基于深度学习的融合WiFi和iBeacon的室内定位方法

摘要

本发明涉及一种基于深度学习的融合WiFi和iBeacon的室内定位方法，包括：从环境中获取大量WiFi和iBeacon的信号强度数据，然后使用堆叠自动编码机对获取的所述大量WiFi和iBeacon的信号强度数据进行训练，并将训练后数据及参数(w和b)放入数据库中；其中所有的WiFi和iBeacon部署的位置都是已知的；实时采集WiFi和iBeacon的RSSI数据，对所述RSSI数据进行标准化处理；用堆叠自动编码机和数据库中的参数对步骤“实时采集WiFi和iBeacon的RSSI数据，使用标准化对所述RSSI数据进行处理；”中处理后的数据进行处理，然后再用近邻算法将这些数据与数据库中的数据进行匹配，获得最终位置估计。

说明书

技术领域

本发明涉及室内定位方法，特别是涉及基于深度学习的融合WiFi和iBeacon的室内定位方法。

背景技术

室内定位研究在过去几十年中一直很受欢迎，人们已经开发了基于Wi-Fi、RFID(射频识别)等定位方法。但Wi-Fi会容易受环境影响和电源的限制，RFID需要专门的设备来实现定位。低能耗蓝牙(BLE)是低能耗，低成本的技术，iBeacon使用纽扣电池可以工作六个月至两年。iBeacon可以帮助人们轻松地建立适合室内定位的无线网络。

现在常用的指纹法定位算法都是在最近邻算法和朴素贝叶斯概率分类算法的基础上加以改进的。这种纯指纹法方式的室内定位算法虽然能够提供较为准确的位置估计，但是定位误差仍然较大且定位稳定性也较差；近年来，有些定位方式使用支持向量机、压缩感知和人工神经网络等方法来结局这个问题，但是不能很好地处理由多种原因导致的信号衰减所带来的问题。

发明内容

基于此，有必要针对上述技术问题，提供一种基于深度学习的融合WiFi和iBeacon的室内定位方法，通过使用堆叠自动编码机对信号强度数据的处理以及iBeacon的应用，解决指纹法定位中由多种原因导致的信号衰减所带来的定位误差较大，定位不稳定的问题。

一种基于深度学习的融合WiFi和iBeacon的室内定位方法，包括：

从环境中获取大量WiFi和iBeacon的信号强度数据，然后使用堆叠自动编码机对获取的所述大量WiFi和iBeacon的信号强度数据进行训练，并将训练后数据及参数(w和b)放入数据库中；其中所有的WiFi和iBeacon部署的位置都是已知的；

实时采集WiFi和iBeacon的RSSI数据，对所述RSSI数据进行标准化处理；

用堆叠自动编码机和数据库中的参数对步骤“实时采集WiFi和iBeacon的RSSI数据，使用标准化对所述RSSI数据进行处理；”中处理后的数据进行处理，然后再用近邻算法将这些数据与数据库中的数据进行匹配，获得最终位置估计。

在另外的一个实施例中，步骤“从环境中获取大量WiFi和iBeacon的信号强度数据，然后使用堆叠自动编码机对获取的所述大量WiFi和iBeacon的信号强度数据进行训练，并将训练后数据及参数(w和b)放入数据库中；其中所有的WiFi和iBeacon部署的位置都是已知的；”包括：

通过智能手机获取各个WiFi和iBeacon对应的Mac或者UUID，以及各个WiFi和iBeacon对应的RSSI数据；

将采集到的所述RSSI数据根据位置和所述Mac/UUID制成指纹数据库；

使用堆叠自动编码机对指纹数据库进行训练，保存训练后的数据以及训练参数(w和b)形成新的数据库。

在另外的一个实施例中，步骤“实时采集WiFi和iBeacon的RSSI数据，对所述RSSI数据进行标准化处理；”中利用行人手持智能手机终端实时采集WiFi和iBeacon的RSSI数据。

在另外的一个实施例中，步骤“从环境中获取大量WiFi和iBeacon的信号强度数据，然后使用堆叠自动编码机对获取的所述大量WiFi和iBeacon的信号强度数据进行训练，并将训练后数据及参数(w和b)放入数据库中；其中所有的WiFi和iBeacon部署的位置都是已知的；”中用于堆叠自动编码机训练的公式如下：

用于输入层和隐藏层及隐藏层与输出层之间计算的激活函数：

用于改变参数以最小化输入和重构的输出之间的平方误差的随机梯度下降函数：

在另外的一个实施例中，步骤“实时采集WiFi和iBeacon的RSSI数据，对所述RSSI数据进行标准化处理；”中，进行标准化的公式如下：

在另外的一个实施例中，用于匹配的近邻算法的公式如下：

计算在线阶段DATA数据与指纹数据库中第i个采样点data数据的欧氏距离：

其中data_ij表示处理后的指纹数据库中第i个采样点的第j维数据，DATA_j表示在线阶段第j维数据，n表示经堆叠自动编码机处理后数据的维度。

然后将欧式距离按从小到大排序，欧氏距离最小的采样点坐标即为定位结果。

在另外的一个实施例中，步骤“从环境中获取大量WiFi和iBeacon的信号强度数据，然后使用堆叠自动编码机对获取的所述大量WiFi和iBeacon的信号强度数据进行训练，并将训练后数据及参数(w和b)放入数据库中；其中所有的WiFi和iBeacon部署的位置都是已知的；”中，指纹采集人员通过手中的智能手机从环境中获取大量WiFi和iBeacon的信号强度数据。

一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现任一项所述方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一项所述方法的步骤。

一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行任一项所述的方法。

上述基于深度学习的融合WiFi和iBeacon的室内定位方法，通过使用堆叠自动编码机对信号强度数据的处理以及iBeacon的应用，解决指纹法定位中由多种原因导致的信号衰减所带来的定位误差较大，定位不稳定的问题。

附图说明

图1是本发明基于深度学习的融合WiFi和iBeacon的室内定位方法中室内定位系统的框架图。

图2是本发明基于深度学习的融合WiFi和iBeacon的室内定位方法中自动编码机的示意图。

图3是本发明基于深度学习的融合WiFi和iBeacon的室内定位方法中堆叠自动编码机的架构示意图。

图4是本发明基于深度学习的融合WiFi和iBeacon的室内定位方法中实验环境的室内布局图。

图5是本发明基于深度学习的融合WiFi和iBeacon的室内定位方法中实验环境下iBeacon加入定位误差效果图。

图6是本发明基于深度学习的融合WiFi和iBeacon的室内定位方法中实验环境下使用NN和KNN时定位误差效果图。

图7是本发明基于深度学习的融合WiFi和iBeacon的室内定位方法中实验中各个定位算法的定位误差效果图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

一种基于深度学习的融合WiFi和iBeacon的室内定位方法，包括：

从环境中获取大量WiFi和iBeacon的信号强度数据，然后使用堆叠自动编码机对获取的所述大量WiFi和iBeacon的信号强度数据进行训练，并将训练后数据及参数(w和b)放入数据库中；其中所有的WiFi和iBeacon部署的位置都是已知的；

实时采集WiFi和iBeacon的RSSI数据，对所述RSSI数据进行标准化处理；

用堆叠自动编码机和数据库中的参数对步骤“实时采集WiFi和iBeacon的RSSI数据，使用标准化对所述RSSI数据进行处理；”中处理后的数据进行处理，然后再用近邻算法将这些数据与数据库中的数据进行匹配，获得最终位置估计。

在另外的一个实施例中，步骤“从环境中获取大量WiFi和iBeacon的信号强度数据，然后使用堆叠自动编码机对获取的所述大量WiFi和iBeacon的信号强度数据进行训练，并将训练后数据及参数(w和b)放入数据库中；其中所有的WiFi和iBeacon部署的位置都是已知的；”包括：

通过智能手机获取各个WiFi和iBeacon对应的Mac或者UUID，以及各个WiFi和iBeacon对应的RSSI数据；

将采集到的所述RSSI数据根据位置和所述Mac/UUID制成指纹数据库；

使用堆叠自动编码机对指纹数据库进行训练，保存训练后的数据以及训练参数(w和b)形成新的数据库。

在另外的一个实施例中，步骤“实时采集WiFi和iBeacon的RSSI数据，对所述RSSI数据进行标准化处理；”中利用行人手持智能手机终端实时采集WiFi和iBeacon的RSSI数据。

在另外的一个实施例中，步骤“从环境中获取大量WiFi和iBeacon的信号强度数据，然后使用堆叠自动编码机对获取的所述大量WiFi和iBeacon的信号强度数据进行训练，并将训练后数据及参数(w和b)放入数据库中；其中所有的WiFi和iBeacon部署的位置都是已知的；”中用于堆叠自动编码机训练的公式如下：

用于输入层和隐藏层及隐藏层与输出层之间计算的激活函数：

用于改变参数以最小化输入和重构的输出之间的平方误差的随机梯度下降函数：

在另外的一个实施例中，步骤“实时采集WiFi和iBeacon的RSSI数据，对所述RSSI数据进行标准化处理；”中，进行标准化的公式如下：

在另外的一个实施例中，用于匹配的近邻算法的公式如下：

计算在线阶段DATA数据与指纹数据库中第i个采样点data数据的欧氏距离：

其中data_ij表示处理后的指纹数据库中第i个采样点的第j维数据，DATA_j表示在线阶段第j维数据，n表示经堆叠自动编码机处理后数据的维度。

然后将欧式距离按从小到大排序，欧氏距离最小的采样点坐标即为定位结果。

在另外的一个实施例中，步骤“从环境中获取大量WiFi和iBeacon的信号强度数据，然后使用堆叠自动编码机对获取的所述大量WiFi和iBeacon的信号强度数据进行训练，并将训练后数据及参数(w和b)放入数据库中；其中所有的WiFi和iBeacon部署的位置都是已知的；”中，指纹采集人员通过手中的智能手机从环境中获取大量WiFi和iBeacon的信号强度数据。

一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现任一项所述方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一项所述方法的步骤。

一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行任一项所述的方法。

上述基于深度学习的融合WiFi和iBeacon的室内定位方法，通过使用堆叠自动编码机对信号强度数据的处理以及iBeacon的应用，解决指纹法定位中由多种原因导致的信号衰减所带来的定位误差较大，定位不稳定的问题。

下面介绍一个本发明的具体应用场景：

(1)指纹采集人员通过手中的智能手机从环境中获取大量WiFi和iBeacon的信号强度数据，然后使用堆叠自动编码机对其进行训练，并将训练后数据及参数(w和b)放入数据库中；其中所有的WiFi和iBeacon部署的位置都是已知的，具体的步骤如下：

a)通过智能手机获取各个WiFi和iBeacon对应的Mac(物理地址)/UUID(唯一识别码)和RSSI(接收信号的强度指示)数据；

b)将采集到的RSSI数据根据位置和Mac/UUID制成指纹数据库；

c)使用堆叠自动编码机对指纹数据库进行训练，保存训练后的数据以及训练参数(w和b)形成新的数据库；

(2)行人手持智能手机终端实时采集WiFi和iBeacon的RSSI数据，使用标准化对这些数据进行处理；

(3)用数据库中的参数对(2)中处理后的数据进行处理，然后再用这些数据与数据库中的数据进行匹配，获得最终位置估计；具体的步骤如下：

a)用堆叠自动编码机(结构如图3所示)和数据库中的参数对步骤(2)中获取的数据进行处理；

b)使用近邻算法将a)中获得的数据与数据库中数据进行匹配，从而获得最终位置估计；

基于深度学习的融合WiFi和iBeacon的室内定位方法，用于堆叠自动编码机(结构如图3所示)训练的公式如下：

用于输入层和隐藏层及隐藏层与输出层之间计算的激活函数：

用于改变参数以最小化输入和重构的输出之间的平方误差的随机梯度下降函数：

用于对信号强度数据进行标准化的公式如下：

用于匹配的近邻算法的公式如下：

计算在线阶段DATA数据与指纹数据库中第i个采样点data数据的欧氏距离：

其中data_ij表示处理后的指纹数据库中第i个采样点的第j维数据，DATA_j表示在线阶段第j维数据，n表示经堆叠自动编码机处理后数据的维度。

然后将欧式距离按从小到大排序(欧式距离越小，两种数据相似度越高)，欧氏距离最小的采样点坐标即为定位结果。

图1是本发明室内定位系统的框架图

定位系统分为两部分：

(1)离线阶段：先采集环境中RSS数据进行预处理，然后构建指纹数据库，最后使用堆叠自动编码机对指纹数据库进行训练。

(2)在线阶段：先采集环境中RSS数据进行预处理，然后使用离线阶段堆叠自动编码机训练的参数(weight、bias)对数据进行处理，最后使用近邻算法实现位置估计。

实验环境选在江南大学物联网学院的C区，整个区域的大小约为3000平方米(60米×50米)，如图4所示为室内布局图，我们在实验区域内共部署了18个iBeacon(平均每10米1个)，iBeacon设备安装在墙上约1.5米的高度。实验人员在室内环境中从图4中左上点逆时针走到原点，实验区域也是教学办公区域。

图5是实验环境下iBeacon加入定位误差效果图，从图中可以看出在加入iBeacon后定位稳定性有一定的提高。

图6是实验环境下使用NN和KNN时定位误差效果图，由图可知在使用NN时，平均定位误差最小，且定位稳定性最强。

图7是实验中各个定位算法的定位误差效果图，其中方法一为人工神经网络，方法二为近邻算法，方法三为堆叠自动编码机结合softmax回归，方法四为堆叠自动编码机结合近邻算法；从图中可以看出方法一和方法三相较于方法二定位平均误差有显著减小，但是方法一没有使用堆叠自动编码机对信号强度数据进行处理，信号衰减对结果带来了一定的影响。方法四很好的处理了这个问题，平均定位精度达到0.82m。

通过实验分析，本发明能很好的解决信号衰减引起的位置指纹法定位误差较大且稳定性较差的问题。

技术基于Wi-Fi和低功耗蓝牙(BLE)，由于低功耗蓝牙具有信号稳定地特点，使用Wi-Fi和低功耗蓝牙融合能够有效地减少使用纯Wi-Fi时其信号不稳定对定位结果地影响。

算法使用堆叠自动编码机。使用堆叠自动编码机对RSS进行处理，可以有效地从RSS中提取特征信息，减少因环境因素导致的多径效应对定位结果的影响。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。