CN109699002A - 一种室内WiFi定位方法、装置及终端设备 - Google Patents
一种室内WiFi定位方法、装置及终端设备 Download PDFInfo
- Publication number
- CN109699002A CN109699002A CN201811488255.1A CN201811488255A CN109699002A CN 109699002 A CN109699002 A CN 109699002A CN 201811488255 A CN201811488255 A CN 201811488255A CN 109699002 A CN109699002 A CN 109699002A
- Authority
- CN
- China
- Prior art keywords
- location information
- wifi
- network model
- signal intensity
- latitude
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/025—Services making use of location information using location based information parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明适用于深度学习技术领域,提供了一种室内WiFi定位方法、装置及终端设备,其中,方法包括:获取训练数据集;其中,训练数据集包括不同位置的基站发送的WiFi信号强度、位置信息、位置信息对应的经度和纬度,以WiFi信号强度为输入特征,以位置信息、位置信息对应的经度和纬度为输出特征,构建深度神经网络模型,根据训练数据集训练深度神经网络模型,以获取室内WIFI定位网络模型,获取目标对象所在地的基站发送的WiFi信号强度并输入室内WIFI定位网络模型,以获取目标对象的位置信息。本发明通过创建及训练深度神经网络模型以获取室内WiFi定位网络模型,提高了对目标对象的定位的准确度,减小了室内复杂场景对定位结果的干扰,保证了目标对象的安全。
Description
技术领域
本发明属于深度学习技术领域,尤其涉及一种室内WiFi定位方法、装置及 终端设备。
背景技术
目前,通过WiFi信息进行室内定位的方法主要包括:基于到达时间测量法、 基于到达角度测量法、基于传播模型的室内定位算法。
基于到达时间和角度的方法需要精密的测量仪器和时钟同步,成本较高; 基于传播模型的室内定位算法主要是对接收信号强度和信号传播距离之间关系 建立模型来实现定位,由于复杂的室内环境,会产生一定的错误率。
发明内容
有鉴于此,本发明实施例提供了一种室内WiFi定位方法、装置及终端设备, 以解决现有技术中存在的问题。
本发明实施例的第一方面提供了一种室内WiFi定位方法,包括:
获取训练数据集;其中,所述训练数据集包括不同位置的基站发送的WiFi 信号强度、位置信息、所述位置信息对应的经度和纬度;
以所述WiFi信号强度为输入特征,以所述位置信息、所述位置信息对应 的经度和纬度为输出特征,构建深度神经网络模型;
根据所述训练数据集训练所述深度神经网络模型,以获取室内WIFI定位 网络模型;
获取目标对象所在地的基站发送的WiFi信号强度并输入所述室内WIFI定 位网络模型,以获取所述目标对象的位置信息。
可选的,获取训练数据集,包括:
获取不同位置的基站发送的WiFi信号强度;
获取所述不同位置的位置信息以及所述位置信息对应的经度和纬度;
对所述WiFi信号强度、所述位置信息以及所述位置信息对应的经度和纬 度进行标记,以获取训练数据集。
可选的,对所述WiFi信号强度、所述位置信息以及所述位置信息对应的 经度和纬度进行标记,以获取训练数据集,包括:
标记所述位置信息以及所述位置信息对应的经度和纬度为Y(Fn,L1,L2);其 中,所述Fn表示第n个位置信息,所述L1表示第n个位置的经度,所述L2表示 第n个位置的纬度,所述Y表示位置信息的集合;
标记不同位置的基站发送的WiFi信号强度为X(s1,s2,...s8),以获取训练数据集;其中,所述n表示位置序号,所述Sn表示第n个位置信息的基站发送的 WiFi信号强度,所述X表示WiFi信号强度的集合。
可选的,目标建筑的***设置有至少一个基站。
可选的,所述室内WIFI定位网络模型的输入层数为所述基站的数目。
可选的,所述室内WIFI定位网络模型的输出层数为所述目标建筑中不同 位置的数目、所述经度的个数和所述纬度个数之和。
本发明实施例的第二方面提供了一种室内WiFi定位装置,包括:
获取模块,用于获取训练数据集;其中,所述训练数据集包括不同位置的 基站发送的WiFi信号强度、位置信息、所述位置信息对应的经度和纬度;
构建模块,用于以所述WiFi信号强度为输入特征,以所述位置信息、所 述位置信息对应的经度和纬度为输出特征,构建深度神经网络模型;
训练模块,用于根据所述训练数据集训练所述深度神经网络模型,以获取 室内WIFI定位网络模型;
输入模块,用于获取目标对象所在地的基站发送的WiFi信号强度并输入所 述室内WIFI定位网络模型,以获取所述目标对象的位置信息。
本发明实施例的第三方面提供了一种终端设备,包括:存储器、处理器以 及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执 行所述计算机程序时实现如上述方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质,所述计算机可 读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述方 法的步骤。
本发明实施例通过创建及训练深度神经网络模型以获取室内WiFi定位网 络模型,提高了对目标对象的定位的准确度,减小了室内复杂场景对定位结果 的干扰,保证了目标对象的安全。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技 术描述中所需要使用的附图作简单地介绍,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 动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的室内WiFi定位方法的流程示意图;
图2是本发明实施例二提供的室内WiFi定位方法的流程示意图;
图3是本发明实施例三提供的室内WiFi定位方法的流程示意图;
图4是本发明实施例四提供的室内WiFi定位装置的结构示意图;
图5是本发明实施例五提供的室内WiFi定位装置的结构示意图;
图6是本发明实施例六提供的室内WiFi定位装置的结构示意图;
图7是本发明实施例七提供的终端设备的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施 例中的附图,对本发明实施例中的技术方案进行清楚地描述,显然,所描述的 实施例是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施 例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施 例,都应当属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“包括”以及它们任何 变形,意图在于覆盖不排他的包含。例如包含一系列步骤或单元的过程、方法 或***、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有 列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的 其它步骤或单元。此外,术语“第一”、“第二”和“第三”等是用于区别不 同对象,而非用于描述特定顺序。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
实施例一
如图1所示,本实施例提供一种室内WiFi定位方法,该方法可以应用于如 手机、PC、平板电脑等终端设备。本实施例所提供的室内WiFi定位方法,包 括:
S101、获取训练数据集;其中,所述训练数据集包括不同位置的基站发送 的WiFi信号强度、位置信息、所述位置信息对应的经度和纬度。
在具体应用中,获取预设数目的训练数据集,其中,训练数据集包括不同 位置的基站发送的WiFi信号强度、位置信息、位置信息对应的经度和纬度;位 置信息包括但不限于水平高度;预设数目可根据实际情况进行具体设定。
S102、以所述WiFi信号强度为输入特征,以所述位置信息、所述位置信 息对应的经度和纬度为输出特征,构建深度神经网络模型。
在具体应用中,以不同位置的基站发送的WiFi信号强度为输入特征,以不 同位置的位置信息、不同位置的位置信息对应的经度和纬度为输出特征,构建 深度神经网络模型,其中,深度神经网络模型的输入层数为目标建筑物***的 基站的数目。
S103、根据所述训练数据集训练所述深度神经网络模型,以获取室内WIFI 定位网络模型。
在具体应用中,根据训练数据集训练上述深度神经网络模型,以获取室内 WiFi网络模型。
S104、获取目标对象所在地的基站发送的WiFi信号强度并输入所述室内 WIFI定位网络模型,以获取所述目标对象的位置信息。
在具体应用中,获取目标对象所在位置的基站发送的WiFi信号强度,并 输入上述室内WiFi定位网络模型中,输出特征即为目标对象的位置信息;其中, 目标对象的位置信息包括目标对象的水平高度及对应的经度、纬度等位置信息。
在一个实施例中,目标建筑的***设置有至少一个基站。
在具体应用中,目标建筑的***设置有至少一个基站,例如,设定目标建 筑为某商业大厦,基站数目为8个,则在某商业大厦的***设置8个基站;在 一个实施例中,还可根据实际情况设定基站间的距离,例如:设定以每隔45 度的放置一个基站。
在一个实施例中,所述室内WIFI定位网络模型的输入层数为所述基站的 数目。
在具体应用中,室内WIFI定位网络模型的输入层数为基站的数目;例如, 若基站个数为8个,则室内WiFi定位网络模型的输入层数为8层。
在一个实施例中,所述室内WIFI定位网络模型的输出层数为所述目标建 筑中不同位置的数目、所述经度的个数和所述纬度个数之和。
在具体应用中,室内WIFI定位网络模型的输出层数为不同位置的数目、 经度的个数和纬度个数之和;例如,目标建筑为6层建筑,则具有6个不同水 平高度的位置,即不同位置的数目为6,经度个数为1,纬度个数为1,故室内 WIFI定位网络模型的输出层数即为8。
本实施例通过创建及训练深度神经网络模型以获取室内WiFi定位网络模 型,提高了对目标对象的定位的准确度,减小了室内复杂场景对定位结果的干 扰,保证了目标对象的安全。
实施例二
如图2所示,本实施例是对实施例一中的方法步骤的进一步说明。在本实 施例中,步骤S101,包括:
S1011、获取不同位置的基站发送的WiFi信号强度。
在具体应用中,获取不同位置的基站发送的WiFi信号强度;例如,获取6 个不同位置的基站发送的WiFi信号强度。
S1012、获取所述不同位置的位置信息以及所述位置信息对应的经度和纬 度。
在具体应用中,获取不同位置的位置信息和位置信息对应的经度和纬度; 例如,获取6个位置的水平高度和上述6个位置的水平高度对应的经度和纬度。
S1013、对所述WiFi信号强度、所述位置信息以及所述位置信息对应的经 度和纬度进行标记,以获取训练数据集。
在具体应用中,通过预设标记方法对WiFi信号强度、位置信息以及位置信 息对应的经度和纬度进行标记,以获取训练数据集;例如:可通过建立WiFi 信号强度的集合,位置信息、位置信息对应的经度和纬度的集合来进行标记。
本实施例通过获取大量的真实的训练数据作为训练样本,提高了对深度神 经网络模型训练的效率和准确率。
实施例三
如图3所示,本实施例是对实施例一中的方法步骤的进一步说明。在本实 施例中,步骤S1013,包括:
S10131、标记所述位置信息以及所述位置信息对应的经度和纬度为 Y(Fn,L1,L2);其中,所述Fn表示第n个位置信息,所述L1表示第n个位置的经 度,所述L2表示第n个位置的纬度,所述Y表示位置信息的集合。
在具体应用中,标记训练数据集中的位置信息以及位置信息对应的经度和 纬度为Y(Fn,L1,L2);其中,Fn表示第n个位置信息,L1表示第n个位置的经度, L2表示第n个位置的纬度,Y表示位置信息的集合。
S10132、标记不同位置的基站发送的WiFi信号强度为X(s1,s2,...s8),以获取 训练数据集;其中,所述n表示位置序号,所述Sn表示第n个位置信息的基站 发送的WiFi信号强度,所述X表示WiFi信号强度的集合。
在具体应用中,标记不同位置的基站发送的WiFi信号强度为X(s1,s2,...s8), 以获取训练数据集;其中,n表示位置序号,Sn表示第n个位置信息的基站发 送的WiFi信号强度,X表示WiFi信号强度的集合。
本实施例通过标记训练数据并建立集合,提高了对深度神经网络模型训练 的效率。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后, 各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施 过程构成任何限定。
实施例四
如图4所示,本实施例提供一种室内WiFi定位装置100,用于执行实施例 一中的方法步骤。本实施例提供的室内WiFi定位装置100,包括:
获取模块101,用于获取训练数据集;其中,所述训练数据集包括不同位 置的基站发送的WiFi信号强度、位置信息、所述位置信息对应的经度和纬度;
构建模块102,用于以所述WiFi信号强度为输入特征,以所述位置信息、 所述位置信息对应的经度和纬度为输出特征,构建深度神经网络模型;
训练模块103,用于根据所述训练数据集训练所述深度神经网络模型,以 获取室内WIFI定位网络模型;
输入模块104,用于获取目标对象所在地的基站发送的WiFi信号强度并输 入所述室内WIFI定位网络模型,以获取所述目标对象的位置信息。
在一个实施例中,目标建筑的***设置有至少一个基站。
在一个实施例中,所述室内WIFI定位网络模型的输入层数为所述基站的 数目。
在一个实施例中,所述室内WIFI定位网络模型的输出层数为所述目标建 筑中不同位置的数目、所述经度的个数和所述纬度个数之和。
本实施例通过创建及训练深度神经网络模型以获取室内WiFi定位网络模 型,提高了对目标对象的定位的准确度,减小了室内复杂场景对定位结果的干 扰,保证了目标对象的安全。
实施例五
如图5所示,在本实施例中,实施例四中的获取模块101,还包括用于执 行实施例二中方法步骤的以下结构:
第一获取单元1011,用于获取不同位置的基站发送的WiFi信号强度;
第二获取单元1012,用于获取所述不同位置的位置信息以及所述位置信息 对应的经度和纬度;
第三获取单元1013,用于对所述WiFi信号强度、所述位置信息以及所述 位置信息对应的经度和纬度进行标记,以获取训练数据集。
本实施例通过获取大量的真实的训练数据作为训练样本,提高了对深度神 经网络模型训练的效率和准确率。
实施例六
如图6所示,在本实施例中,实施例三中的第三获取单元1013,还包括用 于执行实施例三中方法步骤的以下结构:
第一标记子单元10131,用于标记所述位置信息以及所述位置信息对应的 经度和纬度为Y(Fn,L1,L2);其中,所述Fn表示第n个位置信息,所述L1表示第 n个位置的经度,所述L2表示第n个位置的纬度,所述Y表示位置信息的集合;
第二标记子单元10132,用于标记不同位置的基站发送的WiFi信号强度为 X(s1,s2,...s8),以获取训练数据集;其中,所述n表示位置序号,所述Sn表示第 n个位置信息的基站发送的WiFi信号强度;所述X表示WiFi信号强度的集合。
本实施例通过标记训练数据并建立集合,提高了对深度神经网络模型训练 的效率。
实施例七
图7是本发明一实施例提供的终端设备的示意图。如图7所示,该实施例 的终端设备7包括:处理器70、存储器71以及存储在所述存储器71中并可在 所述处理器70上运行的计算机程序72,例如室内WiFi定位程序。所述处理器 70执行所述计算机程序72时实现上述各个室内WiFi定位方法实施例中的步 骤,例如图1所示的步骤S101至S104。或者,所述处理器70执行所述计算机 程序72时实现上述各装置实施例中各模块/单元的功能,例如图4所示模块101 至104的功能。
示例性的,所述计算机程序72可以被分割成一个或多个模块/单元,所述 一个或者多个模块/单元被存储在所述存储器71中,并由所述处理器70执行, 以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计 算机程序指令段,该指令段用于描述所述计算机程序72在所述终端设备7中的 执行过程。例如,所述计算机程序72可以被分割成获取模块、构建模块、训练 模块和输入模块,各模块具体功能如下:
获取模块,用于获取训练数据集;其中,所述训练数据集包括不同位置的 基站发送的WiFi信号强度、位置信息、所述位置信息对应的经度和纬度;
构建模块,用于以所述WiFi信号强度为输入特征,以所述位置信息、所 述位置信息对应的经度和纬度为输出特征,构建深度神经网络模型;
训练模块,用于根据所述训练数据集训练所述深度神经网络模型,以获取 室内WIFI定位网络模型;
输入模块,用于获取目标对象所在地的基站发送的WiFi信号强度并输入所 述室内WIFI定位网络模型,以获取所述目标对象的位置信息。
所述终端设备7可以是桌上型计算机、笔记本、掌上电脑及云端服务器等 计算设备。所述终端设备可包括,但不仅限于,处理器70、存储器71。本领域 技术人员可以理解,图7仅仅是终端设备7的示例,并不构成对终端设备7的 限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部 件,例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器70可以是中央处理单元(Central Processing Unit,CPU),还可 以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用 集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列 (Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或 者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理 器也可以是任何常规的处理器等。
所述存储器71可以是所述终端设备7的内部存储单元,例如终端设备7 的硬盘或内存。所述存储器71也可以是所述终端设备7的外部存储设备,例如 所述终端设备7上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC), 安全数字卡(Secure Digital,SD),闪存卡(Flash Card)等。进一步地,所述 存储器71还可以既包括所述终端设备7的内部存储单元也包括外部存储设备。 所述存储器71用于存储所述计算机程序以及所述终端设备所需的其他程序和 数据。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上 述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上 述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不 同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功 能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在, 也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬 件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模 块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上 述***中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程, 在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详 述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示 例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来 实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用 和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现 所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法, 可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示 意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现 时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一 个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间 的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或 通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为 单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者 也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部 单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中, 也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元 中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的 形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品 销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解, 本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指 令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中, 该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中, 所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、 对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括: 能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、 磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机 存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软 件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法 管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根 据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照 前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其 依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特 征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发 明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种室内WiFi定位方法,其特征在于,包括:
获取训练数据集;其中,所述训练数据集包括不同位置的基站发送的WiFi信号强度、位置信息、所述位置信息对应的经度和纬度;
以所述WiFi信号强度为输入特征,以所述位置信息、所述位置信息对应的经度和纬度为输出特征,构建深度神经网络模型;
根据所述训练数据集训练所述深度神经网络模型,以获取室内WIFI定位网络模型;
获取目标对象所在地的基站发送的WiFi信号强度并输入所述室内WIFI定位网络模型,以获取所述目标对象的位置信息。
2.如权利要求1所述的室内WiFi定位方法,其特征在于,获取训练数据集,包括:
获取不同位置的基站发送的WiFi信号强度;
获取所述不同位置的位置信息以及所述位置信息对应的经度和纬度;
对所述WiFi信号强度、所述位置信息以及所述位置信息对应的经度和纬度进行标记,以获取训练数据集。
3.如权利要求2所述的室内WiFi定位方法,其特征在于,对所述WiFi信号强度、所述位置信息以及所述位置信息对应的经度和纬度进行标记,以获取训练数据集,包括:
标记所述位置信息以及所述位置信息对应的经度和纬度为Y(Fn,L1,L2);其中,所述Fn表示第n个位置信息,所述L1表示第n个位置的经度,所述L2表示第n个位置的纬度,所述Y表示位置信息的集合;
标记不同位置的基站发送的WiFi信号强度为X(s1,s2,...s8),以获取训练数据集;其中,所述n表示位置序号,所述Sn表示第n个位置信息的基站发送的WiFi信号强度,所述X表示WiFi信号强度的集合。
4.如权利要求1所述的室内WiFi定位方法,其特征在于,目标建筑的***设置有至少一个基站。
5.如权利要求4所述的室内WiFi定位方法,其特征在于,所述室内WIFI定位网络模型的输入层数为所述基站的数目。
6.如权利要求4所述的室内WiFi定位方法,其特征在于,所述室内WIFI定位网络模型的输出层数为所述目标建筑中不同位置的数目、所述经度的个数和所述纬度个数之和。
7.一种室内WiFi定位装置,其特征在于,包括:
获取模块,用于获取训练数据集;其中,所述训练数据集包括不同位置的基站发送的WiFi信号强度、位置信息、所述位置信息对应的经度和纬度;
构建模块,用于以所述WiFi信号强度为输入特征,以所述位置信息、所述位置信息对应的经度和纬度为输出特征,构建深度神经网络模型;
训练模块,用于根据所述训练数据集训练所述深度神经网络模型,以获取室内WIFI定位网络模型;
输入模块,用于获取目标对象所在地的基站发送的WiFi信号强度并输入所述室内WIFI定位网络模型,以获取所述目标对象的位置信息。
8.如权利要求7所述的室内WiFi定位装置,其特征在于,所述获取模块,包括:
第一获取单元,用于获取不同位置的基站发送的WiFi信号强度;
第二获取单元,用于获取所述不同位置的位置信息以及所述位置信息对应的经度和纬度;
第三获取单元,用于对所述WiFi信号强度、所述位置信息以及所述位置信息对应的经度和纬度进行标记,以获取训练数据集。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811488255.1A CN109699002B (zh) | 2018-12-06 | 2018-12-06 | 一种室内WiFi定位方法、装置及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811488255.1A CN109699002B (zh) | 2018-12-06 | 2018-12-06 | 一种室内WiFi定位方法、装置及终端设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109699002A true CN109699002A (zh) | 2019-04-30 |
CN109699002B CN109699002B (zh) | 2020-05-19 |
Family
ID=66230399
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811488255.1A Active CN109699002B (zh) | 2018-12-06 | 2018-12-06 | 一种室内WiFi定位方法、装置及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109699002B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110632554A (zh) * | 2019-09-20 | 2019-12-31 | 深圳前海微众银行股份有限公司 | 基于联邦学习的室内定位方法、装置、终端设备及介质 |
CN111835454A (zh) * | 2020-07-09 | 2020-10-27 | 北京中超伟业信息安全技术股份有限公司 | 一种用于蜂窝网络电磁干扰***的环境识别方法及*** |
CN113055901A (zh) * | 2019-12-27 | 2021-06-29 | 中国电信股份有限公司 | 一种终端定位的方法和装置 |
CN114245307A (zh) * | 2021-12-21 | 2022-03-25 | 北京云迹科技股份有限公司 | 一种用于机器人的定位方法、装置、电子设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101778399A (zh) * | 2010-01-18 | 2010-07-14 | 哈尔滨工业大学 | 基于fcm和最小二乘曲面拟合法的wlan室内优化ann定位方法 |
US20140141800A1 (en) * | 2012-11-16 | 2014-05-22 | Lg Electronics Inc. | Mobile terminal and controlling method thereof |
CN105872981A (zh) * | 2016-03-30 | 2016-08-17 | 河海大学常州校区 | 基于信号合成和人工神经网络的室内定位方法 |
CN106792769A (zh) * | 2016-11-22 | 2017-05-31 | 上海斐讯数据通信技术有限公司 | 一种WiFi定位方法及服务器及定位模型建立方法 |
CN106792553A (zh) * | 2016-11-22 | 2017-05-31 | 上海斐讯数据通信技术有限公司 | 一种基于wifi的多楼层定位方法及服务器 |
CN107770860A (zh) * | 2017-10-12 | 2018-03-06 | 贵州大学 | 一种基于神经网络改进算法的WiFi室内定位***及定位方法 |
WO2018209260A1 (en) * | 2017-05-12 | 2018-11-15 | Algorithmic Intuition Inc. | Activities of daily work monitoring and reporting system |
-
2018
- 2018-12-06 CN CN201811488255.1A patent/CN109699002B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101778399A (zh) * | 2010-01-18 | 2010-07-14 | 哈尔滨工业大学 | 基于fcm和最小二乘曲面拟合法的wlan室内优化ann定位方法 |
US20140141800A1 (en) * | 2012-11-16 | 2014-05-22 | Lg Electronics Inc. | Mobile terminal and controlling method thereof |
CN105872981A (zh) * | 2016-03-30 | 2016-08-17 | 河海大学常州校区 | 基于信号合成和人工神经网络的室内定位方法 |
CN106792769A (zh) * | 2016-11-22 | 2017-05-31 | 上海斐讯数据通信技术有限公司 | 一种WiFi定位方法及服务器及定位模型建立方法 |
CN106792553A (zh) * | 2016-11-22 | 2017-05-31 | 上海斐讯数据通信技术有限公司 | 一种基于wifi的多楼层定位方法及服务器 |
WO2018209260A1 (en) * | 2017-05-12 | 2018-11-15 | Algorithmic Intuition Inc. | Activities of daily work monitoring and reporting system |
CN107770860A (zh) * | 2017-10-12 | 2018-03-06 | 贵州大学 | 一种基于神经网络改进算法的WiFi室内定位***及定位方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110632554A (zh) * | 2019-09-20 | 2019-12-31 | 深圳前海微众银行股份有限公司 | 基于联邦学习的室内定位方法、装置、终端设备及介质 |
CN113055901A (zh) * | 2019-12-27 | 2021-06-29 | 中国电信股份有限公司 | 一种终端定位的方法和装置 |
CN113055901B (zh) * | 2019-12-27 | 2022-09-16 | 中国电信股份有限公司 | 一种终端定位的方法和装置 |
CN111835454A (zh) * | 2020-07-09 | 2020-10-27 | 北京中超伟业信息安全技术股份有限公司 | 一种用于蜂窝网络电磁干扰***的环境识别方法及*** |
CN111835454B (zh) * | 2020-07-09 | 2021-03-19 | 北京中超伟业信息安全技术股份有限公司 | 一种用于蜂窝网络电磁干扰***的环境识别方法及*** |
CN114245307A (zh) * | 2021-12-21 | 2022-03-25 | 北京云迹科技股份有限公司 | 一种用于机器人的定位方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109699002B (zh) | 2020-05-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109699002A (zh) | 一种室内WiFi定位方法、装置及终端设备 | |
CN110020620A (zh) | 一种大姿态下的人脸识别方法、装置及设备 | |
CN105222782B (zh) | 一种路线推荐方法及移动终端 | |
CN109816773A (zh) | 一种虚拟人物的骨骼模型的驱动方法、插件及终端设备 | |
CN112218330B (zh) | 定位方法及通信装置 | |
CN110443222A (zh) | 用于训练脸部关键点检测模型的方法和装置 | |
CN109959894A (zh) | 定位方法及终端设备 | |
CN109658033A (zh) | 货源路线相似度计算方法、***、设备及存储介质 | |
CN110232584A (zh) | 停车场选址方法、装置、计算机可读存储介质及终端设备 | |
CN109996220A (zh) | 基于蓝牙寻找移动终端的方法、装置及存储介质 | |
CN110471409A (zh) | 机器人巡检方法、装置、计算机可读存储介质及机器人 | |
CN110414778A (zh) | 案件派工方法和装置 | |
CN110096071A (zh) | 一种跟踪控制方法、装置及移动终端 | |
CN110263918A (zh) | 训练卷积神经网络的方法、装置、电子设备和计算机可读存储介质 | |
CN106658538B (zh) | 一种基于泰森多边形的手机基站信号覆盖范围模拟方法 | |
CN109756970B (zh) | 临近关系无线信号定位方法、装置、设备及存储介质 | |
CN110082713A (zh) | 定位方法、终端设备及存储介质 | |
CN110049441B (zh) | 基于深度集成学习的WiFi室内定位方法 | |
CN110231593A (zh) | 室内定位方法、装置、计算机可读存储介质及终端设备 | |
CN111814044A (zh) | 一种推荐方法、装置、终端设备及存储介质 | |
CN107333278A (zh) | 一种公众移动通信信号覆盖可视化实现方法 | |
CN107071553A (zh) | 一种修改视频语音的方法、装置和计算机可读存储介质 | |
CN110390511A (zh) | 信贷申请审批方法、装置、设备和存储介质 | |
WO2020168493A1 (zh) | 三维场景建模方法、装置、设备及存储介质 | |
CN110211227A (zh) | 一种三维场景数据处理方法、装置及终端设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |