多传感器位置指纹信息的采集与处理技术

可以接受的。因此，我们将每个参考点的水平和垂直间距设置为 0.6m。在这两种实验场景下，采用配备英特尔 5300 网卡的 Thinkpad笔记本作为采集 CSI 数据的接收器，红米 Note7Pro 和华为荣耀 V10 作为采集地磁数据和 4G蜂窝通信网络的 RSS 数据的设备，将任何一台手机置于笔记本的网卡天线位置处，作为一台移动终端并结合众包技术在实验环境中采集多传感器位置指纹信息，并放置于 0.6m*0.6m 正方形的中心位置，配备 3 根天线的单个路由器 LINKSYSEA4500 作为发射器，分别在 302 室和电梯附近将发射器的位置固定。在每次采集数据时运行基于英特尔 5300 网卡的 CSI 工具和智能手机的多传感器数据采集器，同时采集多传感器位置指纹信息。接收器的笔记本操作系统为 Ubuntu 桌面 12.04 版本，CSI 工具用于提取通信中每个参考点的 CSI 信息。发送器以200 Hz 的频率发送数据包，在处理分组之后，可以提取 CSI，安卓智能手机通过调用磁传感器接口采集地磁信息，调用电话管理器接口采集 4G 蜂窝通信网络的 RSS 数据。采集完之后，统一在指纹服务器上进行处理，在 4.3.3 小节中说明了每组数据的输入尺寸为 64*64*3，采用滑动窗口的方式扩展数据集。

.........................

第六章 总结与展望

6.1本文工作总结

位置服务成为很多应用的需求，而且在复杂多变的室内环境中，低成本高精度的室内位置指纹定位方法一直是研究的热点。鉴于以上需求，本文针对 WiFi 信号的 CSI 相位、WiFi 信号的 CSI 幅度、4G 蜂窝通信网络的 RSS 和地磁等多传感器信号的特性，并分析它们的优缺点，将多传感器信号特征结合起来应用于室内定位中，提出了分别在采集和处理多传感器位置指纹信息方面的两种技术，主要的研究工作如下：

(1)分析了现有被动众包模型存在的问题，针对被动众包模型中存在的位置标记不准确、设备异质性和采集数据不稳定的问题，提出一种惯性传感器辅助的众包指纹信息的采集与预处理技术。该方法的采集对象是 WiFi 信号的 CSI 相位、WiFi 信号的 CSI 幅度、4G 蜂窝通信网络的 RSS 和地磁信息，分别采用提出的惯性传感器辅助的位置标记方法和补偿偏差与室内地图限制方法结合的方法消除了累积误差、校准了地磁数据的异质性和 CSI 相位误差、以及采用提出的梯度滤波和卡尔曼滤波结合的集成滤波方法填补了缺失的 RSS 数据，并进一步平滑 RSS 数据和减少了噪声对 RSS 数据的影响。实验证明该方案与传统的位置指纹信息的采集方法相比，提高了指纹数据的采集效率和准确性。

(2)研究了如何采用机器学习的方法处理多传感器位置指纹数据，并分析了现有方案的局限性。针对位置指纹处理技术中对指纹数据挖掘不够深入以及定位精度低的问题，提出一种基于卷积神经网络的多传感器位置指纹信息的处理技术。该方法利用 WiFi 信号的 CSI 相位、WiFi 信号的 CSI 幅度、4G 蜂窝通信网络的 RSS 和地磁信息作为联合位置指纹信息，丰富了位置指纹信息的特征，在离线阶段首先对不同种类的传感器数据进行归一化，以满足卷积神经网络的输入，再将训练数据导入提出的卷积神经网络模型里面进行训练，采用训练完的权值作为指纹存入位置指纹库。在线阶段采用基于径向基的概率方法来描述目标位置的数据与指纹库中数据的相似性，根据此来计算目标位置在每个参考点的概率，最后对各个位置进行加权平均以估计目标位置。实验证明，所提出的方法在定位精度和定位稳定性都要优于常用的神经网络方法和传统的无需学习的机器学习方法。

参考文献（略）