[發(fā)明專利]一種基于參數(shù)預(yù)測的深度遷移室內(nèi)定位方法

有效

• 申請?zhí)枺?/td>: 202110409122.6
• 申請日: 2021-04-16
• 公開（公告）號: CN113132931B
• 公開（公告）日: 2022-01-28
• 發(fā)明（設(shè)計）人: 郭賢生;宋雅婕;段林甫;黃健;李林;萬群;沈曉峰;李會勇;殷光強(qiáng)
• 申請（專利權(quán)）人: 電子科技大學(xué)
• 主分類號: H04W4/33
• 分類號: H04W4/33;H04W64/00;G06K9/62
• 代理公司: 成都點睛專利代理事務(wù)所(普通合伙) 51232
• 代理人: 孫一峰

本發(fā)明屬于在復(fù)雜的室內(nèi)環(huán)境下進(jìn)行準(zhǔn)確定位的方法，具體是涉及一種基于參數(shù)預(yù)測的深度遷移室內(nèi)定位方法。本發(fā)明首先利用有標(biāo)簽的源域數(shù)據(jù)預(yù)訓(xùn)練一個性能良好的源網(wǎng)絡(luò)定位模型，然后通過固定預(yù)訓(xùn)練的源網(wǎng)絡(luò)參數(shù)，在無標(biāo)簽?zāi)繕?biāo)域數(shù)據(jù)的輔助下學(xué)習(xí)一種從源網(wǎng)絡(luò)參數(shù)到目標(biāo)網(wǎng)絡(luò)參數(shù)的轉(zhuǎn)換矩陣，最后利用該轉(zhuǎn)換矩陣和源網(wǎng)絡(luò)參數(shù)計算出目標(biāo)域網(wǎng)絡(luò)參數(shù)。本發(fā)明克服了常用領(lǐng)域適應(yīng)技術(shù)過度專注于領(lǐng)域不變特征而忽略領(lǐng)域差異的弊端，能夠使目標(biāo)域的特征分布盡可能接近源域特征分布，從而保證了目標(biāo)域網(wǎng)絡(luò)在適應(yīng)新環(huán)境的同時能保留部分源域網(wǎng)絡(luò)的數(shù)據(jù)處理能力。本發(fā)明是一種能夠良好適應(yīng)復(fù)雜室內(nèi)環(huán)境的高精度定位方法。

技術(shù)領(lǐng)域

本發(fā)明屬于室內(nèi)定位技術(shù)領(lǐng)域，具體是涉及一種基于參數(shù)預(yù)測的深度遷移室內(nèi)定位方法。

背景技術(shù)

移動設(shè)備的普及和無線通訊技術(shù)的發(fā)展推動了一系列基于移動終端的業(yè)務(wù)的發(fā)展，其中基于位置的服務(wù)極大地改變了人們的生活方式，它通過獲得用戶的地理位置進(jìn)而在相關(guān)平臺上為用戶提供服務(wù)，目前已經(jīng)被廣泛地應(yīng)用于行人導(dǎo)航、廣告推送、資產(chǎn)安全管理等場景中。定位技術(shù)作為基于位置的服務(wù)的基礎(chǔ)，受到了研究者的廣泛關(guān)注。

在眾多室內(nèi)定位技術(shù)中，基于WiFi的定位技術(shù)得益于其低成本、高實時性、使用便捷等優(yōu)勢，成為了最具前景的定位技術(shù)之一。該定位方法主要分為兩大類：幾何測距法和位置指紋法。前者容易受到多徑效應(yīng)和非視距傳播的影響導(dǎo)致定位效果不穩(wěn)定，后者只依賴于離線建立的指紋庫，能有效避免由測量帶來的誤差，具有更強(qiáng)的穩(wěn)定性。然而傳統(tǒng)的基于位置指紋的定位方法的基本假設(shè)是：在線定位階段的樣本與離線建庫階段的指紋服從相同的數(shù)據(jù)分布。但在真實的室內(nèi)環(huán)境下，RSS信號會隨著時間的變化波動并出現(xiàn)數(shù)據(jù)分布偏移的現(xiàn)象，此外由于設(shè)備的硬件差異，不同設(shè)備對同一信號的測量值也會存在偏差，這兩種因素都會導(dǎo)致傳統(tǒng)指紋定位方法的假設(shè)不成立。因此，在實際定位場景中傳統(tǒng)指紋定位方法并不適用，而遷移學(xué)習(xí)中的領(lǐng)域適應(yīng)技術(shù)被證明能夠解決這類問題。

文獻(xiàn)“M.Long,Y.Cao,J.Wang,and M.Jordan,“Learning transferable featureswith deep adaptation networks,”in International conference on machinelearning,2015,pp.97–105”和文獻(xiàn)“B.Sun and K.Saenko,“Deep coral:Correlationalignment for deep domain adaptation,”in European conference on computervision,2016,pp.443–450”是最常見的領(lǐng)域適應(yīng)方法，它們分別使用最大均值差異準(zhǔn)則(Maximum Mean Discrepancy,MMD)和深度協(xié)方差對齊(Deep Correlation Alignment,Deep CORAL)來縮小不同領(lǐng)域數(shù)據(jù)的分布差異。但這兩種方法都采用了同一網(wǎng)絡(luò)來提取不同領(lǐng)域的數(shù)據(jù)特征，這樣的特征提取方式的弊端是過度專注于兩個領(lǐng)域的共性而忽略了各自領(lǐng)域的獨(dú)有特性。此外，由于相同的網(wǎng)絡(luò)提取的特征為兩個領(lǐng)域的公共部分，因此只能有效地約束共有特征的相似程度，按照這種方式縮小領(lǐng)域差異顯然是不夠充分的，并且當(dāng)某一領(lǐng)域數(shù)據(jù)量較小或領(lǐng)域差異較大時還會導(dǎo)致模型的定位性能劇烈下降。基于上述原因，此類方法在復(fù)雜的室內(nèi)定位環(huán)境中難以實現(xiàn)準(zhǔn)確的定位。

發(fā)明內(nèi)容

本發(fā)明的目的是，為克服上述技術(shù)的不足，提供一種新的基于參數(shù)預(yù)測的深度遷移室內(nèi)定位方法。如圖1所示，本發(fā)明方法涉及兩個結(jié)構(gòu)相同但參數(shù)不同的深度神經(jīng)網(wǎng)絡(luò)，主要包含三個階段，分別為：預(yù)訓(xùn)練階段、參數(shù)預(yù)測階段和測試階段。圖中的虛線框表示在此階段內(nèi)參數(shù)正在被更新，實線框表示參數(shù)固定不變。在預(yù)訓(xùn)練階段，僅利用有標(biāo)簽的源域數(shù)據(jù)訓(xùn)練一個源網(wǎng)絡(luò)，使其能在源域數(shù)據(jù)上取得良好的分類效果；在參數(shù)預(yù)測階段，將目標(biāo)域網(wǎng)絡(luò)參數(shù)初始化為預(yù)訓(xùn)練的源網(wǎng)絡(luò)參數(shù)，利用目標(biāo)域數(shù)據(jù)和源域數(shù)據(jù)訓(xùn)練參數(shù)轉(zhuǎn)換矩陣并更新分類層參數(shù)，通過轉(zhuǎn)換矩陣對目標(biāo)網(wǎng)絡(luò)參數(shù)進(jìn)行預(yù)測；在測試階段，將在線樣本輸入目標(biāo)網(wǎng)絡(luò)中實現(xiàn)對位置的估計。

本發(fā)明的技術(shù)方案是：一種基于參數(shù)預(yù)測的深度遷移室內(nèi)定位方法，包括以下步驟：