申请/专利权人：南京邮电大学

申请日：2021-05-21

公开（公告）日：2024-06-25

公开（公告）号：CN113271539B

主分类号：H04W4/02

分类号：H04W4/02;H04W4/021;H04W4/33;G06N3/0464;G06N3/08;G06F18/23213

优先权：

专利状态码：有效-授权

法律状态：2024.06.25#授权;2021.09.03#实质审查的生效;2021.08.17#公开

摘要：本发明公开了一种基于改进的CNN模型的室内目标定位方法，旨在解决现有技术中室内定位易受多径效应和非视距误差影响的技术问题。其包括：利用待定位目标的目标CSI数据与预先生成的定位指纹库进行指纹匹配，获得待定位目标的坐标信息；定位指纹库的生成方法为：利用SDR平台采集室内CSI数据，基于聚类算法将室内CSI数据划分为多个数据子集，并利用数据子集训练改进的CNN模型，获得训练好的改进的CNN模型，最后利用训练好的改进的CNN模型生成定位指纹库。本发明能够解决室内定位数据的噪声干扰问题，最大限度的减少多径效应的影响，提高室内定位的精度。

主权项：1.一种基于改进的CNN模型的室内目标定位方法，其特征在于，包括如下步骤：获取待定位目标的目标CSI数据，并进行数据预处理；利用预处理后的目标CSI数据与预先生成的定位指纹库进行指纹匹配，获得待定位目标的坐标信息；所述定位指纹库的生成方法包括：利用SDR平台采集室内WiFi信号，获得WiFi信号对应的室内CSI数据，并进行数据预处理；基于聚类算法将预处理后的室内CSI数据划分为多个数据子集；利用数据子集训练改进的CNN模型，获得训练好的改进的CNN模型；利用训练好的改进的CNN模型和预处理后的室内CSI数据生成定位指纹库；基于聚类算法将预处理后的室内CSI数据划分为多个数据子集的方法包括：根据地理位置将预处理后的室内CSI数据随机划分为多个数据子集，每个数据子集中包括多个室内CSI数据；基于k-means算法计算每个数据子集的中心，计算公式如下： 其中，μi表示第i个数据子集的中心，Ci表示第i个数据子集，x表示室内CSI数据，i＝1,…,k，k为数据子集的数量；根据数据子集的中心计算所有数据子集的平方误差，计算公式如下： 其中，E表示所有数据子集的平方误差；分别计算预处理后的室内CSI数据与每个数据子集的中心的距离，根据距离重新划分数据子集，直到平方误差最小化，获得最终的数据子集；利用数据子集训练改进的CNN模型，方法包括：对每个数据子集中的每个室内CSI数据进行规范处理： 其中，xp表示规范后的第p个室内CSI数据，varp表示数据子集中的第p个室内CSI数据，mean为求平均值函数，total为分类汇总函数，p＝1,…,n，n为数据子集中室内CSI数据的个数；初始化改进的CNN模型的模型参数，以数据子集为单位将规范后的室内CSI数据输入改进的CNN模型的卷积层，获得卷积处理后的室内CSI数据，并提取卷积处理后的室内CSI数据的特征；对卷积处理后的室内CSI数据的特征进行批量化、最大池化和激活处理，获得卷积处理后的室内CSI数据的映射；利用改进的CNN模型的全连接层对卷积处理后的室内CSI数据的映射进行分类，获得每个数据子集中每个室内CSI数据对应的坐标信息；根据预设的真实坐标标签和改进的CNN模型输出的坐标信息，利用损失函数计算改进的CNN模型的损失值；根据损失值更新改进的CNN模型的模型参数，并利用更新后的改进的CNN模型处理规范后的室内CSI数据，直到损失值收敛，获得训练好的改进的CNN模型；每个数据子集中每个室内CSI数据对应的坐标信息的计算公式如下： 其中，yp表示数据子集中第p个室内CSI数据对应的坐标信息，γ和β分别为改进的CNN模型的模型参数，表示数据子集中第p个标准化处理后的室内CSI数据的特征。

全文数据：

权利要求：

百度查询： 南京邮电大学 一种基于改进的CNN模型的室内目标定位方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD