本發(fā)明涉及無(wú)線局域網(wǎng)
技術(shù)領(lǐng)域：
，尤其涉及一種基于濕度的室外定位方法及服務(wù)器。
背景技術(shù)：
：目前在世界范圍內(nèi)的定位技術(shù)主要有GPS定位、Wi-Fi定位、藍(lán)牙定位等，GPS定位主要應(yīng)用于室外，Wi-Fi、藍(lán)牙定位既可用于室內(nèi)，也可用于室外。由于Wi-Fi定位相對(duì)成熟，下面以Wi-Fi定位技術(shù)為背景來(lái)介紹本發(fā)明的具體內(nèi)容。隨著無(wú)線路由器的普及，目前大部分公共區(qū)域都已經(jīng)實(shí)現(xiàn)十幾個(gè)甚至幾十個(gè)WiFi信號(hào)覆蓋，而且這些路由器在向四周傳播WiFi信號(hào)的同時(shí)，也不停的發(fā)送其物理地址與信號(hào)強(qiáng)度等信息，只要在其信號(hào)覆蓋范圍內(nèi)，即使不知道Wi-Fi的密碼，也同樣能獲得這些信息。通用的WiFi室內(nèi)定位技術(shù)大多是基于IEEE802.11b/g協(xié)議的無(wú)線局域網(wǎng)(WLAN)的信號(hào)強(qiáng)度定位技術(shù)?；谛盘?hào)強(qiáng)度的定位技術(shù)基本原理是根據(jù)接收到的信號(hào)的強(qiáng)度推算信號(hào)接收器與信號(hào)源之間的距離，主要分成兩類(lèi)：三角形強(qiáng)度算法以及位置指紋識(shí)別算法。其中三角形強(qiáng)度算法精度低，難以滿(mǎn)足室內(nèi)定位要求；而普通指紋識(shí)別算法又存在接收設(shè)備不同而使得接收信號(hào)存在誤差的缺陷。技術(shù)實(shí)現(xiàn)要素：為解決上述技術(shù)問(wèn)題，本發(fā)明提供一種基于濕度的室外定位方法及服務(wù)器，通過(guò)采集各個(gè)無(wú)線接入點(diǎn)對(duì)應(yīng)的信號(hào)強(qiáng)度數(shù)據(jù)以及室外環(huán)境數(shù)據(jù)，實(shí)現(xiàn)基于深度神經(jīng)網(wǎng)絡(luò)的WiFi室外定位。本發(fā)明提供的技術(shù)方案如下：本發(fā)明公開(kāi)了一種基于濕度的室外定位方法，所述方法包括步驟：S100、采集檢測(cè)區(qū)域中各個(gè)無(wú)線接入點(diǎn)接收待檢測(cè)客戶(hù)端所發(fā)的信號(hào)的信號(hào)強(qiáng)度數(shù)據(jù)和室外環(huán)境數(shù)據(jù)；所述室外環(huán)境數(shù)據(jù)包括天氣標(biāo)識(shí)和與所述天氣標(biāo)識(shí)對(duì)應(yīng)的濕度數(shù)據(jù)；S200、分別將所述信號(hào)強(qiáng)度數(shù)據(jù)以及所述室外環(huán)境數(shù)據(jù)輸入訓(xùn)練后的定位模型的輸入數(shù)據(jù)層；S300、基于訓(xùn)練后的定位模型的網(wǎng)絡(luò)層計(jì)算所述信號(hào)強(qiáng)度數(shù)據(jù)以及所述室外環(huán)境數(shù)據(jù)，并根據(jù)輸出層的輸出結(jié)果確定待檢測(cè)客戶(hù)端的位置。進(jìn)一步優(yōu)選的，所述室外環(huán)境數(shù)據(jù)包括天氣標(biāo)識(shí)和與所述天氣標(biāo)識(shí)對(duì)應(yīng)的濕度數(shù)據(jù)；所述天氣標(biāo)識(shí)是根據(jù)天氣狀態(tài)確定，所述天氣狀態(tài)包括非雨天狀態(tài)、小雨?duì)顟B(tài)、中雨?duì)顟B(tài)、大雨?duì)顟B(tài)以及暴雨?duì)顟B(tài)；與所述天氣狀態(tài)對(duì)應(yīng)的所述天氣標(biāo)識(shí)包括非雨天標(biāo)識(shí)、小雨標(biāo)識(shí)、中雨標(biāo)識(shí)、大雨標(biāo)識(shí)以及暴雨標(biāo)識(shí)，每個(gè)所述天氣標(biāo)識(shí)對(duì)應(yīng)一個(gè)所述濕度數(shù)據(jù)。進(jìn)一步優(yōu)選的，所述步驟S100之前還包括步驟：S000、預(yù)先訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)，將訓(xùn)練后的深度神經(jīng)網(wǎng)絡(luò)作為所述定位模型。進(jìn)一步優(yōu)選的，所述步驟S000進(jìn)一步包括步驟：S001、預(yù)先設(shè)置訓(xùn)練位置標(biāo)簽；S002、分別采集不同天氣狀態(tài)下各個(gè)無(wú)線接入點(diǎn)接收訓(xùn)練終端在所述訓(xùn)練位置標(biāo)簽在檢測(cè)區(qū)域內(nèi)對(duì)應(yīng)位置上所發(fā)信號(hào)的信號(hào)強(qiáng)度數(shù)據(jù)以及所述濕度數(shù)據(jù)；按照天氣狀態(tài)生成訓(xùn)練樣本數(shù)據(jù)，所述訓(xùn)練樣本數(shù)據(jù)包括同一天氣狀態(tài)下采集的各個(gè)無(wú)線接入點(diǎn)接收訓(xùn)練終端在所述訓(xùn)練位置標(biāo)簽上發(fā)出的信號(hào)的信號(hào)強(qiáng)度數(shù)據(jù)、所述濕度數(shù)據(jù)以及與天氣狀態(tài)對(duì)應(yīng)的天氣標(biāo)識(shí)；S003、根據(jù)所有所述訓(xùn)練位置標(biāo)簽按照天氣狀態(tài)生成的訓(xùn)練樣本數(shù)據(jù)生成訓(xùn)練數(shù)據(jù)集，并送入深度神經(jīng)網(wǎng)絡(luò)中；S004、將深度神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)層定義為三通道數(shù)據(jù)層，所述三通道數(shù)據(jù)層的節(jié)點(diǎn)與各個(gè)無(wú)線接入點(diǎn)相對(duì)應(yīng)，按照三通道數(shù)據(jù)層的節(jié)點(diǎn)與無(wú)線接入點(diǎn)對(duì)應(yīng)的方式分別將每個(gè)所述訓(xùn)練樣本數(shù)據(jù)中每個(gè)與無(wú)線接入點(diǎn)對(duì)應(yīng)的信號(hào)強(qiáng)度數(shù)據(jù)結(jié)合天氣標(biāo)識(shí)以及對(duì)應(yīng)的濕度數(shù)據(jù)輸入對(duì)應(yīng)的節(jié)點(diǎn)的三個(gè)通道，經(jīng)過(guò)所述深度神經(jīng)網(wǎng)絡(luò)輸出與所述訓(xùn)練樣本數(shù)據(jù)中所述訓(xùn)練位置標(biāo)簽相對(duì)應(yīng)的訓(xùn)練結(jié)果；S005、將輸出的訓(xùn)練結(jié)果與其對(duì)應(yīng)的所述訓(xùn)練位置標(biāo)簽進(jìn)行比較，根據(jù)比較結(jié)果對(duì)深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，將訓(xùn)練后的深度神經(jīng)網(wǎng)絡(luò)作為所述定位模型。進(jìn)一步優(yōu)選的，所述步驟S003與所述步驟S004之間還包括步驟：S035、分別對(duì)所有所述訓(xùn)練樣本數(shù)據(jù)中的信號(hào)強(qiáng)度數(shù)據(jù)、天氣標(biāo)識(shí)以及濕度數(shù)據(jù)進(jìn)行歸一化處理；所述步驟S100和所述步驟S200之間還包括步驟：S150、對(duì)采集的各個(gè)無(wú)線接入點(diǎn)接收待檢測(cè)客戶(hù)端所發(fā)的信號(hào)的信號(hào)強(qiáng)度數(shù)據(jù)、室外環(huán)境數(shù)據(jù)進(jìn)行歸一化處理。本發(fā)明還公開(kāi)了一種基于濕度的室外定位服務(wù)器，包括：數(shù)據(jù)采集模塊，用于采集檢測(cè)區(qū)域中各個(gè)無(wú)線接入點(diǎn)接收待檢測(cè)客戶(hù)端所發(fā)的信號(hào)的信號(hào)強(qiáng)度數(shù)據(jù)和室外環(huán)境數(shù)據(jù)；所述室外環(huán)境數(shù)據(jù)包括天氣標(biāo)識(shí)和與所述天氣標(biāo)識(shí)對(duì)應(yīng)的濕度數(shù)據(jù)；定位模塊，用于將采集到的所述信號(hào)強(qiáng)度數(shù)據(jù)以及所述室外環(huán)境數(shù)據(jù)輸入訓(xùn)練后的定位模型的輸入數(shù)據(jù)層，基于定位模型的網(wǎng)絡(luò)層計(jì)算所述信號(hào)強(qiáng)度數(shù)據(jù)以及所述室外環(huán)境數(shù)據(jù)，并根據(jù)輸出層的輸出結(jié)果確定待檢測(cè)客戶(hù)端的位置。進(jìn)一步優(yōu)選的，所述室外環(huán)境數(shù)據(jù)包括天氣標(biāo)識(shí)和與所述天氣標(biāo)識(shí)對(duì)應(yīng)的濕度數(shù)據(jù)；所述天氣標(biāo)識(shí)是根據(jù)天氣狀態(tài)確定，所述天氣狀態(tài)包括非雨天狀態(tài)、小雨?duì)顟B(tài)、中雨?duì)顟B(tài)、大雨?duì)顟B(tài)以及暴雨?duì)顟B(tài)；與所述天氣狀態(tài)對(duì)應(yīng)的所述天氣標(biāo)識(shí)包括非雨天標(biāo)識(shí)、小雨標(biāo)識(shí)、中雨標(biāo)識(shí)、大雨標(biāo)識(shí)以及暴雨標(biāo)識(shí)，每個(gè)所述天氣標(biāo)識(shí)對(duì)應(yīng)一個(gè)所述濕度數(shù)據(jù)。進(jìn)一步優(yōu)選的，還包括：訓(xùn)練模塊，用于預(yù)先訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)，將訓(xùn)練后的深度神經(jīng)網(wǎng)絡(luò)作為所述定位模型。進(jìn)一步優(yōu)選的，所述訓(xùn)練模塊進(jìn)一步包括：標(biāo)簽預(yù)設(shè)子模塊，用于預(yù)先設(shè)置用于訓(xùn)練的訓(xùn)練位置標(biāo)簽；訓(xùn)練數(shù)據(jù)集生成子模塊，用于分別采集不同天氣狀態(tài)下各個(gè)無(wú)線接入點(diǎn)接收訓(xùn)練終端在所述訓(xùn)練位置標(biāo)簽在檢測(cè)區(qū)域內(nèi)對(duì)應(yīng)位置上所發(fā)信號(hào)的信號(hào)強(qiáng)度數(shù)據(jù)以及所述濕度數(shù)據(jù)；按照天氣狀態(tài)生成訓(xùn)練樣本數(shù)據(jù)，所述訓(xùn)練樣本數(shù)據(jù)包括同一天氣狀態(tài)下采集的各個(gè)無(wú)線接入點(diǎn)接收訓(xùn)練終端在所述訓(xùn)練位置標(biāo)簽上發(fā)出的信號(hào)的信號(hào)強(qiáng)度數(shù)據(jù)、所述濕度數(shù)據(jù)以及與天氣狀態(tài)對(duì)應(yīng)的天氣標(biāo)識(shí)；根據(jù)所有所述訓(xùn)練位置標(biāo)簽按照天氣狀態(tài)生成的訓(xùn)練樣本數(shù)據(jù)生成訓(xùn)練數(shù)據(jù)集，并送入深度神經(jīng)網(wǎng)絡(luò)中；輸入數(shù)據(jù)層定義子模塊，用于將深度神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)層定義為三通道數(shù)據(jù)層，所述三通道數(shù)據(jù)層的節(jié)點(diǎn)與各個(gè)無(wú)線接入點(diǎn)相對(duì)應(yīng)；訓(xùn)練預(yù)測(cè)子模塊，用于按照三通道數(shù)據(jù)層的節(jié)點(diǎn)與無(wú)線接入點(diǎn)對(duì)應(yīng)的方式分別將每個(gè)所述訓(xùn)練樣本數(shù)據(jù)中每個(gè)與無(wú)線接入點(diǎn)對(duì)應(yīng)的信號(hào)強(qiáng)度數(shù)據(jù)結(jié)合天氣標(biāo)識(shí)以及對(duì)應(yīng)的濕度數(shù)據(jù)輸入對(duì)應(yīng)的節(jié)點(diǎn)的三個(gè)通道，經(jīng)過(guò)所述深度神經(jīng)網(wǎng)絡(luò)輸出與所述訓(xùn)練樣本數(shù)據(jù)中所述訓(xùn)練位置標(biāo)簽相對(duì)應(yīng)的訓(xùn)練結(jié)果；將輸出的訓(xùn)練結(jié)果與其對(duì)應(yīng)的所述訓(xùn)練位置標(biāo)簽進(jìn)行比較，根據(jù)比較結(jié)果對(duì)深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，將訓(xùn)練后的深度神經(jīng)網(wǎng)絡(luò)作為所述定位模型。進(jìn)一步優(yōu)選的，還包括：數(shù)據(jù)處理模塊，用于分別對(duì)所有所述訓(xùn)練樣本數(shù)據(jù)中的信號(hào)強(qiáng)度數(shù)據(jù)、天氣標(biāo)識(shí)以及濕度數(shù)據(jù)進(jìn)行歸一化處理，以及用于對(duì)對(duì)采集的各個(gè)無(wú)線接入點(diǎn)接收待檢測(cè)客戶(hù)端所發(fā)的信號(hào)的信號(hào)強(qiáng)度數(shù)據(jù)、室外環(huán)境數(shù)據(jù)進(jìn)行歸一化處理。與現(xiàn)有技術(shù)相比，本發(fā)明提供的一種基于濕度的室外定位方法及服務(wù)器，通過(guò)收集待測(cè)客戶(hù)端所在位置的信號(hào)強(qiáng)度數(shù)據(jù)以及包含天氣標(biāo)識(shí)以及濕度的數(shù)據(jù)的室外環(huán)境數(shù)據(jù)，輸入訓(xùn)練好的定位模型，即可確定待測(cè)客戶(hù)端所在位置，將室外環(huán)境數(shù)據(jù)結(jié)合信號(hào)強(qiáng)度數(shù)據(jù)作為深度神經(jīng)網(wǎng)絡(luò)的輸入，提高了不同天氣狀態(tài)下室外定位的精度。附圖說(shuō)明下面將以明確易懂的方式，結(jié)合附圖說(shuō)明優(yōu)選實(shí)施方式，對(duì)本發(fā)明予以進(jìn)一步說(shuō)明。圖1為本發(fā)明一種基于濕度的室外定位方法的主要步驟示意圖；圖2為本發(fā)明一種基于濕度的室外定位方法的訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)的步驟示意圖；圖3為本發(fā)明一種基于濕度的室外定位服務(wù)器的主要組成示意圖；圖4為本發(fā)明一種基于濕度的室外定位服務(wù)器的完整組成示意圖。附圖標(biāo)記：100、數(shù)據(jù)采集模塊，200、定位模塊，300、訓(xùn)練模塊，311、標(biāo)簽預(yù)設(shè)子模塊，312、訓(xùn)練數(shù)據(jù)集生成子模塊，313、輸入數(shù)據(jù)層定義子模塊，314、訓(xùn)練預(yù)測(cè)子模塊，400、數(shù)據(jù)處理模塊。具體實(shí)施方式為了更清楚地說(shuō)明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)照附圖說(shuō)明本發(fā)明的具體實(shí)施方式。顯而易見(jiàn)地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖，并獲得其他的實(shí)施方式。為使圖面簡(jiǎn)潔，各圖中只示意性地表示出了與本發(fā)明相關(guān)的部分，它們并不代表其作為產(chǎn)品的實(shí)際結(jié)構(gòu)。另外，以使圖面簡(jiǎn)潔便于理解，在有些圖中具有相同結(jié)構(gòu)或功能的部件，僅示意性地繪示了其中的一個(gè)，或僅標(biāo)出了其中的一個(gè)。在本文中，“一個(gè)”不僅表示“僅此一個(gè)”，也可以表示“多于一個(gè)”的情形。圖1為本發(fā)明一種基于濕度的室外定位方法的主要步驟示意圖，如圖1所示，一種基于濕度的室外定位方法，所述方法包括步驟：S100、采集檢測(cè)區(qū)域中各個(gè)無(wú)線接入點(diǎn)接收待檢測(cè)客戶(hù)端所發(fā)的信號(hào)的信號(hào)強(qiáng)度數(shù)據(jù)和室外環(huán)境數(shù)據(jù)；所述室外環(huán)境數(shù)據(jù)包括天氣標(biāo)識(shí)和與所述天氣標(biāo)識(shí)對(duì)應(yīng)的濕度數(shù)據(jù)；S200、分別將所述信號(hào)強(qiáng)度數(shù)據(jù)以及所述室外環(huán)境數(shù)據(jù)輸入訓(xùn)練后的定位模型的輸入數(shù)據(jù)層；S300、基于訓(xùn)練后的定位模型的網(wǎng)絡(luò)層計(jì)算所述信號(hào)強(qiáng)度數(shù)據(jù)以及所述室外環(huán)境數(shù)據(jù)，并根據(jù)輸出層的輸出結(jié)果確定待檢測(cè)客戶(hù)端的位置。具體的，上述待檢測(cè)客戶(hù)端(以下簡(jiǎn)稱(chēng)STA)是以智能手機(jī)、筆記本電腦或個(gè)人平板電腦等智能終端設(shè)備為載體。本實(shí)施例中所述室外環(huán)境數(shù)據(jù)具體包括天氣標(biāo)識(shí)和與所述天氣標(biāo)識(shí)對(duì)應(yīng)的濕度數(shù)據(jù)；所述天氣標(biāo)識(shí)是根據(jù)天氣狀態(tài)確定，所述天氣狀態(tài)包括非雨天狀態(tài)、小雨?duì)顟B(tài)、中雨?duì)顟B(tài)、大雨?duì)顟B(tài)以及暴雨?duì)顟B(tài)；與所述天氣狀態(tài)對(duì)應(yīng)的所述天氣標(biāo)識(shí)包括非雨天標(biāo)識(shí)、小雨標(biāo)識(shí)、中雨標(biāo)識(shí)、大雨標(biāo)識(shí)以及暴雨標(biāo)識(shí)，每個(gè)所述天氣標(biāo)識(shí)對(duì)應(yīng)一個(gè)所述濕度數(shù)據(jù)。其中，各個(gè)無(wú)線接入點(diǎn)接收待檢測(cè)客戶(hù)端所發(fā)的信號(hào)的信號(hào)強(qiáng)度數(shù)據(jù)通過(guò)以下方式獲?。篠TA在檢測(cè)區(qū)域中實(shí)時(shí)發(fā)送探測(cè)幀，無(wú)線接入點(diǎn)收到后獲取所述探測(cè)幀的信號(hào)強(qiáng)度，各個(gè)無(wú)線接入點(diǎn)上報(bào)信號(hào)強(qiáng)度至本地服務(wù)器或云服務(wù)器，服務(wù)器根據(jù)各個(gè)無(wú)線接入點(diǎn)上報(bào)的RSSI信號(hào)強(qiáng)度生成信號(hào)強(qiáng)度數(shù)據(jù)。例如，信號(hào)強(qiáng)度數(shù)據(jù)的格式為<RSSI1，RSSI2，RSSI3，RSSI4，RSSI5>，其中RSSI1為AP1收到的STA的RSSI，RSSI2為AP2收到的STA的RSSI，以此類(lèi)推。下面介紹本發(fā)明中采集的待檢測(cè)客戶(hù)端的信號(hào)強(qiáng)度數(shù)據(jù)以及室外環(huán)境數(shù)據(jù)。假設(shè)現(xiàn)在有室外AP1，AP2，AP3。三個(gè)與AP對(duì)應(yīng)的信號(hào)強(qiáng)度數(shù)據(jù)，以RSSI表示，再增加兩個(gè)輸入：1.濕度數(shù)據(jù)輸入2.天氣標(biāo)識(shí)輸入。其中濕度數(shù)據(jù)輸入為數(shù)據(jù)采集時(shí)的實(shí)際濕度數(shù)據(jù)。天氣標(biāo)識(shí)輸入是根據(jù)當(dāng)前天氣狀態(tài)輸入，天氣狀態(tài)對(duì)應(yīng)的天氣標(biāo)識(shí)為：非雨天(值為0)，小雨(1)，中雨(2)，大雨(3)，暴雨(4)。假設(shè)有同一個(gè)待檢測(cè)客戶(hù)端在同一位置不同天氣狀態(tài)下采集數(shù)據(jù)，STA1表示為晴天采集，STA2表示為中雨時(shí)采集，則舉例如下：表一AP1AP2AP3濕度天氣STA1-32dBm-52dBm-60dBm45％0STA2-20dBm-30dBm-40dBm80％2如表一所示，在同一位置不同天氣狀態(tài)下采集數(shù)據(jù)，顯然信號(hào)強(qiáng)度數(shù)據(jù)存在差異。本發(fā)明在進(jìn)行室外定位時(shí)采集的數(shù)據(jù)的格式即為上述表一中STA1所示?，F(xiàn)有基于WiFi的室外定位，一般通過(guò)AP獲取STA的信號(hào)強(qiáng)度數(shù)據(jù)來(lái)作為定位輸入數(shù)據(jù)，但通常有一個(gè)因素不被考慮在內(nèi)：空氣的濕度和下雨情況。在非下雨時(shí)，濕度對(duì)無(wú)線電波的傳輸有影響，在下雨時(shí)，則由于雨滴是液體，對(duì)無(wú)線電波的傳輸影響比濕度的影響要大的多。因此，在室外環(huán)境中進(jìn)行定位時(shí)，不同的天氣狀態(tài)下STA接收的信號(hào)強(qiáng)度數(shù)據(jù)差異較大，本發(fā)明將室外環(huán)境數(shù)據(jù)考慮進(jìn)去，將天氣狀態(tài)以及對(duì)應(yīng)的濕度數(shù)據(jù)結(jié)合信號(hào)強(qiáng)度數(shù)據(jù)作為輸入定位模型的原始數(shù)據(jù)，從而進(jìn)一步增加WIFI室外定位的定位精度，提高定位準(zhǔn)確率。優(yōu)選的，所述步驟S100之前還包括步驟：S000、預(yù)先訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)，將訓(xùn)練后的深度神經(jīng)網(wǎng)絡(luò)作為所述定位模型。具體的，本發(fā)明中根據(jù)定位得到的輸出結(jié)果不同，可以包含兩種具體實(shí)現(xiàn)方式，方式一是通過(guò)深度神經(jīng)網(wǎng)絡(luò)作為定位模型輸出待檢測(cè)客戶(hù)端所在位置所屬某個(gè)預(yù)先設(shè)置的分類(lèi)的概率值，方式二是通過(guò)深度神經(jīng)網(wǎng)絡(luò)作為定位模型直接輸出待檢測(cè)客戶(hù)端所在位置的預(yù)設(shè)位置坐標(biāo)。本發(fā)明對(duì)具體訓(xùn)練方式不作限定。本發(fā)明采用有監(jiān)督的全局參數(shù)訓(xùn)練的方法：已知接收到的信號(hào)強(qiáng)度數(shù)據(jù)和室外環(huán)境數(shù)據(jù)的實(shí)際位置，通過(guò)不斷調(diào)整網(wǎng)絡(luò)參數(shù)使得深度神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)層的輸出和真實(shí)的結(jié)果相同。圖2為本發(fā)明一種基于濕度的室外定位方法的訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)的步驟示意圖。優(yōu)選的，如圖2所示，所述步驟S000進(jìn)一步包括步驟：S001、預(yù)先設(shè)置訓(xùn)練位置標(biāo)簽；S002、分別采集不同天氣狀態(tài)下各個(gè)無(wú)線接入點(diǎn)接收訓(xùn)練終端在所述訓(xùn)練位置標(biāo)簽在檢測(cè)區(qū)域內(nèi)對(duì)應(yīng)位置上所發(fā)信號(hào)的信號(hào)強(qiáng)度數(shù)據(jù)以及所述濕度數(shù)據(jù)；按照天氣狀態(tài)生成訓(xùn)練樣本數(shù)據(jù)，所述訓(xùn)練樣本數(shù)據(jù)包括同一天氣狀態(tài)下采集的各個(gè)無(wú)線接入點(diǎn)接收訓(xùn)練終端在所述訓(xùn)練位置標(biāo)簽上發(fā)出的信號(hào)的信號(hào)強(qiáng)度數(shù)據(jù)、所述濕度數(shù)據(jù)以及與天氣狀態(tài)對(duì)應(yīng)的天氣標(biāo)識(shí)；S003、根據(jù)所有所述訓(xùn)練位置標(biāo)簽按照天氣狀態(tài)生成的訓(xùn)練樣本數(shù)據(jù)生成訓(xùn)練數(shù)據(jù)集，并送入深度神經(jīng)網(wǎng)絡(luò)中；S004、將深度神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)層定義為三通道數(shù)據(jù)層，所述三通道數(shù)據(jù)層的節(jié)點(diǎn)與各個(gè)無(wú)線接入點(diǎn)相對(duì)應(yīng)，按照三通道數(shù)據(jù)層的節(jié)點(diǎn)與無(wú)線接入點(diǎn)對(duì)應(yīng)的方式分別將每個(gè)所述訓(xùn)練樣本數(shù)據(jù)中每個(gè)與無(wú)線接入點(diǎn)對(duì)應(yīng)的信號(hào)強(qiáng)度數(shù)據(jù)結(jié)合天氣標(biāo)識(shí)以及對(duì)應(yīng)的濕度數(shù)據(jù)輸入對(duì)應(yīng)的節(jié)點(diǎn)的三個(gè)通道，經(jīng)過(guò)所述深度神經(jīng)網(wǎng)絡(luò)輸出與所述訓(xùn)練樣本數(shù)據(jù)中所述訓(xùn)練位置標(biāo)簽相對(duì)應(yīng)的訓(xùn)練結(jié)果；S005、將輸出的訓(xùn)練結(jié)果與其對(duì)應(yīng)的所述訓(xùn)練位置標(biāo)簽進(jìn)行比較，根據(jù)比較結(jié)果對(duì)深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，將訓(xùn)練后的深度神經(jīng)網(wǎng)絡(luò)作為所述定位模型。具體的，因?yàn)楸緦?shí)施例中信號(hào)強(qiáng)度數(shù)據(jù)以及室外環(huán)境數(shù)據(jù)為多維數(shù)據(jù)，因此定義用作定位模型的深度神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)層為三通道數(shù)據(jù)層。下面以方式一通過(guò)深度神經(jīng)網(wǎng)絡(luò)作為定位模型輸出待檢測(cè)客戶(hù)端所在位置所屬某個(gè)預(yù)先設(shè)置的分類(lèi)的概率值為例，具體介紹本發(fā)明對(duì)深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練的過(guò)程。1、在訓(xùn)練時(shí)，首先采集各個(gè)無(wú)線接入點(diǎn)接收到訓(xùn)練終端在預(yù)設(shè)訓(xùn)練位置標(biāo)簽在檢測(cè)區(qū)域內(nèi)對(duì)應(yīng)位置上所發(fā)信號(hào)的信號(hào)強(qiáng)度數(shù)據(jù)以及室外環(huán)境數(shù)據(jù)。本實(shí)施例中預(yù)設(shè)訓(xùn)練位置標(biāo)簽為自行定義，具體可通過(guò)網(wǎng)格劃分檢測(cè)區(qū)域，將檢測(cè)區(qū)域劃分為預(yù)設(shè)數(shù)量的網(wǎng)格分類(lèi)，將每個(gè)網(wǎng)格分類(lèi)分配對(duì)應(yīng)的預(yù)設(shè)訓(xùn)練位置標(biāo)簽，也可通過(guò)在檢測(cè)區(qū)域建立平面直角坐標(biāo)系，分別在坐標(biāo)系中設(shè)置對(duì)應(yīng)的位置坐標(biāo)為預(yù)設(shè)訓(xùn)練位置標(biāo)簽。本實(shí)施例中以方式一進(jìn)行舉例，下面以實(shí)際數(shù)據(jù)解釋本發(fā)明中采集的每個(gè)預(yù)設(shè)訓(xùn)練位置標(biāo)簽對(duì)應(yīng)位置的網(wǎng)絡(luò)數(shù)據(jù)。假設(shè)在其中一個(gè)預(yù)設(shè)訓(xùn)練位置標(biāo)簽所在位置在非雨天所采集到的所有原始數(shù)據(jù)如下：<(-32，45％，0)，(-52，45％，0)，(-60，45％，0)，34>代表：RSSI1＝-32dBm，濕度45％，天氣0(非雨天)RSSI2＝-52dBm，濕度45％，天氣0(非雨天)RSSI3＝-60dBm，濕度45％，天氣0(非雨天)label＝34，表示此預(yù)設(shè)訓(xùn)練位置標(biāo)簽的標(biāo)識(shí)為34，代表監(jiān)測(cè)區(qū)域中標(biāo)識(shí)為34的網(wǎng)格所在位置。依次在每個(gè)預(yù)設(shè)訓(xùn)練位置標(biāo)簽上采集不同天氣狀態(tài)下的數(shù)據(jù)，形成訓(xùn)練樣本數(shù)據(jù)。2、依次通過(guò)訓(xùn)練樣本數(shù)據(jù)訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)。由于采集的原始數(shù)據(jù)是三維數(shù)據(jù)，因此，定義用作定位模型的深度神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)層也為三通道數(shù)據(jù)層，三通道數(shù)據(jù)層的節(jié)點(diǎn)與各個(gè)無(wú)線接入點(diǎn)相對(duì)應(yīng)。按照三通道數(shù)據(jù)層的節(jié)點(diǎn)與無(wú)線接入點(diǎn)對(duì)應(yīng)的方式分別將每個(gè)所述訓(xùn)練樣本數(shù)據(jù)中每個(gè)與無(wú)線接入點(diǎn)對(duì)應(yīng)的信號(hào)強(qiáng)度數(shù)據(jù)結(jié)合天氣標(biāo)識(shí)以及對(duì)應(yīng)的濕度數(shù)據(jù)輸入對(duì)應(yīng)的節(jié)點(diǎn)的三個(gè)通道，以上述一個(gè)預(yù)設(shè)訓(xùn)練位置標(biāo)簽所在位置在非雨天所采集到的所有原始數(shù)據(jù)為例，將采集的原始數(shù)據(jù)輸入三通道數(shù)據(jù)層，每個(gè)通道輸入的數(shù)據(jù)如表二所示：表二如表二所示，表二中通道1表示采集的與各個(gè)無(wú)線接入點(diǎn)對(duì)應(yīng)的信號(hào)強(qiáng)度數(shù)據(jù)，單位為DB，通道2表示天氣狀態(tài)下對(duì)應(yīng)的濕度數(shù)據(jù)，采用百分比表示，通道3表示天氣狀態(tài)對(duì)應(yīng)的天氣標(biāo)識(shí)。依次將每個(gè)預(yù)設(shè)訓(xùn)練位置標(biāo)簽對(duì)應(yīng)的訓(xùn)練樣本數(shù)據(jù)送入深度神經(jīng)網(wǎng)絡(luò)的三通道數(shù)據(jù)層的三個(gè)通道，最后輸出訓(xùn)練結(jié)果與訓(xùn)練位置標(biāo)簽的誤差，最后通過(guò)調(diào)整深度神經(jīng)網(wǎng)絡(luò)中的參數(shù)使得整個(gè)網(wǎng)絡(luò)的Loss即誤差最小。需要說(shuō)明的是，整個(gè)深度神經(jīng)網(wǎng)絡(luò)中沒(méi)有標(biāo)明具體參數(shù)，因?yàn)檫@些參數(shù)和具體的空間以及AP的個(gè)數(shù)有關(guān)，不在本專(zhuān)利的范圍內(nèi)。優(yōu)選的，所述步驟S003與所述步驟S004之間還包括步驟：S035、分別對(duì)所有所述訓(xùn)練樣本數(shù)據(jù)中的信號(hào)強(qiáng)度數(shù)據(jù)、天氣標(biāo)識(shí)以及濕度數(shù)據(jù)進(jìn)行歸一化處理；所述步驟S100和所述步驟S200之間還包括步驟：S150、對(duì)采集的各個(gè)無(wú)線接入點(diǎn)接收待檢測(cè)客戶(hù)端所發(fā)的信號(hào)的信號(hào)強(qiáng)度數(shù)據(jù)、室外環(huán)境數(shù)據(jù)進(jìn)行歸一化處理。由于采集的原始數(shù)據(jù)的單位不相同，AP對(duì)應(yīng)為RSSI，濕度為百分比，天氣為枚舉值。所以采集數(shù)據(jù)在輸入深度神經(jīng)網(wǎng)絡(luò)時(shí)，應(yīng)歸一化(具體歸一化方法不作具體限定，可采用現(xiàn)有技術(shù)中所有適合的歸一化處理方法)。由于深度神經(jīng)網(wǎng)絡(luò)在訓(xùn)練時(shí)，同時(shí)兼顧了信號(hào)強(qiáng)度數(shù)據(jù)、濕度數(shù)據(jù)和天氣狀態(tài)，所以訓(xùn)練出的深度神經(jīng)網(wǎng)絡(luò)在進(jìn)行定位預(yù)測(cè)時(shí)會(huì)考慮到濕度和天氣的影響，使得訓(xùn)練更準(zhǔn)確，從而使定位更加準(zhǔn)確。圖3為本發(fā)明一種基于濕度的室外定位服務(wù)器的主要組成示意圖，如圖3所示，一種基于濕度的室外定位服務(wù)器，包括：數(shù)據(jù)采集模塊100，用于采集檢測(cè)區(qū)域中各個(gè)無(wú)線接入點(diǎn)接收待檢測(cè)客戶(hù)端所發(fā)的信號(hào)的信號(hào)強(qiáng)度數(shù)據(jù)和室外環(huán)境數(shù)據(jù)；所述室外環(huán)境數(shù)據(jù)包括天氣標(biāo)識(shí)和與所述天氣標(biāo)識(shí)對(duì)應(yīng)的濕度數(shù)據(jù)；定位模塊200，用于將采集到的所述信號(hào)強(qiáng)度數(shù)據(jù)以及所述室外環(huán)境數(shù)據(jù)輸入訓(xùn)練后的定位模型的輸入數(shù)據(jù)層，基于定位模型的網(wǎng)絡(luò)層計(jì)算所述信號(hào)強(qiáng)度數(shù)據(jù)以及所述室外環(huán)境數(shù)據(jù)，并根據(jù)輸出層的輸出結(jié)果確定待檢測(cè)客戶(hù)端的位置。具體的，上述待檢測(cè)客戶(hù)端(以下簡(jiǎn)稱(chēng)STA)是以智能手機(jī)、筆記本電腦或個(gè)人平板電腦等智能終端設(shè)備為載體。本實(shí)施例中所述室外環(huán)境數(shù)據(jù)具體包括天氣標(biāo)識(shí)和與所述天氣標(biāo)識(shí)對(duì)應(yīng)的濕度數(shù)據(jù)；所述天氣標(biāo)識(shí)是根據(jù)天氣狀態(tài)確定，所述天氣狀態(tài)包括非雨天狀態(tài)、小雨?duì)顟B(tài)、中雨?duì)顟B(tài)、大雨?duì)顟B(tài)以及暴雨?duì)顟B(tài)；與所述天氣狀態(tài)對(duì)應(yīng)的所述天氣標(biāo)識(shí)包括非雨天標(biāo)識(shí)、小雨標(biāo)識(shí)、中雨標(biāo)識(shí)、大雨標(biāo)識(shí)以及暴雨標(biāo)識(shí)，每個(gè)所述天氣標(biāo)識(shí)對(duì)應(yīng)一個(gè)所述濕度數(shù)據(jù)。其中，各個(gè)無(wú)線接入點(diǎn)接收待檢測(cè)客戶(hù)端在檢測(cè)區(qū)域內(nèi)所發(fā)出的信號(hào)的的信號(hào)強(qiáng)度數(shù)據(jù)通過(guò)以下方式獲取：STA在檢測(cè)區(qū)域中實(shí)時(shí)發(fā)送探測(cè)幀，無(wú)線接入點(diǎn)收到后獲取所述探測(cè)幀的信號(hào)強(qiáng)度，各個(gè)無(wú)線接入點(diǎn)上報(bào)信號(hào)強(qiáng)度至本地服務(wù)器或云服務(wù)器，服務(wù)器根據(jù)各個(gè)無(wú)線接入點(diǎn)上報(bào)的RSSI場(chǎng)強(qiáng)報(bào)文生成信號(hào)強(qiáng)度數(shù)據(jù)。例如，信號(hào)強(qiáng)度數(shù)據(jù)的格式為<RSSI1，RSSI2，RSSI3，RSSI4，RSSI5>，其中RSSI1為AP1收到的STA的RSSI，RSSI2為AP2收到的STA的RSSI，以此類(lèi)推?，F(xiàn)有基于WiFi的室外定位，一般通過(guò)AP獲取STA的信號(hào)強(qiáng)度數(shù)據(jù)來(lái)作為定位輸入數(shù)據(jù)，但通常有一個(gè)因素不被考慮在內(nèi)：空氣的濕度和下雨情況。在非下雨時(shí)，濕度對(duì)無(wú)線電波的傳輸有影響，在下雨時(shí)，則由于雨滴是液體，對(duì)無(wú)線電波的傳輸影響比濕度的影響要大的多。因此，在室外環(huán)境中進(jìn)行定位時(shí)，不同的天氣狀態(tài)下STA接收的信號(hào)強(qiáng)度數(shù)據(jù)差異較大，本發(fā)明將室外環(huán)境數(shù)據(jù)考慮進(jìn)去，將天氣狀態(tài)以及對(duì)應(yīng)的濕度數(shù)據(jù)結(jié)合信號(hào)強(qiáng)度數(shù)據(jù)作為輸入定位模型的原始數(shù)據(jù)，從而進(jìn)一步增加WIFI室外定位的定位精度，提高定位準(zhǔn)確率。圖4為本發(fā)明一種基于濕度的室外定位服務(wù)器的完整組成示意圖。如圖4所示，優(yōu)選的，如圖4所示，還包括：訓(xùn)練模塊300，用于預(yù)先訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)，將訓(xùn)練后的深度神經(jīng)網(wǎng)絡(luò)作為所述定位模型。具體的，本發(fā)明中根據(jù)定位得到的輸出結(jié)果不同，可以包含兩種具體實(shí)現(xiàn)方式，方式一是通過(guò)深度神經(jīng)網(wǎng)絡(luò)作為定位模型輸出待檢測(cè)客戶(hù)端所在位置所屬某個(gè)預(yù)先設(shè)置的分類(lèi)的概率值，方式二是通過(guò)深度神經(jīng)網(wǎng)絡(luò)作為定位模型直接輸出待檢測(cè)客戶(hù)端所在位置的預(yù)設(shè)位置坐標(biāo)。本發(fā)明對(duì)具體訓(xùn)練方式不作限定。本發(fā)明采用有監(jiān)督的全局參數(shù)訓(xùn)練的方法：已知與各個(gè)無(wú)線接入點(diǎn)對(duì)應(yīng)的信號(hào)強(qiáng)度數(shù)據(jù)和室外環(huán)境數(shù)據(jù)的實(shí)際位置屬于某個(gè)預(yù)設(shè)訓(xùn)練位置標(biāo)簽，通過(guò)不斷調(diào)整網(wǎng)絡(luò)參數(shù)使得深度神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)層的輸出和真實(shí)的結(jié)果相同。優(yōu)選的，所述訓(xùn)練模塊進(jìn)一步包括：標(biāo)簽預(yù)設(shè)子模塊311，用于預(yù)先設(shè)置用于訓(xùn)練的訓(xùn)練位置標(biāo)簽；訓(xùn)練數(shù)據(jù)集生成子模塊312，用于分別采集不同天氣狀態(tài)下各個(gè)無(wú)線接入點(diǎn)接收訓(xùn)練終端在所述訓(xùn)練位置標(biāo)簽在檢測(cè)區(qū)域內(nèi)對(duì)應(yīng)位置上所發(fā)信號(hào)的信號(hào)強(qiáng)度數(shù)據(jù)以及所述濕度數(shù)據(jù)；按照天氣狀態(tài)生成訓(xùn)練樣本數(shù)據(jù)，所述訓(xùn)練樣本數(shù)據(jù)包括同一天氣狀態(tài)下采集的各個(gè)無(wú)線接入點(diǎn)接收訓(xùn)練終端在所述訓(xùn)練位置標(biāo)簽上發(fā)出的信號(hào)的信號(hào)強(qiáng)度數(shù)據(jù)、所述濕度數(shù)據(jù)以及與天氣狀態(tài)對(duì)應(yīng)的天氣標(biāo)識(shí)；根據(jù)所有所述訓(xùn)練位置標(biāo)簽按照天氣狀態(tài)生成的訓(xùn)練樣本數(shù)據(jù)生成訓(xùn)練數(shù)據(jù)集，并送入深度神經(jīng)網(wǎng)絡(luò)中；輸入數(shù)據(jù)層定義子模塊313，用于將深度神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)層定義為三通道數(shù)據(jù)層，所述三通道數(shù)據(jù)層的節(jié)點(diǎn)與各個(gè)無(wú)線接入點(diǎn)相對(duì)應(yīng)；訓(xùn)練預(yù)測(cè)子模塊314，用于按照三通道數(shù)據(jù)層的節(jié)點(diǎn)與無(wú)線接入點(diǎn)對(duì)應(yīng)的方式分別將每個(gè)所述訓(xùn)練樣本數(shù)據(jù)中每個(gè)與無(wú)線接入點(diǎn)對(duì)應(yīng)的信號(hào)強(qiáng)度數(shù)據(jù)結(jié)合天氣標(biāo)識(shí)以及對(duì)應(yīng)的濕度數(shù)據(jù)輸入對(duì)應(yīng)的節(jié)點(diǎn)的三個(gè)通道，經(jīng)過(guò)所述深度神經(jīng)網(wǎng)絡(luò)輸出與所述訓(xùn)練樣本數(shù)據(jù)中所述訓(xùn)練位置標(biāo)簽相對(duì)應(yīng)的訓(xùn)練結(jié)果；將輸出的訓(xùn)練結(jié)果與其對(duì)應(yīng)的所述訓(xùn)練位置標(biāo)簽進(jìn)行比較，根據(jù)比較結(jié)果對(duì)深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，將訓(xùn)練后的深度神經(jīng)網(wǎng)絡(luò)作為所述定位模型。需要說(shuō)明的是，對(duì)于上述訓(xùn)練模塊300的訓(xùn)練過(guò)程詳見(jiàn)本發(fā)明方法部分對(duì)于訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)的解釋?zhuān)颂幉辉購(gòu)?fù)述。本服務(wù)器中各模塊之間的信息交互、執(zhí)行過(guò)程等內(nèi)容與上述方法實(shí)施例基于同一構(gòu)思，具體內(nèi)容可參見(jiàn)本發(fā)明方法實(shí)施例中的敘述，此處不再贅述。優(yōu)選的，還包括：數(shù)據(jù)處理模塊400，用于分別對(duì)所有所述訓(xùn)練樣本數(shù)據(jù)中的信號(hào)強(qiáng)度數(shù)據(jù)、天氣標(biāo)識(shí)以及濕度數(shù)據(jù)進(jìn)行歸一化處理，以及用于對(duì)采集的各個(gè)無(wú)線接入點(diǎn)接收待檢測(cè)客戶(hù)端所發(fā)的信號(hào)的信號(hào)強(qiáng)度數(shù)據(jù)、室外環(huán)境數(shù)據(jù)進(jìn)行歸一化處理。由于采集的原始數(shù)據(jù)的單位不相同，AP對(duì)應(yīng)為RSSI，濕度為百分比，天氣為枚舉值。所以采集數(shù)據(jù)在輸入深度神經(jīng)網(wǎng)絡(luò)時(shí)，應(yīng)歸一化(具體歸一化方法不作具體限定，可采用現(xiàn)有技術(shù)中所有適合的歸一化處理方法)。由于深度神經(jīng)網(wǎng)絡(luò)在訓(xùn)練時(shí)，同時(shí)兼顧了信號(hào)強(qiáng)度數(shù)據(jù)、濕度數(shù)據(jù)和天氣狀態(tài)，所以訓(xùn)練出的深度神經(jīng)網(wǎng)絡(luò)在進(jìn)行定位預(yù)測(cè)時(shí)會(huì)考慮到濕度和天氣的影響，使得訓(xùn)練更準(zhǔn)確，從而使定位更加準(zhǔn)確。本服務(wù)器中各模塊之間的信息交互、執(zhí)行過(guò)程等內(nèi)容與上述方法實(shí)施例基于同一構(gòu)思，具體內(nèi)容可參見(jiàn)本發(fā)明方法實(shí)施例中的敘述，此處不再贅述。應(yīng)當(dāng)說(shuō)明的是，上述實(shí)施例均可根據(jù)需要自由組合。以上所述僅是本發(fā)明的優(yōu)選實(shí)施方式，應(yīng)當(dāng)指出，對(duì)于本
技術(shù)領(lǐng)域：
的普通技術(shù)人員來(lái)說(shuō)，在不脫離本發(fā)明原理的前提下，還可以做出若干改進(jìn)和潤(rùn)飾，這些改進(jìn)和潤(rùn)飾也應(yīng)視為本發(fā)明的保護(hù)范圍。當(dāng)前第1頁(yè)1 2 3