[發明專利]基于貝葉斯半監督深度學習的室內定位方法

有效

• 申請號: 201811312495.6
• 申請日: 2018-11-06
• 公開（公告）號: CN109581282B
• 公開（公告）日: 2022-11-18
• 發明（設計）人: 王保成;謝志軍;趙偉文
• 申請（專利權）人: 寧波大學
• 主分類號: G01S5/02
• 分類號: G01S5/02;G06N20/00
• 代理公司: 寧波奧圣專利代理有限公司 33226
• 代理人: 方小惠

1.一種基于貝葉斯半監督深度學習的室內定位方法，其特征在于包括以下步驟：

①在待定位室內間隔部署K臺無線路由器，K為大于等于5且小于等于10的整數，然后將室內分為Q個區域，Q的取值為大于等于30且小于等于50的整數，在每個區域內選擇一個位置作為參考采樣點，并按照編號1～Q隨機分別對Q個區域中的參考采樣點進行編號，將編號為q的參考采樣點記為參考采樣點q，q＝1，2，…，Q；

②先將筆記本電腦依次放到參考采樣點1至參考采樣點Q處分別采集K臺無線路由器的RSS信號強度數據，將在每個參考采樣點處采集到的K臺無線路由器的RSS信號強度數據按照參考采樣點的編號進行標記后分別保存；然后在室內隨機選取M個不同位置作為M個隨機采樣點，M為大于等于50且小于等于100的整數，將筆記本電腦依次放到M個隨機采樣點處分別采集K臺無線路由器的RSS信號強度數據并保存；

③設置一個用于存放Q行數據的數據集，將該數據集記為D₁，將筆記本電腦在參考采樣點q處采集到的K臺無線路由器的RSS信號強度數據及參考采樣點q的編號按行分別保存在數據集D₁中，將數據集D₁中第i行的數據記為x_i1,x_i2,x_i3,...,x_iK,x_i(K+1)，其中x_it表示在參考采樣點i處采集的第t臺無線路由器的RSS信號強度數據，t＝1，2，…，K，i＝1，2，…，Q，x_i(K+1)等于參考采樣點i的編號；設置一個用于存放M行數據的數據集，將該數據集記為D₂，將筆記本電腦在M個隨機采樣點處采集的K臺無線路由器的RSS信號強度數據按行保存到數據集D₂中，將數據集D₂中第m行的數據記為x_{m_1},x_{m_2},x_{m_3},...,x_{m_K}，其中x_{m_t}表示在第m個隨機采樣點處采集的第t臺無線路由器的RSS信號強度數據，m＝1，2，…，M；

④構建一個極限學習機模型，所述的極限學習機模型包括輸入層、具有4個隱藏節點的隱藏層和輸出層，所述的輸入層用于輸入輸入數據，所述的隱藏層用于連接所述的輸入層和所述的輸出層，所述的輸出層用于輸出輸出數據，所述的極限學習機模型的函數表達式為：其中e^-(x*θ)為以自然常數e為底的指數函數，w_k為所述的隱藏層中的第k個隱藏節點與所述的輸出層之間的權值參數向量，k＝1，2，3，4，θ為所述的輸入層和所述的隱藏層之間的權值參數向量，θ＝(θ₁,θ₂,...,θ_K)^T，上標T表示矩陣的轉置，θ_c為采用隨機函數生成的等于0或者1的隨機整數，c＝1，2，…，K，符號*為乘運算符號；

⑤將步驟③中保存的RSS信號強度數據作為所述的極限學習機模型的輸入數據，參考采樣點的編號作為輸出數據，利用貝葉斯半監督深度學習方法對所述的極限學習機模型進行訓練，得到所述的隱藏層的4個隱藏節點的權值參數向量w₁、w₂、w₃和w₄，將w₁、w₂、w₃和w₄代入所述的極限學習機模型的函數表達式中，得到訓練后的極限學習機模型；

⑥當對處于室內的攜帶著具有Wi-Fi模塊的NB-IOT手環的待定位人員進行定位時，監測室中的筆記本電腦與待定位人員攜帶的具有Wi-Fi模塊的NB-IOT手環通過無線網絡進行通訊，將該待定位人員的當前位置記為G,筆記本電腦獲取該具有Wi-Fi模塊的NB-IOT手環在當前位置處采集的K個無線路由器的RSS信號強度數據,將當前位置G處采集的第n個無線路由器的RSS信號強度數據記為x'_n，n＝1，2，…，K；將向量x＝(x'₁,x'₂,x'₃,...,x'_K)代入到訓練后的極限學習機模型的函數表達式中，計算得到Y；

⑦分別計算Y與各個參考采樣點的編號之差的絕對值，并比較計算得到的這些絕對值的大小，將絕對值最小的參考采樣點的編號記為p，p為大于等于1且小于等于Q的整數，參考采樣點p即為待定位人員的當前位置。