[發明專利]一種基于網絡數據的WiFi定位方法及服務器

在審

• 申請號: 201611046266.5
• 申請日: 2016-11-22
• 公開（公告）號: CN106792507A
• 公開（公告）日: 2017-05-31
• 發明（設計）人: 王斌
• 申請（專利權）人: 上海斐訊數據通信技術有限公司
• 主分類號: H04W4/02
• 分類號: H04W4/02;H04W64/00;G01S1/08
• 代理公司: 上海碩力知識產權代理事務所31251
• 代理人: 郭桂峰

技術領域

本發明涉及無線局域網技術領域，尤其涉及一種基于網絡數據的WiFi定位方法及服務器。

背景技術

目前在世界范圍內的定位技術主要有GPS定位、Wi-Fi定位、藍牙定位等，GPS定位主要應用于室外，Wi-Fi、藍牙定位既可用于室內，也可用于室外。由于Wi-Fi定位相對成熟，下面以Wi-Fi定位技術為背景來介紹本發明的具體內容。隨著無線路由器的普及，目前大部分公共區域都已經實現十幾個甚至幾十個WiFi信號覆蓋，而且這些路由器在向四周傳播WiFi信號的同時，也不停的發送其物理地址與信號強度等信息，只要在其信號覆蓋范圍內，即使不知道Wi-Fi的密碼，也同樣能獲得這些信息。

通用的WiFi室內定位技術大多是基于IEEE802.11b/g協議的無線局域網(WLAN)的信號強度定位技術。基于信號強度的定位技術基本原理是根據接收到的信號的強度推算信號接收器與信號源之間的距離，主要分成兩類：三角形強度算法以及位置指紋識別算法。其中三角形強度算法精度低，難以滿足室內定位要求；而普通指紋識別算法又存在接收設備不同而使得接收信號存在誤差的缺陷。

發明內容

為解決上述技術問題，本發明提供一種基于網絡數據的WiFi定位方法及服務器，通過采集各個無線接入點對應的信號強度數據，實現基于深度神經網絡的WiFi定位。

本發明提供的技術方案如下：

本發明公開了一種基于網絡數據的WiFi定位方法，所述方法包括步驟：S100、獲取檢測區域中各個無線接入點接收到待檢測客戶端發出的信號的網絡數據；所述網絡數據為多維數據；S200、將所述網絡數據輸入訓練后的定位模型的輸入數據層；S300、基于訓練后的定位模型的網絡層計算待檢測客戶端所在位置的所述網絡數據，并根據輸出層的輸出結果確定待檢測客戶端的位置。

進一步優選的，所述網絡數據包括各個無線接入點接收到待檢測客戶端在檢測區域內發出的信號的信號強度數據、信道號以及對應無線接入點的輸入功率。

進一步優選的，所述步驟S100之前還包括步驟：S000、預先訓練深度神經網絡，將訓練后的深度神經網絡作為所述定位模型。

進一步優選的，所述步驟S000進一步包括步驟：S001、預先設置訓練位置標簽；S002、依次采集各個無線接入點接收到訓練終端在每個所述訓練位置標簽在檢測區域內所發出的信號的網絡數據；所述網絡數據包括各個無線接入點接收所述訓練位置標簽在檢測區域對應位置上的訓練終端所發的信號的信號強度數據、信道號以及對應無線接入點的輸入功率；S003、分別將每個所述訓練位置標簽以及其對應的信號強度數據、信道號以及對應無線接入點的輸入功率作為一組訓練樣本數據，生成訓練數據集，并送入深度神經網絡中；S004、將深度神經網絡的輸入數據層定義為三通道數據層，所述三通道數據層的節點與各個無線接入點相對應，按照三通道數據層的節點與無線接入點對應的方式分別將每組訓練樣本數據中的每個與無線接入點對應的信號強度數據結合信道號以及對應無線接入點的輸入功率輸入所述三通道數據層對應節點的三個通道；經過所述深度神經網絡輸出與所述訓練位置標簽相對應的訓練結果；S005、依次將輸出的訓練結果與其對應的所述訓練位置標簽進行比較，根據比較結果對深度神經網絡進行訓練，將訓練后的深度神經網絡作為所述定位模型。

進一步優選的，所述步驟S003與所述步驟S004之間還包括步驟：S035、分別對每個所述訓練位置標簽對應的網絡數據的信號強度數據、信道號以及對應無線接入點的輸入功率進行歸一化處理；所述步驟S100和步驟S200之間還包括步驟：S150、將待檢測客戶端的所述網絡數據中的信號強度數據、信道號以及對應無線接入點的輸入功率進行歸一化處理。

本發明還公開了一種基于網絡數據的WiFi定位服務器，包括：數據采集模塊，用于獲取檢測區域中各個無線接入點接收到待檢測客戶端發出的信號的網絡數據；所述網絡數據為多維數據；所述網絡數據包括各個無線接入點接收到待檢測客戶端在檢測區域內發出的信號的信號強度數據、信道號以及對應無線接入點的輸入功率；定位模塊，用于將采集到的所述網絡數據輸入定位模型的輸入數據層，基于定位模型的網絡層計算所述網絡數據，并通過定位模型的輸出層的輸出結果確定待檢測客戶端的位置。

進一步優選的，還包括：訓練模塊，用于預先訓練深度神經網絡，將訓練后的深度神經網絡作為所述定位模型。