基于WiFi指纹的层级学习室内定位模型

作     者：薛敏 孙炜 余洪山 张星 Xue Min;Sun Wei;Yu Hongshan;Zhang Xing

作者机构：湖南大学电气与信息工程学院控制科学与工程系长沙410082 机器人视觉感知与控制技术国家工程实验室长沙410082 电子制造业智能机器人技术湖南省重点实验室长沙410082 

出 版 物：《电子测量与仪器学报》 (Journal of Electronic Measurement and Instrumentation)

年 卷 期：2021年第35卷第4期

页      面：118-126页

核心收录：

学科分类：081203[工学-计算机应用技术] 08[工学] 080401[工学-精密仪器及机械] 081105[工学-导航、制导与控制] 0804[工学-仪器科学与技术] 0835[工学-软件工程] 0825[工学-航空宇航科学与技术] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金(U1813205) 汽车车身先进设计制造国家重点实验室(71765003) 电子制造业智能机器人技术湖南省重点实验室(2017TP1011)项目资助 

主　　题：位置管理 WiFi指纹 室内定位 层级学习模型 

摘      要：随着物联网和信息技术的飞速发展,基于移动位置的服务近年来日益受到关注,同时也促进了室内定位技术的发展。基于WiFi指纹的室内定位技术以其部署广泛、成本低廉等优点受到了学术界的广泛研究。针对移动设备在室内环境中的定位问题,提出了一种层级学习室内定位系统(hierarchical deep learning indoor localization framework,HDLIL)。为获取和学习可靠的指纹特征,采用基于变分自编码(variational autoencoder,VAE)的特征提取模块来表征训练数据的潜在表示。通过构建多层神经网络来分析输入特征与位置输出之间的关系,并在输出层连接Softmax分类器,预测移动设备的位置。在定位阶段,移动设备接收测试数据并发送定位请求,然后通过加载HDLIL估计该测试指纹的位置。最后通过实验对HDLIL的定位性能进行了评估,讨论了不同定位因素对结果的影响,验证了该定位算法的精度及鲁棒性。