本文是一篇计算机论文范文，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。
第一章 绪论
1.1研究背景及意义
位置指纹信息具体包含三大核心因素：所在地理位置，处在该地理位置的时间和处在该地理位置的信号特征。利用位置信息，不仅可以因地制宜，提供所在位置附近的相关推荐服务，还可以提供实时性服务及个性化的定制服务。在实际生活中，许多基于位置的服务均需要应用到室内定位。商业应用方面，位置服务可以记录顾客行走轨迹、停留时间等以挖掘用户的消费习惯，实现基于位置的广告推送等；记录不同地区顾客出现的累加情况，用于确定热点购物区域等。生活方面，位置服务可以用于大型商场以及大型图书馆的导航等。在医疗方面，位置服务可以用于电子导医、病患的定位以及紧急救援等。
然而，由于室内环境存在众多遮挡，且不断地变化，因而像已然成熟的 GPS、北斗导航等室外定位技术都无法应用到室内定位中。为了缓解复杂室内环境的影响，越来越多的室内定位技术逐渐兴起，比如到达时间(Time of Arrival, ToA)[1][2]、到达时间差(Time Difference ofArrival,TDoA)[3][4]、到达角度法[5][6]、传播模型法[7][8]以及位置指纹法[9][10]。其中，位置指纹法凭借低成本和高精度的特点成为室内定位领域的研究热点。该方法的主要技术原理是利用在不同环境采集的一组位置指纹数据来刻画当前位置的信号特征，并映射到实际环境中，然后构建出与实际环境相对应的位置指纹库，再采用实时采集的位置信息，与指纹库中的数据进行匹配，最后实现对当前位置的估计。从位置指纹法的技术原理分析得知，如果要实现高精度的定位效果，即为了构建更稳定的位置指纹库，如何选取位置指纹信息、如何采集以及如何处理位置指纹信息这三个问题无疑是当前亟需解决的问题。
目前，在位置指纹信息的选取方面，研究单传感器位置指纹法居多，但是单独的射频信号不够稳定，容易受到环境的干扰，所能建立的位置指纹库的稳定性有限。而将射频信号与非射频信号结合形成多传感器位置指纹信息，可以构建更加稳定的位置指纹库。因此，本文选择多传感器位置指纹信息作为采集和处理的对象，首先，在保证采集准确的位置指纹信息的前提下，采用众包技术提高采集方法的效率[11]，其次，采用机器学习的方法处理位置指纹信息，以构建更加稳定且准确的多传感器位置指纹库。
....................
1.2国内外研究现状
位置指纹信息的采集与处理过程直接影响到定位系统的定位效果，而且这方面的应用也与人们日常生活息息相关。
早期，大部分位置指纹信息的采集方法还是通过传统的现场勘测方法来采集位置指纹信息，传统的位置指纹信息的采集方法是通过专业采集人员在已知坐标参考点采集某一个或多个接入点(AccessPoint,AP)的位置指纹信息，以构建位置指纹库。虽然传统的采集方法也能够构建稳定的位置指纹库，但是这个过程需要耗费大量的人力和时间成本，而且一旦室内环境发生变化，已有的位置指纹库便需要再次更新。因此，传统的位置指纹信息的采集方法不具有可扩展性。而当众包技术被研究出来之后，很多学者开始利用众包技术[12]采集位置指纹信息。文献[13]开发了一个众包指纹信息采集系统，利用参与的众包用户对系统的反馈来不停地更新位置指纹库，该方法虽然可以保证构建的指纹库的有效性，但是会影响用户的使用体验。文献[14]提出了一种利用众包技术采集房间内位置指纹信息的方法，该方法是建立了开放的位置指纹信息采集系统，用户可以主动采集位置指纹信息，也可以自动实现，但是并不影响用户的使用体验。在该方法中，作者发现由于异质设备的差异性，不同设备采集的位置指纹数据具有一定的差异性，从而导致该方法建立的位置指纹库的稳定性比较差。
Kawajiri 等人[15]在 2014 年利用众包提出一种“引导式人群感知”的采集方法，该方法则是利用采集系统对用户的激励来提高众包样本的采集效率，虽然该方法的采集效率得到了一定的保证，但是指纹数据的稳定性却没有得到保证。文献[16]从保证所采集的位置指纹信息的准确性的角度出发，利用用户上传的众包数据对发生改变的 AP 信息进行校正或者移除出现问题的 AP，从而构建稳定的位置指纹库，并进一步实现位置指纹库的更新。文献[17][18]则提出一种基于众包的子区域位置指纹信息的采集方法，作者将室内环境划分为多个子区域，从而利用每个子区域中的用户众包数据对该区域的位置指纹库进行建立和更新，使得位置指纹库的建立得到了细化，进而保证了稳定性。上述的方法都是采集单一的位置指纹信息，而多传感器信息的融合更能提高位置指纹库的稳定性，因此，文献[19]利用众包技术采集异构网络中的 RSS 数据、图像数据和地图信息，组合成异构位置指纹库。
........................
第二章 多传感器位置指纹库的体系架构设计与相关技术
2.1体系架构设计
多传感器位置指纹库建立的体系架构图如图 2.1 所示，整体的体系架构设计分为两个模块，在移动端是采用多部移动设备并结合众包技术采集多传感器位置指纹信息，采集完众包指纹信息之后，上传至指纹服务器端进行处理，进而生成多传感器位置指纹库。
移动端和指纹服务器端这两个实体中又包含了各自的软件模块，移动端包括众包多传感器位置指纹信息采集模块和多传感器位置指纹信息上传模块，指纹服务器端包括多传感器位置指纹数据接收模块、多传感器位置指纹信息预处理模块和训练卷积神经网络(ConvolutionalNeural Network,CNN)模型模块，只有这些软件模块协调交互才能完成整个多传感器位置指纹库建立的工作流程。
........................
2.2位置指纹信息组成
位置指纹信息主要用于室内信号指纹定位技术中，这些信号指纹主要可以分为两类，一类是基于无线电信号，例如 ZigBee，蓝牙和 WiFi，另一类是基于非无线电信号，例如红外，超声波和地磁场。从多传感器位置指纹库建立的体系架构设计可知，由 WiFi 信号的 CSI 相位、WiFi 信号的 CSI 幅度、4G 蜂窝通信网络的 RSS 和地磁信息组成的联合位置指纹信息，在经过卷积神经网络处理之后，生成多传感器位置指纹库，指纹库中第 i 个位置参考点的指纹表示为 FP(i)={(w1i, b1i), (w2i, b2i), (w3i, b3i), (w4i, b4i), (w5i, b5i), (xi, yi)}，其中 w1i和 b1i分别表示的是卷积神经网络中第一层神经网络训练得到的权重和偏置，(xi, yi)表示参考点 i 的坐标。因此，下面主要介绍 4G 蜂窝通信网络的 RSS、WiFi 信号的 CSI 和地磁等位置指纹信息。
从古代思南到今天的智能手机指南针软件，它们都利用地球磁场来寻找方向。研究表明，当发生地磁风暴时，磁场的变化很小且很快[45]。因此，可以使用地磁场作为信号源。室内的地磁指纹具有一定的差异性，但是，单独使用地磁信息作为位置指纹会出现定位漂移，因此，采用地磁结合 WiFi 信号作为位置指纹信息可以提高位置指纹库的稳定性。而且，现在的智能手机一般都内置磁传感器，无需额外部署设备，可以控制成本。在使用地磁信息作为位置指纹信息之前，需要充分研究地磁场。首先，通过智能手机内置的传感器获取的数据是三轴信息。手机的三条坐标轴如图 2.4 所示。
..........................
第三章 惯性传感器辅助的众包指纹信息的采集与预处理........................... 13
3.1现有被动众包模型存在的问题 ............................ 13
3.2惯性传感器辅助的众包指纹信息的采集与预处理技术方案....................... 14
第四章 基于卷积神经网络的多传感器位置指纹信息的处理................................... 22
4.1现有方案的局限性............................. 22
4.2卷积神经网络............................ 23
第五章 性能评估............................ 31
5.1实验准备...................................... 31
5.1.1 实验环境............................. 31
5.1.2 评估方法..................... 32
第五章 性能评估
5.1实验准备
5.1.1 实验环境
本次实验选在南京邮电大学三牌楼校区的综合科研大楼 3 楼的 302 办公室和室内大厅以及走廊，实验环境平面图如图 5.1 所示，图 5.2 是实际的实验场景图。实验在两个不同的场景中进行，一个是放了许多桌子和电脑的办公室，该区域是 5.45m*8.2m，该区域标记了 28 个位置参考点，另一个是室内大厅和走廊，该区域标记了 54 个位置参考点，位置参考点之间的间隔大小，对于定位精度是有一定的影响的，因为如果参考点之间的距离太小，会导致距离相近的位置的指纹信息相似性比较大，就会难以区分位置。而如果参考点之间的距离太大，就会导致有些目标点定位不到，进而产生较大的定位误差。在研读了一些论文后[63]，发现当位置参考点之间的距离大于 0.3 m 时，定位效果是
