【摘要】：隨著移動互聯(lián)網(wǎng)應用的發(fā)展,在現(xiàn)代生活、商業(yè)、醫(yī)療等領域中,為用戶提供基于室內位置服務的需求不斷增長,譬如停車場反向尋車、商場導航和電子導醫(yī)等。然而室內環(huán)境復雜,遮擋多,人員變化快,定位信號的傳播易受影響,因而在復雜環(huán)境中獲得高精度的室內定位結果一直是定位算法中研究的熱點問題。基于RSSI(Received Signal Strength Indicator)指紋的匹配算法及PDR(Pedestrian Dead Reckoning)是室內定位中常用的算法。RSSI描述粗粒度的無線信號功率信息,在復雜環(huán)境中受多種因素影響且不穩(wěn)定,因此室內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行定位的PDR也因漂移誤差問題導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合來提高定位精度;同時深度學習技術的發(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)絡的深度學習方法建立指紋與位置之間的對應關系模型。殘差結構提高了網(wǎng)絡的深度,使之能提取更深層的指紋特征,且使得深層模型更易訓練。為進一步提高定位精度,基于信號指紋與慣性導航的集成定位模型DeepMS(Deep Multiple Sensors)在ResNet(RSSI/MAG)的基礎上加入了CNN-LSTM結構對加速度計和陀螺儀信息進行處理。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系,從而建立定位對象的運動軌跡模型,基于該模型和指紋定位結果得到最終位置�；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結構同單純使用RSSI信號和使用淺層結構相比,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模型進一步提高了模型的定位精度和抗干擾能力。
【學位授予單位】：華中科技大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP212;TP18
【圖文】：

華 中 科 技 大 學 碩 士 學 位 論 文2 ResNet(RSSI/MAG)信號指紋室內定位模型卷積神經(jīng)網(wǎng)絡在基于圖像和特征矩陣的室內定位中已有較為成熟的應用。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)絡的搭建。經(jīng)分析，本文的殘差塊可以大大地減少模型訓練加速模型的收斂。1 模型架構基于 RSSI 和地磁聯(lián)合指紋的 ResNet(RSSI/MAG)模型架構如圖 2.1 所示。

其中 均為與坐標旋轉四元數(shù) q 相關的實數(shù)，且 。在實際計算時，有 ，其中 為旋轉軸單位向量， 為旋轉的角度。 ′ ′ ′即為坐標轉換之后的地磁值，因而指紋也可以表示為： [ ′ ′ ′ (2.5)2.2 殘差網(wǎng)絡2.2.1 卷積操作卷積操作是殘差網(wǎng)絡中基本的計算單元，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)絡之前需要熟悉卷積運算的過程。卷積核中參數(shù)與對應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果。卷積之前需預先規(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)絡結構僅能檢測一種局部特征，實際上為了完成準確的分類多個卷積核，學習多個特征映射，這涉及到卷積中另一個關鍵的概念：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，分別對應的卷積核和特征映射。訓練完成，網(wǎng)絡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，而是有著相應的深度 3，會變成核。.2 殘差結構

【參考文獻】

相關碩士學位論文 前2條

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

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

本文編號：2802320