基于深度学习的室内定位方法及装置.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113923773A(43)申请公布日2022.01.11(21)申请号202111337466.7(22)申请日2021.11.11(71)申请人深圳大学地址518000广东省深圳市南山区南海大道3688号(72)发明人张沛昌马琪坤黄磊李强钱恭斌(74)专利代理机构深圳市精英专利事务所44242代理人丁宇龙(51)Int.Cl.H04W64/00(2009.01)G06K9/62(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书8页附图3页(54)发明名称基于深度学习的室内定位方法及装置(57)摘要本发明提供了一种基于深度学习的室内定位方法及装置，方法包括离线阶段和在线阶段；所述离线阶段包括：采集每个参考点的特征值：CSI信息、RSS信息、TDOA信息、FDOA信息及磁场信息，形成指纹数据库；数据归一化，将指纹数据库的数据转换为无量纲数据通过多层CNN网络进行处理，得到每个参考点的CNN模型参数值，得到训练后的CNN模型；在线阶段包括：在线采集每个测试点的特征值输入到训练后的CNN模型通过径向基函数和贝叶斯分类来计算目标点位于每个参考点的概率，然后通过对参考点坐标进行加权平均，得到目标位置的坐标。本发明能够提高室内定位精度及抗干扰能力。CN113923773ACN113923773A权利要求书1/2页1.一种基于深度学习的室内定位方法，其特征在于：包括离线阶段和在线阶段；所述离线阶段包括：参考点特征值采集，采集每个参考点的特征值：CSI信息、RSS信息、TD0A信息、FDOA信息及磁场信息，形成指纹数据库；数据归一化，将指纹数据库内每个参考点的CSI信息、RSS信息、TDOA信息、FDOA信息及磁场信息转换为无量纲数据；模型训练，将每个参考点的无量纲数据通过多层CNN网络进行处理，得到每个参考点的CNN模型参数值，得到训练后的CNN模型；在线阶段包括：测试点特征值采集，在线采集每个测试点的特征值：CSI信息、RSS信息、TDOA信息、FDOA信息及磁场信息；指纹匹配，在线采集的测试点的特征值：CSI信息、RSS信息、TDOA信息、FDOA信息及磁场信息输入到训练后的CNN模型通过径向基函数和贝叶斯分类来计算目标点位于每个参考点的概率，然后通过对参考点坐标进行加权平均，得到目标位置的坐标。2.如权利要求1所述的基于深度学习的室内定位方法，其特征在于：所述将指纹数据库内每个参考点的CSI信息、RSS信息、TDOA信息、FDOA信息及磁场信息转换为无量纲数据所采用的公式为：其中，data表示指纹数据库中的每一个数据，data′是归一化后的采样数据。3.如权利要求1所述的基于深度学习的室内定位方法，其特征在于：所述指纹匹配采用一种概率算法匹配指纹数据库，该概率算法为：Pr为测试点位于采样点的i的概率，NC表示参考点的数量，ci是参考点i在指纹库中的位置坐标，Pr(ci)是目标位于参考点ci处的先验概率，T为输入的特征值数据。4.如权利要求3所述的基于深度学习的室内定位方法，其特征在于：所述径向基函数为：其中，T为输入的特征值数据，Pr(T|ci)为在参考点ci处的输出Yt与它本身的相似度，λTσT分别为输入的特征值数据T的方差和方差参数。5.如权利要求4所述的基于深度学习的室内定位方法，其特征在于：对参考点坐标进行加权平均的公式为：其中，表示目标位置的坐标，NC表示参考点的数量，ci是参考点i在指纹库中的位置坐标。2CN113923773A权利要求书2/2页6.一种基于深度学习的室内定位装置，其特征在于：包括离线模块和在线模块；所述离线模块包括：参考点特征值采集单元，用于采集每个参考点的特征值：CSI信息、RSS信息、TDOA信息、FDOA信息及磁场信息，形成指纹数据库；数据归一化单元，用于将指纹数据库内每个参考点的CSI信息、RSS信息、TDOA信息、FDOA信息及磁场信息转换为无量纲数据；模型训练单元，用于将每个参考点的无量纲数据通过多层CNN网络进行处理，得到每个参考点的CNN模型参数值，得到训练后的CNN模型；在线模块包括：测试点特征值采集单元，用于在线采集每个测试点的特征值：CSI信息、RSS信息、TDOA信息、FDOA信息及磁场信息；指纹匹配单元，用于在线采集的测试点的特征值：CSI信息、RSS信息、TDOA信息、FDOA信息及磁场信息输入到训练后的CNN模型通过径向基函数和贝叶斯分类来计算目标点位于每个参考点的概率，然后通过对参考点坐标进行加权平均，得到目标位置的坐标。7.如权利要求6所述的基于深度学习的室内定位装置，其特征在于：数据归一化单元中，将指纹数据库内每个参考点的CSI信息、R