[發明專利]一種基于1D-CNN的動態環境下的室內定位方法

在審

• 申請號: 202310339411.2
• 申請日: 2023-03-31
• 公開（公告）號: CN116367085A
• 公開（公告）日: 2023-06-30
• 發明（設計）人: 饒家萍;付一夫;王倫;王佳昊;孫祖童;徐睿澤
• 申請（專利權）人: 四川省藝侖再生資源綜合利用有限公司
• 主分類號: H04W4/021
• 分類號: H04W4/021;H04W4/33;H04W4/02;G06N3/0464;G06N3/08
• 代理公司: 成都科奧專利事務所(普通合伙) 51101
• 代理人: 蘇亞超

1.一種基于1D-CNN的動態環境下的室內定位方法，其特征在于，包括以下步驟：

依次獲取源域數據和目標域數據；

基于深度域適應方法構建深度一維卷積自適應網絡，并將所述源域數據和所述目標域數據引入其中進行訓練，得到環境自適應模型；

將所述目標域數據輸入所述環境自適應模型獲取待定位目標的位置坐標。

2.如權利要求1所述的一種基于1D-CNN的動態環境下的室內定位方法，其特征在于，

所述依次獲取源域數據和目標域數據的具體方式：

將待定位區域空間劃分為若干網格點，采集待定位目標所需的CSI數據，并與位置坐標、標簽信息結合后加入指紋數據庫，得到所述源域數據；

改變室內環境，并再次采集待定位目標所需的CSI數據，得到所述目標域數據。

3.如權利要求2所述的一種基于1D-CNN的動態環境下的室內定位方法，其特征在于，

所述將待定位區域空間劃分為若干網格點，采集待定位目標所需的CSI數據，并與位置坐標、標簽信息結合后加入指紋數據庫，得到所述源域數據的具體方式：

將待定位區域空間按劃分標準劃分為若干網格點；

待定位目標依次在各所述網格點處采集定位所需的CSI數據，得到CSI數據；

將所述CSI數據與位置坐標、標簽信息結合生成有標簽的位置指紋點；

將所述位置指紋點加入位置指紋數據庫中，得到所述源域數據。

4.如權利要求3所述的一種基于1D-CNN的動態環境下的室內定位方法，其特征在于，

所述劃分標準為安裝1米間距進行劃分。

5.如權利要求2所述的一種基于1D-CNN的動態環境下的室內定位方法，其特征在于，

所述改變室內環境包括家具擺放和門窗開關。

6.如權利要求1所述的一種基于1D-CNN的動態環境下的室內定位方法，其特征在于，

所述源域數據為有標簽數據，所述目標域數據為無標簽數據。

7.如權利要求1所述的一種基于1D-CNN的動態環境下的室內定位方法，其特征在于，

所述基于深度域適應方法構建深度一維卷積自適應網絡，并將所述源域數據和所述目標域數據引入其中進行訓練，得到環境自適應模型的具體方式：

基于深度域適應方法構建深度一維卷積自適應網絡；

將所述源域數據和所述目標域數據引入所述深度一維卷積自適應網絡分別獲取網絡中每層全連接層輸出的特征數據；

匹配各層所述全連接層輸出的特征數據間的邊緣概率分布差異減小偏移；

匹配各層所述全連接層輸出的特征數據間的調節概率分布差異減小偏移；

所述深度一維卷積自適應網絡計算所述源域數據的分類損失；

結合分類誤差和域適應的誤差，優化所述深度一維卷積自適應網絡的參數，得到所述環境自適應模型。

8.如權利要求7所述的一種基于1D-CNN的動態環境下的室內定位方法，其特征在于，

所述計算所述源域數據的分類損失通過交叉熵損失函數進行計算。

9.如權利要求7所述的一種基于1D-CNN的動態環境下的室內定位方法，其特征在于，

所述優化所述深度一維卷積自適應網絡的參數通過梯度下降法進行優化。

10.如權利要求1所述的一種基于1D-CNN的動態環境下的室內定位方法，其特征在于，

所述深度一維卷積自適應網絡以一維卷積神經網絡為基礎，包括特征提取器、域適應層和分類器三部分。