【摘要】：隨著移動互聯(lián)網(wǎng)應(yīng)用的發(fā)展,在現(xiàn)代生活、商業(yè)、醫(yī)療等領(lǐng)域中,為用戶提供基于室內(nèi)位置服務(wù)的需求不斷增長,譬如停車場反向?qū)ぼ�、商場�?dǎo)航和電子導(dǎo)醫(yī)等。然而室內(nèi)環(huán)境復(fù)雜,遮擋多,人員變化快,定位信號的傳播易受影響,因而在復(fù)雜環(huán)境中獲得高精度的室內(nèi)定位結(jié)果一直是定位算法中研究的熱點問題�；赗SSI(Received Signal Strength Indicator)指紋的匹配算法及PDR(Pedestrian Dead Reckoning)是室內(nèi)定位中常用的算法。RSSI描述粗粒度的無線信號功率信息,在復(fù)雜環(huán)境中受多種因素影響且不穩(wěn)定,因此室內(nèi)定位精度有限且易受干擾;基于加速度計和陀螺儀等慣性傳感器進(jìn)行定位的PDR也因漂移誤差問題導(dǎo)致長距離定位性能受限。因此,實際定位中通常使用信號指紋與多傳感器的信息結(jié)合來提高定位精度;同時深度學(xué)習(xí)技術(shù)的發(fā)展也為從多種傳感器信息提取精確的位置特征提供了新的方法。因而,為提高信號指紋定位的精度,ResNet(RSSI/MAG)室內(nèi)定位模型將RSSI和地磁信息作為指紋,并采用基于殘差網(wǎng)絡(luò)的深度學(xué)習(xí)方法建立指紋與位置之間的對應(yīng)關(guān)系模型。殘差結(jié)構(gòu)提高了網(wǎng)絡(luò)的深度,使之能提取更深層的指紋特征,且使得深層模型更易訓(xùn)練。為進(jìn)一步提高定位精度,基于信號指紋與慣性導(dǎo)航的集成定位模型DeepMS(Deep Multiple Sensors)在ResNet(RSSI/MAG)的基礎(chǔ)上加入了CNN-LSTM結(jié)構(gòu)對加速度計和陀螺儀信息進(jìn)行處理。加速度計和陀螺儀數(shù)據(jù)序列被劃分為不重疊的窗口,每個窗口的數(shù)據(jù)進(jìn)行卷積處理以提取特征。該模型使用LSTM(Long ShortTerm Memory)提取不同窗口之間的時序關(guān)系,從而建立定位對象的運(yùn)動軌跡模型,基于該模型和指紋定位結(jié)果得到最終位置�；趯嶋H測試數(shù)據(jù)的實驗表明,引入地磁指紋與采用深層ResNet結(jié)構(gòu)同單純使用RSSI信號和使用淺層結(jié)構(gòu)相比,更能提高定位精度;引入CNN-LSTM融合加速度計和陀螺儀信息的DeepMS模型進(jìn)一步提高了模型的定位精度和抗干擾能力。
【學(xué)位授予單位】：華中科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP212;TP18
【圖文】：

華 中 科 技 大 學(xué) 碩 士 學(xué) 位 論 文2 ResNet(RSSI/MAG)信號指紋室內(nèi)定位模型卷積神經(jīng)網(wǎng)絡(luò)在基于圖像和特征矩陣的室內(nèi)定位中已有較為成熟的應(yīng)用。掘 RSSI 和地磁聯(lián)合信號指紋的深層特征，提高定位精度，本文將采用殘行深層定位網(wǎng)絡(luò)的搭建。經(jīng)分析，本文的殘差塊可以大大地減少模型訓(xùn)練加速模型的收斂。1 模型架構(gòu)基于 RSSI 和地磁聯(lián)合指紋的 ResNet(RSSI/MAG)模型架構(gòu)如圖 2.1 所示。

其中 均為與坐標(biāo)旋轉(zhuǎn)四元數(shù) q 相關(guān)的實數(shù)，且 。在實際計算時，有 ，其中 為旋轉(zhuǎn)軸單位向量， 為旋轉(zhuǎn)的角度。 ′ ′ ′即為坐標(biāo)轉(zhuǎn)換之后的地磁值，因而指紋也可以表示為： [ ′ ′ ′ (2.5)2.2 殘差網(wǎng)絡(luò)2.2.1 卷積操作卷積操作是殘差網(wǎng)絡(luò)中基本的計算單元，本文中采用的殘差模塊由三個卷積層組成，因而在引入殘差網(wǎng)絡(luò)之前需要熟悉卷積運(yùn)算的過程。卷積核中參數(shù)與對應(yīng)位置特征元素逐位相乘后累加的值將作為一次卷積操作結(jié)果。卷積之前需預(yù)先規(guī)定好卷積核的大小及卷積步長，卷積步長即一次卷積之后卷積核移動的距離。本文中涉及到的卷積為一維卷積，即卷積核的大小為1*kernel_size 的形式。

圖 2.4 卷積通道至此描述的網(wǎng)絡(luò)結(jié)構(gòu)僅能檢測一種局部特征，實際上為了完成準(zhǔn)確的分類多個卷積核，學(xué)習(xí)多個特征映射，這涉及到卷積中另一個關(guān)鍵的概念：通數(shù)可以根據(jù)需求自主定義，如圖 2.4 所示輸入向量有 3 個通道，分別對應(yīng)的卷積核和特征映射。訓(xùn)練完成，網(wǎng)絡(luò)可以檢測三種不同的特征，每個特輸入數(shù)據(jù)中均可檢測。一些特殊的場景中，例如RGB彩色圖像，其輸入特矩陣，那么此時的卷積核并不是一層的，而是有著相應(yīng)的深度 3，會變成核。.2 殘差結(jié)構(gòu)

【參考文獻(xiàn)】

相關(guān)碩士學(xué)位論文 前2條

1 卿婷婷;基于WiFi和地磁信號融合的室內(nèi)定位技術(shù)研究[D];華南理工大學(xué);2018年

2 黃逸帆;基于聲信號與PDR的智能手機(jī)室內(nèi)融合定位方法研究[D];浙江大學(xué);2018年

本文編號：2802320