亚洲成年人黄色一级片,日本香港三级亚洲三级,黄色成人小视频,国产青草视频,国产一区二区久久精品,91在线免费公开视频,成年轻人网站色直接看

一種基于加強深度神經(jīng)網(wǎng)絡的WiFi定位方法及服務器與流程

文檔序號:12501856閱讀:189來源:國知局
一種基于加強深度神經(jīng)網(wǎng)絡的WiFi定位方法及服務器與流程
本發(fā)明涉及無線局域網(wǎng)
技術領域
,尤其涉及一種基于加強深度神經(jīng)網(wǎng)絡的WiFi定位方法及服務器。
背景技術
:目前在世界范圍內的定位技術主要有GPS定位、Wi-Fi定位、藍牙定位等,GPS定位主要應用于室外,Wi-Fi、藍牙定位既可用于室內,也可用于室外。由于Wi-Fi定位相對成熟,下面以Wi-Fi定位技術為背景來介紹本發(fā)明的具體內容。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度等信息,只要在其信號覆蓋范圍內,即使不知道Wi-Fi的密碼,也同樣能獲得這些信息。通用的WiFi室內定位技術大多是基于IEEE802.11b/g協(xié)議的無線局域網(wǎng)(WLAN)的信號強度定位技術?;谛盘枏姸鹊亩ㄎ患夹g基本原理是根據(jù)接收到的信號的強度推算信號接收器與信號源之間的距離,主要分成兩類:三角形強度算法以及位置指紋識別算法。其中三角形強度算法精度低,難以滿足室內定位要求;而普通指紋識別算法又存在接收設備不同而使得接收信號存在誤差的缺陷。技術實現(xiàn)要素:為解決上述技術問題,本發(fā)明提供一種基于加強深度神經(jīng)網(wǎng)絡的WiFi定位方法及服務器,通過對采集的待檢測客戶端所在位置的網(wǎng)絡數(shù)據(jù)進行1*1卷積計算,實現(xiàn)多維的網(wǎng)絡數(shù)據(jù)更好地融合,提高基于深度神經(jīng)網(wǎng)絡的WiFi定位的精度。本發(fā)明提供的技術方案如下:本發(fā)明公開了一種基于加強深度神經(jīng)網(wǎng)絡的WiFi定位方法,所述方法包括步驟:S100、獲取檢測區(qū)域中各個無線接入點接收到待檢測客戶端發(fā)出的信號的網(wǎng)絡數(shù)據(jù);所述網(wǎng)絡數(shù)據(jù)為多維數(shù)據(jù);S200、將所述網(wǎng)絡數(shù)據(jù)輸入訓練后的定位模型的輸入數(shù)據(jù)層,經(jīng)過定位模型的1*1卷積層計算后進入定位模型的網(wǎng)絡層;S300、基于訓練后的定位模型的網(wǎng)絡層計算待檢測客戶端所在位置的所述網(wǎng)絡數(shù)據(jù),并通過輸出層輸出的輸出結果確定待檢測客戶端的位置。進一步優(yōu)選的,所述網(wǎng)絡數(shù)據(jù)包括各個無線接入點接收到待檢測客戶端在檢測區(qū)域內發(fā)出的信號的信號強度數(shù)據(jù)、信道號以及對應無線接入點的輸入功率。進一步優(yōu)選的,所述步驟S100之前還包括步驟:S000、預先訓練深度神經(jīng)網(wǎng)絡,將訓練后的深度神經(jīng)網(wǎng)絡作為所述定位模型。進一步優(yōu)選的,所述步驟S000進一步包括步驟:S001、預先設置訓練位置標簽;S002、依次采集各個無線接入點接收到訓練終端在每個所述訓練位置標簽在檢測區(qū)域內所發(fā)出的信號的網(wǎng)絡數(shù)據(jù);所述網(wǎng)絡數(shù)據(jù)包括各個無線接入點接收所述訓練位置標簽在檢測區(qū)域對應位置上的訓練終端所發(fā)的信號的信號強度數(shù)據(jù)、信道號以及對應無線接入點的輸入功率;S003、分別將每個所述訓練位置標簽以及其對應的信號強度數(shù)據(jù)、信道號以及對應無線接入點的輸入功率作為一組訓練樣本數(shù)據(jù),生成訓練數(shù)據(jù)集,并送入深度神經(jīng)網(wǎng)絡中;S004、將深度神經(jīng)網(wǎng)絡的輸入數(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)點與各個無線接入點相對應,按照三通道數(shù)據(jù)層的節(jié)點與無線接入點對應的方式分別將每組訓練樣本數(shù)據(jù)中的每個與無線接入點對應的信號強度數(shù)據(jù)結合信道號以及對應無線接入點的輸入功率輸入所述三通道數(shù)據(jù)層對應節(jié)點的三個通道;所述訓練樣本數(shù)據(jù)經(jīng)過1*1卷積層計算后進入所述深度神經(jīng)網(wǎng)絡的網(wǎng)絡層,最后經(jīng)由所述深度神經(jīng)網(wǎng)絡的輸出層輸出與所述訓練位置標簽相對應的訓練結果;S005、依次將輸出的訓練結果與其對應的所述訓練位置標簽進行比較,根據(jù)比較結果對深度神經(jīng)網(wǎng)絡進行訓練,將訓練后的深度神經(jīng)網(wǎng)絡作為所述定位模型。進一步優(yōu)選的,所述步驟S003與所述步驟S004之間還包括步驟:S035、分別對每個所述訓練位置標簽對應的網(wǎng)絡數(shù)據(jù)的信號強度數(shù)據(jù)、信道號以及對應無線接入點的輸入功率進行歸一化處理;所述步驟S100和步驟S200之間還包括步驟:S150、將待檢測客戶端的所述網(wǎng)絡數(shù)據(jù)中的信號強度數(shù)據(jù)、信道號以及對應無線接入點的輸入功率進行歸一化處理。本發(fā)明還公開了一種基于加強深度神經(jīng)網(wǎng)絡的WiFi定位服務器,包括:數(shù)據(jù)采集模塊,用于獲取檢測區(qū)域中各個無線接入點接收到待檢測客戶端發(fā)出的信號的網(wǎng)絡數(shù)據(jù);所述網(wǎng)絡數(shù)據(jù)為多維數(shù)據(jù);所述網(wǎng)絡數(shù)據(jù)包括各個無線接入點接收到待檢測客戶端在檢測區(qū)域內發(fā)出的信號的信號強度數(shù)據(jù)、信道號以及對應無線接入點的輸入功率;定位模塊,用于將采集到的所述網(wǎng)絡數(shù)據(jù)輸入定位模型的多通道數(shù)據(jù)層,經(jīng)過定位模型的1*1卷積層計算后進入定位模型的網(wǎng)絡層,基于定位模型的網(wǎng)絡層計算所述網(wǎng)絡數(shù)據(jù),并通過輸出層的輸出結果確定待檢測客戶端的位置。進一步優(yōu)選的,還包括:訓練模塊,用于預先訓練深度神經(jīng)網(wǎng)絡,將訓練后的深度神經(jīng)網(wǎng)絡作為所述定位模型。進一步優(yōu)選的,所述訓練模塊進一步包括:標簽預設子模塊,用于預先設置用于訓練的訓練位置標簽;訓練數(shù)據(jù)集生成子模塊,用于依次采集各個無線接入點接收到訓練終端在每個所述訓練位置標簽在檢測區(qū)域內所發(fā)出的信號的網(wǎng)絡數(shù)據(jù),分別將每個所述訓練位置標簽以及其對應的網(wǎng)絡數(shù)據(jù)作為一組訓練樣本數(shù)據(jù),生成訓練數(shù)據(jù)集,并送入深度神經(jīng)網(wǎng)絡中;所述網(wǎng)絡數(shù)據(jù)包括各個無線接入點接收所述訓練位置標簽在檢測區(qū)域對應位置上的訓練終端所發(fā)的信號的信號強度數(shù)據(jù)、信道號以及對應無線接入點的輸入功率;輸入數(shù)據(jù)層定義子模塊,用于將深度神經(jīng)網(wǎng)絡的輸入數(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)點與各個無線接入點相對應;卷積層定義子模塊,用于在深度神經(jīng)網(wǎng)絡的輸入數(shù)據(jù)層與網(wǎng)絡層之間定義1*1卷積層;訓練預測子模塊,用于按照三通道數(shù)據(jù)層的節(jié)點與無線接入點對應的方式分別將每組訓練樣本數(shù)據(jù)中的每個與無線接入點對應的信號強度數(shù)據(jù)結合信道號以及對應無線接入點的輸入功率輸入所述三通道數(shù)據(jù)層對應節(jié)點的三個通道,經(jīng)過1*1卷積層計算后進入所述深度神經(jīng)網(wǎng)絡的網(wǎng)絡層,最后經(jīng)由所述深度神經(jīng)網(wǎng)絡的輸出層輸出與所述訓練位置標簽相對應的訓練結果,依次將輸出的訓練結果與其對應的所述訓練位置標簽進行比較,根據(jù)比較結果對深度神經(jīng)網(wǎng)絡進行訓練,將訓練后的深度神經(jīng)網(wǎng)絡作為所述定位模型。進一步優(yōu)選的,還包括:數(shù)據(jù)處理模塊,用于分別對每個所述訓練位置標簽對應的網(wǎng)絡數(shù)據(jù)的信號強度數(shù)據(jù)、信道號以及對應無線接入點的輸入功率進行歸一化處理,以及用于將待檢測客戶端的所述網(wǎng)絡數(shù)據(jù)中的信號強度數(shù)據(jù)、信道號以及對應無線接入點的輸入功率進行歸一化處理。與現(xiàn)有技術相比,本發(fā)明提供的一種基于加強深度神經(jīng)網(wǎng)絡的WiFi定位方法及服務器,通過收集待測客戶端所在位置的網(wǎng)絡數(shù)據(jù),并對采集的待檢測客戶端所在位置的網(wǎng)絡數(shù)據(jù)進行1*1卷積計算,輸入訓練好的定位模型,即可確定待測客戶端所在位置。本發(fā)明對深度神經(jīng)網(wǎng)絡改進,增加1*1卷積層,對多維的網(wǎng)絡數(shù)據(jù)中相關度較高的三種數(shù)據(jù)進行卷積,能夠使數(shù)據(jù)更好地融合,提高WiFi定位的精度。同時,通過利用含有大量訓練樣本數(shù)據(jù)的訓練數(shù)據(jù)集對深度神經(jīng)網(wǎng)絡訓練,采用改進后的深度神經(jīng)網(wǎng)絡作為定位模型,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果的準確性,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)勢來提高實時定位服務器的性能。附圖說明下面將以明確易懂的方式,結合附圖說明優(yōu)選實施方式,對本發(fā)明予以進一步說明。圖1為本發(fā)明一種基于加強深度神經(jīng)網(wǎng)絡的WiFi定位方法的主要步驟示意圖;圖2為本發(fā)明一種基于加強深度神經(jīng)網(wǎng)絡的WiFi定位方法的訓練深度神經(jīng)網(wǎng)絡的步驟示意圖;圖3為本發(fā)明一種基于加強深度神經(jīng)網(wǎng)絡的WiFi定位服務器的主要組成示意圖;圖4為本發(fā)明一種基于加強深度神經(jīng)網(wǎng)絡的WiFi定位服務器的完整組成示意圖。附圖標記:100、數(shù)據(jù)采集模塊,200、定位模塊,300、訓練模塊,311、標簽預設子模塊,312、訓練數(shù)據(jù)集生成子模塊,313、輸入數(shù)據(jù)層定義子模塊,314、訓練預測子模塊,315、卷積層定義子模塊,400、數(shù)據(jù)處理模塊。具體實施方式為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術中的技術方案,下面將對照附圖說明本發(fā)明的具體實施方式。顯而易見地,下面描述中的附圖僅僅是本發(fā)明的一些實施例,對于本領域普通技術人員來講,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)明相關的部分,它們并不代表其作為產(chǎn)品的實際結構。另外,以使圖面簡潔便于理解,在有些圖中具有相同結構或功能的部件,僅示意性地繪示了其中的一個,或僅標出了其中的一個。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)明一種基于加強深度神經(jīng)網(wǎng)絡的WiFi定位方法的主要步驟示意圖,如圖1所示,一種基于加強深度神經(jīng)網(wǎng)絡的WiFi定位方法,所述方法包括步驟:S100、獲取檢測區(qū)域中各個無線接入點接收到待檢測客戶端發(fā)出的信號的網(wǎng)絡數(shù)據(jù);所述網(wǎng)絡數(shù)據(jù)為多維數(shù)據(jù);S200、將所述網(wǎng)絡數(shù)據(jù)輸入訓練后的定位模型的輸入數(shù)據(jù)層,經(jīng)過定位模型的1*1卷積層計算后進入定位模型的網(wǎng)絡層;S300、基于訓練后的定位模型的網(wǎng)絡層計算待檢測客戶端所在位置的所述網(wǎng)絡數(shù)據(jù),并通過輸出層輸出的輸出結果確定待檢測客戶端的位置。具體的,上述待檢測客戶端(以下簡稱STA)是以智能手機、筆記本電腦或個人平板電腦等智能終端設備為載體。本實施例中所述網(wǎng)絡數(shù)據(jù)為多維數(shù)據(jù),其中具體包括各個無線接入點接收到待檢測客戶端在檢測區(qū)域內發(fā)出的信號的信號強度數(shù)據(jù)、信道號以及對應無線接入點的輸入功率。因為信道號和頻率點正相關,而頻段和空間衰減相關,信道號越大,在空間傳播時衰減越大,同時AP的輸入功率的采集也會影響進度,因為不同型號的AP輸出功率設計指標可以不一樣,即使相同AP在2.4G頻段和5G頻段的輸出指標也完全可能不一樣,因此本發(fā)明在不同信道不同頻段上采集RSSI,把信道號、AP在頻段上的輸入功率與信號強度數(shù)據(jù)一并采集輸入深度神經(jīng)網(wǎng)絡進行訓練,大大提高定位的準確率。具體的,各個無線接入點接收待檢測客戶端在檢測區(qū)域內所在位置上所發(fā)出的信號的信號強度數(shù)據(jù)通過以下方式獲?。篠TA在檢測區(qū)域中實時發(fā)送探測幀,無線接入點收到后獲取所述探測幀的信號強度,各個無線接入點上報信號強度至本地服務器或云服務器,服務器根據(jù)各個無線接入點上報的RSSI場強報文生成信號強度數(shù)據(jù)。例如,信號強度數(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。以實際數(shù)據(jù)為例,本發(fā)明采集待檢測客戶端的網(wǎng)絡數(shù)據(jù)的格式如下,<(-30,6,20),(-12,11,18),(-14,1,20),(-67,36,18),(-54,149,23)>,其中具體含義如下:RSSI1=-30dBm,信道6,輸出20dBmRSSI2=-12dBm,信道11,輸出18dBmRSSI3=-14dBm,信道1,輸出20dBmRSSI4=-67dBm,信道36,輸出18dBmRSSI5=-54dBm,信道149,輸出23dBm具體的,由于上述網(wǎng)絡數(shù)據(jù)實際上是三維數(shù)據(jù),通過深度神經(jīng)網(wǎng)絡的三通道數(shù)據(jù)層輸入雖然能解決輸入數(shù)據(jù)的精度,但三通道的數(shù)據(jù)是完全不同維度的數(shù)據(jù),并沒有融化。同時,本實施例中網(wǎng)絡數(shù)據(jù)包括信號強度數(shù)據(jù)、信道號以及對應無線接入點的輸入功率,三者具有極大得相關性,因此為了使多維網(wǎng)絡數(shù)據(jù)在輸入數(shù)據(jù)層就產(chǎn)生更好的融合,本發(fā)明在輸入數(shù)據(jù)層和網(wǎng)絡層直接插入一個1x1卷積核的3通道卷積層。原有網(wǎng)絡:三通道數(shù)據(jù)層---->網(wǎng)絡層---->輸出層本發(fā)明網(wǎng)絡:三通道數(shù)據(jù)層---->1x1卷積核的3通道卷積層---->網(wǎng)絡層---->輸出層原有輸入數(shù)據(jù)層的三通道數(shù)據(jù)為:x,y,z1x1卷積核的3通道卷積層輸出數(shù)據(jù)為:X1=w11*x+w12*y+w13*zX2=w21*x+w22*y+w23*zX3=w31*x+w32*y+w33*z這樣1x1卷積核的3通道卷積層每個通道上的數(shù)據(jù)都是原有三通道數(shù)據(jù)層三通道上數(shù)據(jù)的線性組合,更有利于后面深度神經(jīng)網(wǎng)絡的訓練。本發(fā)明通過收集待測客戶端所在位置的網(wǎng)絡數(shù)據(jù),并對采集的待檢測客戶端所在位置的網(wǎng)絡數(shù)據(jù)進行1*1卷積計算,輸入訓練好的定位模型,即可確定待測客戶端所在位置。本發(fā)明對深度神經(jīng)網(wǎng)絡改進,增加1*1卷積層,對多維的網(wǎng)絡數(shù)據(jù)中相關度較高的三種數(shù)據(jù)進行卷積,能夠使數(shù)據(jù)更好地融合,提高WiFi定位的精度。優(yōu)選的,所述步驟S100之前還包括步驟:S000、預先訓練深度神經(jīng)網(wǎng)絡,將訓練后的深度神經(jīng)網(wǎng)絡作為所述定位模型。具體的,本發(fā)明中根據(jù)定位得到的輸出結果不同,可以包含兩種具體實現(xiàn)方式,方式一是通過深度神經(jīng)網(wǎng)絡作為定位模型輸出待檢測客戶端所在位置所屬某個預先設置的分類的概率值,方式二是通過深度神經(jīng)網(wǎng)絡作為定位模型直接輸出待檢測客戶端所在位置的預設位置坐標。本發(fā)明對具體訓練方式不作限定。本發(fā)明采用有監(jiān)督的全局參數(shù)訓練的方法:已知接收到的網(wǎng)絡數(shù)據(jù)的實際位置,通過不斷調整網(wǎng)絡參數(shù)使得深度神經(jīng)網(wǎng)絡的網(wǎng)絡層的輸出和真實的結果相同。圖2為本發(fā)明一種基于加強深度神經(jīng)網(wǎng)絡的WiFi定位方法的一個實施例的步驟示意圖。優(yōu)選的,如圖2所示,所述步驟S000進一步包括步驟:S001、預先設置訓練位置標簽;S002、依次采集各個無線接入點接收到訓練終端在每個所述訓練位置標簽在檢測區(qū)域內所發(fā)出的信號的網(wǎng)絡數(shù)據(jù);所述網(wǎng)絡數(shù)據(jù)包括各個無線接入點接收所述訓練位置標簽在檢測區(qū)域對應位置上的訓練終端所發(fā)的信號的信號強度數(shù)據(jù)、信道號以及對應無線接入點的輸入功率;S003、分別將每個所述訓練位置標簽以及其對應的信號強度數(shù)據(jù)、信道號以及對應無線接入點的輸入功率作為一組訓練樣本數(shù)據(jù),生成訓練數(shù)據(jù)集,并送入深度神經(jīng)網(wǎng)絡中;S004、將深度神經(jīng)網(wǎng)絡的輸入數(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)點與各個無線接入點相對應,按照三通道數(shù)據(jù)層的節(jié)點與無線接入點對應的方式分別將每組訓練樣本數(shù)據(jù)中的每個與無線接入點對應的信號強度數(shù)據(jù)結合信道號以及對應無線接入點的輸入功率輸入所述三通道數(shù)據(jù)層對應節(jié)點的三個通道;所述訓練樣本數(shù)據(jù)經(jīng)過1*1卷積層計算后進入所述深度神經(jīng)網(wǎng)絡的網(wǎng)絡層,最后經(jīng)由所述深度神經(jīng)網(wǎng)絡的輸出層輸出與所述訓練位置標簽相對應的訓練結果;S005、依次將輸出的訓練結果與其對應的所述訓練位置標簽進行比較,根據(jù)比較結果對深度神經(jīng)網(wǎng)絡進行訓練,將訓練后的深度神經(jīng)網(wǎng)絡作為所述定位模型。具體的,因為本實施例中網(wǎng)絡數(shù)據(jù)為多維數(shù)據(jù),且具體為信號數(shù)據(jù)強度、信道號以及對應無線接入點的輸入功率,因此定義用作定位模型的深度神經(jīng)網(wǎng)絡的輸入數(shù)據(jù)層也為三通道數(shù)據(jù)層。下面以方式一通過深度神經(jīng)網(wǎng)絡作為定位模型輸出待檢測客戶端所在位置所屬某個預先設置的分類的概率值為例,具體介紹本發(fā)明對深度神經(jīng)網(wǎng)絡訓練的過程。1、在訓練時,首先采集各個無線接入點接收到訓練終端在預設訓練位置標簽在檢測區(qū)域內對應位置上的網(wǎng)絡數(shù)據(jù)。本實施例中預設訓練位置標簽為自行定義,具體可通過網(wǎng)格劃分檢測區(qū)域,將檢測區(qū)域劃分為預設數(shù)量的網(wǎng)格分類,將每個網(wǎng)格分類分配對應的預設訓練位置標簽,也可通過在檢測區(qū)域建立平面直角坐標系,分別在坐標系中設置對應的位置坐標為預設訓練位置標簽。本實施例中以方式一進行舉例,下面以實際數(shù)據(jù)解釋本發(fā)明中采集的每個預設訓練位置標簽對應位置的網(wǎng)絡數(shù)據(jù)。假設在其中一個預設訓練位置標簽所采集到的網(wǎng)絡數(shù)據(jù)如下:<(-30,6,20),(-12,11,18),(-14,1,20),(-67,36,18),(-54,149,23),34>代表:RSSI1=-30dBm,信道6,輸出20dBmRSSI2=-12dBm,信道11,輸出18dBmRSSI3=-14dBm,信道1,輸出20dBmRSSI4=-67dBm,信道36,輸出18dBmRSSI5=-54dBm,信道149,輸出23dBmlabel=34,表示此預設訓練位置標簽的標識為34,代表監(jiān)測區(qū)域中標識為34的網(wǎng)格所在位置。2、依次通過訓練樣本數(shù)據(jù)訓練深度神經(jīng)網(wǎng)絡的輸入數(shù)據(jù)層。采集的原始的網(wǎng)絡數(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)點與各個無線接入點相對應。按照三通道數(shù)據(jù)層的節(jié)點與無線接入點對應的方式分別將每組訓練樣本數(shù)據(jù)中的每個與無線接入點對應的信號強度數(shù)據(jù)結合信道號以及對應無線接入點的輸入功率輸入所述三通道數(shù)據(jù)層對應節(jié)點的三個通道。表一通道1通道2通道3-30620-121118-14120-673618-5414923如表一所示,表一中通道1表示采集的與各個無線接入點對應的信號強度數(shù)據(jù),通道2表示對應的信道號,通道3表示對應各個無線接入點的輸入頻率。依次將每個預設訓練位置標簽對應的訓練樣本數(shù)據(jù)送入深度神經(jīng)網(wǎng)絡的三通道數(shù)據(jù)層的三個通道。3、1*1卷積計算本發(fā)明中在三通道數(shù)據(jù)層和網(wǎng)絡層之間還增加一個1*1卷積核的三通道卷積層,從三通道數(shù)據(jù)層輸入的每個與無線接入點對應的信號強度數(shù)據(jù)結合信道號以及對應無線接入點的輸入功率進行1*1卷積計算,計算后輸入網(wǎng)絡層;4、訓練深度神經(jīng)網(wǎng)絡最后通過輸出層輸出訓練結果與訓練位置標簽的誤差,最后通過調整深度神經(jīng)網(wǎng)絡中的參數(shù)使得整個網(wǎng)絡的Loss即誤差最小。需要說明的是,整個深度神經(jīng)網(wǎng)絡中沒有標明具體參數(shù),因為這些參數(shù)和具體的空間以及AP的個數(shù)有關,不在本專利的范圍內。優(yōu)選的,所述步驟S003與所述步驟S004之間還包括步驟:S035、分別對每個所述訓練位置標簽對應的網(wǎng)絡數(shù)據(jù)的信號強度數(shù)據(jù)、信道號以及對應無線接入點的輸入功率進行歸一化處理;所述步驟S100和步驟S200之間還包括步驟:S150、將待檢測客戶端的所述網(wǎng)絡數(shù)據(jù)中的信號強度數(shù)據(jù)、信道號以及對應無線接入點的輸入功率進行歸一化處理。具體的,為了使采集的多維的網(wǎng)絡數(shù)據(jù)能有效進入深度神經(jīng)網(wǎng)絡處理,需要把每個原始數(shù)據(jù)都歸一化。本實施例中采用以下歸一化公式處理:X’=(X-u)/σ,u為均值,σ為標準差本實施例中歸一化只在各自通道內歸一化。圖3為本發(fā)明一種基于加強深度神經(jīng)網(wǎng)絡的WiFi定位服務器的主要組成示意圖。如圖3所示,一種基于加強深度神經(jīng)網(wǎng)絡的WiFi定位服務器,包括:數(shù)據(jù)采集模塊100,用于獲取檢測區(qū)域中各個無線接入點接收到待檢測客戶端發(fā)出的信號的網(wǎng)絡數(shù)據(jù);所述網(wǎng)絡數(shù)據(jù)為多維數(shù)據(jù);所述網(wǎng)絡數(shù)據(jù)包括各個無線接入點接收到待檢測客戶端在檢測區(qū)域內發(fā)出的信號的信號強度數(shù)據(jù)、信道號以及對應無線接入點的輸入功率;定位模塊200,用于將采集到的所述網(wǎng)絡數(shù)據(jù)輸入定位模型的多通道數(shù)據(jù)層,經(jīng)過定位模型的1*1卷積層計算后進入定位模型的網(wǎng)絡層,基于定位模型的網(wǎng)絡層計算所述網(wǎng)絡數(shù)據(jù),并通過輸出層的輸出結果確定待檢測客戶端的位置。具體的,上述待檢測客戶端(以下簡稱STA)是以智能手機、筆記本電腦或個人平板電腦等智能終端設備為載體。本實施例中所述網(wǎng)絡數(shù)據(jù)為多維數(shù)據(jù),其中具體包括各個無線接入點接收到待檢測客戶端在檢測區(qū)域內發(fā)出的信號的信號強度數(shù)據(jù)、信道號以及對應無線接入點的輸入功率。因為信道號和頻率點正相關,而頻段和空間衰減相關,信道號越大,在空間傳播時衰減越大,同時AP的輸入功率的采集也會影響進度,因為不同型號的AP輸出功率設計指標可以不一樣,即使相同AP在2.4G頻段和5G頻段的輸出指標也完全可能不一樣,因此本發(fā)明在不同信道不同頻段上采集RSSI,把信道號、AP在頻段上的輸入功率與信號強度數(shù)據(jù)一并采集輸入深度神經(jīng)網(wǎng)絡進行訓練,大大提高定位的準確率。具體的,各個無線接入點接收待檢測客戶端在檢測區(qū)域內所發(fā)出的信號的的信號強度數(shù)據(jù)通過以下方式獲取:STA在檢測區(qū)域中實時發(fā)送探測幀,無線接入點收到后獲取所述探測幀的信號強度,各個無線接入點上報信號強度至本地服務器或云服務器,服務器根據(jù)各個無線接入點上報的RSSI場強報文生成信號強度數(shù)據(jù)。例如,信號強度數(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。以實際數(shù)據(jù)為例,本發(fā)明采集待檢測客戶端的網(wǎng)絡數(shù)據(jù)的格式如下,<(-30,6,20),(-12,11,18),(-14,1,20),(-67,36,18),(-54,149,23)>,其中具體含義如下:RSSI1=-30dBm,信道6,輸出20dBmRSSI2=-12dBm,信道11,輸出18dBmRSSI3=-14dBm,信道1,輸出20dBmRSSI4=-67dBm,信道36,輸出18dBmRSSI5=-54dBm,信道149,輸出23dBm具體的,由于上述網(wǎng)絡數(shù)據(jù)實際上是三維數(shù)據(jù),通過深度神經(jīng)網(wǎng)絡的三通道數(shù)據(jù)層輸入雖然能解決輸入數(shù)據(jù)的精度,但三通道的數(shù)據(jù)是完全不同維度的數(shù)據(jù),并沒有融化。同時,本實施例中網(wǎng)絡數(shù)據(jù)包括信號強度數(shù)據(jù)、信道號以及對應無線接入點的輸入功率,三者具有極大得相關性,因此為了使多維網(wǎng)絡數(shù)據(jù)在輸入數(shù)據(jù)層就產(chǎn)生更好的融合,本發(fā)明在輸入數(shù)據(jù)層和網(wǎng)絡層直接插入一個1x1卷積核的3通道卷積層。原有網(wǎng)絡:三通道數(shù)據(jù)層---->網(wǎng)絡層---->輸出層本發(fā)明網(wǎng)絡:三通道數(shù)據(jù)層---->1x1卷積核的3通道卷積層---->網(wǎng)絡層---->輸出層原有輸入數(shù)據(jù)層的三通道數(shù)據(jù)為:x,y,z1x1卷積核的3通道卷積層輸出數(shù)據(jù)為:X1=w11*x+w12*y+w13*zX2=w21*x+w22*y+w23*zX3=w31*x+w32*y+w33*z這樣1x1卷積核的3通道卷積層每個通道上的數(shù)據(jù)都是原有三通道數(shù)據(jù)層三通道上數(shù)據(jù)的線性組合,更有利于后面深度神經(jīng)網(wǎng)絡的訓練。本發(fā)明通過收集待測客戶端所在位置的網(wǎng)絡數(shù)據(jù),并對采集的待檢測客戶端所在位置的網(wǎng)絡數(shù)據(jù)進行1*1卷積計算,輸入訓練好的定位模型,即可確定待測客戶端所在位置。本發(fā)明對深度神經(jīng)網(wǎng)絡改進,增加1*1卷積層,對多維的網(wǎng)絡數(shù)據(jù)中相關度較高的三種數(shù)據(jù)進行卷積,能夠使數(shù)據(jù)更好地融合,提高WiFi定位的精度。圖4為本發(fā)明一種基于加強深度神經(jīng)網(wǎng)絡的WiFi定位服務器的完整組成示意圖。如圖4所示,優(yōu)選的,還包括:訓練模塊300,用于預先訓練深度神經(jīng)網(wǎng)絡,將訓練后的深度神經(jīng)網(wǎng)絡作為所述定位模型。具體的,本發(fā)明中根據(jù)定位得到的輸出結果不同,可以包含兩種具體實現(xiàn)方式,方式一是通過深度神經(jīng)網(wǎng)絡作為定位模型輸出待檢測客戶端所在位置所屬某個預先設置的分類的概率值,方式二是通過深度神經(jīng)網(wǎng)絡作為定位模型直接輸出待檢測客戶端所在位置的預設位置坐標。本發(fā)明對具體訓練方式不作限定。本發(fā)明采用有監(jiān)督的全局參數(shù)訓練的方法:已知與各個無線接入點對應的信號強度數(shù)據(jù)的實際位置屬于某個網(wǎng)格,通過不斷調整網(wǎng)絡參數(shù)使得深度神經(jīng)網(wǎng)絡的網(wǎng)絡層的輸出和真實的結果相同。優(yōu)選的,所述訓練模塊進一步包括:標簽預設子模塊311,用于預先設置用于訓練的訓練位置標簽;訓練數(shù)據(jù)集生成子模塊312,用于依次采集各個無線接入點接收到訓練終端在每個所述訓練位置標簽在檢測區(qū)域內所發(fā)出的信號的網(wǎng)絡數(shù)據(jù),分別將每個所述訓練位置標簽以及其對應的網(wǎng)絡數(shù)據(jù)作為一組訓練樣本數(shù)據(jù),生成訓練數(shù)據(jù)集,并送入深度神經(jīng)網(wǎng)絡中;所述網(wǎng)絡數(shù)據(jù)包括各個無線接入點接收所述訓練位置標簽在檢測區(qū)域對應位置上的訓練終端所發(fā)的信號的信號強度數(shù)據(jù)、信道號以及對應無線接入點的輸入功率;輸入數(shù)據(jù)層定義子模塊313,用于將深度神經(jīng)網(wǎng)絡的輸入數(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)點與各個無線接入點相對應;卷積層定義子模塊315,用于在深度神經(jīng)網(wǎng)絡的輸入數(shù)據(jù)層與網(wǎng)絡層之間定義1*1卷積層;訓練預測子模塊314,用于按照三通道數(shù)據(jù)層的節(jié)點與無線接入點對應的方式分別將每組訓練樣本數(shù)據(jù)中的每個與無線接入點對應的信號強度數(shù)據(jù)結合信道號以及對應無線接入點的輸入功率輸入所述三通道數(shù)據(jù)層對應節(jié)點的三個通道,經(jīng)過1*1卷積層計算后進入所述深度神經(jīng)網(wǎng)絡的網(wǎng)絡層,最后經(jīng)由所述深度神經(jīng)網(wǎng)絡的輸出層輸出與所述訓練位置標簽相對應的訓練結果,依次將輸出的訓練結果與其對應的所述訓練位置標簽進行比較,根據(jù)比較結果對深度神經(jīng)網(wǎng)絡進行訓練,將訓練后的深度神經(jīng)網(wǎng)絡作為所述定位模型。需要說明的是,對于上述訓練模塊300的訓練過程詳見本發(fā)明對于基于網(wǎng)絡數(shù)據(jù)的WiFi定位方法中訓練深度神經(jīng)網(wǎng)絡的解釋,此處不再復述。本服務器中各模塊之間的信息交互、執(zhí)行過程等內容與上述方法實施例基于同一構思,具體內容可參見本發(fā)明方法實施例中的敘述,此處不再贅述。優(yōu)選的,還包括:數(shù)據(jù)處理模塊400,用于分別對每個所述訓練位置標簽對應的網(wǎng)絡數(shù)據(jù)的信號強度數(shù)據(jù)、信道號以及對應無線接入點的輸入功率進行歸一化處理,以及用于將待檢測客戶端的所述網(wǎng)絡數(shù)據(jù)中的信號強度數(shù)據(jù)、信道號以及對應無線接入點的輸入功率進行歸一化處理。具體的,為了使采集的多維的網(wǎng)絡數(shù)據(jù)能有效進入深度神經(jīng)網(wǎng)絡處理,需要把每個原始數(shù)據(jù)都歸一化。本實施例中采用以下歸一化公式處理:X’=(X-u)/σ,u為均值,σ為標準差本實施例中歸一化只在各自通道內歸一化。本服務器中各模塊之間的信息交互、執(zhí)行過程等內容與上述方法實施例基于同一構思,具體內容可參見本發(fā)明方法實施例中的敘述,此處不再贅述。應當說明的是,上述實施例均可根據(jù)需要自由組合。以上所述僅是本發(fā)明的優(yōu)選實施方式,應當指出,對于本
技術領域
的普通技術人員來說,在不脫離本發(fā)明原理的前提下,還可以做出若干改進和潤飾,這些改進和潤飾也應視為本發(fā)明的保護范圍。當前第1頁1 2 3 
當前第1頁1 2 3 
網(wǎng)友詢問留言 已有0條留言
  • 還沒有人留言評論。精彩留言會獲得點贊!
1