[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

本發明涉及室內定位技術領域，具體涉及一種基于1D?CNN的動態環境下的室內定位方法，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，該方法通過深度一維卷積自適應網絡提取出的抽象的特征數據進行域適應操作，從而提高網絡的環境魯棒性，且可以解決在無源室內定位過程時，其因環境變化導致的訓練數據和測試數據概率分布的差異問題，提高了室內定位精度，解決傳統遷移學習定位算法難以實現高精度、高魯棒性的室內定位模型的問題。

技術領域

本發明涉及室內定位技術領域，尤其涉及一種基于1D-CNN的動態環境下的室內定位方法。

背景技術

現有大部分關于室內定位的研究都假設CSI數據的概率分布是穩定、不變化的，然而這一假設基礎在具有復雜組成的真實室內環境中時是不成立的，隨著各種環境條件的變化，原有的模型并不能精確的定位用戶位置。因此遷移學習方法作為一種可有效解決環境變化帶來的域適應問題的方法被引入了室內定位領域中。

但傳統遷移學習定位算法都通過學習一個淺層映射將源域和目標域映射到公共子空間中，而淺層映射僅僅能學習到淺層的表示特征，減小域間差異的能力有限，因此難以實現高精度、高魯棒性的室內定位模型。

發明內容

本發明的目的在于提供一種基于1D-CNN的動態環境下的室內定位方法，旨在解決傳統遷移學習定位算法難以實現高精度、高魯棒性的室內定位模型的問題。

為實現上述目的，本發明提供了一種基于1D-CNN的動態環境下的室內定位方法，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。

其中，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。

其中，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。

其中，所述劃分標準為安裝1米間距進行劃分。

其中，所述改變室內環境包括家具擺放和門窗開關。

其中，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。

其中，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；