一种基于能见度的室外定位方法及服务器与流程

本发明涉及无线局域网
技术领域：
，尤其涉及一种基于能见度的室外定位方法及服务器。
背景技术：
：目前在世界范围内的定位技术主要有GPS定位、Wi-Fi定位、蓝牙定位等，GPS定位主要应用于室外，Wi-Fi、蓝牙定位既可用于室内，也可用于室外。由于Wi-Fi定位相对成熟，下面以Wi-Fi定位技术为背景来介绍本发明的具体内容。随着无线路由器的普及，目前大部分公共区域都已经实现十几个甚至几十个WiFi信号覆盖，而且这些路由器在向四周传播WiFi信号的同时，也不停的发送其物理地址与信号强度等信息，只要在其信号覆盖范围内，即使不知道Wi-Fi的密码，也同样能获得这些信息。通用的WiFi室内定位技术大多是基于IEEE802.11b/g协议的无线局域网(WLAN)的信号强度定位技术。基于信号强度的定位技术基本原理是根据接收到的信号的强度推算信号接收器与信号源之间的距离，主要分成两类：三角形强度算法以及位置指纹识别算法。其中三角形强度算法精度低，难以满足室内定位要求；而普通指纹识别算法又存在接收设备不同而使得接收信号存在误差的缺陷。技术实现要素：为解决上述技术问题，本发明提供一种基于能见度的室外定位方法及服务器，通过采集各个无线接入点对应的信号强度数据以及能见度数据，实现基于深度神经网络的WiFi室外定位。本发明提供的技术方案如下：本发明公开了一种基于能见度的室外定位方法，所述方法包括步骤：S100、采集检测区域中各个无线接入点接收待检测客户端所发的信号的信号强度数据和能见度数据；S200、分别将所述信号强度数据以及所述能见度数据输入训练后的定位模型的输入数据层；S300、基于训练后的定位模型的网络层计算所述信号强度数据以及所述能见度数据，并根据输出层的输出结果确定待检测客户端的位置。进一步优选的，所述能见度数据是在不同预设能见度状态下采集，每个所述预设能见度状态对应一个所述能见度数据。进一步优选的，所述步骤S100之前还包括步骤：S000、预先训练深度神经网络，将训练后的深度神经网络作为所述定位模型。进一步优选的，所述步骤S000进一步包括步骤：S001、预先设置训练位置标签；S002、分别采集不同预设能见度状态下各个无线接入点接收到训练终端在每个训练位置标签在检测区域内对应位置上所发的信号的信号强度数据以及与当前预设能见度状态对应的所述能见度数据；根据各个无线接入点接收到训练终端在每个所述训练位置标签所对应的位置上所发信号的信号强度数据及对应的所述能见度数据生成训练样本数据，将所有所述训练样本数据生成训练数据集，并送入深度神经网络中；S003、将深度神经网络的输入数据层定义为二通道数据层，所述二通道数据层的节点与各个无线接入点相对应，按照二通道数据层的节点与无线接入点对应的方式分别将每个所述训练样本数据中每个与无线接入点对应的信号强度数据结合对应的能见度数据输入对应节点的二个通道，经过所述深度神经网络输出与所述训练样本数据中所述训练位置标签相对应的训练结果；S004、依次将输出的训练结果与其对应的所述训练位置标签进行比较，根据比较结果对深度神经网络进行训练，将训练后的深度神经网络作为所述定位模型。进一步优选的，所述步骤S002与所述步骤S003之间还包括步骤：S025、分别对所有所述训练样本数据中的信号强度数据以及能见度数据进行归一化处理；所述步骤S100和所述步骤S200之间还包括步骤：S150、对采集的各个无线接入点接收待检测客户端所发的信号的信号强度数据以及能见度数据进行归一化处理。本发明还公开了一种基于能见度的室外定位服务器，包括：数据采集模块，用于采集检测区域中各个无线接入点接收待检测客户端所发的信号的信号强度数据和能见度数据；定位模块，用于将采集到的所述信号强度数据以及所述能见度数据输入训练后的定位模型的输入数据层，基于定位模型的网络层计算所述信号强度数据以及所述能见度数据，并根据输出层的输出结果确定待检测客户端的位置。进一步优选的，所述能见度数据是在不同预设能见度状态下采集，每个所述预设能见度状态对应一个所述能见度数据。进一步优选的，还包括：训练模块，用于预先训练深度神经网络，将训练后的深度神经网络作为所述定位模型。进一步优选的，所述训练模块进一步包括：标签预设子模块，用于预先设置用于训练的训练位置标签；训练数据集生成子模块，用于分别采集不同预设能见度状态下各个无线接入点接收到训练终端在每个训练位置标签在检测区域内对应位置上所发的信号的信号强度数据以及与当前预设能见度状态对应的所述能见度数据；根据各个无线接入点接收到训练终端在每个所述训练位置标签所对应的位置上所发信号的信号强度数据及对应的所述能见度数据生成训练样本数据，将所有所述训练样本数据生成训练数据集，并送入深度神经网络中；输入数据层定义子模块，用于将深度神经网络的输入数据层定义为二通道数据层，所述二通道数据层的节点与各个无线接入点相对应；训练预测子模块，用于按照二通道数据层的节点与无线接入点对应的方式分别将每个所述训练样本数据中每个与无线接入点对应的信号强度数据结合对应的能见度数据输入对应节点的二个通道，经过所述深度神经网络输出与所述训练样本数据中所述训练位置标签相对应的训练结果，依次将输出的训练结果与其对应的所述训练位置标签进行比较，根据比较结果对深度神经网络进行训练，将训练后的深度神经网络作为所述定位模型。进一步优选的，还包括：数据处理模块，用于分别对所有所述训练样本数据中信号强度数据以及能见度数据进行归一化处理，以及用于对采集的各个无线接入点接收待检测客户端所发的信号的信号强度数据以及能见度数据进行归一化处理。与现有技术相比，本发明提供的一种基于能见度的室外定位方法及服务器，通过收集待测客户端所在位置的信号强度数据以及包含能见度数据，输入训练好的定位模型，即可确定待测客户端所在位置，将能见度数据结合信号强度数据作为深度神经网络的输入，提高了不同天气状态下室外定位的精度。附图说明下面将以明确易懂的方式，结合附图说明优选实施方式，对本发明予以进一步说明。图1为本发明一种基于能见度的室外定位方法的主要步骤示意图；图2为本发明一种基于能见度的室外定位方法的训练深度神经网络的步骤示意图；图3为本发明一种基于能见度的室外定位服务器的主要组成示意图；图4为本发明一种基于能见度的室外定位服务器的完整组成示意图。附图标记：100、数据采集模块，200、定位模块，300、训练模块，311、标签预设子模块，312、训练数据集生成子模块，313、输入数据层定义子模块，314、训练预测子模块，400、数据处理模块。具体实施方式为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对照附图说明本发明的具体实施方式。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的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。为使图面简洁，各图中只示意性地表示出了与本发明相关的部分，它们并不代表其作为产品的实际结构。另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个。在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形。图1为本发明一种基于能见度的室外定位方法的主要步骤示意图，如图1所示，一种基于能见度的室外定位方法，所述方法包括步骤：S100、采集检测区域中各个无线接入点接收待检测客户端所发的信号的信号强度数据和能见度数据；S200、分别将所述信号强度数据以及所述能见度数据输入训练后的定位模型的输入数据层；S300、基于训练后的定位模型的网络层计算所述信号强度数据以及所述能见度数据，并根据输出层的输出结果确定待检测客户端的位置。具体的，上述待检测客户端(以下简称STA)是以智能手机、笔记本电脑或个人平板电脑等智能终端设备为载体。其中，各个无线接入点接收待检测客户端所发的信号的信号强度数据通过以下方式获取：STA在检测区域中实时发送探测帧，无线接入点收到后获取所述探测帧的信号强度，各个无线接入点上报信号强度至本地服务器或云服务器，服务器根据各个无线接入点上报的RSSI信号强度生成信号强度数据。例如，信号强度数据的格式为<RSSI1，RSSI2，RSSI3，RSSI4，RSSI5>，其中RSSI1为AP1收到的STA的RSSI，RSSI2为AP2收到的STA的RSSI，以此类推。本实施例中所述能见度数据是在不同预设能见度状态下采集，每个所述预设能见度状态对应一个所述能见度数据。其中，预设能见度状态是根据下雨情况对能见度进行划分，具体划分等级可自行设定，比如包括能见度0、能见度1000米、能见度2000米等，此处便于解释采用具体数值，但本发明对预设能见度状态不作限定，可根据实际使用情况设定。不同的预设能见度状态对应不同的能见度数据，其中能见度数据是根据预设能见度状态进行表示，具体的表示方法本实施例采用能见度的倒数乘100作为参数，比如，预设能见度状态为能见度100米，则能见度数据表示1/100*100＝1.0，预设能见度状态为10公里，则能见度数据表示为1/10000*100＝0.01。下面介绍本发明中采集的待检测客户端所在位置的信号强度数据以及能见度数据。假设现在有室外AP1，AP2，AP3。三个与AP对应的信号强度数据，以RSSI表示，再增加一个输入：能见度数据输入。其中能见度数据是根据预设能见度状态进行计算得到的参数。假设有同一个待检测客户端在同一位置不同预设能见度状态下采集数据，STA1表示为非雨天采集，STA2表示为雨天，能见度1000米采集，则举例如下：表一如表一所示，在同一位置不同天气状态下采集数据，显然信号强度数据存在差异。本发明在进行室外定位时采集的数据的格式即为上述表一中所示。现有基于WiFi的室外定位，一般通过AP获取STA的信号强度数据来作为定位输入数据，但通常有一个因素不被考虑在内：空气的能见度和下雨情况。因此，在室外环境中进行定位时，不同的预设能见度状态下STA接收的信号强度数据差异较大，本发明将能见度数据考虑进去，结合信号强度数据作为输入定位模型的原始数据，从而进一步增加WIFI室外定位的定位精度，提高定位准确率。需要说明的是，在非下雨时，能见度主要是空气污染引起的，而污染本身对无线电的传输并无意义，所以在非雨天，不管能见度如何都把能见度参数设为0。在雨天，能见度是和雨量的大小相关的，我们把能见度的倒数乘100作为参数。优选的，所述步骤S100之前还包括步骤：S000、预先训练深度神经网络，将训练后的深度神经网络作为所述定位模型。具体的，本发明中根据定位得到的输出结果不同，可以包含两种具体实现方式，方式一是通过深度神经网络作为定位模型输出待检测客户端所在位置所属某个预先设置的分类的概率值，方式二是通过深度神经网络作为定位模型直接输出待检测客户端所在位置的预设位置坐标。本发明对具体训练方式不作限定。本发明采用有监督的全局参数训练的方法：已知接收到的信号强度数据和能见度数据的实际位置，通过不断调整网络参数使得深度神经网络的网络层的输出和真实的结果相同。图2为本发明一种基于能见度的室外定位方法的训练深度神经网络的步骤示意图。优选的，如图2所示，所述步骤S000进一步包括步骤：S001、预先设置训练位置标签；S002、分别采集不同预设能见度状态下各个无线接入点接收到训练终端在每个训练位置标签在检测区域内对应位置上所发的信号的信号强度数据以及与当前预设能见度状态对应的所述能见度数据；根据各个无线接入点接收到训练终端在每个所述训练位置标签所对应的位置上所发信号的信号强度数据及对应的所述能见度数据生成训练样本数据，将所有所述训练样本数据生成训练数据集，并送入深度神经网络中；S003、将深度神经网络的输入数据层定义为二通道数据层，所述二通道数据层的节点与各个无线接入点相对应，按照二通道数据层的节点与无线接入点对应的方式分别将每个所述训练样本数据中每个与无线接入点对应的信号强度数据结合对应的能见度数据输入对应节点的二个通道，经过所述深度神经网络输出与所述训练样本数据中所述训练位置标签相对应的训练结果；S004、依次将输出的训练结果与其对应的所述训练位置标签进行比较，根据比较结果对深度神经网络进行训练，将训练后的深度神经网络作为所述定位模型。具体的，因为本实施例中信号强度数据以及能见度数据为多维数据，因此定义用作定位模型的深度神经网络的输入数据层为三通道数据层。下面以方式一通过深度神经网络作为定位模型输出待检测客户端所在位置所属某个预先设置的分类的概率值为例，具体介绍本发明对深度神经网络训练的过程。1、在训练时，首先采集各个无线接入点接收到训练终端在预设训练位置标签在检测区域内对应位置上所发的信号的信号强度数据以及能见度数据。本实施例中预设训练位置标签为自行定义，具体可通过网格划分检测区域，将检测区域划分为预设数量的网格分类，将每个网格分类分配对应的预设训练位置标签，也可通过在检测区域建立平面直角坐标系，分别在坐标系中设置对应的位置坐标为预设训练位置标签。本实施例中以方式一进行举例，下面以实际数据解释本发明中采集的每个预设训练位置标签对应位置的网络数据。(1)假设在其中一个预设训练位置标签所在位置在非雨天所采集到的所有原始数据如下：<(-32，0)，(-52，0)，(-60，0)，34>代表：RSSI1＝-32dBm，能见度0(非雨天)RSSI2＝-52dBm，能见度0(非雨天)RSSI3＝-60dBm，能见度0(非雨天)label＝34，表示此预设训练位置标签的标识为34，代表监测区域中标识为34的网格所在位置。(2)假设在其中一个预设训练位置标签所在位置在雨天能见度1000米所采集到的所有原始数据如下：<(-20，0.1)，(-30，0.1)，(-40，0.1)，45>代表：RSSI1＝-20dBm，能见度0.1(雨天，能见度1000米)RSSI2＝-30dBm，能见度0.1(雨天，能见度1000米)RSSI3＝-40dBm，能见度0.1(雨天，能见度1000米)label＝45，表示此预设训练位置标签的标识为45，代表监测区域中标识为45的网格所在位置。2、依次采集每个预设训练位置标签上不同预设能见度状态下的数据，形成训练样本数据。3、依次通过训练样本数据训练深度神经网络。由于采集的原始数据是二维数据，因此，定义用作定位模型的深度神经网络的输入数据层也为二通道数据层，二通道数据层的节点与各个无线接入点相对应。按照二通道数据层的节点与无线接入点对应的方式分别将每个所述训练样本数据中每个与无线接入点对应的信号强度数据结合对应的能见度数据输入对应节点的二个通道，以上述一个预设训练位置标签所在位置在非雨天所采集到的所有原始数据为例，将采集的原始数据输入二通道数据层，每个通道输入的数据如表二所示：表二通道1通道2-320-520-600如表二所示，表二中通道1表示采集的与各个无线接入点对应的信号强度数据，单位为DB，通道2表示预设能见度状态下对应的能见度数据。依次将每个预设训练位置标签对应的训练样本数据送入深度神经网络的三通道数据层的三个通道，最后输出训练结果与训练位置标签的误差，最后通过调整深度神经网络中的参数使得整个网络的Loss即误差最小。需要说明的是，整个深度神经网络中没有标明具体参数，因为这些参数和具体的空间以及AP的个数有关，不在本专利的范围内。优选的，所述步骤S002与所述步骤S003之间还包括步骤：S025、分别对所有所述训练样本数据中的信号强度数据以及能见度数据进行归一化处理；所述步骤S100和所述步骤S200之间还包括步骤：S150、对采集的各个无线接入点接收待检测客户端所发的信号的信号强度数据以及能见度数据进行归一化处理。由于采集的原始数据的单位不相同，AP对应为RSSI，能见度为参数，，所以采集数据在输入深度神经网络时，应归一化(具体归一化方法不作具体限定，可采用现有技术中所有适合的归一化处理方法)。由于深度神经网络在训练时，同时兼顾了信号强度数据和能见度数据，所以训练出的深度神经网络在进行定位预测时会考虑到能见度和天气的影响，使得训练更准确，从而使定位更加准确。图3为本发明一种基于能见度的室外定位服务器的主要组成示意图，如图3所示，一种基于能见度的室外定位服务器，包括：数据采集模块100，用于采集检测区域中各个无线接入点接收待检测客户端所发的信号的信号强度数据和能见度数据；定位模块200，用于将采集到的所述信号强度数据以及所述能见度数据输入训练后的定位模型的输入数据层，基于定位模型的网络层计算所述信号强度数据以及所述能见度数据，并根据输出层的输出结果确定待检测客户端的位置。具体的，上述待检测客户端(以下简称STA)是以智能手机、笔记本电脑或个人平板电脑等智能终端设备为载体。其中，各个无线接入点接收待检测客户端所发的信号的信号强度数据通过以下方式获取：STA在检测区域中实时发送探测帧，无线接入点收到后获取所述探测帧的信号强度，各个无线接入点上报信号强度至本地服务器或云服务器，服务器根据各个无线接入点上报的RSSI生成信号强度数据。例如，信号强度数据的格式为<RSSI1，RSSI2，RSSI3，RSSI4，RSSI5>，其中RSSI1为AP1收到的STA的RSSI，RSSI2为AP2收到的STA的RSSI，以此类推。本实施例中所述能见度数据是在不同预设能见度状态下采集，每个所述预设能见度状态对应一个所述能见度数据。其中，预设能见度状态是根据下雨情况对能见度进行划分，具体划分等级可自行设定，比如包括能见度0、能见度1000米、能见度2000米等，此处便于解释采用具体数值，但本发明对预设能见度状态不作限定，可根据实际使用情况设定。现有基于WiFi的室外定位，一般通过AP获取STA的信号强度数据来作为定位输入数据，但通常有一个因素不被考虑在内：空气的能见度和下雨情况。因此，在室外环境中进行定位时，不同的预设能见度状态下STA接收的信号强度数据差异较大，本发明将能见度数据考虑进去，结合信号强度数据作为输入定位模型的原始数据，从而进一步增加WIFI室外定位的定位精度，提高定位准确率。图4为本发明一种基于能见度的室外定位服务器的完整组成示意图。如图4所示，优选的，如图4所示，还包括：训练模块300，用于预先训练深度神经网络，将训练后的深度神经网络作为所述定位模型。具体的，本发明中根据定位得到的输出结果不同，可以包含两种具体实现方式，方式一是通过深度神经网络作为定位模型输出待检测客户端所在位置所属某个预先设置的分类的概率值，方式二是通过深度神经网络作为定位模型直接输出待检测客户端所在位置的预设位置坐标。本发明对具体训练方式不作限定。本发明采用有监督的全局参数训练的方法：已知与各个无线接入点对应的信号强度数据和能见度数据的实际位置属于某个预设训练位置标签，通过不断调整网络参数使得深度神经网络的网络层的输出和真实的结果相同。优选的，所述训练模块进一步包括：标签预设子模块311，用于预先设置用于训练的训练位置标签；训练数据集生成子模块312，用于分别采集不同预设能见度状态下各个无线接入点接收到训练终端在每个训练位置标签在检测区域内对应位置上所发的信号的信号强度数据以及与当前预设能见度状态对应的所述能见度数据；根据各个无线接入点接收到训练终端在每个所述训练位置标签所对应的位置上所发信号的信号强度数据及对应的所述能见度数据生成训练样本数据，将所有所述训练样本数据生成训练数据集，并送入深度神经网络中；输入数据层定义子模块313，用于将深度神经网络的输入数据层定义为二通道数据层，所述二通道数据层的节点与各个无线接入点相对应；训练预测子模块314，用于按照二通道数据层的节点与无线接入点对应的方式分别将每个所述训练样本数据中每个与无线接入点对应的信号强度数据结合对应的能见度数据输入对应节点的二个通道，经过所述深度神经网络输出与所述训练样本数据中所述训练位置标签相对应的训练结果，依次将输出的训练结果与其对应的所述训练位置标签进行比较，根据比较结果对深度神经网络进行训练，将训练后的深度神经网络作为所述定位模型。需要说明的是，对于上述训练模块300的训练过程详见本发明方法部分对于训练深度神经网络的解释，此处不再复述。本服务器中各模块之间的信息交互、执行过程等内容与上述方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。优选的，还包括：数据处理模块400，用于分别对所有所述训练样本数据中信号强度数据以及能见度数据进行归一化处理，以及用于对采集的各个无线接入点接收待检测客户端所发的信号的信号强度数据以及能见度数据进行归一化处理。由于采集的原始数据的单位不相同，AP对应为RSSI，能见度为参数，所以采集数据在输入深度神经网络时，应归一化(具体归一化方法不作具体限定，可采用现有技术中所有适合的归一化处理方法)。由于深度神经网络在训练时，同时兼顾了信号强度数据和能见度数据，所以训练出的深度神经网络在进行定位预测时会考虑到能见度和天气的影响，使得训练更准确，从而使定位更加准确。本服务器中各模块之间的信息交互、执行过程等内容与上述方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。应当说明的是，上述实施例均可根据需要自由组合。以上所述仅是本发明的优选实施方式，应当指出，对于本
技术领域：
的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。当前第1页1 2 3