一种基于神经网络的室内定位计算方法技术

本发明专利技术涉及室内定位计算技术领域，且公开了一种基于神经网络的室内定位计算方法，方法步骤如下：建立室内地图，采集原始信号强度数据；信号强度数据清洗；建立基于Tensorflow的DNN神经网络分类算法模型；计算信号强度数据的特征向量，进行机器学习训练；神经网络预测，根据信号强度特征对终端位置进行分类，输出计算结果。本发明专利技术针对不同位置探针探测到终端发出的Wi‑Fi信号，通过基于信号强度阈值范围进行筛选，对信息进行预处理，输出信号强度的特征向量，然后结合神经网络对特征向量进行位置判断，有效地将信号强度特征和神经网络分类算法结合到一起，提高了室内定位技术的高效性、准确性和智能性。

【技术实现步骤摘要】
一种基于神经网络的室内定位计算方法
本专利技术涉及室内定位计算领域，尤其涉及一种基于神经网络的室内定位计算方法。
技术介绍
随着数据业务和多媒体业务的快速增加，人们对定位与导航的需求日益增大，尤其在复杂的室内环境，如机场大厅、展厅、仓库、超市、图书馆、地下停车场和矿井等环境中，常常需要确定移动终端或其持有者、设施与物品在室内的位置信息，但是受定位时间、定位精度以及复杂室内环境等条件的限制，比较完善的定位技术目前还无法很好地利用，目前常用的是使用三角定位方案，即利用2台或者2台以上的探测器在不同位置探测目标方位，然后运用三角几何原理确定目标的位置和距离。但是上述定位方案的存在精度不高、难以优化的缺陷。为解决上述问题，本申请中提出一种基于神经网络的室内定位计算方法。
技术实现思路
（一）专利技术目的为解决
技术介绍
中存在的技术问题，本专利技术提出一种基于神经网络的室内定位计算方法，本专利技术针对不同位置探针探测到终端发出的Wi-Fi信号，通过基于信号强度阈值范围进行筛选，对信息进行预处理，输出信号强度的特征向量，然后结合神经网络对特征向量进行位置判断，有效地将信号强度特征和神经网络分类算法结合到一起，提高了室内定位技术的高效性、准确性和智能性。（二）技术方案为解决上述问题，本专利技术提供了一种基于神经网络的室内定位计算方法，方法步骤如下：S1：建立室内地图，采集原始信号强度数据；S2：信号强度数据清洗；S3：建立基于Tensorflow的DNN神经网络分类算法模型；S4：计算信号强度数据的特征向量，进行机器学习训练；S5：神经网络预测，根据信号强度特征对终端位置进行分类，输出计算结果。优选的，S1中S1建立室内地图、采集原始数据具体步骤如下：S1-1：确定室内平面图，划分网格区域；S1-2：在需要定位的区域指定位置点部署Wi-Fi探针；S1-3：通过Wi-Fi探针采集各个位置区域终端的信号强度。优选的，S2中信号强度数据清洗具体步骤如下：S2-1：去除原始数据中异常的、过大和过小的信号强度数据；S2-2：根据配置，根据探针分组，求取单位时间内（如1分钟）各个探针探测到的各终端信号强度的平均值；S2-3：使用区域ID标注各组数据来自的区域。优选的，S3中立模型具体步骤如下：S3-1：输入层定义特征列为不同区域、各个探针采集到的信号强度平均值；S3-2：定义2个各含10节点的隐藏层；S3-3：输出层定位为不同位置区域id。优选的，S4具体步骤如下：4-1：用特征向量V=(t1,t2,…,tn)表示信号强度特征，其中，为各个探针探测到的信号强度，定义V为分类器的输入数据；S4-2：构建位置与信号强度特征的线性关系；S4-3：对特征集中特征进行分类预测训练；S4-4：设置训练步数，采用梯度下降法迭代优化拟合出最合适的位置与信号强度特征线性关系函数。优选的，S5中具体步骤为：S5-1：输入待预测的信号强度的特征向量；S5-2：输出预测出来的区域ID结果。本专利技术的上述技术方案具有如下有益的技术效果：（1）本专利技术采用神经网络算法，可快速、准确的判断终端位置。（2）采用神经网络算法使得定位计算有进化特性，随着模型训练、样本数据的增多、多样性的提升，迭代训练会使得模型的计算越来越准确。（3）以区域信号强度作为特征、区域id作为输出结果，区域划分越细，定位计算的精度越高，可以视需求灵活选择。（4）与冗长、复杂的三角定位算法相比，DNN神经网络分类算法不需要建立坐标系、确定各个探针的坐标点、不必进行复杂的函数计算，更简洁更方便。附图说明图1为本专利技术提出的一种基于神经网络的室内定位计算方法的流程图。图2为本专利技术提出的一种基于神经网络的室内定位计算方法中信号强度数据清洗流程图。图3为本专利技术提出的一种基于神经网络的室内定位计算方法中模型训练流程图。图4为本专利技术提出的一种基于神经网络的室内定位计算方法中分类预测流程图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本专利技术进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本专利技术的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本专利技术的概念。如图1-4所示，本专利技术提出的一种基于神经网络的室内定位计算方法，方法步骤如下：S1：建立室内地图，采集原始信号强度数据；S2：信号强度数据清洗；S3：建立基于Tensorflow的DNN神经网络分类算法模型；S4：计算信号强度数据的特征向量，进行机器学习训练；S5：神经网络预测，根据信号强度特征对终端位置进行分类，输出计算结果。在一个可选的实施例中，S1中S1建立室内地图、采集原始数据具体步骤如下：S1-1：确定室内平面图，划分网格区域；S1-2：在需要定位的区域指定位置点部署Wi-Fi探针；S1-3：通过Wi-Fi探针采集各个位置区域终端的信号强度。在一个可选的实施例中，S2中信号强度数据清洗具体步骤如下：S2-1：去除原始数据中异常的、过大和过小的信号强度数据；S2-2：根据配置，根据探针分组，求取单位时间内（如1分钟）各个探针探测到的各终端信号强度的平均值；S2-3：使用区域ID标注各组数据来自的区域。在一个可选的实施例中，S3中立模型具体步骤如下：S3-1：输入层定义特征列为不同区域、各个探针采集到的信号强度平均值；S3-2：定义2个各含10节点的隐藏层；S3-3：输出层定位为不同位置区域id。在一个可选的实施例中，S4具体步骤如下：4-1：用特征向量V=(t1,t2,…,tn)表示信号强度特征，其中，为各个探针探测到的信号强度，定义V为分类器的输入数据；S4-2：构建位置与信号强度特征的线性关系；S4-3：对特征集中特征进行分类预测训练；S4-4：设置训练步数，采用梯度下降法迭代优化拟合出最合适的位置与信号强度特征线性关系函数。在一个可选的实施例中，S5中具体步骤为：S5-1：输入待预测的信号强度的特征向量；S5-2：输出预测出来的区域ID结果。本专利技术中，针对不同位置探针探测到终端发出的Wi-Fi信号，通过基于信号强度阈值范围进行筛选，对信息进行预处理，输出信号强度的特征向量，然后结合神经网络对特征向量进行位置判断，有效地将信号强度特征和神经网络分类算法结合到一起，提高了室内定位技术的高效性、准确性和智能性。需要说明的是，举例实施对本专利技术做更详细的描述：数据清洗流程具体步骤：1.过滤信号强度小于-80大于15的数据；2．根本文档来自技高网...

【技术保护点】
1.一种基于神经网络的室内定位计算方法，其特征在于，方法步骤如下：/nS1：建立室内地图，采集原始信号强度数据；/nS2：信号强度数据清洗；/nS3：建立基于Tensorflow的DNN神经网络分类算法模型；/nS4：计算信号强度数据的特征向量，进行机器学习训练；/nS5：神经网络预测，根据信号强度特征对终端位置进行分类，输出计算结果。/n

【技术特征摘要】
1.一种基于神经网络的室内定位计算方法，其特征在于，方法步骤如下：
S1：建立室内地图，采集原始信号强度数据；
S2：信号强度数据清洗；
S3：建立基于Tensorflow的DNN神经网络分类算法模型；
S4：计算信号强度数据的特征向量，进行机器学习训练；
S5：神经网络预测，根据信号强度特征对终端位置进行分类，输出计算结果。


2.根据权利要求1所述的一种基于神经网络的室内定位计算方法，其特征在于，S1中S1建立室内地图、采集原始数据具体步骤如下：
S1-1：确定室内平面图，划分网格区域；
S1-2：在需要定位的区域指定位置点部署Wi-Fi探针；
S1-3：通过Wi-Fi探针采集各个位置区域终端的信号强度。


3.根据权利要求1所述的一种基于神经网络的室内定位计算方法，其特征在于，S2中信号强度数据清洗具体步骤如下：
S2-1：去除原始数据中异常的、过大和过小的信号强度数据；
S2-2：根据配置，根据探针分组，求取单位时间内（如1分钟）各个探针探测到的各终端信号强度的平均值；
...

【专利技术属性】
技术研发人员：席阳波，刘锡坤，
申请(专利权)人：深圳新贝奥科技有限公司，
类型：发明
国别省市：广东;44