论文部分内容阅读
如今,在现有的基于个人移动设备的室内定位系统中,使用WiFi信号指纹进行室内定位的技术逐渐成为了主要的技术形态和研究课题。这些年来,无线室内定位技术的研究主要集中在两个方向:一是通过数量关系等式严格推导出目标物体坐标的方法,这方法在视距环境等理想化的条件下才适用;二是为了应用在实际的非视距传播环境中,通过深度学习的算法建模,挖掘定位系统模型中潜在的特征进行训练,弱化室内定位的苛刻条件,提高定位精度。总的来说,目前对无线室内定位技术的研究已经越来越受到各界的关注,研制出一套落地可行并且具有通用性的定位系统是十分重要的。本文主要从深度学习角度入手,尝试解决传统通信算法和一般机器学习算法难以解决的困难,通过扩增数据和挖掘数据中的公共特征,进而提高定位的精度。其内容主要分为如下的三个部分。首先,本论文针对通信技术算法中要求视距环境传播等苛刻的条件,引出了基于机器学习算法的室内定位框架。本文先提出了一种直接式的神经网络定位算法,通过神经网络中多参数的训练学习,可以预测出所需定位物体的坐标位置。但是由于此算法在实际操作中不能有很好的效果,定位坐标相差较大。所以,针对上述直接式神经网络的弊端,本文提出了一种基于神经网络层次式的无线室内定位算法。它先定位出具体物体所在的建筑物和楼层,再去确定其物体的具体坐标位置。所提的这种优化算法可以应用在实际的定位场景中,对定位物体的位置偏差减小了许多。接着,本文提出了基于数据增强的定位框架,用于完成上述层次式无线室内定位算法的一个目标定位物体所在的建筑物和楼层。该算法是为了解决一般神经网络的突出弊端:数据量的严重缺少。此框架主要有两个大模块构成:一个是增强器,另一个是训练器。增强器的作用是做数据增强。它又由生成器和判别器构成。生成器和判别器都由多层感知网络构成,而且判别器可以指导生成器来生成大量的数据。至于训练器,作用是根据具体的目标任务进行训练。它又由自编码器和分类器组成。自编码器可以用来对高维数据降维到低维数据,起到压缩数据的效果。分类器则是将压缩后的数据再用多层感知器网络做分类判定任务,最终定位物体所在的建筑物和楼层。最后,针对深度学习训练时间长,标注数据难,优质数据不足等缺点,本文又提出了基于迁移学习的深度定位算法。此算法是对上述基于数据增强的定位框架的优化,通过先前带有标签的数据集,以此训练第一部分模型,然后将模型结构固化,再迁移到新的数据集上。通过实验,基于迁移学习的室内定位算法,可以将以往学习到的经验进行知识的迁移和再学习,而且可以抽取出公共的数据特征,在整体数据集上的泛化性能和通用定位数据集的准确率上会有显著的提高。