• 浪潮孙丕恕从信息时代到智能时代 人工智能价值将爆发式释放 2019-12-21
  • 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
    • / 12
    • 下载费用:30 金币  

    重庆时时彩霸主有用吗: 一种基于网络数据的WIFI定位方法及服务器.pdf

    关 键 词:
    一种 基于 网络 数据 WIFI 定位 方法 服务器
      专利查询网所有资源均是用户自行上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作他用。
    摘要
    申请专利号:

    CN201611046266.5

    申请日:

    2016.11.22

    公开号:

    CN106792507A

    公开日:

    2017.05.31

    当前法律状态:

    实审

    有效性:

    审中

    法律详情: 实质审查的生效IPC(主分类):H04W 4/02申请日:20161122|||公开
    IPC分类号: H04W4/02(2009.01)I; H04W64/00(2009.01)I; G01S1/08 主分类号: H04W4/02
    申请人: 上海斐讯数据通信技术有限公司
    发明人: 王斌
    地址: 201616 上海市松江区思贤路3666号
    优先权:
    专利代理机构: 上海硕力知识产权代理事务所 31251 代理人: 郭桂峰
    PDF完整版下载: PDF下载
    法律状态
    申请(专利)号:

    CN201611046266.5

    授权公告号:

    |||

    法律状态公告日:

    2017.06.23|||2017.05.31

    法律状态类型:

    实质审查的生效|||公开

    摘要

    本发明公开了一种基于网络数据的WiFi定位方法,所述方法包括步骤:S100、获取检测区域中各个无线接入点接收到待检测客户端发出的信号的网络数据;所述网络数据为多维数据;S200、将所述网络数据输入训练后的定位模型的输入数据层;S300、基于训练后的定位模型的网络层计算待检测客户端所在位置的所述网络数据,并根据输出层的输出结果确定待检测客户端的位置。本发明中的定位模型采用训练后的深度神经网络,通过大量训练样本数据对深度神经网络进行训练,提升定位准确性以及精度。

    权利要求书

    1.一种基于网络数据的WiFi定位方法,其特征在于,所述方法包括步骤:
    S100、获取检测区域中各个无线接入点接收到待检测客户端发出的信号的网络数据;
    所述网络数据为多维数据;
    S200、将所述网络数据输入训练后的定位模型的输入数据层;
    S300、基于训练后的定位模型的网络层计算待检测客户端所在位置的所述网络数据,
    并根据输出层的输出结果确定待检测客户端的位置。
    2.如权利要求1所述的基于网络数据的WiFi定位方法,其特征在于,所述网络数据包括
    各个无线接入点接收到待检测客户端在检测区域内发出的信号的信号强度数据、信道号以
    及对应无线接入点的输入功率。
    3.如权利要求2所述的基于网络数据的WiFi定位方法,其特征在于,所述步骤S100之前
    还包括步骤:S000、预先训练深度神经网络,将训练后的深度神经网络作为所述定位模型。
    4.如权利要求3所述的基于网络数据的WiFi定位方法,其特征在于,所述步骤S000进一
    步包括步骤:
    S001、预先设置训练位置标签;
    S002、依次采集各个无线接入点接收到训练终端在每个所述训练位置标签在检测区域
    内所发出的信号的网络数据;所述网络数据包括各个无线接入点接收所述训练位置标签在
    检测区域对应位置上的训练终端所发的信号的信号强度数据、信道号以及对应无线接入点
    的输入功率;
    S003、分别将每个所述训练位置标签以及其对应的信号强度数据、信道号以及对应无
    线接入点的输入功率作为一组训练样本数据,生成训练数据集,并送入深度神经网络中;
    S004、将深度神经网络的输入数据层定义为三通道数据层,所述三通道数据层的节点
    与各个无线接入点相对应,按照三通道数据层的节点与无线接入点对应的方式分别将每组
    训练样本数据中的每个与无线接入点对应的信号强度数据结合信道号以及对应无线接入
    点的输入功率输入所述三通道数据层对应节点的三个通道;经过所述深度神经网络输出与
    所述训练位置标签相对应的训练结果;
    S005、依次将输出的训练结果与其对应的所述训练位置标签进行比较,根据比较结果
    对深度神经网络进行训练,将训练后的深度神经网络作为所述定位模型。
    5.如权利要求4所述的基于网络数据的WiFi定位方法,其特征在于:
    所述步骤S003与所述步骤S004之间还包括步骤:
    S035、分别对每个所述训练位置标签对应的网络数据的信号强度数据、信道号以及对
    应无线接入点的输入功率进行归一化处理;
    所述步骤S100和步骤S200之间还包括步骤:
    S150、将待检测客户端的所述网络数据中的信号强度数据、信道号以及对应无线接入
    点的输入功率进行归一化处理。
    6.一种基于网络数据的WiFi定位服务器,其特征在于,包括:
    数据采集???,用于获取检测区域中各个无线接入点接收到待检测客户端发出的信号
    的网络数据;所述网络数据为多维数据;所述网络数据包括各个无线接入点接收到待检测
    客户端在检测区域内发出的信号的信号强度数据、信道号以及对应无线接入点的输入功
    率;
    定位???,用于将采集到的所述网络数据输入定位模型的输入数据层,基于定位模型
    的网络层计算所述网络数据,并通过定位模型的输出层的输出结果确定待检测客户端的位
    置。
    7.如权利要求6所述的基于网络数据的WiFi定位服务器,其特征在于,还包括:
    训练???,用于预先训练深度神经网络,将训练后的深度神经网络作为所述定位模型。
    8.如权利要求7所述的基于网络数据的WiFi定位服务器,其特征在于,所述训练??榻?br />一步包括:
    标签预设子???,用于预先设置用于训练的训练位置标签;
    训练数据集生成子???,用于依次采集各个无线接入点接收到训练终端在每个所述训
    练位置标签在检测区域内所发出的信号的网络数据,分别将每个所述训练位置标签以及其
    对应的网络数据作为一组训练样本数据,生成训练数据集,并送入深度神经网络中;所述网
    络数据包括各个无线接入点接收所述训练位置标签在检测区域对应位置上的训练终端所
    发的信号的信号强度数据、信道号以及对应无线接入点的输入功率;
    输入数据层定义子???,用于将深度神经网络的输入数据层定义为三通道数据层,所
    述三通道数据层的节点与各个无线接入点相对应;
    训练预测子???,用于按照三通道数据层的节点与无线接入点对应的方式分别将每组
    训练样本数据中的每个与无线接入点对应的信号强度数据结合信道号以及对应无线接入
    点的输入功率输入所述三通道数据层对应节点的三个通道,经过所述深度神经网络输出与
    所述训练位置标签相对应的训练结果,依次将输出的训练结果与其对应的所述训练位置标
    签进行比较,根据比较结果对深度神经网络进行训练,将训练后的深度神经网络作为所述
    定位模型。
    9.如权利要求8所述的基于网络数据的WiFi定位服务器,其特征在于,还包括:
    数据处理???,用于分别对每个所述训练位置标签对应的网络数据的信号强度数据、
    信道号以及对应无线接入点的输入功率进行归一化处理,以及用于将待检测客户端的所述
    网络数据中的信号强度数据、信道号以及对应无线接入点的输入功率进行归一化处理。

    说明书

    一种基于网络数据的WiFi定位方法及服务器

    技术领域

    本发明涉及无线局域网技术领域,尤其涉及一种基于网络数据的WiFi定位方法及
    服务器。

    背景技术

    目前在世界范围内的定位技术主要有GPS定位、Wi-Fi定位、蓝牙定位等,GPS定位
    主要应用于室外,Wi-Fi、蓝牙定位既可用于室内,也可用于室外。由于Wi-Fi定位相对成熟,
    下面以Wi-Fi定位技术为背景来介绍本发明的具体内容。随着无线路由器的普及,目前大部
    分公共区域都已经实现十几个甚至几十个WiFi信号覆盖,而且这些路由器在向四周传播
    WiFi信号的同时,也不停的发送其物理地址与信号强度等信息,只要在其信号覆盖范围内,
    即使不知道Wi-Fi的密码,也同样能获得这些信息。

    通用的WiFi室内定位技术大多是基于IEEE802.11b/g协议的无线局域网(WLAN)的
    信号强度定位技术?;谛藕徘慷鹊亩ㄎ患际趸驹硎歉萁邮盏降男藕诺那慷韧扑阈?br />号接收器与信号源之间的距离,主要分成两类:三角形强度算法以及位置指纹识别算法。其
    中三角形强度算法精度低,难以满足室内定位要求;而普通指纹识别算法又存在接收设备
    不同而使得接收信号存在误差的缺陷。

    发明内容

    为解决上述技术问题,本发明提供一种基于网络数据的WiFi定位方法及服务器,
    通过采集各个无线接入点对应的信号强度数据,实现基于深度神经网络的WiFi定位。

    本发明提供的技术方案如下:

    本发明公开了一种基于网络数据的WiFi定位方法,所述方法包括步骤:S100、获取
    检测区域中各个无线接入点接收到待检测客户端发出的信号的网络数据;所述网络数据为
    多维数据;S200、将所述网络数据输入训练后的定位模型的输入数据层;S300、基于训练后
    的定位模型的网络层计算待检测客户端所在位置的所述网络数据,并根据输出层的输出结
    果确定待检测客户端的位置。

    进一步优选的,所述网络数据包括各个无线接入点接收到待检测客户端在检测区
    域内发出的信号的信号强度数据、信道号以及对应无线接入点的输入功率。

    进一步优选的,所述步骤S100之前还包括步骤:S000、预先训练深度神经网络,将
    训练后的深度神经网络作为所述定位模型。

    进一步优选的,所述步骤S000进一步包括步骤:S001、预先设置训练位置标签;
    S002、依次采集各个无线接入点接收到训练终端在每个所述训练位置标签在检测区域内所
    发出的信号的网络数据;所述网络数据包括各个无线接入点接收所述训练位置标签在检测
    区域对应位置上的训练终端所发的信号的信号强度数据、信道号以及对应无线接入点的输
    入功率;S003、分别将每个所述训练位置标签以及其对应的信号强度数据、信道号以及对应
    无线接入点的输入功率作为一组训练样本数据,生成训练数据集,并送入深度神经网络中;
    S004、将深度神经网络的输入数据层定义为三通道数据层,所述三通道数据层的节点与各
    个无线接入点相对应,按照三通道数据层的节点与无线接入点对应的方式分别将每组训练
    样本数据中的每个与无线接入点对应的信号强度数据结合信道号以及对应无线接入点的
    输入功率输入所述三通道数据层对应节点的三个通道;经过所述深度神经网络输出与所述
    训练位置标签相对应的训练结果;S005、依次将输出的训练结果与其对应的所述训练位置
    标签进行比较,根据比较结果对深度神经网络进行训练,将训练后的深度神经网络作为所
    述定位模型。

    进一步优选的,所述步骤S003与所述步骤S004之间还包括步骤:S035、分别对每个
    所述训练位置标签对应的网络数据的信号强度数据、信道号以及对应无线接入点的输入功
    率进行归一化处理;所述步骤S100和步骤S200之间还包括步骤:S150、将待检测客户端的所
    述网络数据中的信号强度数据、信道号以及对应无线接入点的输入功率进行归一化处理。

    本发明还公开了一种基于网络数据的WiFi定位服务器,包括:数据采集???,用于
    获取检测区域中各个无线接入点接收到待检测客户端发出的信号的网络数据;所述网络数
    据为多维数据;所述网络数据包括各个无线接入点接收到待检测客户端在检测区域内发出
    的信号的信号强度数据、信道号以及对应无线接入点的输入功率;定位???,用于将采集到
    的所述网络数据输入定位模型的输入数据层,基于定位模型的网络层计算所述网络数据,
    并通过定位模型的输出层的输出结果确定待检测客户端的位置。

    进一步优选的,还包括:训练???,用于预先训练深度神经网络,将训练后的深度
    神经网络作为所述定位模型。

    进一步优选的,所述训练??榻徊桨ǎ罕昵┰ど枳幽??,用于预先设置用于训
    练的训练位置标签;训练数据集生成子???,用于依次采集各个无线接入点接收到训练终
    端在每个所述训练位置标签在检测区域内所发出的信号的网络数据,分别将每个所述训练
    位置标签以及其对应的网络数据作为一组训练样本数据,生成训练数据集,并送入深度神
    经网络中;所述网络数据包括各个无线接入点接收所述训练位置标签在检测区域对应位置
    上的训练终端所发的信号的信号强度数据、信道号以及对应无线接入点的输入功率;输入
    数据层定义子???,用于将深度神经网络的输入数据层定义为三通道数据层,所述三通道
    数据层的节点与各个无线接入点相对应;训练预测子???,用于按照三通道数据层的节点
    与无线接入点对应的方式分别将每组训练样本数据中的每个与无线接入点对应的信号强
    度数据结合信道号以及对应无线接入点的输入功率输入所述三通道数据层对应节点的三
    个通道,经过所述深度神经网络输出与所述训练位置标签相对应的训练结果,依次将输出
    的训练结果与其对应的所述训练位置标签进行比较,根据比较结果对深度神经网络进行训
    练,将训练后的深度神经网络作为所述定位模型。

    进一步优选的,还包括:数据处理???,用于分别对每个所述训练位置标签对应的
    网络数据的信号强度数据、信道号以及对应无线接入点的输入功率进行归一化处理,以及
    用于将待检测客户端的所述网络数据中的信号强度数据、信道号以及对应无线接入点的输
    入功率进行归一化处理。

    与现有技术相比,本发明提供的一种基于网络数据的WiFi定位方法及服务器,通
    过收集待测客户端所在位置的网络数据,输入训练好的定位模型,即可确定待测客户端所
    在位置,通过利用含有大量训练样本数据的训练数据集对深度神经网络训练,采用深度神
    经网络作为定位模型,不仅提升定位精度的提升,同时能够在不影响定位速度的情况下提
    升定位结果的准确性,成功将定位问题融入到大数据的背景中,并有效的利用大数据的优
    势来提高实时定位服务器的性能。

    附图说明

    下面将以明确易懂的方式,结合附图说明优选实施方式,对本发明予以进一步说
    明。

    图1为本发明一种基于网络数据的WiFi定位方法的主要步骤示意图;

    图2为本发明一种基于网络数据的WiFi定位方法的训练深度神经网络的步骤示意
    图;

    图3为本发明一种基于网络数据的WiFi定位服务器的主要组成示意图;

    图4为本发明一种基于网络数据的WiFi定位服务器的完整组成示意图。

    附图标记:

    100、数据采集???,200、定位???,300、训练???,311、标签预设子???,312、训
    练数据集生成子???,313、输入数据层定义子???,314、训练预测子???,400、数据处理模
    块。

    具体实施方式

    为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对照附图说明
    本发明的具体实施方式。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于
    本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他
    的附图,并获得其他的实施方式。

    为使图面简洁,各图中只示意性地表示出了与本发明相关的部分,它们并不代表
    其作为产品的实际结构。另外,以使图面简洁便于理解,在有些图中具有相同结构或功能的
    部件,仅示意性地绘示了其中的一个,或仅标出了其中的一个。在本文中,“一个”不仅表示
    “仅此一个”,也可以表示“多于一个”的情形。

    图1为本发明一种基于网络数据的WiFi定位方法的主要步骤示意图,如图1所示,
    一种基于网络数据的WiFi定位方法,所述方法包括步骤:S100、获取检测区域中各个无线接
    入点接收到待检测客户端发出的信号的网络数据;所述网络数据为多维数据;S200、将所述
    网络数据输入训练后的定位模型的输入数据层;S300、基于训练后的定位模型的网络层计
    算待检测客户端所在位置的所述网络数据,并根据输出层的输出结果确定待检测客户端的
    位置。

    具体的,上述待检测客户端(以下简称STA)是以智能手机、笔记本电脑或个人平板
    电脑等智能终端设备为载体。

    本实施例中所述网络数据为多维数据,其中具体包括各个无线接入点接收到待检
    测客户端在检测区域内发出的信号的信号强度数据、信道号以及对应无线接入点的输入功
    率。因为信道号和频率点正相关,而频段和空间衰减相关,信道号越大,在空间传播时衰减
    越大,同时AP的输入功率的采集也会影响进度,因为不同型号的AP输出功率设计指标可以
    不一样,即使相同AP在2.4G频段和5G频段的输出指标也完全可能不一样,因此本发明在不
    同信道不同频段上采集RSSI,把信道号、AP在频段上的输入功率与信号强度数据一并采集
    输入深度神经网络进行训练,大大提高定位的准确率。

    具体的,各个无线接入点接收待检测客户端在检测区域内所发出的信号的的信号
    强度数据通过以下方式获?。篠TA在检测区域中实时发送探测帧,无线接入点收到后获取所
    述探测帧的信号强度,各个无线接入点上报信号强度至本地服务器或云服务器,服务器根
    据各个无线接入点上报的RSSI场强报文生成信号强度数据。例如,信号强度数据的格式为<
    RSSI1,RSSI2,RSSI3,RSSI4,RSSI5>,其中RSSI1为AP1收到的STA的RSSI,RSSI2为AP2收到的
    STA的RSSI,以此类推。以实际数据为例,本发明采集待检测客户端的网络数据的格式如下,
    <(-30,6,20),(-12,11,18),(-14,1,20),(-67,36,18),(-54,149,23)>,其中具体含义如
    下:

    RSSI1=-30dBm,信道6,输出20dBm

    RSSI2=-12dBm,信道11,输出18dBm

    RSSI3=-14dBm,信道1,输出20dBm

    RSSI4=-67dBm,信道36,输出18dBm

    RSSI5=-54dBm,信道149,输出23dBm

    优选的,所述步骤S100之前还包括步骤:S000、预先训练深度神经网络,将训练后
    的深度神经网络作为所述定位模型。

    具体的,本发明中根据定位得到的输出结果不同,可以包含两种具体实现方式,方
    式一是通过深度神经网络作为定位模型输出待检测客户端所在位置所属某个预先设置的
    分类的概率值,方式二是通过深度神经网络作为定位模型直接输出待检测客户端所在位置
    的预设位置坐标。本发明对具体训练方式不作限定。

    本发明采用有监督的全局参数训练的方法:已知接收到的网络数据的实际位置,
    通过不断调整网络参数使得深度神经网络的网络层的输出和真实的结果相同。

    图2为本发明一种基于网络数据的WiFi定位方法的训练深度神经网络的步骤示意
    图。优选的,如图2所示,所述步骤S000进一步包括步骤:S001、预先设置训练位置标签;
    S002、依次采集各个无线接入点接收到训练终端在每个所述训练位置标签在检测区域内所
    发出的信号的网络数据;所述网络数据包括各个无线接入点接收所述训练位置标签在检测
    区域对应位置上的训练终端所发的信号的信号强度数据、信道号以及对应无线接入点的输
    入功率;S003、分别将每个所述训练位置标签以及其对应的信号强度数据、信道号以及对应
    无线接入点的输入功率作为一组训练样本数据,生成训练数据集,并送入深度神经网络中;
    S004、将深度神经网络的输入数据层定义为三通道数据层,所述三通道数据层的节点与各
    个无线接入点相对应,按照三通道数据层的节点与无线接入点对应的方式分别将每组训练
    样本数据中的每个与无线接入点对应的信号强度数据结合信道号以及对应无线接入点的
    输入功率输入所述三通道数据层对应节点的三个通道;经过所述深度神经网络输出与所述
    训练位置标签相对应的训练结果;S005、依次将输出的训练结果与其对应的所述训练位置
    标签进行比较,根据比较结果对深度神经网络进行训练,将训练后的深度神经网络作为所
    述定位模型。

    具体的,因为本实施例中网络数据为多维数据,且具体为信号数据强度、信道号以
    及对应无线接入点的输入功率,因此定义用作定位模型的深度神经网络的输入数据层也为
    三通道数据层。

    下面以方式一通过深度神经网络作为定位模型输出待检测客户端所在位置所属
    某个预先设置的分类的概率值为例,具体介绍本发明对深度神经网络训练的过程。

    1、在训练时,首先采集各个无线接入点接收到训练终端在预设训练位置标签在检
    测区域内对应位置上所发信号的网络数据。本实施例中预设训练位置标签为自行定义,具
    体可通过网格划分检测区域,将检测区域划分为预设数量的网格分类,将每个网格分类分
    配对应的预设训练位置标签,也可通过在检测区域建立平面直角坐标系,分别在坐标系中
    设置对应的位置坐标为预设训练位置标签。本实施例中以方式一进行举例,下面以实际数
    据解释本发明中采集的每个预设训练位置标签对应位置的网络数据。

    假设在其中一个预设训练位置标签所采集到的网络数据如下:

    <(-30,6,20),(-12,11,18),(-14,1,20),(-67,36,18),(-54,149,23),34>

    代表:

    RSSI1=-30dBm,信道6,输出20dBm

    RSSI2=-12dBm,信道11,输出18dBm

    RSSI3=-14dBm,信道1,输出20dBm

    RSSI4=-67dBm,信道36,输出18dBm

    RSSI5=-54dBm,信道149,输出23dBm

    label=34,表示此预设训练位置标签的标识为34,代表监测区域中标识为34的网
    格所在位置。

    2、依次通过训练样本数据训练深度神经网络。

    采集的原始的网络数据是三维数据,因此,定义用作定位模型的深度神经网络的
    输入数据层也为三通道数据层,三通道数据层的节点与各个无线接入点相对应。按照三通
    道数据层的节点与无线接入点对应的方式分别将每组训练样本数据中的每个与无线接入
    点对应的信号强度数据结合信道号以及对应无线接入点的输入功率输入所述三通道数据
    层对应节点的三个通道。

    表一

    通道1
    通道2
    通道3
    -30
    6
    20
    -12
    11
    18
    -14
    1
    20
    -67
    36
    18
    -54
    149
    23

    如表一所示,表一中通道1表示采集的与各个无线接入点对应的信号强度数据,通
    道2表示对应的信道号,通道3表示对应各个无线接入点的输入频率。依次将每个预设训练
    位置标签对应的训练样本数据送入深度神经网络的三通道数据层的三个通道,最后输出训
    练结果与训练位置标签的误差,最后通过调整深度神经网络中的参数使得整个网络的Loss
    即误差最小。

    需要说明的是,整个深度神经网络中没有标明具体参数,因为这些参数和具体的
    空间以及AP的个数有关,不在本专利的范围内。

    优选的,所述步骤S003与所述步骤S004之间还包括步骤:S035、分别对每个所述训
    练位置标签对应的网络数据的信号强度数据、信道号以及对应无线接入点的输入功率进行
    归一化处理;所述步骤S100和步骤S200之间还包括步骤:S150、将待检测客户端的所述网络
    数据中的信号强度数据、信道号以及对应无线接入点的输入功率进行归一化处理。

    具体的,为了使采集的多维的网络数据能有效进入深度神经网络处理,需要把每
    个原始数据都归一化。本实施例中采用以下归一化公式处理:

    X’=(X-u)/σ,u为均值,σ为标准差

    本实施例中归一化只在各自通道内归一化。

    图3为本发明一种基于网络数据的WiFi定位服务器的主要组成示意图,如图3所
    示,一种基于网络数据的WiFi定位服务器,包括:数据采集???00,用于获取检测区域中各
    个无线接入点接收到待检测客户端发出的信号的网络数据;所述网络数据为多维数据;所
    述网络数据包括各个无线接入点接收到待检测客户端在检测区域内发出的信号的信号强
    度数据、信道号以及对应无线接入点的输入功率;定位???00,用于将采集到的所述网络
    数据输入定位模型的输入数据层,基于定位模型的网络层计算所述网络数据,并通过定位
    模型的输出层的输出结果确定待检测客户端的位置。

    具体的,上述待检测客户端(以下简称STA)是以智能手机、笔记本电脑或个人平板
    电脑等智能终端设备为载体。

    本实施例中所述网络数据为多维数据,其中具体包括各个无线接入点接收到待检
    测客户端在检测区域内发出的信号的信号强度数据、信道号以及对应无线接入点的输入功
    率。因为信道号和频率点正相关,而频段和空间衰减相关,信道号越大,在空间传播时衰减
    越大,同时AP的输入功率的采集也会影响进度,因为不同型号的AP输出功率设计指标可以
    不一样,即使相同AP在2.4G频段和5G频段的输出指标也完全可能不一样,因此本发明在不
    同信道不同频段上采集RSSI,把信道号、AP在频段上的输入功率与信号强度数据一并采集
    输入深度神经网络进行训练,大大提高定位的准确率。

    具体的,各个无线接入点接收待检测客户端在检测区域内所发出的信号的的信号
    强度数据通过以下方式获?。篠TA在检测区域中实时发送探测帧,无线接入点收到后获取所
    述探测帧的信号强度,各个无线接入点上报信号强度至本地服务器或云服务器,服务器根
    据各个无线接入点上报的RSSI场强报文生成信号强度数据。例如,信号强度数据的格式为<
    RSSI1,RSSI2,RSSI3,RSSI4,RSSI5>,其中RSSI1为AP1收到的STA的RSSI,RSSI2为AP2收到的
    STA的RSSI,以此类推。以实际数据为例,本发明采集待检测客户端的网络数据的格式如下,
    <(-30,6,20),(-12,11,18),(-14,1,20),(-67,36,18),(-54,149,23)>,其中具体含义如
    下:

    RSSI1=-30dBm,信道6,输出20dBm

    RSSI2=-12dBm,信道11,输出18dBm

    RSSI3=-14dBm,信道1,输出20dBm

    RSSI4=-67dBm,信道36,输出18dBm

    RSSI5=-54dBm,信道149,输出23dBm

    图4为本发明一种基于网络数据的WiFi定位服务器的完整组成示意图。如图4所
    示,优选的,还包括:训练???00,用于预先训练深度神经网络,将训练后的深度神经网络
    作为所述定位模型。

    具体的,本发明中根据定位得到的输出结果不同,可以包含两种具体实现方式,方
    式一是通过深度神经网络作为定位模型输出待检测客户端所在位置所属某个预先设置的
    分类的概率值,方式二是通过深度神经网络作为定位模型直接输出待检测客户端所在位置
    的预设位置坐标。本发明对具体训练方式不作限定。

    本发明采用有监督的全局参数训练的方法:已知某个训练位置标签的网络数据,
    通过不断调整网络参数使得深度神经网络的网络层的输出和真实的结果相同。

    优选的,所述训练???00进一步包括:标签预设子???11,用于预先设置用于训
    练的训练位置标签;训练数据集生成子???12,用于依次采集各个无线接入点接收到训练
    终端在每个所述训练位置标签在检测区域内所发出的信号的网络数据,分别将每个所述训
    练位置标签以及其对应的网络数据作为一组训练样本数据,生成训练数据集,并送入深度
    神经网络中;所述网络数据包括各个无线接入点接收所述训练位置标签在检测区域对应位
    置上的训练终端所发的信号的信号强度数据、信道号以及对应无线接入点的输入功率;输
    入数据层定义子???13,用于将深度神经网络的输入数据层定义为三通道数据层,所述三
    通道数据层的节点与各个无线接入点相对应;训练预测子???14,用于按照三通道数据层
    的节点与无线接入点对应的方式分别将每组训练样本数据中的每个与无线接入点对应的
    信号强度数据结合信道号以及对应无线接入点的输入功率输入所述三通道数据层对应节
    点的三个通道,经过所述深度神经网络输出与所述训练位置标签相对应的训练结果,依次
    将输出的训练结果与其对应的所述训练位置标签进行比较,根据比较结果对深度神经网络
    进行训练,将训练后的深度神经网络作为所述定位模型。

    需要说明的是,对于上述训练???00的训练过程详见本发明方法部分对于训练
    深度神经网络的解释,此处不再复述。本服务器中各??橹涞男畔⒔换?、执行过程等内容
    与上述方法实施例基于同一构思,具体内容可参见本发明方法实施例中的叙述,此处不再
    赘述。

    优选的,还包括:数据处理???00,用于分别对每个所述训练位置标签对应的网
    络数据的信号强度数据、信道号以及对应无线接入点的输入功率进行归一化处理,以及用
    于将待检测客户端的所述网络数据中的信号强度数据、信道号以及对应无线接入点的输入
    功率进行归一化处理。

    具体的,为了使采集的多维的网络数据能有效进入深度神经网络处理,需要把每
    个原始数据都归一化。本实施例中采用以下归一化公式处理:

    X’=(X-u)/σ,u为均值,σ为标准差

    本实施例中归一化只在各自通道内归一化。

    本服务器中各??橹涞男畔⒔换?、执行过程等内容与上述方法实施例基于同一
    构思,具体内容可参见本发明方法实施例中的叙述,此处不再赘述。

    应当说明的是,上述实施例均可根据需要自由组合。以上所述仅是本发明的优选
    实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提
    下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的?;し段?。

       内容来自专利网重庆时时彩单双窍门 www.4mum.com.cn转载请标明出处

    关于本文
    本文标题:一种基于网络数据的WIFI定位方法及服务器.pdf
    链接地址://www.4mum.com.cn/p-6021197.html
    关于我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服 - 联系我们

    [email protected] 2017-2018 www.4mum.com.cn网站版权所有
    经营许可证编号:粤ICP备17046363号-1 
     


    收起
    展开
  • 浪潮孙丕恕从信息时代到智能时代 人工智能价值将爆发式释放 2019-12-21
  • 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 山东德州麻将如何玩 巴西甲积分榜 865棋牌游戏官方网站 p3开机号试机号关注号金码今天 足彩 上海快3今日开奖结果走势图 老11选5多久开奖 排列3走势图彩宝网 甘肃快三遗漏号统计 3d走势图 汇丰彩票游戏 快乐十分胆拖技巧 金博棋牌在哪下载 羽毛球比赛策划 比分网电竞app 安卓手机捕鱼达人2修改