發明實施例的誤差平均

A4:文獻1的誤差平均

E:可攜式電子裝置

F1:輸入單元

F2:卷積單元

F3:激勵單元

F4:門閥單元

F5:點乘單元

M:位置識別模型

K1:習知K-近鄰演算法(KNN)採用1天線的累積誤差

K2:習知K-近鄰演算法(KNN)採用2天線的累積誤差

K4:習知K-近鄰演算法(KNN)採用4天線的累積誤差

K8:習知K-近鄰演算法(KNN)採用8天線的累積誤差

K16:習知K-近鄰演算法(KNN)採用16天線的累積誤差

G1:本發明實施例採用1天線的累積誤差

G2:本發明實施例採用2天線的累積誤差

G4:本發明實施例採用4天線的累積誤差

G8:本發明實施例採用8天線的累積誤差

G16:本發明實施例採用16天線的累積誤差

P1:文獻1採用1天線的累積誤差

P2:文獻1採用2天線的累積誤差

P4:文獻1採用4天線的累積誤差

P8:文獻1採用8天線的累積誤差

P16:文獻1採用16天線的累積誤差

K:習知K-近鄰演算法(KNN)的平均誤差

P:文獻1的平均誤差

G:本發明實施例的平均誤差

S1:獲取步驟

S2:訓練步驟

S3:測試步驟

S4:定位步驟

〔第1圖〕：本發明實施例之識別室內位置的建模系統的功能方塊示意圖。

〔第2圖〕：本發明實施例之閥式卷積層的功能方塊示意圖。

〔第3圖〕：本發明實施例之可攜式電子裝置的功能方塊示意圖。

〔第4圖〕：本發明實施例之室內定位方法的流程示意圖。

〔第5圖〕：本發明實施例採用閥式卷積層的誤差分佈示意圖。

〔第6圖〕：本發明上述實施例之閥式卷積層換成習知卷積層的誤差分佈示意圖。

〔第7圖〕：本發明實施例之預測位置與真實位置的分佈差異圖。

〔第8圖〕：本發明實施例與其他類神經網路的平均誤差(RMSE)示意圖。

〔第9圖〕：本發明實施例採用不同天線數量之預測位置與真實位置的分佈圖。

〔第10圖〕：本發明實施例與其他技術採用不同天線數量的累積誤差分佈圖。

〔第11圖〕：本發明實施例與其他定位技術的平均誤差(RMSE)示意圖。

為了讓本發明之上述及其他目的、特徵、優點能更明顯易懂，下文將特舉本發明較佳實施例，並配合所附圖式，作詳細說明如下。再者，本發明所提到的方向用語，例如上、下、頂、底、前、後、左、右、內、外、側面、周圍、中央、水平、橫向、垂直、縱向、軸向、徑向、最上層或最下層等，僅是參考附加圖式的方向。因此，使用的方向用語是用以說明及理解本發明，而非用以限制本發明。

請參閱第1圖所示，本發明的一方面提供一種識別室內位置的建模系統，可包含：一資料庫1、一訓練單元2及一測試單元3，該訓練單元2耦接該資料庫1與該測試單元3，該耦接方式可以是能夠用於傳遞資料載體(如電、光、磁或其組合等)的有線連接(如電性連接或網路連接等)或無線耦合(如光電耦合或電磁耦合等)，使得被耦接的兩個物體間可以相互傳遞資料，以利進行在此所揭露的內容，其係所屬技術領域中具有通常知識者可以理解，不另贅述於此。以下舉例說明本發明上述實施例的實施態樣，惟不以此為限。

舉例而言，如第1圖所示，該資料庫1可以是具有資料儲存功能的儲存載體，例如：可選自於記憶體、碟式儲存載體(如光碟或硬碟等)及資料伺服器所組成的群組，用以儲存一資料集，例如：該資料集中的資料可包含一無線發射器(如智慧型手機等)在一室內平面(如桌面、地面或牆面等)移動時的數個座標、由數個無線接收器(如多輸入多輸出(multi input multi output，MIMO)天線陣列等)在該無線發射器移動過程接收到的數個通道狀態資訊(channel state information，CSI)及數個雜訊(noise)，該資料集中的資料可被分成一訓練集及一測試集，例如：該訓練集與該測試集的一佔比可依需求設為6：4至9：1之間的比例，如：6：4、7：3、8：2或9：1等，用以進行後續模型的訓練及測試功能。

舉例而言，為了便於說明，在此例中，該資料集中的資料可採用現有可用於定位的無線通訊資料，例如資料來源可參「Maximilian Arnold,Jakob Hoydis,Stephan ten Brink,“Novel Massive MIMO Channel Sounding Data Applied to Deep Learning-based Indoor Positioning,”arXiv：1810.04126,2019」論文(下稱文獻1)，例如：藉由十六個天線接收器與一個移動的無線發射器進行量測該通道狀態資訊，該移動的無線發射器可以是一個搭載軟體無線電(software defined radio)的機器人，該機器人可以在例如是在一個面積約5×5(平方公尺，m ²)中的一桌體(約4×2(m ²))表面隨機移動，並上傳正交分頻多工(Orthogonal Frequency-Division Multiplexing，OFDM)的領航符(pilot)，正交分頻多工系統可以例如是操作在1.25GHz的頻率(頻寬20MHz、1024個子載波)，其中可以例如是有10%的子載波當作保護頻帶，惟不以此為限。

另外，資料所在的真實座標則可以例如是對該機器人定義原點，搭配測速儀量測機器人移動的速度及方向，轉換成空間的真實座標，其誤差範 圍小於1公分。因此，該資料集可包含通道狀態資訊、真實座標及雜訊，該通道狀態資訊的維度可以例如是「天線數量(16)×使用的子載波數(924)」，該真實座標可以表示為三維座標[x,y,z]，該雜訊的維度可以例如是「天線的數量」。應被理解的是，如果是在同一個位置量測十六個天線接收器收到的通道狀態資訊，則所收到的通道狀態資訊及受到雜訊干擾的程度也不盡相同。據此，可利用多個天線接收器收到的通道狀態資訊做為後續訓練及測試模型的依據。

此外，應被理解的是，大量資料(或稱大數據，如該訓練集中的資料)還可經由類神經網路(如卷積神經網路等深度神經網路)進行特徵擷取(extract)等過程，以取得一擷取結果。舉例而言，一個深度神經網路通常可由多個順序連接的層(layer)組成，第一層通常以資料作為輸入，通過特定的運算從資料中擷取特徵，如權重(weight)等；接著，每一層可用前一層擷取出的特徵作為輸入，進行特定形式的變換，以取得更高層次的特徵，這些層次化的特徵擷取過程可以累進式進行，以賦予類神經網路強大的特徵擷取能力；經過很多層的變換後，類神經網路可以將原始資料變換為更高層次的抽象特徵。所述特徵擷取過程需要經過訓練，例如反覆進行前向傳播(forward propagation)，再利用反向傳播(back propagation)調整各層參數的過程，直到符合特定條件，例如滿足特定損失函數的條件，以利後續被採用來進行特定識別功能(如識別用於定位的無線訊號的通道狀態資訊等)，其運算過程係所屬技術領域中具有通常知識者可以理解，不另贅述。

請再參閱第1圖所示，該訓練單元2可被配置成具備如後所述功能的硬體裝置，例如：伺服器、處理器或特殊應用積體電路等，該訓練單元2可依據該訓練集中的資料訓練一閥式卷積神經網路(Gated Convolutional Neural Network)模型，該閥式卷積神經網路模型包括一輸入(Input)層、數個特徵擷取(Feature Extraction)模組、數個全連接(Fully Connected)層及一輸出(Output)層，該數個特徵擷取模組中的每個包括一卷積(Convolution)層、一閥式卷積(Gated Convolution)層及一池化(Pooling)層。

舉例而言，該訓練集中的資料可被輸入該閥式卷積神經網路模型的輸入層，進行前向傳播，例如：該訓練集中的資料可依序經過該數個特徵擷取模組中的卷積層、閥式卷積層、池化層、該數個全連接層及該輸出層進行運算以產生一擷取結果；接著，可將該訓練集中的資料經過該閥式卷積神經網路模型的擷取結果作為一損失函數(Loss Function)的一輸入參數，該損失函數可以例如是均方誤差(Mean Square Error)函數，但不以此為限，還可以例如是平均絕對誤差(Mean Absolute Error)函數、交叉熵損失(Cross-Entropy Loss)函數或鉸鏈損失(Hinge Loss)函數等，用以計算一擷取損失；接著，可根據該擷取損失進行反向傳播，以最佳化該閥式卷積神經網路模型的擷取結果。

在此例中，該卷積層、閥式卷積層、池化層、全連接層的數量及種類可依實際需求自行定義，例如：該池化層可以例如是採用平均池化(Average Pooling)方式，但不以此為限，該池化層還可採用其他方式，例如最大池化(Max Pooling)方式等；另，該卷積層、全連接層各層的參數，例如神經元數量、卷積核大小(Patch Size)、卷積步長(Stride)等，都能依不同需求自行定義，該卷積運算過程係所屬技術領域中具有通常知識者可以理解，不再贅述於此。

可選地，該閥式卷積層採用一個門閥機製作為輸出管控機制，例如：如第2圖所示，該閥式卷積層可包括一輸入單元F1、二卷積單元F2、一激勵單元F3、一門閥單元F4及一點乘單元F5。例如：該輸入單元F1的輸入值等於輸 出值；由該輸入單元F1傳遞的資料可經由該二卷積單元F2分別進行一卷積函數運算；由該二卷積單元F2運算後的資料可分別經由該激勵單元F3進行一激勵函數運算及經由該門閥單元F4進行一門閥函數運算，例如：該激勵函數可為RELU函數、ex_maxout函數或tanh函數等，該門閥函數為sigmoid函數、hard_sigmoid函數或log_log函數等；由該激勵單元F3運算後的資料及由該門閥單元F4運算後的資料可經由該點乘單元F5進行一點乘函數(⊙，如點對點的相乘)運算。

應被注意的是，相較於該卷積層，該閥式卷積層採用的該激勵函數(如RELU函數)在訓練過程不易產生梯度消失情況，且該閥式卷積層採用的該門閥函數(如sigmoid函數)的輸出值介於0與1之間，可以當作後續進行該點乘函數運算時的一個門閥控制機制，例如：可控制該激勵函數輸出的值會有多少比例被輸出以傳送到下一層。藉此，利用該閥式卷積層可以微調中間層的輸出結果，有利於適時地最佳化該輸出結果，除可加強優化最後的擷取結果，更能提高訓練效率。以下舉例說明該閥式卷積神經網路模型的相關參數(如表1所示)，其具有四個特徵擷取模組及五個全連接層，惟不以此為限，所述數量及各層的特徵還可依實際需求進行調整。

如第1圖所示，該測試單元3可被配置成具備如後所述功能的硬體裝置，例如：伺服器、處理器或特殊應用積體電路等，該測試單元3可依據該測試集中的資料測試該訓練後的閥式卷積神經網路模型，判斷一測試準確度是否滿足一預定準確度(例如七成以上的測試資料的誤差距離在0.3公尺(m)以下，惟不以此為限)，若判斷為「是」，可將該訓練後的閥式卷積神經網路模型當作一位置識別模型，若判斷為「否」，可再次依據該訓練集中的資料訓練該閥式卷積神經網路模型。

在一實施例中，該訓練單元與該測試單元還可被整合為一測訓模組，用以在同一裝置中實現上述該訓練單元與該測試單元的功能。藉此，可以提高上述測試與訓練功能的整合度。

請參閱第3圖所示，本發明的另一方面提供一種可攜式電子裝置E，該可攜式電子裝置E可依實際需求被配置成一特殊功能裝置，例如：智慧型手機、智慧型手錶、智慧型手環、智慧型導覽器、智慧型標籤、智慧卡、平板電腦或筆記型電腦等，該可攜式電子裝置E除可包括通訊、顯示、語音、紀錄、報時、票券及運算等功能外，該可攜式電子裝置E還可包括室內定位功能，例如：該可攜式電子裝置E可包括：一位置識別模型M，依據如上所述之識別室內位置的建模系統被配置形成，該位置識別模型M被輸入一待識別資料(例如可由MIMO天線收集)，該待識別資料包含數個通道狀態資訊(例如由數個無線接收器在一無線發射器移動過程接收到的數個通道狀態資訊)，使該位置識別模型M輸出一室內位置識別結果。

相應地，請參閱第4圖所示，本發明的另一方面提供一種室內定位方法，包含：一獲取步驟S1、一訓練步驟S2、一測試步驟S3及一定位步驟S4。其中該獲取步驟S1、訓練步驟S2及測試步驟S3可被視為一學習階段；該定位步驟S4可被視為一使用階段。在本實施例中，該室內定位方法的實施方式可相對應於如上所述之識別室內位置的建模系統及可攜式電子裝置的實施方式。

舉例而言，如第4圖所示，該獲取步驟S1，可獲取一資料集，該資料集中的資料包含一無線發射器在一室內平面移動時的數個座標、由數個無線接收器在該無線發射器移動過程接收到的數個通道狀態資訊及數個雜訊，該資料集中的資料被分成一訓練集及一測試集；該訓練步驟S2，可依據該訓練集 中的資料訓練一閥式卷積神經網路模型，該閥式卷積神經網路模型包括一輸入層、數個特徵擷取模組、數個全連接層及一輸出層，該數個特徵擷取模組中的每個包括一卷積層、一閥式卷積層及一池化層；該測試步驟S3，可依據該測試集中的資料測試該訓練後的閥式卷積神經網路模型，判斷一測試準確度是否滿足一預定準確度，若判斷為「是」，將該訓練後的閥式卷積神經網路模型當作一位置識別模型，若判斷為「否」，再次依據該訓練集中的資料訓練該閥式卷積神經網路模型；及該定位步驟S4，可將一待識別資料輸入該位置識別模型，該待識別資料包含數個通道狀態資訊，使該位置識別模型輸出一室內位置識別結果。

在一實施例中，該閥式卷積層可包括一輸入函數、二卷積函數、一激勵函數、一門閥函數及一點乘函數，由該輸入函數傳遞的資料經由該二卷積函數分別進行運算，由該二卷積函數運算後的資料分別經由該激勵函數進行運算及經由該門閥函數進行運算，由該激勵函數運算後的資料及由該門閥函數運算後的資料經由該點乘函數進行運算。

在一實施例中，該門閥函數可為產生一值介於0至1的一函數。

在一實施例中，該門閥函數可為sigmoid函數、hard_sigmoid函數或log_log函數。

在一實施例中，該激勵函數可為RELU函數、ex_maxout函數或tanh函數。

另一方面，本發明還提供一種電腦程式產品，當電腦載入該電腦程式並執行後，該電腦能夠執行如上所述之定位方法。例如：該電腦程式產品可包含數個程式指令，該程式指令可利用現有的程式語言實現，以便用於執行 如上所述之室內定位方法，例如：以Python搭配Numpy、Matplotlib及Tensorflow套件等，Numpy的優點為支援高階大量的維度陣列與矩陣運算，同時針對陣列運算提供大量的數學函式庫，Matplotlib是繪圖套件，可將Numpy運算完成後的數值做可視化處理，Tensorflow則是用於建構深度學習模型的套件，以張量的方式運算類神經網路，可使效能提高，惟不以此為限。

另一方面，本發明還提供一種電腦可讀取紀錄媒體，例如：光碟、隨身碟或硬碟等，該電腦可讀取紀錄媒體內儲程式(如上述電腦程式)，當電腦載入該程式並執行後，該電腦能夠完成如上所述之室內定位方法。

請參閱第5圖所示，其係本發明上述實施例的誤差分佈示意圖。其中，本發明上述實施例的誤差分佈九成以上都在0.2m以下，相較之下，如將上述閥式卷積層替換成習知卷積層，則誤差分佈只有七成五在0.2m以下(如第6圖所示)，由此可知，習知卷積神經網路發生大幅度定位錯誤的比例較高，本發明上述實施例的閥式卷積神經網路模型的室內定位效果優於習知卷積神經網路的室內定位效果；如第7圖所示，顯示本發明上述實施例的預測位置與真實位置的分佈差異相當小。由第5至7圖可知，相較於一般的卷積層構成的習知卷積神經網路，本發明上述實施例的閥式卷積神經網路模型採用該閥式卷積層更能有效地擬合通道狀態資訊對位置的函數。

請參閱第8圖所示，其係本發明上述實施例與其他類神經網路的平均誤差(root mean square error，RMSE)示意圖。其中，習知全連接式神經網路的誤差平均被標示為A1，習知卷積神經網路的誤差平均被標示為A2，本發明上述實施例的誤差平均被標示為A3，上述文獻1的誤差平均被標示為A4，由圖可知，誤差平均A1、A2、A3、A4分別為1.143m、0.123m、0.070m、0.374m。因 此，相較於其他類神經網路技術，本發明上述實施例採用該閥式卷積層的誤差平均最小，即定位精準度最高，更能有效地擬合通道響應對位置的函數。

請參閱第9圖所示，其係本發明上述實施例採用不同天線數量之預測位置與真實位置的分佈圖。其中，從左到右及從上到下順序標示的(a)、(b)、(c)、(d)分佈圖分別表示本發明上述實施例採用2、4、8及16天線接收訊號的實驗結果，由圖可知，當來自天線的通道狀態資訊數量增加，該預測位置與真實位置的距離越近，亦即，提供的資訊越多，本發明上述實施例的閥式卷積神經網路模型的學習效果越好。

請參閱第10圖所示，其係本發明上述實施例與其他技術採用不同天線數量的累積誤差分佈圖。其中，習知K-近鄰演算法(k nearest neighbor，KNN)採用1、2、4、8、16天線的累積誤差分別標示為K1、K2、K4、K8、K16，本發明上述實施例採用1、2、4、8、16天線的累積誤差分別標示為G1、G2、G4、G8、G16，上述文獻1的採用1、2、4、8、16天線的累積誤差分別標示為P1、P2、P4、P8、P16。由圖可知，本發明上述實施例與上述文獻1在天線數量越多的情況下的誤差累積收斂越快，但本發明上述實施例比上述文獻1有更好的精準度，且在天線數量相同情況下，本發明上述實施例比上述文獻1更快收斂。

請參閱第11圖所示，其係本發明上述實施例與其他定位技術的平均誤差(RMSE)示意圖。其中，習知K-近鄰演算法(KNN)的平均誤差被標示為K，上述文獻1的平均誤差被標示為P，本發明上述實施例的平均誤差被標示為G。由圖可知，在天線數量相同的情況下，本發明上述實施例比KNN、文獻1有更好的表現，甚至在2個天線情況下，本發明上述實施例的平均誤差就比上述文獻1採用16個天線的平均誤差更低。

此外，另有一些用於文字、影像或視訊的卷積神經網路技術被發展，例如：「蔡聖安，利用卷積神經網路做圖像偽造偵測與定位，國立成功大學，2018」、「簡伯丞，一個利用卷積神經網路與動作補償的視訊超解析演算法，國立成功大學，2018」、「黃振傑，一個利用卷積神經網路與線性回歸的衛星影像修復演算法，國立成功大學，2018」、「陸藝文，基於卷積神經網路實現人臉辨識系統，國立成功大學，2018」、「黃冠維，基於卷積神經網路於三倍頻顯微術影像中之幹細胞偵測，國立成功大學，2018」、「林建維，基於卷積神經網路之影片超解析度技術，國立成功大學，2017」、「高健恩，以FPGA實現卷積神經網路應用於影像除霧系統，國立成功大學，2017」、「李兆健，卷積神經網路應用於中文字手寫風格辨識，國立成功大學，2017」、「詹志鴻，基於紋理特徵影像應用深度卷積神經網路於口腔癌偵測，國立成功大學，2017」、「李牧柔，應用深度卷積神經網路於口腔自體螢光影像部位分類與分割，電腦與通信工程研究所，2017」、「李哲緯，基於卷積神經網路之手語影像辨識，國立成功大學，2016」、「廖灝添，基於卷積神經網路之手寫文件語言辨識，國立成功大學，2016」、「蔡定男，基於深度神經網路之情緒辨識系統及其於人形機器人之應用，國立成功大學，2018」、「溫淙傑，基於循環卷積式神經網路的文件分類模型實作，國立成功大學，2017」、「戴翊竹，基於深度神經網路之家具風格合適度分析，國立成功大學，2017」、「呂維庭，結合深度學習與迭代反向投影法實現圖像超解析度，國立成功大學，2016」、「洪文麟，深度學習應用於以影像辨識為基礎的個人化推薦系統-以服飾樣式為例，國立成功大學，2016」及「郭柏宏，基於深度學習之靜態影像超解析度技術，國立成功大學，2015」等。惟，該些技術皆屬基於文字、影像或視訊的特性訓 練的習知卷積神經網路，如直接轉用於室內定位，效果仍待改善，例如：本發明上述實施例的閥式卷積神經網路模型的室內定位效果優於習知卷積神經網路的室內定位效果，其結果已說明如上。

承上所述，本發明上述實施例的識別室內位置的建模系統、可攜式電子裝置、室內定位方法、電腦程式產品及電腦可讀取紀錄媒體，基於卷積神經網路及多通道狀態資訊進行室內定位，可以有效提升定位準確度，改善習知室內定位技術的定位準確度低問題。此外，本發明上述實施例的識別室內位置的建模系統、可攜式電子裝置、室內定位方法、電腦程式產品及電腦可讀取紀錄媒體更可有效提高室內定位精度，進而適用於相關室內定位應用，如智慧倉儲或智慧導覽等，可增加室內定位使用裕度。

雖然本發明已以較佳實施例揭露，然其並非用以限制本發明，任何熟習此項技藝之人士，在不脫離本發明之精神和範圍內，當可作各種更動與修飾，因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。

S1    獲取步驟 S2    訓練步驟 S3    測試步驟 S4      定位步驟

Claims (13)

1. 一種識別室內位置的建模系統，包含： 一資料庫，儲存一資料集，該資料集中的資料包含一無線發射器在一室內平面移動時的數個座標、由數個無線接收器在該無線發射器移動過程接收到的數個通道狀態資訊及數個雜訊，該資料集中的資料被分成一訓練集及一測試集； 一訓練單元，耦接該資料庫，由該訓練單元依據該訓練集中的資料訓練一閥式卷積神經網路模型，該閥式卷積神經網路模型包括一輸入層、數個特徵擷取模組、數個全連接層及一輸出層，該數個特徵擷取模組中的每個包括一卷積層、一閥式卷積層及一池化層；及 一測試單元，耦接該訓練單元，由該測試單元依據該測試集中的資料測試該訓練後的閥式卷積神經網路模型，判斷一測試準確度是否滿足一預定準確度，若判斷為是，將該訓練後的閥式卷積神經網路模型當作一位置識別模型，若判斷為否，再次依據該訓練集中的資料訓練該閥式卷積神經網路模型。
2. 如申請專利範圍第1項所述之識別室內位置的建模系統，其中該閥式卷積層包括一輸入單元、二卷積單元、一激勵單元、一門閥單元及一點乘單元，由該輸入單元傳遞的資料經由該二卷積單元分別進行一卷積函數運算，由該二卷積單元運算後的資料分別經由該激勵單元進行一激勵函數運算及經由該門閥單元進行一門閥函數運算，由該激勵單元運算後的資料及由該門閥單元運算後的資料經由該點乘單元進行一點乘函數運算。
3. 如申請專利範圍第2項所述之識別室內位置的建模系統，其中該門閥函數為產生一值介於0至1的一函數。
4. 如申請專利範圍第3項所述之識別室內位置的建模系統，其中該門閥函數為sigmoid函數、hard_sigmoid函數或log_log函數。
5. 如申請專利範圍第2項所述之識別室內位置的建模系統，其中該激勵函數為RELU函數、ex_maxout函數或tanh函數。
6. 一種可攜式電子裝置，包括： 一位置識別模型，依據申請專利範圍第1至5項任一項所述之識別室內位置的建模系統被配置形成，該位置識別模型被輸入一待識別資料，該待識別資料包含數個通道狀態資訊，使該位置識別模型輸出一室內位置識別結果。
7. 一種室內定位方法，包含： 獲取一資料集，該資料集中的資料包含一無線發射器在一室內平面移動時的數個座標、由數個無線接收器在該無線發射器移動過程接收到的數個通道狀態資訊及數個雜訊，該資料集中的資料被分成一訓練集及一測試集； 依據該訓練集中的資料訓練一閥式卷積神經網路模型，該閥式卷積神經網路模型包括一輸入層、數個特徵擷取模組、數個全連接層及一輸出層，該數個特徵擷取模組中的每個包括一卷積層、一閥式卷積層及一池化層； 依據該測試集中的資料測試該訓練後的閥式卷積神經網路模型，判斷一測試準確度是否滿足一預定準確度，若判斷為是，將該訓練後的閥式卷積神經網路模型當作一位置識別模型，若判斷為否，再次依據該訓練集中的資料訓練該閥式卷積神經網路模型；及 將一待識別資料輸入該位置識別模型，該待識別資料包含數個通道狀態資訊，使該位置識別模型輸出一室內位置識別結果。
8. 如申請專利範圍第7項所述之室內定位方法，其中該閥式卷積層包括一輸入函數、二卷積函數、一激勵函數、一門閥函數及一點乘函數，由該輸入函數傳遞的資料經由該二卷積函數分別進行運算，由該二卷積函數運算後的資料分別經由該激勵函數進行運算及經由該門閥函數進行運算，由該激勵函數運算後的資料及由該門閥函數運算後的資料經由該點乘函數進行運算。
9. 如申請專利範圍第8項所述之室內定位方法，其中該門閥函數為產生一值介於0至1的一函數。
10. 如申請專利範圍第9項所述之室內定位方法，其中該門閥函數為sigmoid函數、hard_sigmoid函數或log_log函數。
11. 如申請專利範圍第8項所述之室內定位方法，其中該激勵函數為RELU函數、ex_maxout函數或tanh函數。
12. 一種電腦程式產品，當電腦載入該電腦程式並執行後，該電腦能夠執行如申請專利範圍第7至11項任一項所述之室內定位方法。
13. 一種電腦可讀取紀錄媒體，該電腦可讀取紀錄媒體內儲程式，當電腦載入該程式並執行後，該電腦能夠完成如申請專利範圍第7至11項任一項所述之室內定位方法。

Images