[發明專利]一種基于深度遷移和模型參數集成的室內定位方法

有效

• 申請號: 202010969150.9
• 申請日: 2020-09-15
• 公開（公告）號: CN112113570B
• 公開（公告）日: 2022-05-17
• 發明（設計）人: 郭賢生;宋雅婕;李林;殷光強;李會勇;萬群;沈曉峰
• 申請（專利權）人: 電子科技大學
• 主分類號: G01C21/20
• 分類號: G01C21/20;G06N3/04;G06N3/08;G06K9/62
• 代理公司: 成都點睛專利代理事務所(普通合伙) 51232
• 代理人: 孫一峰

1.一種基于深度遷移和模型參數集成的室內定位方法，其特征在于，包括以下步驟：

S1、將待定位區域劃分為等大小的網格區域，為不同格點設置不同的標簽并記錄每個格點的坐標信息，格點的標簽表示為：

Y_s＝{y_i|i＝1，2，...，C}

其中，C代表室內環境劃分的總格點數；

S2、自定義采樣周期時長，第1個采樣周期內使用移動設備在格點中進行多次采樣，記錄不同網格上各個接入點的RSS值，生成RSS矩陣X_s：

X_s＝{x_i^T|i＝1，2，...，N_s}

其中，N_s表示指紋庫的總樣本數，第i個樣本的RSS采樣值表示為：

其中，M表示待定位區域中的總接入點數量；

S3、將RSS矩陣X_s與格點標簽Y_s對應起來構建離線指紋庫，作為源域數據D_s：

D_s＝{X_s，Y_s}

S4、收集來自第n個采樣周期的待定位移動設備的RSS值，作為輔助訓練數據X_aug，其中n為采樣周期數，且n≥2：

其中，N_t表示目標域中的總樣本數量，表示待定位移動設備實時采集的RSS樣本值，目標域數據D_t表示為：

D_t＝{X_aug}

S5、構建兩個完全相同的深度全連接神經網絡：每個神經網絡都包含4層全連接層，并在最后一層全連接層后接softmax層，將一個深度全連接神經網絡定義為Student網絡，另一個深度全連接神經網絡定義為Teacher網絡；

S6、將源域數據D_s和目標域數據D_t輸入至Student網絡中，將添加過噪聲擾動的目標域數據輸入Teacher網絡中，對網絡模型進行訓練，得到訓練好的網絡，具體方法為：

S61、將帶有位置信息的源域數據，未知位置信息的目標域數據輸入Student網絡中，在最后一層全連接層分別得到源域和目標域深層特征F_s和F_t；

S62、使用MMD準則，最小化源域和目標域深層特征F_s和F_t的均值距離，即最小化損失函數L_mmd：

其中，φ為核映射，核函數k(F_s，F_t)＝φ(F_s)，φ(F_t)；

S63、使用CORAL損失，減小源域和目標域深層特征F_s和F_t的二階統計差異，即最小化損失函數L_CORAL：

其中，d為RSS樣本的維數，C_s和C_t分別為F_s和F_t的協方差矩陣：

其中，1是元素全部為1的列向量；

S64、利用交叉熵損失函數衡量預測錯誤的代價，即對源域數據的soffmax層的輸出計算分類損失并將其最小化：

其中，表示數據通過分類器后的預測結果；

S65、對Teacher網絡和Student網絡的softmax層的輸出計算一致性損失并將其最小化：

L_const＝E_x，η[||f(F_t，θ′，η)-f(F_t，θ)||²]

其中，f(F_t，θ′，η)表示網絡參數為θ′，添加標準差為η的噪聲擾動后的Teacher網絡的softmax層輸出，f(F_t，θ)表示網絡參數為θ的Student網絡的softmax層輸出；

S66、用梯度下降法對Student網絡的網絡參數進行更新，最小化總損失函數L直至收斂：

L＝L_cls+L_mmd+L_CORAL+L_const

S67、使用指數滑動平均機制，將Student網絡的參數集成到Teacher網絡，完成Teacher網絡的參數更新：

θ′_t＝λθ_t+(1-λ)θ_s

其中，θ_t和θ_s分別表示當前時刻Teacher網絡和Student網絡的網絡參數，θ′_t表示經過參數集成后下一時刻的Teacher網絡參數，λ表示平滑系數，根據訓練次數動態更新：

S7、采用訓練好的Teacher網絡對來自第(n+1)個采樣周期的待定位移動設備的RSS值進行定位，得到定位結果。