本發(fā)明涉及無線室內(nèi)定位領域，尤其涉及一種基于深度學習的無線定位方法及系統(tǒng)。
背景技術(shù)：
：隨著移動計算設備的迅速發(fā)展和逐漸普及，室內(nèi)環(huán)境下的各種基于位置服務的需求日益迫切。由于現(xiàn)有的衛(wèi)星定位系統(tǒng)，如美國的全球定位系統(tǒng)(gps)和中國的北斗衛(wèi)星定位系統(tǒng)，在室內(nèi)環(huán)境或高達建筑物密集城區(qū)，衛(wèi)星定位信號受到建筑物的阻隔，難以有效定位。目前室內(nèi)定位一般采用紅外線、超聲波、射頻等傳感信號，其中基于紅外線、超聲波的定位技術(shù)精度較高，不過需要使用專門的硬件設施，且信號需要視距傳輸，定位范圍相對首先，難以大規(guī)模部署。近年來，隨著無線網(wǎng)絡的大規(guī)模部署，基于wlan(無線局域網(wǎng))的室內(nèi)定位受到廣泛關注。其主要原因是基于wlan射頻信號定位不僅傳輸距離遠、無視距要求，而且無需增加額外硬件，添加軟件簡單易行，與其他使用特定設備的定位技術(shù)相比，成本優(yōu)勢十分明顯。目前基于射頻信號強度定位已成為室內(nèi)技術(shù)的研究熱點。根據(jù)是否需要通過物理手段直接測量節(jié)點間距離，rssi定位技術(shù)可用于基于測距和非測距兩類算法?；跍y距的算法需要獲取節(jié)點間的距離，即已知發(fā)射信號強度，接收節(jié)點根據(jù)收到的信號強度，計算信號在傳播過程中的損耗，使用理論或經(jīng)驗的信號傳播模型將傳播損耗轉(zhuǎn)化為距離。但是，室內(nèi)環(huán)境相對復雜，信號微弱，且多徑、反射現(xiàn)象嚴重，測距過程很容易受其影響產(chǎn)生測距誤差，且由此帶來的定位誤差容易造成累積，影響定位精度。非測距方式采用基于位置指紋匹配實現(xiàn)定位。基于位置指紋匹配的室內(nèi)定位大致分為離線采樣階段和在線定位兩個階段。離線采樣階段的目標是構(gòu)建一個關于信號強度與采樣點位置間關系的位置指紋數(shù)據(jù)庫。為了生成該數(shù)據(jù)庫，操作人員需要在被定位環(huán)境里確定若干采樣點，然后遍歷所有采樣點，記錄下在每個采樣點測量的無線信號特征，即來自所有接入點的信號強度，最后將它們以某種方式保存在數(shù)據(jù)庫中。在線定位階段時，當用戶移動到某一位置時，根據(jù)實時收到的信號強度信息，利用定位算法將其與位置指紋數(shù)據(jù)庫中的信息匹配，計算出該用戶的位置。基于位置指紋的定位無需測量距離，也不需要考慮測距誤差問題，在成本和功耗方面與前者相比具有顯著優(yōu)勢?；趓ssi的定位方法采用現(xiàn)有技術(shù)中機器學習方法進行信息匹配，是一個把定位問題轉(zhuǎn)換為射頻信號與位置的模式識別問題。這類方法在離線訓練階段，首先將實際應用場景按一定間距劃分為規(guī)則的網(wǎng)格，然后在每個網(wǎng)格上采集一定數(shù)量的射頻信號強度信息，構(gòu)建出射頻地圖定位模型；在在線定位階段，根據(jù)待定位目標實時觀測到的射頻信號強度信息，通過定位模型進行位置計算，從而實現(xiàn)對待定位目標的定位。這類方法將信號強度向量看作是對應位置的信號模式在信號強度空間中的特征，而實際的位置則可以看作是該模式的真實標記，將信號強度向量及其對應的位置坐標組成訓練數(shù)據(jù)，訓練數(shù)據(jù)組成訓練數(shù)據(jù)集，訓練得到的分類器或者回歸函數(shù)就能作為一個定位模型。總之，這類定位方法通過學習射頻信號強度與位置間的內(nèi)在映射規(guī)律，然后基于推理實現(xiàn)目標定位。機器學習的算法有很多種，常用的分類器主要有bayesian算法、svm(支持向量機)、決策樹、logistic回歸、線性回歸、knn算法、boosting算法、k-means聚類、人工神經(jīng)網(wǎng)絡等。其中利用svm、knn以及k-means聚類算法計算定位坐標在無線室內(nèi)定位領域得到了非常廣泛的應用。公開號為cn103813448a的專利提供了一種rssi的室內(nèi)定位方法，屬于移動定位
技術(shù)領域：
。包括如下步驟：布置三個參考節(jié)點，根據(jù)節(jié)點布局分別設置三個參考節(jié)點的坐標，開啟參考節(jié)點開關，進入監(jiān)聽模式；隨機放置一待測的未知節(jié)點，并設定坐標，建立一無線傳感網(wǎng)絡；測得三個參考節(jié)點處的對于未知節(jié)點的信號強度值，并將信號強度值轉(zhuǎn)發(fā)給基站e，基站e將數(shù)據(jù)值轉(zhuǎn)發(fā)到pc機；pc機對接收到的來自三個參考節(jié)點的接收信號強度值按比例轉(zhuǎn)換的方法進行處理，用于確定未知節(jié)點d的坐標位置。該方法不能遍布室內(nèi)的每個角落，并且該方法容易出現(xiàn)過擬合的情況。技術(shù)實現(xiàn)要素：本發(fā)明要解決的技術(shù)問題目的在于提供一種基于深度學習的無線定位方法及系統(tǒng)，用以解決室內(nèi)定位精確度不高的問題。為了實現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案為：一種基于深度學習的無線定位方法，包括步驟：s1、采集所有采樣點接收的無線信號強度；s2、利用深度學習算法將所述采集的無線信號強度與坐標輸入深度學習神經(jīng)網(wǎng)絡以生成帶權(quán)值的深度學習神經(jīng)網(wǎng)絡；s3、收集用戶位置的無線信號強度并輸入至所述帶權(quán)值的深度學習神經(jīng)網(wǎng)絡以確定用戶的位置。進一步地，所述步驟s1中，定位區(qū)域劃分為多個單元網(wǎng)格；所述每個單元網(wǎng)格設置多個采樣點；所述每個采樣點設有多個接收點并且所述每個采樣點接收的無線信號強度均不同。進一步地，所述步驟s1還包括：記錄每個采樣點在預設時間內(nèi)接收的無線信號強度與坐標；將所述無線信號強度與坐標保存至數(shù)據(jù)庫中。進一步地，所述步驟s2具體包括：將所述采集的無線信號強度轉(zhuǎn)換成以時間和無線信號強度為坐標的曲線圖；利用深度學習算法將所述曲線圖輸入深度學習神經(jīng)網(wǎng)絡的數(shù)據(jù)層；每個曲線圖的標簽是對應的采樣點的坐標；根據(jù)所述輸入的曲線圖生成帶權(quán)值的深度學習神經(jīng)網(wǎng)絡。進一步地，所述根據(jù)所述輸入的曲線圖生成帶權(quán)值的深度學習神經(jīng)網(wǎng)絡的步驟具體包括：通過所述深度學習神經(jīng)網(wǎng)絡的數(shù)據(jù)層輸入帶標簽的無線信號強度變化的圖片；通過所述深度學習神經(jīng)網(wǎng)絡的卷積層對所述圖片進行分塊和平移處理以提取所述圖片的特征；通過所述深度學習神經(jīng)網(wǎng)絡的池化層對所述圖片進行池化；通過所述深度學習神經(jīng)網(wǎng)絡的全連接層連接局部特征以形成全局感知；通過所述深度學習神經(jīng)網(wǎng)絡的分類層對所述圖片進行分類定位；根據(jù)所述標簽利用bp網(wǎng)絡算法反向調(diào)整網(wǎng)絡權(quán)值以生成最優(yōu)的帶權(quán)值的深度學習神經(jīng)網(wǎng)絡。進一步地，所述生成帶權(quán)值的深度學習神經(jīng)網(wǎng)絡的計算公式具體為：設定輸入p個學習圖片樣本，用用χ1，χ2，…χv，…χp來表示；第v個樣本輸入到網(wǎng)絡后得到輸出采用平方型誤差，于是得到第v個樣本的誤差ev：p個樣本，全局誤差為：采用累計誤差bp算法，輸出層各神經(jīng)元的權(quán)值調(diào)整公式為：隱層各神經(jīng)元的權(quán)值調(diào)整公式為：進一步地，所述步驟s3包括：接收用戶位置的無線信號強度；根據(jù)所述接收的無線信號強度生成無線信號強度變化曲線圖并將所述曲線圖輸入到所述帶權(quán)值的深度學習神經(jīng)網(wǎng)絡；計算所述曲線圖在所述帶權(quán)值的深度學習神經(jīng)網(wǎng)絡的標簽以確定用戶的位置。一種估計與深度學習的無線定位系統(tǒng)，包括：離線采樣模塊，用于采集所有采樣點接收的無線信號強度；神經(jīng)網(wǎng)絡訓練模塊，用于利用深度學習算法將所述采集的無線信號強度與坐標輸入深度學習神經(jīng)網(wǎng)絡以生成帶權(quán)值的深度學習神經(jīng)網(wǎng)絡；定位識別模塊，用于收集用戶位置的無線信號強度并輸入至所述帶權(quán)值的深度學習神經(jīng)網(wǎng)絡以確定用戶的位置。進一步地，所述離線采樣模塊包括：劃分單元，用于將定位區(qū)域劃分為多個單元網(wǎng)格；所述每個單元網(wǎng)格設置多個采樣點；所述每個采樣點設有多個接收點并且所述每個采樣點接收的無線信號強度均不同。進一步地，所述離線采樣模塊還包括：記錄單元，用于記錄每個采樣點在預設時間內(nèi)接收的無線信號強度與坐標；存儲單元，用于將所述無線信號強度與坐標保存至數(shù)據(jù)庫中。進一步地，所述神經(jīng)網(wǎng)絡訓練模塊包括：轉(zhuǎn)換單元，用于將所述采集的無線信號強度轉(zhuǎn)換成以時間和無線信號強度為坐標的曲線圖；輸入單元，用于利用深度學習算法將所述曲線圖輸入深度學習神經(jīng)網(wǎng)絡的數(shù)據(jù)層；每個曲線圖的標簽是對應的采樣點的坐標；生成單元，用于根據(jù)所述輸入的曲線圖生成帶權(quán)值的深度學習神經(jīng)網(wǎng)絡。進一步地，所述深度學習神經(jīng)網(wǎng)絡的包括：數(shù)據(jù)層，用于輸入帶標簽的無線信號強度變化的圖片；卷積層，用于對所述圖片進行分塊和平移處理以提取所述圖片的特征；池化層，用于對所述圖片進行池化；全連接層，用于連接局部特征以形成全局感知；分類層，用于對所述圖片進行分類定位；輸出層，用于根據(jù)所述標簽利用bp網(wǎng)絡算法反向調(diào)整網(wǎng)絡權(quán)值以生成最優(yōu)的帶權(quán)值的深度學習神經(jīng)網(wǎng)絡。進一步地，所述生成單元的計算公式具體包括：設定輸入p個學習圖片樣本，用用χ1，χ2，…χv，…χp來表示；第v個樣本輸入到網(wǎng)絡后得到輸出采用平方型誤差，于是得到第v個樣本的誤差ev：p個樣本，全局誤差為：采用累計誤差bp算法，輸出層各神經(jīng)元的權(quán)值調(diào)整公式為：隱層各神經(jīng)元的權(quán)值調(diào)整公式為：進一步地，所述定位識別模塊包括：接收單元，用于接收用戶位置的無線信號強度；匹配單元，用于根據(jù)所述接收的無線信號強度生成無線信號強度變化曲線圖并將所述曲線圖輸入到所述帶權(quán)值的深度學習神經(jīng)網(wǎng)絡；計算單元，用于計算所述曲線圖在所述帶權(quán)值的深度學習神經(jīng)網(wǎng)絡的標簽以確定用戶的位置。本發(fā)明與傳統(tǒng)的技術(shù)相比，有如下優(yōu)點：采用本發(fā)明，能提高室內(nèi)定位的精確度；神經(jīng)網(wǎng)絡的全連接層也避免了過擬合的問題。附圖說明圖1是本發(fā)明實施例提供的一種基于深度學習的無線定位方法流程圖；圖2是本發(fā)明實施例提供的一種基于深度學習的無線定位系統(tǒng)結(jié)構(gòu)圖；圖3是本發(fā)明實施例提供的定位區(qū)域劃分圖；圖4是本發(fā)明實施例提供的無線信號強度變化曲線圖。具體實施方式以下是本發(fā)明的具體實施例并結(jié)合附圖，對本發(fā)明的技術(shù)方案作進一步的描述，但本發(fā)明并不限于這些實施例。本發(fā)明實施例提供了一種基于深度學習的無線定位方法，如圖1所示，包括步驟：s11：采集所有采樣點接收的無線信號強度；s12：利用深度學習算法將采集的無線信號強度與坐標輸入深度學習神經(jīng)網(wǎng)絡以生成帶權(quán)值的深度學習神經(jīng)網(wǎng)絡；s13：收集用戶位置的無線信號強度并輸入至所述帶權(quán)值的深度學習神經(jīng)網(wǎng)絡以確定用戶的位置。深度學習的概念源于人工神經(jīng)網(wǎng)絡的研究。含多隱層的多層感知器就是一種深度學習結(jié)構(gòu)。深度學習通過組合低層特征形成更加抽象的高層表示屬性類別或特征，以發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示。深度學習是機器學習研究中的一個新的領域，其動機在于建立、模擬人腦進行分析學習的神經(jīng)網(wǎng)絡，它模仿人腦的機制來解釋數(shù)據(jù)，例如圖像，聲音和文本。在人工神經(jīng)網(wǎng)絡領域內(nèi)，深度學習算法近年來取得了重大的突破，它通過組合低層特征形成更加抽象的高層特征，來發(fā)現(xiàn)數(shù)據(jù)的分布式特征。深度卷積神經(jīng)網(wǎng)絡(即深度學習算法)是一個具有更多隱含層的卷積神經(jīng)網(wǎng)絡算法，特別是在對圖像、視頻和語音的識別上，顯示了非常高的識別成功率。這一巨大的成功是其他淺層神經(jīng)網(wǎng)絡或機器學習算法無法達到的識別能力。基于rssi的無線指紋定位方法可以利用深度學習算法，進一步的提高室內(nèi)無線定位的精確度。但是，由于rssi的采樣數(shù)據(jù)是以時間為維度的離散數(shù)值，比較適合svm或bp網(wǎng)絡等淺層模型分類，如果使用深度學習算法，極易出現(xiàn)過擬合情況，從而導致定位不準確，精度不夠，甚至定位失敗。本實施例中，步驟s11為離線采樣階段，采集所有采樣點接收的無線信號強度。在離線采樣階段，根據(jù)定位精度的需求，先對定位區(qū)域進行單元網(wǎng)格劃分。優(yōu)選的，如圖3所示，共有18個單元網(wǎng)格，a1～a3，b1～b3，c1～c3，d1～d3，e1～e3，f1～f3。在每個單元網(wǎng)格確定多個采樣點，確保采樣點接收到的信號強度有一定差異。優(yōu)選的，如圖3所示，原點為每個單元網(wǎng)絡的采樣點，共107個采樣點，每個單元網(wǎng)絡采樣點的統(tǒng)計情況如表1所示：其中，采樣點是指在監(jiān)測區(qū)域內(nèi)采集環(huán)境樣品的準確位置。每個采樣點都有對應的坐標。定位區(qū)域是指室內(nèi)進行定位檢測的相應區(qū)域。表1a14采樣點a26采樣點a36采樣點b16采樣點b25采樣點b36采樣點c16采樣點c26采樣點c37采樣點d15采樣點d26采樣點d34采樣點e16采樣點e211采樣點e38采樣點f14采樣點f25采樣點f36采樣點每個采樣點設有多個接入點。接入點是一個無線網(wǎng)絡的接入點，俗稱“熱點”。遍歷每個單元網(wǎng)絡內(nèi)的所有采樣點，記錄每個采樣點在一定時間內(nèi)測量的無線信號特征，即來自所有接入點的無線信號強度，將這些數(shù)據(jù)與坐標保存在數(shù)據(jù)庫中。優(yōu)選的，記錄每個采樣點在30秒內(nèi)測量的來自所有接入點的無線信號強度，將這些數(shù)據(jù)與坐標保存在數(shù)據(jù)庫中。如圖3所示，設f1單元格中，f12的采樣點，在30秒內(nèi)有ap1～ap5共五個ap收到在此采樣點終端的probe幀的無線信號強度，分別將這些采樣數(shù)據(jù)存放在數(shù)據(jù)庫，如表2所示，共有mac地址為00:6b:8e:dc:2f:41、00:6b:8e:dc:2f:62、00:6b:8e:dc:2f:77、00:6b:8e:dc:2e:bd、00:6b:8e:dc:2e:a5的五個ap采集rssi，其中rssi的單位為dbm。表2本實施例中步驟s22為神經(jīng)網(wǎng)絡訓練階段，利用深度學習算法將采集的無線信號強度與坐標輸入深度學習神經(jīng)網(wǎng)絡以生成帶權(quán)值的深度學習神經(jīng)網(wǎng)絡。神經(jīng)網(wǎng)絡是一種運算模型，由大量的節(jié)點(或稱神經(jīng)元)之間相互聯(lián)接構(gòu)成。每個節(jié)點代表一種特定的輸出函數(shù)，稱為激勵函數(shù)。每兩個節(jié)點間的連接都代表一個對于通過該連接信號的加權(quán)值，稱之為權(quán)重，這相當于人工神經(jīng)網(wǎng)絡的記憶。神經(jīng)網(wǎng)絡訓練是指對人工神經(jīng)網(wǎng)絡訓練。向網(wǎng)絡輸人足夠多的樣本，通過一定算法調(diào)整網(wǎng)絡的結(jié)構(gòu)〔主要是調(diào)節(jié)權(quán)值)，使網(wǎng)絡的輸出與預期值相符，這樣的過程就是神經(jīng)網(wǎng)絡訓練。本實施例中，步驟s22具體包括：將所述采集的無線信號強度轉(zhuǎn)換成以時間和無線信號強度為坐標的曲線圖；利用深度學習算法將曲線圖輸入深度學習神經(jīng)網(wǎng)絡的數(shù)據(jù)層；每個曲線圖的標簽是對應的采樣點的坐標；根據(jù)輸入的曲線圖生成帶權(quán)值的深度學習神經(jīng)網(wǎng)絡。神經(jīng)訓練階段，先將坐標點采集的若干無線信號強度，通過工具批量轉(zhuǎn)換成以時間和無線信號強度大小為坐標軸的曲線圖。優(yōu)選的，圖3中采樣點f12的五個ap數(shù)據(jù)，則分別對應五張無線信號強度變化曲線圖。再利用深度學習算法，將這些無線信號強度的曲線變化圖輸入到深度學習神經(jīng)網(wǎng)絡的數(shù)據(jù)層，每個無線信號強度的曲線變化圖的標簽是對應的采樣點的坐標。優(yōu)選的，圖3的采樣點f12的五個ap對應的無線信號強響度變化曲線圖的標簽為f12，輸入到深度學習神經(jīng)網(wǎng)絡進行學習。其中，ap指無線訪問接入點。就是傳統(tǒng)有線網(wǎng)絡中的hub，也是組建小型無線局域網(wǎng)時最常用的設備。ap相當于一個連接有線網(wǎng)和無線網(wǎng)的橋梁，其主要作用是將各個無線網(wǎng)絡客戶端連接到一起，然后將無線網(wǎng)絡接入以太網(wǎng)。訓練過程中，根據(jù)輸入的曲線圖生成帶權(quán)值的深度學習神經(jīng)網(wǎng)絡的步驟具體包括：通過深度學習神經(jīng)網(wǎng)絡的第一層數(shù)據(jù)層輸入帶標簽的無線信號強度變化圖片；深度學習神經(jīng)網(wǎng)絡的第二層為卷積層，通過卷積層對圖片進行分塊和平移處理以提取圖片的特征。其中，卷積又稱摺積，在泛函分析中，是通過兩個函數(shù)f和g生成第三個函數(shù)的一種數(shù)學算子，表征函數(shù)f與g經(jīng)過翻轉(zhuǎn)和平移的重疊部分的面積。深度學習神經(jīng)網(wǎng)絡的第三層為池化層，通過池化層對圖片進行池化，接下來會有若干個卷積、池化處理。其中，池化層的輸入一般來源于上一個卷積層，主要作用是提供了很強的魯棒性，并且減少了參數(shù)的數(shù)量，防止過擬合現(xiàn)象的發(fā)生。深度學習神經(jīng)網(wǎng)絡后面是全連接層，連接局部特征，形成全局感知，然后進行relu激活層和dropout層，以免出現(xiàn)過擬合。其中，全連接，意思就是輸出層的神經(jīng)元和輸入層的每個神經(jīng)元都連接。過擬合是指為了得到一致假設而使假設變得過度嚴格稱為過擬合。深度學習神經(jīng)網(wǎng)絡最后是融合標簽的分類層，softmaxloss層，通過分類層對圖片進行分類定位。通過卷積和池化對所有的無線信號強度變化曲線圖的特征進行提取和抽象，并根據(jù)標簽反向調(diào)整網(wǎng)絡權(quán)值，最終生成帶權(quán)值的深度學習神經(jīng)網(wǎng)絡。其中，反向調(diào)整網(wǎng)絡權(quán)值即bp網(wǎng)絡算法。bp網(wǎng)絡算法是一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W(wǎng)絡，是目前應用最廣泛的神經(jīng)網(wǎng)絡模型之一。bp網(wǎng)絡能學習和存貯大量的輸入-輸出模式映射關系，而無需事前揭示描述這種映射關系的數(shù)學方程。它的學習規(guī)則是使用最速下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡的權(quán)值和閾值，使網(wǎng)絡的誤差平方和最小。優(yōu)選的，設定輸入p個學習圖片樣本，用用χ1，χ2，…χv，…χp來表示；第v個樣本輸入到網(wǎng)絡后得到輸出采用平方型誤差，于是得到第v個樣本的誤差ev：p個樣本，全局誤差為：采用累計誤差bp算法，輸出層各神經(jīng)元的權(quán)值調(diào)整公式為：隱層各神經(jīng)元的權(quán)值調(diào)整公式為：優(yōu)選的，深度學習神經(jīng)網(wǎng)絡訓練的測試數(shù)據(jù)集，可以從樣本數(shù)據(jù)集中隨機選擇20％的數(shù)據(jù)作為測試數(shù)據(jù)集，以便在每個階段迭代訓練時測試預測精度，通過上述數(shù)學公式對各神經(jīng)元的權(quán)值進行調(diào)整，以達到最優(yōu)權(quán)值的深度學習神經(jīng)網(wǎng)絡。本實施例中，步驟s33位定位識別階段，收集用戶位置的無線信號強度并輸入至帶權(quán)值的深度學習神經(jīng)網(wǎng)絡以確定用戶的位置，具體包括步驟：接收用戶位置的無線信號強度；根據(jù)接收的無線信號強度生成無線信號強度變化曲線圖并將曲線圖輸入到帶權(quán)值的深度學習神經(jīng)網(wǎng)絡；計算曲線圖在帶權(quán)值的深度學習神經(jīng)網(wǎng)絡的標簽以確定用戶的位置。定位識別階段，實質(zhì)上是神經(jīng)網(wǎng)絡的分類階段。當用戶移動到某以位置時，根據(jù)實時收到的無線信號強度信息，生成以時間和無線信號強度為坐標軸的無線信號強度變化曲線圖，然后將此曲線圖輸入到生成的帶權(quán)值的深度學習神經(jīng)網(wǎng)絡進行預測，計算出最接近無線信號強度變化曲線對應的標簽，即為該用戶的坐標點位置，并且能給出這一坐標的概率。優(yōu)選的，用戶移動到某一位置，實時收到ap1～ap5的五個ap的無線信號強度的變化圖，將這五條曲線輸入到訓練好的深度學習神經(jīng)網(wǎng)絡中，會預測到五個坐標點的標簽及概率值。將五個坐標點根據(jù)概率值加權(quán)后重新調(diào)整，計算出最終的坐標點以確定用戶的位置。本實施例提出的基于深度學習的無線定位方法，提高了室內(nèi)定位的精確度，并且避免了過擬合的情況，使室內(nèi)定位更加準確。本發(fā)明實施例還提供了一種基于深度學習的無線定位系統(tǒng)，如圖2所示，包括：離線采樣模塊21，用于采集所有采樣點接收的無線信號強度；神經(jīng)網(wǎng)絡訓練模塊22，用于利用深度學習算法將采集的無線信號強度與坐標輸入深度學習神經(jīng)網(wǎng)絡以生成帶權(quán)值的深度學習神經(jīng)網(wǎng)絡；定位識別模塊23，用于手機用戶位置的無線信號強度并輸入至所帶權(quán)值的深度學習神經(jīng)網(wǎng)絡以確定用戶的位置。本實施例中，離線采樣模塊21包括：劃分單元，用于將定位區(qū)域劃分為多個單元網(wǎng)格；每個單元網(wǎng)格設置多個采樣點；每個采樣點設有多個接收點且每個采樣點接收的無線信號強度均不同；優(yōu)選的，如圖3所示，共有18個單元網(wǎng)格，a1～a3，b1～b3，c1～c3，d1～d3，e1～e3，f1～f3。記錄單元，用于記錄每個采樣點在預設時間內(nèi)接收的無線信號強度與坐標；優(yōu)選的，如圖3所示，原點為每個單元網(wǎng)絡的采樣點，共107個采樣點。存儲單元，用于將無線信號強度與坐標保存至數(shù)據(jù)庫中。優(yōu)選的，記錄每個采樣點在30秒內(nèi)測量的來自所有接入點的無線信號強度，將這些數(shù)據(jù)與坐標保存在數(shù)據(jù)庫中。如圖3所示，設f1單元格中，f12的采樣點，在30秒內(nèi)有ap1～ap5共五個ap收到在此采樣點終端的probe幀的無線信號強度，分別將這些采樣數(shù)據(jù)存放在數(shù)據(jù)庫，如表2所示，共有mac地址為00:6b:8e:dc:2f:41、00:6b:8e:dc:2f:62、00:6b:8e:dc:2f:77、00:6b:8e:dc:2e:bd、00:6b:8e:dc:2e:a5的五個ap采集rssi，其中rssi的單位為dbm。遍歷無線區(qū)域的所有采樣點，記錄每個采樣點在一定時間內(nèi)測量的無線信號特征，即來自所有接入點的無線信號強度，將這些無線信號強度與坐標存儲在數(shù)據(jù)庫中。本實施例中，神經(jīng)網(wǎng)絡訓練階段22包括：轉(zhuǎn)換單元，用于將采集的無線信號強度轉(zhuǎn)換成以時間和無線信號強度為坐標的曲線圖；優(yōu)選的，圖3中采樣點f12的五個ap數(shù)據(jù)，則分別對應五張無線信號強度變化曲線圖。輸入單元，用于利用深度學習算法將曲線圖輸入深度學習神經(jīng)網(wǎng)絡的數(shù)據(jù)層；每個曲線圖的標簽是對應的采樣點的坐標；優(yōu)選的，圖3的采樣點f12的五個ap對應的無線信號強響度變化曲線圖的標簽為f12，輸入到深度學習神經(jīng)網(wǎng)絡進行學習。生成單元，用于根據(jù)輸入的曲線圖生成帶權(quán)值的深度學習神經(jīng)網(wǎng)絡。本實施例中，深度學習神經(jīng)網(wǎng)絡包括：數(shù)據(jù)層，用于輸入帶標簽的無線信號強度變化的圖片；卷積層，用于對所述圖片進行分塊和平移處理以提取所述圖片的特征；池化層，用于對所述圖片進行池化；全連接層，用于連接局部特征以形成全局感知；分類層，用于對所述圖片進行分類定位；輸出層，用于根據(jù)所述標簽利用bp網(wǎng)絡算法反向調(diào)整網(wǎng)絡權(quán)值以生成最優(yōu)的帶權(quán)值的深度學習神經(jīng)網(wǎng)絡。其中，所述生成單元的計算公式包括：設定輸入p個學習圖片樣本，用用χ1，χ2，…χv，…χp來表示；第v個樣本輸入到網(wǎng)絡后得到輸出采用平方型誤差，于是得到第v個樣本的誤差ev：p個樣本，全局誤差為：采用累計誤差bp算法，輸出層各神經(jīng)元的權(quán)值調(diào)整公式為：隱層各神經(jīng)元的權(quán)值調(diào)整公式為：本實施例中，定位識別模塊23包括：接收單元，用于接收用戶位置的無線信號強度；匹配單元，用于根據(jù)接收的無線信號強度生成無線信號強度變化曲線圖并將曲線圖輸入到帶權(quán)值的深度學習神經(jīng)網(wǎng)絡；計算單元，用于計算曲線圖在帶權(quán)值的深度學習神經(jīng)網(wǎng)絡的標簽以確定用戶的位置。優(yōu)選的，用戶移動到某一位置，接收單元實時收到ap1～ap5的五個ap的無線信號強度的變化圖，匹配單元將這五條曲線輸入到訓練好的深度學習神經(jīng)網(wǎng)絡中，會預測到五個坐標點的標簽及概率值。計算單元將五個坐標點根據(jù)概率值加權(quán)后重新調(diào)整，計算出最終的坐標點以確定用戶的位置。本實施例提出的基于深度學習的無線定位系統(tǒng)，提高了室內(nèi)定位的精確度，并且避免了過擬合的情況，使室內(nèi)定位更加準確。本文中所描述的具體實施例僅僅是對本發(fā)明精神作舉例說明。本發(fā)明所屬
技術(shù)領域：
的技術(shù)人員可以對所描述的具體實施例做各種各樣的修改或補充或采用類似的方式替代，但并不會偏離本發(fā)明的精神或者超越所附權(quán)利要求書所定義的范圍。當前第1頁12