本發(fā)明涉及無線局域網(wǎng)技術(shù)領(lǐng)域，尤其涉及一種基于wifi的多房間定位方法及服務(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定位相對成熟，下面以Wi-Fi定位技術(shù)為背景來介紹本發(fā)明的具體內(nèi)容。隨著無線路由器的普及，目前大部分公共區(qū)域都已經(jīng)實(shí)現(xiàn)十幾個甚至幾十個WiFi信號覆蓋，而且這些路由器在向四周傳播WiFi信號的同時，也不停的發(fā)送其物理地址與信號強(qiáng)度等信息，只要在其信號覆蓋范圍內(nèi)，即使不知道Wi-Fi的密碼，也同樣能獲得這些信息?；谛盘枏?qiáng)度的定位技術(shù)基本原理是根據(jù)接收到的信號的強(qiáng)度推算信號接收器與信號源之間的距離，但由于室內(nèi)房間上下有鋼筋混凝土的隔離層，導(dǎo)致上下房間的信號有明顯差異，因此，對于多個房間內(nèi)進(jìn)行定位時采用傳統(tǒng)方法顯然精度不高。

技術(shù)實(shí)現(xiàn)要素：

為解決上述技術(shù)問題，本發(fā)明提供一種基于wifi的多房間定位方法及服務(wù)器，通過采集各個無線接入點(diǎn)對應(yīng)的信號強(qiáng)度數(shù)據(jù)來確定待檢測客戶端所在房間的位置坐標(biāo)，實(shí)現(xiàn)基于深度神經(jīng)網(wǎng)絡(luò)的WiFi定位。

本發(fā)明提供的技術(shù)方案如下：

本發(fā)明公開了一種基于wifi的多房間定位方法，所述方法包括步驟：S100、采集檢測區(qū)域中各個無線接入點(diǎn)接收待檢測客戶端所發(fā)信號的信號強(qiáng)度數(shù)據(jù)；S200、將所述信號強(qiáng)度數(shù)據(jù)輸入第一深度神經(jīng)網(wǎng)絡(luò)，經(jīng)所述第一深度神經(jīng)網(wǎng)絡(luò)計(jì)算得到待檢測客戶端所在位置所屬房間的房間標(biāo)簽；S300、將所述信號強(qiáng)度數(shù)據(jù)輸入與待檢測客戶端所在位置所屬房間的房間標(biāo)簽一一對應(yīng)的第二深度神經(jīng)網(wǎng)絡(luò)；經(jīng)所述第二深度神經(jīng)網(wǎng)絡(luò)計(jì)算得到待檢測客戶端所在位置的預(yù)測位置坐標(biāo)。

進(jìn)一步優(yōu)選的，所述步驟S100之前還包括步驟：S010、預(yù)先訓(xùn)練分類型深度神經(jīng)網(wǎng)絡(luò)，將訓(xùn)練后的所述分類型深度神經(jīng)網(wǎng)絡(luò)作為所述第一深度神經(jīng)網(wǎng)絡(luò)；S020、預(yù)先訓(xùn)練多個分別與房間標(biāo)簽對應(yīng)的擬合型深度神經(jīng)網(wǎng)絡(luò)，將訓(xùn)練后的所述擬合型深度神經(jīng)網(wǎng)絡(luò)中的一個作為所述第二深度神經(jīng)網(wǎng)絡(luò)。

進(jìn)一步優(yōu)選的，所述步驟S010訓(xùn)練所述第一深度神經(jīng)網(wǎng)絡(luò)進(jìn)一步包括步驟：S011、對檢測區(qū)域內(nèi)的多個房間進(jìn)行分類，為每個房間分配對應(yīng)的房間標(biāo)簽；S012、分別采集每個房間內(nèi)各個無線接入點(diǎn)接收預(yù)設(shè)訓(xùn)練位置上訓(xùn)練終端所發(fā)的信號的信號強(qiáng)度數(shù)據(jù)，并結(jié)合對應(yīng)的房間標(biāo)簽形成每個房間的訓(xùn)練數(shù)據(jù)樣本，將所有房間的訓(xùn)練數(shù)據(jù)樣本生成第一訓(xùn)練數(shù)據(jù)集輸入分類型深度神經(jīng)網(wǎng)絡(luò)；S013、依次將每個房間的訓(xùn)練樣本數(shù)據(jù)輸入所述分類型深度神經(jīng)網(wǎng)絡(luò)，經(jīng)過所述深度神經(jīng)網(wǎng)絡(luò)輸出相對應(yīng)的訓(xùn)練結(jié)果；S014、依次將輸出的訓(xùn)練結(jié)果與其對應(yīng)的所述預(yù)設(shè)訓(xùn)練位置所屬房間的房間標(biāo)簽進(jìn)行比較，根據(jù)比較結(jié)果對分類型深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，將訓(xùn)練后的分類型深度神經(jīng)網(wǎng)絡(luò)作為所述第一深度神經(jīng)網(wǎng)絡(luò)；所述步驟S020中訓(xùn)練所述第二深度神經(jīng)網(wǎng)絡(luò)進(jìn)一步包括步驟：S021、分別為每個房間建立一個與房間標(biāo)簽一一對應(yīng)的擬合型深度神經(jīng)網(wǎng)絡(luò)；S022、在每個房間分別建立平面直角坐標(biāo)系，在所述平面直角坐標(biāo)系中標(biāo)出用于訓(xùn)練的訓(xùn)練位置坐標(biāo)；S023、分別將每個房間中的訓(xùn)練位置坐標(biāo)以及各個無線接入點(diǎn)接收訓(xùn)練終端在每個訓(xùn)練位置坐標(biāo)對應(yīng)的位置上所發(fā)的信號的信號強(qiáng)度數(shù)據(jù)作為一組訓(xùn)練樣本數(shù)據(jù)，生成每個房間的第二訓(xùn)練數(shù)據(jù)集，并送入與每個房間的房間標(biāo)簽相對應(yīng)的擬合類深度神經(jīng)網(wǎng)絡(luò)中；S024、依次將每個房間的每一組訓(xùn)練樣本數(shù)據(jù)中的信號強(qiáng)度數(shù)據(jù)輸入與房間標(biāo)簽對應(yīng)的所述擬合型深度神經(jīng)網(wǎng)絡(luò)，經(jīng)過所述擬合型深度神經(jīng)網(wǎng)絡(luò)輸出相對應(yīng)的訓(xùn)練結(jié)果；S025、依次將輸出的訓(xùn)練結(jié)果與其對應(yīng)的訓(xùn)練位置坐標(biāo)進(jìn)行比較，根據(jù)比較結(jié)果對擬合型深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，將訓(xùn)練后的擬合型深度神經(jīng)網(wǎng)絡(luò)作為所述第二深度神經(jīng)網(wǎng)絡(luò)。

進(jìn)一步優(yōu)選的，所述步驟S025進(jìn)一步包括步驟：按照下述公式分別將輸出的訓(xùn)練結(jié)果與其對應(yīng)的訓(xùn)練位置坐標(biāo)進(jìn)行比較：

其中，σ表示輸出的訓(xùn)練結(jié)果與其對應(yīng)的預(yù)設(shè)訓(xùn)練位置坐標(biāo)的誤差；(X₁,Y₁)表示每次訓(xùn)練輸出的訓(xùn)練結(jié)果；(X₂,Y₂)表示對應(yīng)的訓(xùn)練位置坐標(biāo)；根據(jù)訓(xùn)練數(shù)據(jù)集中的每一組訓(xùn)練樣本數(shù)據(jù)對所述擬合型深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，使得每次訓(xùn)練輸出的訓(xùn)練結(jié)果與所述訓(xùn)練位置坐標(biāo)進(jìn)行比較后的誤差σ收斂于預(yù)設(shè)范圍內(nèi)。

本發(fā)明還公開一種基于wifi的多房間定位服務(wù)器，包括：數(shù)據(jù)采集模塊，用于采集檢測區(qū)域中各個無線接入點(diǎn)接收待檢測客戶端所發(fā)信號的信號強(qiáng)度數(shù)據(jù)；分類模塊，用于將所述信號強(qiáng)度數(shù)據(jù)輸入第一深度神經(jīng)網(wǎng)絡(luò)，經(jīng)所述第一深度神經(jīng)網(wǎng)絡(luò)計(jì)算得到待檢測客戶端所在位置所屬房間的房間分類；定位模塊，用于將所述信號強(qiáng)度數(shù)據(jù)輸入與待檢測客戶端所在位置所屬房間的房間標(biāo)簽一一對應(yīng)的第二深度神經(jīng)網(wǎng)絡(luò)；經(jīng)所述第二深度神經(jīng)網(wǎng)絡(luò)計(jì)算得到待檢測客戶端所在位置的預(yù)測位置坐標(biāo)。

進(jìn)一步優(yōu)選的，還包括：第一訓(xùn)練模塊，用于預(yù)先訓(xùn)練分類型深度神經(jīng)網(wǎng)絡(luò)，將訓(xùn)練后的所述分類型深度神經(jīng)網(wǎng)絡(luò)作為所述第一深度神經(jīng)網(wǎng)絡(luò)；第二訓(xùn)練模塊，用于預(yù)先訓(xùn)練多個分別與房間標(biāo)簽對應(yīng)的擬合型深度神經(jīng)網(wǎng)絡(luò)，將訓(xùn)練后的所述擬合型深度神經(jīng)網(wǎng)絡(luò)中的一個作為所述第二深度神經(jīng)網(wǎng)絡(luò)。

進(jìn)一步優(yōu)選的，所述第一訓(xùn)練模塊進(jìn)一步包括：房間分類子模塊，用于對檢測區(qū)域內(nèi)的多個房間進(jìn)行分類，為每個房間分配對應(yīng)的房間標(biāo)簽；第一訓(xùn)練數(shù)據(jù)集生成子模塊，用于分別采集每個房間內(nèi)各個無線接入點(diǎn)接收預(yù)設(shè)訓(xùn)練位置上訓(xùn)練終端所發(fā)的信號的信號強(qiáng)度數(shù)據(jù)，并結(jié)合對應(yīng)的房間標(biāo)簽形成每個房間的訓(xùn)練樣本數(shù)據(jù)，將所有房間的訓(xùn)練樣本數(shù)據(jù)生成第一訓(xùn)練數(shù)據(jù)集輸入分類型深度神經(jīng)網(wǎng)絡(luò)；第一訓(xùn)練預(yù)測子模塊，用于依次將每個房間的訓(xùn)練樣本數(shù)據(jù)輸入所述分類型深度神經(jīng)網(wǎng)絡(luò)，經(jīng)過所述深度神經(jīng)網(wǎng)絡(luò)輸出相對應(yīng)的訓(xùn)練結(jié)果，依次將輸出的訓(xùn)練結(jié)果與其對應(yīng)的所述預(yù)設(shè)訓(xùn)練位置所屬房間的房間標(biāo)簽進(jìn)行比較，根據(jù)比較結(jié)果對分類型深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，將訓(xùn)練后的分類型深度神經(jīng)網(wǎng)絡(luò)作為所述第一深度神經(jīng)網(wǎng)絡(luò)；所述第二訓(xùn)練模塊進(jìn)一步包括：網(wǎng)絡(luò)建立子模塊，用于分別為每個房間建立一個與房間標(biāo)簽一一對應(yīng)的擬合型深度神經(jīng)網(wǎng)絡(luò)；坐標(biāo)系建立子模塊，在每個房間分別建立平面直角坐標(biāo)系，在所述平面直角坐標(biāo)系中標(biāo)出用于訓(xùn)練的訓(xùn)練位置坐標(biāo)；第二訓(xùn)練數(shù)據(jù)集生成子模塊，用于分別將每個房間中的訓(xùn)練位置坐標(biāo)以及各個無線接入點(diǎn)接收訓(xùn)練終端在每個訓(xùn)練位置坐標(biāo)對應(yīng)的位置上所發(fā)的信號的信號強(qiáng)度數(shù)據(jù)作為一組訓(xùn)練樣本數(shù)據(jù)，生成每個房間的第二訓(xùn)練數(shù)據(jù)集，并送入與每個房間的房間標(biāo)簽相對應(yīng)的擬合類深度神經(jīng)網(wǎng)絡(luò)中；第二訓(xùn)練預(yù)測子模塊，用于依次將每個房間的每一組訓(xùn)練樣本數(shù)據(jù)中的信號強(qiáng)度數(shù)據(jù)輸入與房間標(biāo)簽對應(yīng)的所述擬合型深度神經(jīng)網(wǎng)絡(luò)，經(jīng)過所述擬合型深度神經(jīng)網(wǎng)絡(luò)輸出相對應(yīng)的訓(xùn)練結(jié)果，依次將輸出的訓(xùn)練結(jié)果與其對應(yīng)的訓(xùn)練位置坐標(biāo)進(jìn)行比較，根據(jù)比較結(jié)果對擬合型深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，將訓(xùn)練后的擬合型深度神經(jīng)網(wǎng)絡(luò)作為所述第二深度神經(jīng)網(wǎng)絡(luò)。

進(jìn)一步優(yōu)選的，所述第二訓(xùn)練預(yù)測子模塊按照下述公式分別將輸出的訓(xùn)練結(jié)果與其對應(yīng)的訓(xùn)練位置坐標(biāo)進(jìn)行比較：

其中，σ表示輸出的訓(xùn)練結(jié)果與其對應(yīng)的訓(xùn)練位置坐標(biāo)的誤差；(X₁,Y₁)表示每次訓(xùn)練輸出的訓(xùn)練結(jié)果；(X₂,Y₂)表示對應(yīng)的訓(xùn)練位置坐標(biāo)；根據(jù)訓(xùn)練數(shù)據(jù)集中的每一組訓(xùn)練樣本數(shù)據(jù)對所述擬合型深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，使得每次訓(xùn)練輸出的訓(xùn)練結(jié)果與所述訓(xùn)練位置坐標(biāo)進(jìn)行比較后的誤差σ收斂于預(yù)設(shè)范圍內(nèi)。

與現(xiàn)有技術(shù)相比，本發(fā)明提供的基于wifi的多房間定位方法及服務(wù)器，通過收集待測客戶端的與各個無線接入點(diǎn)相對應(yīng)的信號強(qiáng)度數(shù)據(jù)輸入訓(xùn)練好的第一深度神經(jīng)網(wǎng)絡(luò)和第二深度神經(jīng)網(wǎng)絡(luò)，即可確定待測客戶端所屬房間及位置，通過利用含有大量訓(xùn)練樣本數(shù)據(jù)的訓(xùn)練數(shù)據(jù)集對深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練，不僅提升定位精度的提升，同時能夠在不影響定位速度的情況下提升定位結(jié)果的準(zhǔn)確性，成功將定位問題融入到大數(shù)據(jù)的背景中，并有效的利用大數(shù)據(jù)的優(yōu)勢來提高實(shí)時定位服務(wù)器的性能。

附圖說明

下面將以明確易懂的方式，結(jié)合附圖說明優(yōu)選實(shí)施方式，對本發(fā)明予以進(jìn)一步說明。

圖1為本發(fā)明一種基于wifi的多房間定位方法的主要步驟示意圖；

圖2為本發(fā)明一種基于wifi的多房間定位方法的第一深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練步驟示意圖；

圖3為本發(fā)明一種基于wifi的多房間定位方法的第二深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練步驟示意圖；

圖4為本發(fā)明一種基于wifi的多房間定位服務(wù)器的主要組成示意圖；

圖5為本發(fā)明一種基于wifi的多房間定位服務(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、分類模塊，300、定位模塊，410、第一訓(xùn)練模塊，411、房間分類子模塊，412、第一訓(xùn)練數(shù)據(jù)集生成子模塊，413、第一訓(xùn)練預(yù)測子模塊，420、第二訓(xùn)練模塊，421、網(wǎng)絡(luò)建立子模塊，422、坐標(biāo)系建立子模塊，423、第二訓(xùn)練數(shù)據(jù)集生成子模塊，424、第二訓(xùn)練預(yù)測子模塊。

具體實(shí)施方式

為了更清楚地說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對照附圖說明本發(fā)明的具體實(shí)施方式。顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，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，或僅標(biāo)出了其中的一個。在本文中，“一個”不僅表示“僅此一個”，也可以表示“多于一個”的情形。

圖1為本發(fā)明一種基于wifi的多房間定位方法的主要步驟示意圖，如圖1所示，一種基于wifi的多房間定位方法，所述方法包括步驟：S100、采集檢測區(qū)域中各個無線接入點(diǎn)接收待檢測客戶端所發(fā)信號的信號強(qiáng)度數(shù)據(jù)；S200、將所述信號強(qiáng)度數(shù)據(jù)輸入第一深度神經(jīng)網(wǎng)絡(luò)，經(jīng)所述第一深度神經(jīng)網(wǎng)絡(luò)計(jì)算得到待檢測客戶端所在位置所屬房間的房間標(biāo)簽；S300、將所述信號強(qiáng)度數(shù)據(jù)輸入與待檢測客戶端所在位置所屬房間的房間標(biāo)簽一一對應(yīng)的第二深度神經(jīng)網(wǎng)絡(luò)；經(jīng)所述第二深度神經(jīng)網(wǎng)絡(luò)計(jì)算得到待檢測客戶端所在位置的預(yù)測位置坐標(biāo)。

具體的，上述待檢測客戶端(以下簡稱STA)是以智能手機(jī)、筆記本電腦或個人平板電腦等智能終端設(shè)備為載體。

STA在檢測區(qū)域中實(shí)時發(fā)送探測幀，無線接入點(diǎn)收到后獲取所述探測幀的信號強(qiáng)度，各個無線接入點(diǎn)上報(bào)信號強(qiáng)度至本地服務(wù)器或云服務(wù)器，服務(wù)器根據(jù)各個無線接入點(diǎn)上報(bào)的RSSI場強(qiáng)報(bào)文生成信號強(qiáng)度數(shù)據(jù)。本發(fā)明通過將各個無線接入點(diǎn)獲得的與各個無線接入點(diǎn)對應(yīng)的信號強(qiáng)度數(shù)據(jù)作為輸入定位模型的原始數(shù)據(jù)，例如，信號強(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，以此類推。

具體的，本發(fā)明中第一深度神經(jīng)網(wǎng)絡(luò)為分類型深度神經(jīng)網(wǎng)絡(luò)，將所述信號強(qiáng)度數(shù)據(jù)輸入第一深度神經(jīng)網(wǎng)絡(luò)，經(jīng)計(jì)算后輸出房間標(biāo)簽的概率值，選取概率值最大的房間標(biāo)簽確定當(dāng)前待檢測客戶端所在位置所屬房間。本發(fā)明中第二深度神經(jīng)網(wǎng)絡(luò)為擬合型深度神經(jīng)網(wǎng)絡(luò)，將所述信號強(qiáng)度數(shù)據(jù)輸入第二深度神經(jīng)網(wǎng)絡(luò)，經(jīng)計(jì)算后輸出待檢測客戶端的預(yù)測位置坐標(biāo)。

優(yōu)選的，所述步驟S100之前還包括步驟：S010、預(yù)先訓(xùn)練分類型深度神經(jīng)網(wǎng)絡(luò)，將訓(xùn)練后的所述分類型深度神經(jīng)網(wǎng)絡(luò)作為所述第一深度神經(jīng)網(wǎng)絡(luò)；S020、預(yù)先訓(xùn)練多個分別與房間標(biāo)簽對應(yīng)的擬合型深度神經(jīng)網(wǎng)絡(luò)，將訓(xùn)練后的所述擬合型深度神經(jīng)網(wǎng)絡(luò)中的一個作為所述第二深度神經(jīng)網(wǎng)絡(luò)。

本發(fā)明中對分類型深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，其中分類型深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練網(wǎng)絡(luò)的結(jié)構(gòu)如下：

數(shù)據(jù)層->卷積層1->卷積層2->ReLU層->Max Pooling層->全連接層1->全連接層2->SoftMaxLoss層

當(dāng)網(wǎng)絡(luò)參數(shù)訓(xùn)練完成之后，將分類型深度神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù)更新為訓(xùn)練后的網(wǎng)絡(luò)參數(shù)，同時將訓(xùn)練網(wǎng)絡(luò)最后一層SoftMaxLoss層更為SoftMax層，形成實(shí)施網(wǎng)絡(luò)，用于作為定位模型參與實(shí)際定位過程。其中SoftMaxLoss層用于深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練時輸出訓(xùn)練的輸出結(jié)果與實(shí)際的訓(xùn)練位置標(biāo)簽的誤差，而SoftMax層用于在實(shí)施網(wǎng)絡(luò)在定位時，輸出待檢測客戶端所在位置所屬房間標(biāo)簽的概率值。

訓(xùn)練網(wǎng)絡(luò)和實(shí)施網(wǎng)絡(luò)除了最后一層不一樣，其他層都一樣，訓(xùn)練網(wǎng)絡(luò)所得到的網(wǎng)絡(luò)參數(shù)可以直接用在實(shí)施網(wǎng)絡(luò)中。

本發(fā)明中對擬合型深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，其中擬合型深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練網(wǎng)絡(luò)的結(jié)構(gòu)如下：

數(shù)據(jù)層->全連接層1->ReLU層->全連接層2->Euclidean Loss層

當(dāng)網(wǎng)絡(luò)參數(shù)訓(xùn)練完成之后，將擬合型深度神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù)更新為訓(xùn)練后的網(wǎng)絡(luò)參數(shù)，同時將訓(xùn)練網(wǎng)絡(luò)最后一層Euclidean Loss層去除，形成實(shí)施網(wǎng)絡(luò)，用于作為定位模型參與實(shí)際定位過程。其中Euclidean Loss層用于深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練時輸出訓(xùn)練的輸出結(jié)果與實(shí)際的訓(xùn)練位置標(biāo)簽的誤差，而實(shí)施網(wǎng)絡(luò)在定位時，直接在網(wǎng)絡(luò)層輸出待檢測客戶端所在位置的預(yù)測位置坐標(biāo)。

訓(xùn)練網(wǎng)絡(luò)和實(shí)施網(wǎng)絡(luò)除了最后一層不一樣(訓(xùn)練網(wǎng)絡(luò)為Euclidean Loss層，實(shí)施網(wǎng)絡(luò)去除Euclidean Loss層)，其他層都一樣，訓(xùn)練網(wǎng)絡(luò)所得到的網(wǎng)絡(luò)參數(shù)可以直接用在實(shí)施網(wǎng)絡(luò)中。

圖2為本發(fā)明一種基于wifi的多房間定位方法的第一深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練步驟示意圖。優(yōu)選的，如圖2所示，所述步驟S010訓(xùn)練所述第一深度神經(jīng)網(wǎng)絡(luò)進(jìn)一步包括步驟：S011、對檢測區(qū)域內(nèi)的多個房間進(jìn)行分類，為每個房間分配對應(yīng)的房間標(biāo)簽；S012、分別采集每個房間內(nèi)各個無線接入點(diǎn)接收預(yù)設(shè)訓(xùn)練位置上訓(xùn)練終端所發(fā)的信號的信號強(qiáng)度數(shù)據(jù)，并結(jié)合對應(yīng)的房間標(biāo)簽形成每個房間的訓(xùn)練數(shù)據(jù)樣本，將所有房間的訓(xùn)練數(shù)據(jù)樣本生成第一訓(xùn)練數(shù)據(jù)集輸入分類型深度神經(jīng)網(wǎng)絡(luò)；S013、依次將每個房間的訓(xùn)練樣本數(shù)據(jù)輸入所述分類型深度神經(jīng)網(wǎng)絡(luò)，經(jīng)過所述深度神經(jīng)網(wǎng)絡(luò)輸出相對應(yīng)的訓(xùn)練結(jié)果；S014、依次將輸出的訓(xùn)練結(jié)果與其對應(yīng)的所述預(yù)設(shè)訓(xùn)練位置所屬房間的房間標(biāo)簽進(jìn)行比較，根據(jù)比較結(jié)果對分類型深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，將訓(xùn)練后的分類型深度神經(jīng)網(wǎng)絡(luò)作為所述第一深度神經(jīng)網(wǎng)絡(luò)。

下面以具體實(shí)例介紹本發(fā)明對第一深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練的過程。

1、首先是對檢測區(qū)域內(nèi)的房間進(jìn)行分類。

對檢測區(qū)域內(nèi)的房間進(jìn)行分類，依次為每個房間分配房間標(biāo)簽，比如某辦公區(qū)域一共有6個房間，因此定義6類，并為每個房間分配一個對應(yīng)的房間標(biāo)簽。

2、訓(xùn)練樣本數(shù)據(jù)采集

采集每個房間內(nèi)各個無線接入點(diǎn)接收預(yù)設(shè)訓(xùn)練位置上訓(xùn)練終端所發(fā)的信號的信號強(qiáng)度數(shù)據(jù)，本發(fā)明中每個房間的預(yù)設(shè)訓(xùn)練位置是用戶自行定義，應(yīng)用于實(shí)際定位時可根據(jù)WIFI精度進(jìn)行設(shè)置，預(yù)設(shè)訓(xùn)練位置可以是多個。在上述6個房間中房間標(biāo)簽為1的房間中的預(yù)設(shè)訓(xùn)練位置上通過訓(xùn)練終端發(fā)出探測幀，無線接入點(diǎn)收到后獲取所述探測幀的信號強(qiáng)度，各個無線接入點(diǎn)上報(bào)信號強(qiáng)度至本地服務(wù)器或云服務(wù)器。通過本地或云服務(wù)器采集各個AP的RSSI場強(qiáng)報(bào)文獲得與各個AP對應(yīng)的信號強(qiáng)度數(shù)據(jù)，同時，將房間標(biāo)簽為1的房間內(nèi)的預(yù)設(shè)訓(xùn)練位置結(jié)合信號強(qiáng)度數(shù)據(jù)生成一組訓(xùn)練樣本數(shù)據(jù)，假設(shè)檢測區(qū)域中有4個AP，則一組訓(xùn)練樣本數(shù)據(jù)表示為：(RSSI1，RSSI2，RSSI3，RSSI4，1)，以實(shí)例表示為<-30，-12，-14，-67，1>，其中，前四個數(shù)值的單位可以為dBm，最后一個數(shù)值可以無量綱。該訓(xùn)練樣本數(shù)據(jù)可以表示編號為1的接入點(diǎn)對應(yīng)的RSSI為-30dBm，編號為2的接入點(diǎn)對應(yīng)的RSSI為-12dBm，編號為3的接入點(diǎn)對應(yīng)的RSSI為-14dBm，編號為4的接入點(diǎn)對應(yīng)的RSSI為-67dBm，該STA位于房間標(biāo)簽為1的房間中。

3、將訓(xùn)練樣本數(shù)據(jù)中的信號強(qiáng)度數(shù)據(jù)輸入第一深度神經(jīng)網(wǎng)絡(luò)進(jìn)行計(jì)算，最后輸出訓(xùn)練結(jié)果與訓(xùn)練位置標(biāo)簽的誤差。

將訓(xùn)練樣本數(shù)據(jù)中的RSSI1到RSSI4從輸入數(shù)據(jù)層輸入，在SoftMaxLoss層用label進(jìn)行回歸，通過訓(xùn)練在SoftMaxLoss層輸出Loss。

4、最后通過調(diào)整深度神經(jīng)網(wǎng)絡(luò)中的參數(shù)使得整個網(wǎng)絡(luò)的Loss即誤差最小，將分類型深度神經(jīng)網(wǎng)絡(luò)作為第一深度神經(jīng)網(wǎng)絡(luò)。

需要說明的是，整個深度神經(jīng)網(wǎng)絡(luò)中沒有標(biāo)明具體參數(shù)，因?yàn)檫@些參數(shù)和具體的空間以及AP的個數(shù)有關(guān)，不在本專利的范圍內(nèi)。

圖3為本發(fā)明一種基于wifi的多房間定位方法的第二深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練步驟示意圖。優(yōu)選的，如圖3所示，所述步驟S020中訓(xùn)練所述第二深度神經(jīng)網(wǎng)絡(luò)進(jìn)一步包括步驟：S021、分別為每個房間建立一個與房間標(biāo)簽一一對應(yīng)的擬合型深度神經(jīng)網(wǎng)絡(luò)；S022、在每個房間分別建立平面直角坐標(biāo)系，在所述平面直角坐標(biāo)系中標(biāo)出用于訓(xùn)練的訓(xùn)練位置坐標(biāo)；S023、分別將每個房間中的訓(xùn)練位置坐標(biāo)以及各個無線接入點(diǎn)接收訓(xùn)練終端在每個訓(xùn)練位置坐標(biāo)對應(yīng)的位置上所發(fā)的信號的信號強(qiáng)度數(shù)據(jù)作為一組訓(xùn)練樣本數(shù)據(jù)，生成每個房間的第二訓(xùn)練數(shù)據(jù)集，并送入與每個房間的房間標(biāo)簽相對應(yīng)的擬合類深度神經(jīng)網(wǎng)絡(luò)中；S024、依次將每個房間的每一組訓(xùn)練樣本數(shù)據(jù)中的信號強(qiáng)度數(shù)據(jù)輸入與房間標(biāo)簽對應(yīng)的所述擬合型深度神經(jīng)網(wǎng)絡(luò)，經(jīng)過所述擬合型深度神經(jīng)網(wǎng)絡(luò)輸出相對應(yīng)的訓(xùn)練結(jié)果；S025、依次將輸出的訓(xùn)練結(jié)果與其對應(yīng)的訓(xùn)練位置坐標(biāo)進(jìn)行比較，根據(jù)比較結(jié)果對擬合型深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，將訓(xùn)練后的擬合型深度神經(jīng)網(wǎng)絡(luò)作為所述第二深度神經(jīng)網(wǎng)絡(luò)。

優(yōu)選的，所述步驟S025進(jìn)一步包括步驟：按照下述公式分別將輸出的訓(xùn)練結(jié)果與其對應(yīng)的訓(xùn)練位置坐標(biāo)進(jìn)行比較：

其中，σ表示輸出的訓(xùn)練結(jié)果與其對應(yīng)的預(yù)設(shè)訓(xùn)練位置坐標(biāo)的誤差；(X₁,Y₁)表示每次訓(xùn)練輸出的訓(xùn)練結(jié)果；(X₂,Y₂)表示對應(yīng)的訓(xùn)練位置坐標(biāo)；根據(jù)訓(xùn)練數(shù)據(jù)集中的每一組訓(xùn)練樣本數(shù)據(jù)對所述擬合型深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，使得每次訓(xùn)練輸出的訓(xùn)練結(jié)果與所述訓(xùn)練位置坐標(biāo)進(jìn)行比較后的誤差σ收斂于預(yù)設(shè)范圍內(nèi)。

下面以具體實(shí)例介紹本發(fā)明對第二深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練的過程。

1、首先是對檢測區(qū)域內(nèi)每個房間建立一個與房間的房間標(biāo)簽相對應(yīng)的擬合型深度神經(jīng)網(wǎng)絡(luò)，在每個房間中分別采集訓(xùn)練樣本數(shù)據(jù)。

以對一個房間建立的擬合型深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練為例：在房間內(nèi)建立平面直角坐標(biāo)系，在所述平面直角坐標(biāo)系中標(biāo)出用于訓(xùn)練的訓(xùn)練位置坐標(biāo)，X軸和Y軸的單位長度設(shè)為預(yù)設(shè)值。比如房間內(nèi)部空間為一個長方向，假設(shè)長為M，寬為N，面積為M*N。根據(jù)WIFI的精度特性以3米作為X軸和Y軸的單位長度，確定左下角為原點(diǎn)，則X軸的單位刻度為3米一單位，最大刻度為M/3，Y軸的單位刻度為3米一單位，最大刻度為N/3。依次在建立好坐標(biāo)系的檢測區(qū)域標(biāo)出用于訓(xùn)練的預(yù)設(shè)訓(xùn)練位置坐標(biāo)，比如label＝<1.4，5.3>，表示此位置在該房間內(nèi)的坐標(biāo)為：X＝1.4，Y＝5.3。

在上述房間中訓(xùn)練位置坐標(biāo)對應(yīng)的位置上通過訓(xùn)練終端發(fā)出探測幀，無線接入點(diǎn)收到后獲取所述探測幀的信號強(qiáng)度，各個無線接入點(diǎn)上報(bào)信號強(qiáng)度至本地服務(wù)器或云服務(wù)器。通過本地或云服務(wù)器采集各個AP的RSSI場強(qiáng)報(bào)文獲得與各個AP對應(yīng)的信號強(qiáng)度數(shù)據(jù)，同時，將預(yù)設(shè)訓(xùn)練位置坐標(biāo)結(jié)合信號強(qiáng)度數(shù)據(jù)生成一組訓(xùn)練樣本數(shù)據(jù)，假設(shè)檢測區(qū)域中有4個AP，則一組訓(xùn)練樣本數(shù)據(jù)表示為：(RSSI1，RSSI2，RSSI3，RSSI4，label)，以實(shí)例表示為<-30，-12，-14，-67，1.4，5.3>，其中，前四個數(shù)值的單位可以為dBm，最后一個數(shù)值可以無量綱。該訓(xùn)練樣本數(shù)據(jù)可以表示編號為1的接入點(diǎn)對應(yīng)的RSSI為-30dBm，編號為2的接入點(diǎn)對應(yīng)的RSSI為-12dBm，編號為3的接入點(diǎn)對應(yīng)的RSSI為-14dBm，編號為4的接入點(diǎn)對應(yīng)的RSSI為-67dBm，該STA位于房間中坐標(biāo)為X＝1.4，Y＝5.3的位置。

如上述一個房間訓(xùn)練對應(yīng)的擬合型深度神經(jīng)網(wǎng)絡(luò)為例，依次對每個房間對應(yīng)的擬合型深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到與房間標(biāo)簽對應(yīng)的多個擬合型深度神經(jīng)網(wǎng)絡(luò)。

2、依次將每個房間的每一組訓(xùn)練樣本數(shù)據(jù)中的信號強(qiáng)度數(shù)據(jù)輸入與房間標(biāo)簽對應(yīng)的所述擬合型深度神經(jīng)網(wǎng)絡(luò)，經(jīng)過所述擬合型深度神經(jīng)網(wǎng)絡(luò)輸出相對應(yīng)的訓(xùn)練結(jié)果與訓(xùn)練位置標(biāo)簽的誤差。

將訓(xùn)練樣本數(shù)據(jù)中的RSSI1到RSSI4從數(shù)據(jù)層輸入，在Euclidean Loss層用label進(jìn)行回歸，通過訓(xùn)練在Euclidean Loss層輸出Loss。

3、最后通過調(diào)整深度神經(jīng)網(wǎng)絡(luò)中的參數(shù)使得整個網(wǎng)絡(luò)的Loss即誤差最小，分別將訓(xùn)練后的多個擬合型深度神經(jīng)網(wǎng)絡(luò)作為第二深度神經(jīng)網(wǎng)絡(luò)。

需要說明的是，整個深度神經(jīng)網(wǎng)絡(luò)中沒有標(biāo)明具體參數(shù)，因?yàn)檫@些參數(shù)和具體的空間以及AP的個數(shù)有關(guān)，不在本專利的范圍內(nèi)。

下面以實(shí)例介紹基于第一深度神經(jīng)網(wǎng)絡(luò)和第二深度神經(jīng)網(wǎng)絡(luò)對待檢測客戶端所在位置進(jìn)行預(yù)測，具體如下：

在檢測區(qū)域內(nèi)任意一個位置放置待檢測STA。該STA向外廣播探測請求幀，檢測區(qū)域內(nèi)的各個AP收到后獲取所述探測幀的信號強(qiáng)度，各個無線接入點(diǎn)上報(bào)信號強(qiáng)度至本地服務(wù)器或云服務(wù)器，服務(wù)器根據(jù)所有AP上報(bào)的RSSI獲得與各個AP對應(yīng)的信號強(qiáng)度數(shù)據(jù)，結(jié)合上述實(shí)例可表示為，(RSSI1，RSSI2，RSSI3，RSSI4)。

把各個AP接收到的待預(yù)測STA位置訓(xùn)練終端所發(fā)信號的信號強(qiáng)度數(shù)據(jù)的RSSI1到RSSI4從第一深度神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)層輸入，在SoftMax層輸出6類房間標(biāo)簽的預(yù)測概率。

假設(shè)輸出6類房間標(biāo)簽的概率值從大到小排列為：

Label 1：0.7

Label 2：0.2

Label 3：0.1

Label 4：0.04

Labe l5：0.01

…

…

則選取Label1作為最后的預(yù)測，即預(yù)測此STA在房間標(biāo)簽為1的房間內(nèi)。

接著將信號強(qiáng)度數(shù)據(jù)的RSSI1到RSSI4從第二深度神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)層輸入，在Euclidean層輸出該STA在房間內(nèi)的預(yù)測位置坐標(biāo)。

圖4為本發(fā)明一種基于wifi的多房間定位服務(wù)器的主要組成示意圖，如圖4所示，一種基于wifi的多房間定位服務(wù)器，包括：數(shù)據(jù)采集模塊100，用于采集檢測區(qū)域中各個無線接入點(diǎn)接收待檢測客戶端所發(fā)信號的信號強(qiáng)度數(shù)據(jù)；分類模塊200，用于將所述信號強(qiáng)度數(shù)據(jù)輸入第一深度神經(jīng)網(wǎng)絡(luò)，經(jīng)所述第一深度神經(jīng)網(wǎng)絡(luò)計(jì)算得到待檢測客戶端所在位置所屬房間的房間分類；定位模塊300，用于將所述信號強(qiáng)度數(shù)據(jù)輸入與待檢測客戶端所在位置所屬房間的房間標(biāo)簽一一對應(yīng)的第二深度神經(jīng)網(wǎng)絡(luò)；經(jīng)所述第二深度神經(jīng)網(wǎng)絡(luò)計(jì)算得到待檢測客戶端所在位置的預(yù)測位置坐標(biāo)。

具體的，上述待檢測客戶端(以下簡稱STA)是以智能手機(jī)、筆記本電腦或個人平板電腦等智能終端設(shè)備為載體。

STA在檢測區(qū)域中實(shí)時發(fā)送探測幀，無線接入點(diǎn)收到后獲取所述探測幀的信號強(qiáng)度，各個無線接入點(diǎn)上報(bào)信號強(qiáng)度至本地服務(wù)器或云服務(wù)器，服務(wù)器根據(jù)各個無線接入點(diǎn)上報(bào)的RSSI場強(qiáng)報(bào)文生成信號強(qiáng)度數(shù)據(jù)。本發(fā)明通過將各個無線接入點(diǎn)獲得的與各個無線接入點(diǎn)對應(yīng)的信號強(qiáng)度數(shù)據(jù)作為輸入定位模型的原始數(shù)據(jù)，例如，信號強(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，以此類推。

具體的，本發(fā)明中第一深度神經(jīng)網(wǎng)絡(luò)為分類型深度神經(jīng)網(wǎng)絡(luò)，將所述信號強(qiáng)度數(shù)據(jù)輸入第一深度神經(jīng)網(wǎng)絡(luò)，經(jīng)計(jì)算后輸出房間標(biāo)簽的概率值，選取概率值最大的房間標(biāo)簽確定當(dāng)前待檢測客戶端所在位置所屬房間。本發(fā)明中第二深度神經(jīng)網(wǎng)絡(luò)為擬合型深度神經(jīng)網(wǎng)絡(luò)，將所述信號強(qiáng)度數(shù)據(jù)輸入第二深度神經(jīng)網(wǎng)絡(luò)，經(jīng)計(jì)算后輸出待檢測客戶端的預(yù)測位置坐標(biāo)。

圖5為本發(fā)明一種基于wifi的多房間定位服務(wù)器的完整組成示意圖。優(yōu)選的，還包括：第一訓(xùn)練模塊410，用于預(yù)先訓(xùn)練分類型深度神經(jīng)網(wǎng)絡(luò)，將訓(xùn)練后的所述分類型深度神經(jīng)網(wǎng)絡(luò)作為所述第一深度神經(jīng)網(wǎng)絡(luò)；第二訓(xùn)練模塊420，用于預(yù)先訓(xùn)練多個分別與房間標(biāo)簽對應(yīng)的擬合型深度神經(jīng)網(wǎng)絡(luò)，將訓(xùn)練后的所述擬合型深度神經(jīng)網(wǎng)絡(luò)中的一個作為所述第二深度神經(jīng)網(wǎng)絡(luò)。

本發(fā)明中對分類型深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，其中分類型深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練網(wǎng)絡(luò)的結(jié)構(gòu)如下：

數(shù)據(jù)層->卷積層1->卷積層2->ReLU層->Max Pooling層->全連接層1->全連接層2->SoftMaxLoss層

當(dāng)網(wǎng)絡(luò)參數(shù)訓(xùn)練完成之后，將分類型深度神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù)更新為訓(xùn)練后的網(wǎng)絡(luò)參數(shù)，同時將訓(xùn)練網(wǎng)絡(luò)最后一層SoftMaxLoss層更為SoftMax層，形成實(shí)施網(wǎng)絡(luò)，用于作為定位模型參與實(shí)際定位過程。其中SoftMaxLoss層用于深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練時輸出訓(xùn)練的輸出結(jié)果與實(shí)際的訓(xùn)練位置標(biāo)簽的誤差，而SoftMax層用于在實(shí)施網(wǎng)絡(luò)在定位時，輸出待檢測客戶端所在位置所屬房間標(biāo)簽的概率值。

訓(xùn)練網(wǎng)絡(luò)和實(shí)施網(wǎng)絡(luò)除了最后一層不一樣(訓(xùn)練網(wǎng)絡(luò)為SoftMaxLoss層，實(shí)施網(wǎng)絡(luò)為)，其他層都一樣，訓(xùn)練網(wǎng)絡(luò)所得到的網(wǎng)絡(luò)參數(shù)可以直接用在實(shí)施網(wǎng)絡(luò)中。

本發(fā)明中對擬合型深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，其中擬合型深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練網(wǎng)絡(luò)的結(jié)構(gòu)如下：

數(shù)據(jù)層->全連接層1->ReLU層->全連接層2->Euclidean Loss層

當(dāng)網(wǎng)絡(luò)參數(shù)訓(xùn)練完成之后，將擬合型深度神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù)更新為訓(xùn)練后的網(wǎng)絡(luò)參數(shù)，同時將訓(xùn)練網(wǎng)絡(luò)最后一層Euclidean Loss層去除，形成實(shí)施網(wǎng)絡(luò)，用于作為定位模型參與實(shí)際定位過程。其中Euclidean Loss層用于深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練時輸出訓(xùn)練的輸出結(jié)果與實(shí)際的訓(xùn)練位置標(biāo)簽的誤差，而實(shí)施網(wǎng)絡(luò)在定位時，直接在網(wǎng)絡(luò)層輸出待檢測客戶端所在位置的預(yù)測位置坐標(biāo)。

訓(xùn)練網(wǎng)絡(luò)和實(shí)施網(wǎng)絡(luò)除了最后一層不一樣(訓(xùn)練網(wǎng)絡(luò)為Euclidean Loss層，實(shí)施網(wǎng)絡(luò)去除Euclidean Loss層)，其他層都一樣，訓(xùn)練網(wǎng)絡(luò)所得到的網(wǎng)絡(luò)參數(shù)可以直接用在實(shí)施網(wǎng)絡(luò)中

優(yōu)選的，所述第一訓(xùn)練模塊410進(jìn)一步包括：房間分類子模塊411，用于對檢測區(qū)域內(nèi)的多個房間進(jìn)行分類，為每個房間分配對應(yīng)的房間標(biāo)簽；第一訓(xùn)練數(shù)據(jù)集生成子模塊412，用于分別采集每個房間內(nèi)各個無線接入點(diǎn)接收預(yù)設(shè)訓(xùn)練位置上訓(xùn)練終端所發(fā)的信號的信號強(qiáng)度數(shù)據(jù)，并結(jié)合對應(yīng)的房間標(biāo)簽形成每個房間的訓(xùn)練樣本數(shù)據(jù)，將所有房間的訓(xùn)練樣本數(shù)據(jù)生成第一訓(xùn)練數(shù)據(jù)集輸入分類型深度神經(jīng)網(wǎng)絡(luò)；第一訓(xùn)練預(yù)測子模塊413，用于依次將每個房間的訓(xùn)練樣本數(shù)據(jù)輸入所述分類型深度神經(jīng)網(wǎng)絡(luò)，經(jīng)過所述深度神經(jīng)網(wǎng)絡(luò)輸出相對應(yīng)的訓(xùn)練結(jié)果，依次將輸出的訓(xùn)練結(jié)果與其對應(yīng)的所述預(yù)設(shè)訓(xùn)練位置所屬房間的房間標(biāo)簽進(jìn)行比較，根據(jù)比較結(jié)果對分類型深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，將訓(xùn)練后的分類型深度神經(jīng)網(wǎng)絡(luò)作為所述第一深度神經(jīng)網(wǎng)絡(luò)；所述第二訓(xùn)練模塊420進(jìn)一步包括：網(wǎng)絡(luò)建立子模塊421，用于分別為每個房間建立一個與房間標(biāo)簽一一對應(yīng)的擬合型深度神經(jīng)網(wǎng)絡(luò)；坐標(biāo)系建立子模塊422，在每個房間分別建立平面直角坐標(biāo)系，在所述平面直角坐標(biāo)系中標(biāo)出用于訓(xùn)練的訓(xùn)練位置坐標(biāo)；第二訓(xùn)練數(shù)據(jù)集生成子模塊423，用于分別將每個房間中的訓(xùn)練位置坐標(biāo)以及各個無線接入點(diǎn)接收訓(xùn)練終端在每個訓(xùn)練位置坐標(biāo)對應(yīng)的位置上所發(fā)的信號的信號強(qiáng)度數(shù)據(jù)作為一組訓(xùn)練樣本數(shù)據(jù)，生成每個房間的第二訓(xùn)練數(shù)據(jù)集，并送入與每個房間的房間標(biāo)簽相對應(yīng)的擬合類深度神經(jīng)網(wǎng)絡(luò)中；第二訓(xùn)練預(yù)測子模塊424，用于依次將每個房間的每一組訓(xùn)練樣本數(shù)據(jù)中的信號強(qiáng)度數(shù)據(jù)輸入與房間標(biāo)簽對應(yīng)的所述擬合型深度神經(jīng)網(wǎng)絡(luò)，經(jīng)過所述擬合型深度神經(jīng)網(wǎng)絡(luò)輸出相對應(yīng)的訓(xùn)練結(jié)果，依次將輸出的訓(xùn)練結(jié)果與其對應(yīng)的訓(xùn)練位置坐標(biāo)進(jìn)行比較，根據(jù)比較結(jié)果對擬合型深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，將訓(xùn)練后的擬合型深度神經(jīng)網(wǎng)絡(luò)作為所述第二深度神經(jīng)網(wǎng)絡(luò)。

需要說明的是，對于上述第一訓(xùn)練模塊410以及第二訓(xùn)練模塊420的訓(xùn)練過程詳見本發(fā)明對于方法部分訓(xùn)練分類型深度神經(jīng)網(wǎng)絡(luò)和擬合型深度神經(jīng)網(wǎng)絡(luò)的解釋，此處不再復(fù)述。

優(yōu)選的，所述第二訓(xùn)練預(yù)測模塊420按照下述公式分別將輸出的訓(xùn)練結(jié)果與其對應(yīng)的訓(xùn)練位置坐標(biāo)進(jìn)行比較：

其中，σ表示輸出的訓(xùn)練結(jié)果與其對應(yīng)的訓(xùn)練位置坐標(biāo)的誤差；(X₁,Y₁)表示每次訓(xùn)練輸出的訓(xùn)練結(jié)果；(X₂,Y₂)表示對應(yīng)的訓(xùn)練位置坐標(biāo)；根據(jù)訓(xùn)練數(shù)據(jù)集中的每一組訓(xùn)練樣本數(shù)據(jù)對所述擬合型深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，使得每次訓(xùn)練輸出的訓(xùn)練結(jié)果與所述訓(xùn)練位置坐標(biāo)進(jìn)行比較后的誤差σ收斂于預(yù)設(shè)范圍內(nèi)。

本服務(wù)器中各模塊之間的信息交互、執(zhí)行過程等內(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，對于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明原理的前提下，還可以做出若干改進(jìn)和潤飾，這些改進(jìn)和潤飾也應(yīng)視為本發(fā)明的保護(hù)范圍。