论文部分内容阅读
Wi Fi无线通信在生活中应用广泛,基于Wi Fi技术的位置指纹定位算法受到研究者们的关注。Wi Fi的RSSI容易受到复杂的室内环境影响,使得RSSI含有大量的噪声且具有较强的时变性。目前研究中位置指纹定位算法是基于浅层结构的机器学习算法,对于室内空间中非线性RSSI数据的特征表达能力不强,难以构造复杂的定位模型。在深度学习的模型中,堆叠式去噪自编码器具有较强的泛化能力,能对原始输入数据进行非线性特征提取与变换,有效地克服数据的噪声干扰,使自动学习得到的数据特征更具有鲁棒性。因此,本文基于深度自编码器对室内定位算法进行研究,本文的工作主要如下:一、搭建了Wi Fi信号收集平台,研究了室内环境因素对RSSI的影响。以采集Wi Fi的RSSI数据进行时间与位置区域等特性的相关实验,在实验中研究了人们在室内活动的时间规律与RSSI时变特性的关系。由实验结果的分析可知,Wi Fi信号在传播过程中受到室内复杂环境因素的干扰,是造成RSSI不稳定的主要原因。并且Wi Fi的RSSI在室内环境中表现出时变性、非线性、相关性和不平稳等特性,使RSSI在室内环境中表现出较强的复杂性和差异性。二、分析了产生高维冗余AP特征的主要原因。针对高维冗余AP特征容易造成指纹数据库的“维数灾难”,以及可能对室内定位研究带来影响的问题,提出了基于特征约简的RFB-SDAE室内定位方法。该方法通过Relief F约简指纹数据库的AP特征,再基于深度自编码器对其进行训练与学习。最后通过对标准数据库的实验表明,相比于没有作约简预处理的定位方法,RFB-SDAE不仅有较好的定位效果,而且还具有更高的运行效率。三、根据对RSSI的特性分析,针对室内定位方法受RSSI时变特性影响较大的问题,提出了一种基于接收信号强度指示时间序列的深度去噪自编码器定位算法TS-SDAE。该方法首先建立具有时间关联性的RSSI指纹数据库,通过堆叠式去噪自编码器构成深度学习网络,然后对含有人员活动规律噪声的RSSI时间序列数据进行预训练和微调,建立具有较好鲁棒性的非线性室内定位模型,最后使用该模型进行定位预测。通过实验可知,TS-SDAE有效地减少RSSI的时变特性对室内定位精度带来的影响,定位准确率优于同样加入时间特性的KNN和DBN方法。经过连续两周时间的实验表明,TS-SDAE在长期区域定位预测中具有更好的鲁棒性、稳定性和定位效果。