[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

本發明公開了一種基于貝葉斯半監督深度學習的室內定位方法，該方法通過選取參考采樣點和隨機參考點分別采集室內所有無線路由器的RSS信號強度數據，然后構建包括輸入層、具有4個隱藏節點的隱藏層和輸出層的極限學習機模型，利用貝葉斯半監督深度學習方法對極限學習機模型進行訓練，得到隱藏層的4個隱藏節點的權值參數向量，最后基于訓練后的極限學習機模型確定定位位置；優點是在少量樣本數據的基礎上結合貝葉斯半監督深度學習方法對極限學習機模型進行訓練，訓練過程簡單，充分利用了樣本數據的局部信息，降低了隱藏層節點數量對模型訓練精度的不良影響，有效降低了訓練時間，最終不僅解決了冷啟動問題，同時有效提升了定位精度和穩定性。

技術領域

本發明涉及一種室內定位方法，尤其是涉及一種基于貝葉斯半監督深度學習的室內定位方法。

背景技術

隨著大體量建筑的開發數量日益增多以及智能移動終端的普及，人們對室內位置服務的需求正迅速增加。公共安全、應急救援、大型場館管理、特殊人群監護、物聯網和智慧城市建設等領域都需要準確的室內位置信息。從技術成熟與大規模應用的現實角度考慮，Wi-Fi定位成為當前主流、也是未來最具發展潛力的室內定位方法。目前Wi-Fi室內定位方法中應用最普遍的是位置指紋定位法，該方法分為離線訓練和在線定位兩個階段。離線訓練階段在待定位區域選定一系列參考點，在這些參考點處采集來自無線接入點AP(AccessPoint)的信號強度RSS(Received Signal Strength)值，將參考點坐標和對應AP的RSS信息存儲在數據庫中，建立位置指紋數據庫；在線定位階段則依據一定的匹配算法將待測點上收到的相應AP的RSS信息與數據庫中的已有信息進行比較，估計用戶當前的位置。該方法的關鍵之一在于位置指紋數據庫的建立和維護。然而室內環境下射頻信號傳播非常復雜，墻壁、門窗和桌椅等設施以及人員走動會引發射頻信號傳播的多徑和陰影效應，導致在室內固定位置處接收到各個AP的RSS時變性很強，此外，部署的AP也可能發生故障或位置的變更。這些都意味著離線階段建立的位置指紋庫并不能一勞永逸，需要經常維護更新，否則會使得定位的結果不準確。若采用專人定期更新指紋庫的方法，非常耗費人力。最近，基于眾包的定位有望支持大規模室內位置服務，采集所有室內人員所攜帶的移動設備的RRS指紋值。與傳統的解決方案相比，這種方法不需要系統定位人員前期進行詳細的現場調查，而是依賴于大量用戶的貢獻，這些被定位者通過移動設備報告他們所在位置的RSS指紋測量值，累積這些測量值進行位置匹配，最終能夠估計出目標區域的準確位置信息。

此眾包方法成本低、部署靈活，用來進行大范圍室內定位是有希望的。然而，此方法有一個嚴重的問題——冷啟動問題，這個問題通常發生在離線訓練的初始階段，即剛開始積累數據時，數據的數量比較少，又沒有經過訓練，從而導致了不準確和時間效率低下的定位,最終影響為用戶提供位置服務的準確性。

發明內容

本發明所要解決的技術問題是提供一種定位準確定較高的基于貝葉斯半監督深度學習的室內定位方法。

本發明解決上述技術問題所采用的技術方案為：一種基于貝葉斯半監督深度學習的室內定位方法，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；