基于DC-CGAN的指纹定位RadioMap扩充方法技术

本发明专利技术公开了基于DC

【技术实现步骤摘要】
基于DC
‑
CGAN的指纹定位Radio Map扩充方法


[0001]本专利技术涉及室内定位
，具体来说，本专利技术涉及基于双约束的条件生成对抗网络(Double Constraints
‑
Conditional Generative Adversarial Network，DC
‑
CGAN)的指纹定位Radio Map扩充方法。

技术介绍

[0002]随着无线通信技术的发展和智能设备的普及，无线定位技术也得到了很大的发展，根据不同的信号，各种室内定位技术也被人们提出，主要包括超声波定位技术、红外定位技术、射频识别定位技术和无线局域网(Wireless Local Area Network，WLAN)定位技术。在这些定位技术中，WLAN定位引起了人们的广泛关注，因为它成本低和覆盖范围大，所以比其他方法具有显著的优越性。在WLAN定位方法中，按照定位原理划分，可以分为基于测距的方法和基于位置指纹的方法。
[0003]与基于测距的方法不同的是，位置指纹法分为离线阶段和在线阶段两个阶段。离线阶段时，在预先设定的参考点处采集来自接入点的接收信号强度(Reference Signal Strength，RSS)，建立Radio Map，在线阶段时，把采集到的RSS数据输入指纹定位算法进而计算用户的实际位置。传统的Radio Map构建方式需要专业人员离线时在每个参考点(Reference Point，RP)处采集一定数量的RSS数据，然后保存参考点处采集的RSS数据及其对应的位置坐标，以构建Radio Map。而且为了得到较高的定位精度需要大量标记了位置坐标的RSS数据。因此，Radio Map的低成本构建是一个值得研究的问题。
[0004]近年来，随着生成对抗网络(Generative Adversarial Network，GAN)逐渐被广泛应用，其主要思想是根据已有的数据分布学习新的生成数据分布，通过对抗训练可得到逼近真实样本的生成样本，于是可将GAN用于指纹定位中的Radio Map构建，但问题是典型的GAN不能生成指定位置的RSS数据。

技术实现思路

[0005]针对目前存在的问题，本文提出一种基于DC
‑
CGAN的指纹定位Radio Map扩充方法，从而生成指定位置的RSS数据，扩充Radio Map。
[0006]区别于现有的处理方法，本专利技术的改进方法是：(1)利用Wasserstein距离和梯度优化进行约束，从而解决训练不稳定和模式崩溃的问题；(2)利用欧式距离进行约束，从而获得与真实RSS数据更相似的生成RSS数据。将DC
‑
CGAN应用于Radio Map扩充，在两个参考点中间设置一个插值点，用原始Radio Map训练DC
‑
CGAN从而估计插值点处的RSS数据，得到生成的Radio Map，实现对Radio Map的扩充。本专利技术与现有的技术相比，仅用在一定数量参考点处真实采集的RSS数据，就能插值建立Radio Map，可用于室内指纹定位。
[0007]本专利技术所述的方法有益效果是：(1)仅需要采集一定数量参考点处的RSS样本和位置坐标即可生成未知坐标的RSS样本，扩充Radio Map，节省了数据采集的时间和人力成本；(2)定位精度有所提升，具有较高的理论价值和实际意义。
附图说明
[0008]图1是本专利技术的流程图；
[0009]图2是本专利技术中DC
‑
CGAN的构建图；
[0010]图3是实施例中的实验环境平面图；
[0011]图4是实施例中本专利技术与传统方式建立Radio Map对比图；
具体实施方式
[0012]下面结合附图1的流程，详细说明本专利技术基于DC
‑
CGAN的指纹定位Radio Map扩充方法的具体实施方式。
[0013]如图1所示，本专利技术提供的基于DC
‑
CGAN的指纹定位Radio Map扩充方法，包括：
[0014]步骤1：在定位区域内建立位置坐标系，在该区域内均匀设置若干参考点。
[0015]步骤2：在各参考点处利用终端设备测量来自多个接入点的RSS数据，将各参考点处测量到的真实RSS数据与其所对应的位置坐标建立原始Radio Map。
[0016]步骤3：将步骤2中建立的原始Radio Map作为训练数据，在每两个参考点之间设置一个插值点，实现对参考点的扩充。
[0017]步骤4：将步骤3中的训练数据输入DC
‑
CGAN进行训练，随机初始化一组噪声向量，把训练数据对应的位置坐标作为额外输入，融合输入到DC
‑
CGAN中，输出该坐标下生成RSS数据，学习已有的真实RSS数据分布，从而获得逼近真实数据分布的生成RSS数据分布。
[0018]在本实施例中，如图2所示，上述步骤4可以采用以下方案实现：
[0019]由于传统的生成对抗网络无法生成特定位置的RSS数据，本专利技术中在生成器和判别器中分别添加位置坐标y。
[0020]步骤5：在步骤4中DC
‑
CGAN的损失函数中引入Wasserstein距离和梯度惩罚项进行约束，从而解决训练不稳定和模式崩溃的问题。
[0021]a、引入Wasserstein距离W(P
r
，P
g
)度量真实数据分布P
r
和生成数据分布P
g
之间的期望距离，计算公式如下：
[0022][0023]其中，x是原始Radio Map中的一个RSS向量；∏(P
r
，P
g
)是P
r
和P
g
所有联合分布的集合，γ则是服从∏(P
r
，P
g
)的一个联合分布，对于每个联合分布，都可获得一个真实数据x和一个生成数据x*；inf(
·
)是取的下界。
[0024]b、用Wasserstein距离可以表示P
r
和P
g
的远近，由于inf(
·
)下界很难求解，W(P
r
，P
g
)可以利用Kantorovich
‑
Rubinstein对偶定律表示，如下：
[0025][0026]其中，z是服从均匀分布P
z
的随机噪声向量；G(z)是生成器的一个输出，P
g
是G(z)定义的生成数据分布；P
r
是x定义的真实数据分布；D(
·
)是判别器的一个输出；I是判别器的一个输入数据，I＝{x，G(z)}，||D(I)||≤1约束可降低数据变化剧烈程度；max(
·
)取到的最大值，从而满足Lipschitz的连续性。
[0027]c、为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于DC
‑
CGAN的指纹定位Radio Map扩充方法，其特征在于以下步骤，包括：步骤一：在定位区域内建立位置坐标系，在该区域内均匀设置若干参考点；步骤二：在各参考点处利用终端设备测量来自多个接入点的RSS数据，利用在各参考点处测量到的真实RSS数据与其所对应的位置坐标建立原始Radio Map；步骤三：将步骤二中建立的原始Radio Map作为训练数据，在每两个参考点之间设置一个插值点，实现对参考点的扩充；步骤四：引入Wasserstein距离和梯度惩罚项进行约束DC
‑
CGAN，将步骤三中的训练数据输入DC
‑
CGAN进行训练，学习已有的真实RSS数据分布，从而获得逼近真实数据分布的生成RSS数据分布；步骤五：利用欧式距离对DC
‑
CGAN进行约束，单独训练，以提高真实RSS数据和生成RSS数据之间的相似性；步骤六：将步骤三中插值点位置坐标输入训练完成的DC
‑
CGAN，生成对应的RSS数据，建立生成Radio Map，从而实现Radio Map的扩充。2.根据权利要求1所述的基于DC
‑
CGAN的指纹定位Radio Map扩充方法，其特征在于，步骤四中所述的引入Wasserstein距离和梯度惩罚项进行约束的过程如下：步骤一：引入Wasserstein距离W(P
r
，P
g
)度量真实数据分布P
r
和生成数据分布P
g
之间的期望距离，以解决训练不稳定和模式崩溃的问题，计算公式如下：其中，x是原始Radio Map中的一个RSS向量；∏(P
r
，P
g
)是P
r
和P
g
所有联合分布的集合，γ则是服从∏(P
r
，P
g
)的一个联合分布，对于每个联合分布，都可获得一个真实数据x和一个生成数据x
*
；inf(
·
)是取的下界；步骤二：用Wasserstein距离可以表示P
r
和P
g
的远近，由于inf(...

【专利技术属性】
技术研发人员：孙永亮，张权，柏君航，
申请(专利权)人：南京工业大学，
类型：发明
国别省市：