一种基于迁移学习的室内定位方法、装置、设备和介质

1.本发明涉及室内定位技术领域，尤其涉及一种基于迁移学习的室内定位方法、装置、设备和介质。


背景技术：

2.随着科技的发展，人们通过手机、平板电脑和笔记本电脑等便携式设备获取自身位置信息的需求越来越多，进而出现了各种各样的定位方式，例如全球定位系统(global positioning system，通常简称gps)、北斗系统等。
3.然而随着城市的发展，建筑的规模越来越大，人们对室内定位的需求越来越大，但上述的定位技术主要适用于室外空旷位置，利用同步卫星建立的定位系统进行定位，而室内接收卫星信号的能力较差，难以使用卫星定位系统进行精确室内定位。
4.为此，现有的室内定位方式通常是通过wi
‑
fi、蓝牙、uwb、rfid、红外线、rfid、zigbee、超声波、移动通讯网络、地磁以及指纹定位等实现，但上述室内定位方式通常是基于离线建立的无线电地图进行在线定位，但由于其无线电信号强度容易受到温度、湿度、人为走动、室内摆设移动等环境变化的影响，导致室内定位精度下降。


技术实现要素：

5.本发明提供了一种基于迁移学习的室内定位方法、装置、设备和介质，解决了现有的室内定位方法由于其信号强度容易受到温度、湿度、人为走动、室内摆设移动等环境变化的影响，导致室内定位精度下降的技术问题。
6.本发明第一方面提供的一种基于迁移学习的室内定位方法，应用于中心服务器，所述方法包括：
7.当接收到针对待定位终端的定位请求时，获取所述待定位终端所处空间的室内平面图以及所述定位请求所携带的定位指纹向量；
8.按照预定规格对所述室内平面图进行网格划分，得到室内网格图；
9.提取所述定位指纹向量的中间特征，构建特征输入矩阵；
10.将所述特征输入矩阵输入到预设的目标神经网络模型，生成所述定位指纹向量对应的位置概率向量；
11.根据所述室内网格图和所述位置概率向量，确定所述待定位终端的室内位置坐标。
12.可选地，所述提取所述定位指纹向量的中间特征，构建特征输入矩阵的步骤，包括：
13.将所述定位指纹向量映射到频域并进行快速傅里叶逆变换，得到所述定位指纹向量在所述频域的时域特征；
14.采用所述定位指纹向量和所述时域特征，构建特征输入矩阵。
15.可选地，所述将所述特征输入矩阵输入到预设的目标神经网络模型，生成所述定
位指纹向量对应的位置概率向量的步骤，包括：
16.将所述特征输入矩阵输入到预设的目标神经网络模型；
17.通过所述目标神经网络模型内的降维层对所述特征输入矩阵进行降维，得到中间矩阵；
18.通过所述目标神经网络模型内的卷积层、池化层、全连接层和分类层依次处理所述中间矩阵，生成所述定位指纹向量对应的位置概率向量。
19.可选地，所述根据所述室内网格图和所述位置概率向量，确定所述待定位终端的室内位置坐标的步骤，包括：
20.获取所述室内网格图所包含的全部网格区域的网格区域中心坐标；
21.采用全部所述网格区域中心坐标构建网格区域中心坐标向量；
22.分别计算所述网格区域中心坐标向量和所述位置概率向量在每个向量维度的向量乘积；
23.采用各个所述向量乘积的和值，确定所述待定位终端的室内位置坐标。
24.可选地，所述中心服务器包括初始指纹向量库，所述方法还包括：
25.接收所述室内网格图内的多个预设终端上传的训练指纹向量；
26.按照所述室内网格图内包含的各个网格区域为检索区域，所述训练指纹向量为检索目标，检索当前时刻的所述初始指纹向量库；
27.根据检索结果更新所述初始指纹向量库，得到更新指纹向量库；
28.基于所述更新指纹向量库与所述初始指纹向量库之间的向量库距离，结合所述训练指纹向量构建预设的初始神经网络模型对应的损失函数；
29.通过最小化所述损失函数调整所述初始神经网络模型内的模型参数，生成目标神经网络模型。
30.可选地，所述初始指纹向量库存有多个初始指纹向量；所述根据检索结果更新所述初始指纹向量库，得到更新指纹向量库的步骤，包括：
31.在所述初始指纹向量库内检索存在所述训练指纹向量的网格区域作为目标网格区域；
32.判断所述目标网格区域内的初始指纹向量是否与所述目标网格区域内的训练指纹向量相同；
33.若不同，则计算所述目标网格区域内的训练指纹向量的平均值，并采用所述平均值更新所述目标网格区域内的初始指纹向量；
34.若相同，则保存所述目标网格区域内的初始指纹向量；
35.当全部所述目标网格区域更新完成后，结合剩余的所述网格区域内的各个所述初始指纹向量，得到更新指纹向量库。
36.可选地，所述基于所述更新指纹向量库与所述初始指纹向量库之间的向量库距离，结合所述训练指纹向量构建预设的初始神经网络模型对应的损失函数的步骤，包括：
37.采用预设的距离公式计算所述更新指纹向量库与所述初始指纹向量库之间的向量库距离；
38.根据所述向量库距离结合所述训练指纹向量构建预设的初始神经网络模型对应的损失函数；
39.所述距离公式为：
[0040][0041]
其中，dcmd为所述向量库距离，x为n时刻的指纹特征向量，y为n
‑
1时刻的指纹特征向量，b为预设的概率分布区间上限，a为预设的概率分布区间下限，x和y的概率分布在[a,b]n的区间范围内，e(x)为x的数学期望向量，e(y)为y的数学期望向量，ck(x)为x的k阶中心矩向量，ck(y)为y的k阶中心矩向量，n、k为预设的正整数。
[0042]
所述损失函数为：
[0043][0044]
其中，为第n时刻第m个所述训练指纹向量的实际位置，为第n时刻第m个所述训练指纹向量的预测位置，db
n
为所述初始指纹向量库，db
n+1
为所述更新指纹向量库，m为所述训练指纹向量的总数量。
[0045]
本发明第二方面还提供了一种基于迁移学习的室内定位装置，应用于中心服务器，所述装置包括：
[0046]
定位指纹向量获取模块，用于当接收到针对待定位终端的定位请求时，获取所述待定位终端所处空间的室内平面图以及所述定位请求所携带的定位指纹向量；
[0047]
网格划分模块，用于按照预定规格对所述室内平面图进行网格划分，得到室内网格图；
[0048]
特征输入矩阵构建模块，用于提取所述定位指纹向量的中间特征，构建特征输入矩阵；
[0049]
位置概率向量生成模块，用于将所述特征输入矩阵输入到预设的目标神经网络模型，生成所述定位指纹向量对应的位置概率向量；
[0050]
室内位置坐标确定模块，用于根据所述室内网格图和所述位置概率向量，确定所述待定位终端的室内位置坐标。
[0051]
本发明第三方面提供了一种电子设备，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如本发明第一方面任一项所述的基于迁移学习的室内定位方法的步骤。
[0052]
本发明第四方面提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被执行时实现如本发明第一方面任一项所述的基于迁移学习的室内定位方法。
[0053]
从以上技术方案可以看出，本发明具有以下优点：
[0054]
在本发明中，当中心服务器接收到针对待定位终端的定位请求时，获取待定位终端所处空间的室内平面图以及定位请求所携带的定位指纹向量，按照预定规格对室内平面图进行网格划分，以得到对应的室内网格图，再将定位指纹向量映射到别的孔家，以提取到对应的中间特征，采用中间特征和定位指纹向量构建特征输入矩阵；然后将特征输入矩阵输入至预设的目标神经网络模型，以生成定位指纹向量所对应的位置概率向量，最后根据室内网格图内的各个位置中心坐标和位置概率向量，确定待定位终端的室内位置坐标，从
而解决现有的室内定位方法由于其信号强度容易受到温度、湿度、人为走动、室内摆设移动等环境变化的影响，导致室内定位精度下降的技术问题，通过众包与迁移学习的方式获取到室内环境内的各个网格区域的位置中心坐标，结合神经网络模型对定位指纹向量的分析结果，更为精确地确定待定位终端的室内位置坐标。
附图说明
[0055]
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它的附图。
[0056]
图1为本发明实施例一提供的一种基于迁移学习的室内定位方法的步骤流程图；
[0057]
图2为本发明实施例二提供的一种基于迁移学习的室内定位方法的步骤流程图；
[0058]
图3为本发明实施例二提供的一种目标神经网络模型的结构框图；
[0059]
图4为本发明实施例三提供的一种基于迁移学习的室内定位装置的结构框图。
具体实施方式
[0060]
本发明实施例提供了一种基于迁移学习的室内定位方法、装置、设备和介质，用于解决现有的室内定位方法由于其信号强度容易受到温度、湿度、人为走动、室内摆设移动等环境变化的影响，导致室内定位精度下降的技术问题。
[0061]
迁移学习是机器学习的一大分支，是指将某个领域或任务上学习到的知识或模式应用到不同但相关的领域或问题中。迁移学习的核心问题是，找到新问题和原问题之间的相似性，才可以顺利地实现知识的迁移。深度学习在有大量标注样本的情况下表现得很好，但是在现实生活中，很多情况是没有大量标注样本的，这个时候迁移学习就能很好地发挥作用了。迁移学习可简单分为四类：基于实例的迁移学习、基于特征的迁移学习、基于关系的迁移学习以及基于模型的迁移学习。
[0062]
众包是在2006年由jeff howe提出，“将传统上由员工以公开呼叫的形式执行的任务外包给一大群人的理念”，后来被用于各个领域。其主要思想是多个人或机器完成一个任务，从而减小花销。在离线阶段，指纹库的建立与维护成本很高，需要大量的人力、物力和财力的支持。近几年大量的研究学者将众包模式引入到室内定位中。众包是一种特定的获取资源的模式，在这种模式下，个人或组织可以利用大量的网络用户来获取需要的服务和想法。是一种在参与者之间划分工作以实现累积结果的模式。众包与外包之间的主要差异包括以下特征：众包来自不太具体的，更公共的群体(外包来自特定的具体团体)；使用众包的优势在于可以降低成本、提高速度、保证质量、增加灵活性和可扩展性强等特点。
[0063]
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。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它实施例，都属于本发明保护的范围。
[0064]
请参阅图1，图1为本发明实施例一提供的一种基于迁移学习的室内定位方法的步
骤流程图，本发明实施例中的基于迁移学习的室内定位方法可以通过相应的一种基于迁移学习的室内定位装置的形式实现，以下对本方法进行进一步的详细说明。
[0065]
本发明提供的一种基于迁移学习的室内定位方法，应用于中心服务器，所述方法包括以下步骤：
[0066]
步骤101，当接收到针对待定位终端的定位请求时，获取所述待定位终端所处空间的室内平面图以及所述定位请求所携带的定位指纹向量；
[0067]
本发明实施例中的定位请求指的是对处于某一建筑空间内的待定位终端进行室内定位的请求信息，待定位终端指的是某一能够接收到设置在建筑空间的多个无线接入点发出的信号生成定位指纹向量的终端器件，例如手机、平板电脑、电脑等终端设备。
[0068]
需要说明的是，指纹向量指的是终端在所处位置接收建筑空间内的各个无线接入点发出的信号后，根据对各个无线接入点的接收信号强度排序组成的向量。
[0069]
在本发明实施例中，当接收到针对于待定位终端的定位请求时，从中心服务器依据定位请求的来源确定待定位终端所处的空间，从本地存储中获取待定位终端所处空间的室内平面图，同时解析定位请求，以获取到其携带的定位指纹向量。
[0070]
步骤102，按照预定规格对所述室内平面图进行网格划分，得到室内网格图；
[0071]
在获取到室内平面图后，按照预定规格对室内平面图进行网格划分，以得到对应的室内网格图。
[0072]
其中，所述预定规格可以为正方形、矩形、菱形等具有中心位置的规则图形，本发明实施例对图形规格的具体参数并不限制。
[0073]
步骤103，提取所述定位指纹向量的中间特征，构建特征输入矩阵；
[0074]
在获取到定位指纹向量后，由于定位指纹向量仅是包含原始的特征，特征量较少，无法精确确定待定位终端的室内位置坐标。
[0075]
为此，可以通过进一步提取定位指纹向量的中间特征，采用中间特征以及定位指纹向量构建特征输入矩阵，以提供后续目标神经网络模型的数据基础。
[0076]
步骤104，将所述特征输入矩阵输入到预设的目标神经网络模型，生成所述定位指纹向量对应的位置概率向量；
[0077]
在本实施例中的目标神经网络模型指的是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂网络系统，反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学习系统，其中包括多个卷积层、池化层、全连接层以及分类层softmax层等。
[0078]
在本实施例中，当获取到特征输入矩阵后，可以将特征输入矩阵输入到目标神经网络模型，通过其中的卷积层对特征输入矩阵进行不同维度上的卷积，以从中提取到不同的卷积特征，经池化层、全连接层和分类层对提取到的卷积特征进行处理后，生成定位指纹向量对应的位置概率向量。
[0079]
步骤105，根据所述室内网格图和所述位置概率向量，确定所述待定位终端的室内位置坐标。
[0080]
在得到位置概率向量后，采用位置概率向量结合室内网格图内每个区域的中心位置坐标，在不同维度分别进行相乘，以各个乘积的和值确定为待定位终端的室内位置坐标。
[0081]
在本发明实施例中，当中心服务器接收到针对待定位终端的定位请求时，获取待
定位终端所处空间的室内平面图以及定位请求所携带的定位指纹向量，按照预定规格对室内平面图进行网格划分，以得到对应的室内网格图，再将定位指纹向量映射到别的孔家，以提取到对应的中间特征，采用中间特征和定位指纹向量构建特征输入矩阵；然后将特征输入矩阵输入至预设的目标神经网络模型，以生成定位指纹向量所对应的位置概率向量，最后根据室内网格图内的各个位置中心坐标和位置概率向量，确定待定位终端的室内位置坐标，从而解决现有的室内定位方法由于其信号强度容易受到温度、湿度、人为走动、室内摆设移动等环境变化的影响，导致室内定位精度下降的技术问题，通过众包与迁移学习的方式获取到室内环境内的各个网格区域的位置中心坐标，结合神经网络模型对定位指纹向量的分析结果，更为精确地确定待定位终端的室内位置坐标。
[0082]
请参阅图2，图2为本发明实施例二提供的一种基于迁移学习的室内定位方法的步骤流程图。
[0083]
本发明提供的一种基于迁移学习的室内定位方法，应用于中心服务器，所述方法包括以下步骤：
[0084]
步骤201，当接收到针对待定位终端的定位请求时，获取所述待定位终端所处空间的室内平面图以及所述定位请求所携带的定位指纹向量；
[0085]
步骤202，按照预定规格对所述室内平面图进行网格划分，得到室内网格图；
[0086]
在本发明实施例中，步骤201
‑
202的具体实施过程可以参见步骤101
‑
102，在此不再赘述。
[0087]
步骤203，提取所述定位指纹向量的中间特征，构建特征输入矩阵；
[0088]
可选地，步骤203可以包括以下子步骤：
[0089]
将所述定位指纹向量映射到频域并进行快速傅里叶逆变换，得到所述定位指纹向量在所述频域的时域特征；
[0090]
采用所述定位指纹向量和所述时域特征，构建特征输入矩阵。
[0091]
本发明实施例中的时域特征指的是以时间为变量描述定位指纹向量的波动，可以包括量纲特征参数以及无量纲特征参数。
[0092]
在本发明实施例中，为提高后续室内定位准确性，可以通过中心服务器将定位指纹向量映射到频域，对映射到频域的指纹向量进行快速傅里叶逆变换，以得到定位指纹向量在频域的时域特征，再采用定位指纹向量和时域特征进行矩阵排序，以构建得到特征输入矩阵。
[0093]
可选地，还可以通过中心服务器将定位指纹向量映射到极域，以提取定位指纹向量内的不同副载波额定振幅和相移，从而获取到定位指纹向量在极域内的极域特征，在特征输入矩阵中增加极域特征以提高后续定位精度。
[0094]
步骤204，将所述特征输入矩阵输入到预设的目标神经网络模型，生成所述定位指纹向量对应的位置概率向量；
[0095]
进一步地，步骤204可以包括以下子步骤：
[0096]
将所述特征输入矩阵输入到预设的目标神经网络模型；
[0097]
通过所述目标神经网络模型内的降维层对所述特征输入矩阵进行降维，得到中间矩阵；
[0098]
通过所述目标神经网络模型内的卷积层、池化层、全连接层和分类层依次处理所
述中间矩阵，生成所述定位指纹向量对应的位置概率向量。
[0099]
在本发明的一个示例中，为获取到定位指纹向量所对应的位置概率向量，可以通过将特征输入矩阵输入到预设的目标神经网络模型，通过目标神经网络模型内的降维层对特征输入矩阵进行降维得到中间矩阵，再通过目标神经网络模型内的卷积层对中间矩阵进行进一步卷积处理，以获取到不同维度的卷积特征。为减少数据大小，可以通过池化层对卷积特征进行特征压缩，以防止模型过拟合以提高模型泛化能力。再通过全连接层对池化层处理后的特征矩阵映射到样本标记空间，最后通过分类层softmax对特征矩阵进行分类，以得到定位指纹向量的各个维度对应的位置概率向量。
[0100]
请参阅图3，图3示出了本发明实施例的一种目标神经网络模型的结构框图。
[0101]
在本发明实施例中，目标神经网络模型包括五层卷积层、一个池化层、一个全连接层以及一个分类层softmax层组成。第一个卷积层的参数为112
×
112
×
1，第二个卷积层的参数为56
×
56
×
64，第三个卷积层的参数为28
×
28
×
128，第四个卷积层的参数为14
×
14
×
256，第五个卷积层的参数为7
×7×
512，池化层的参数为1
×1×
512，全连接层的参数为1
×1×
512，softmax层的参数为15
×
1。
[0102]
为统一目标神经网络模型的矩阵维度，在将特征输入矩阵输入到目标神经网络模型cnn之前，可以利用pca将特征输入矩阵降维至同一维度。
[0103]
在本发明的另一个示例中，可以先对预设的初始神经网络模型进行训练，以获取到目标神经网络模型。
[0104]
可选地，所述中心服务器包括初始指纹向量库，所述方法还包括以下步骤s11
‑
s15：
[0105]
s11、接收所述室内网格图内的多个预设终端上传的训练指纹向量；
[0106]
s12、按照所述室内网格图内包含的各个网格区域为检索区域，所述训练指纹向量为检索目标，检索当前时刻的所述初始指纹向量库；
[0107]
在本发明实施例中，中心服务器可以包括初始指纹向量库，包括有多个按照室内网格图分布的初始指纹向量，室内网格图内的每个网格区域可以包括至少一个初始指纹向量或者不包括初始指纹向量。
[0108]
在本实施例中，通过接收室内网格图内的多个预设终端上传的训练指纹向量，再按照室内网格图内包含的各个网格区域为检索区域单位，再以训练指纹向量为检索目标，对当前时刻的初始指纹向量库进行检索，以确定初始指纹向量库内是否存在与训练指纹向量不同的初始指纹向量。
[0109]
s13、根据检索结果更新所述初始指纹向量库，得到更新指纹向量库；
[0110]
进一步地，所述初始指纹向量库存有多个初始指纹向量；步骤s13可以包括以下子步骤：
[0111]
在所述初始指纹向量库内检索存在所述训练指纹向量的网格区域作为目标网格区域；
[0112]
判断所述目标网格区域内的初始指纹向量是否与所述目标网格区域内的训练指纹向量相同；
[0113]
若不同，则计算所述目标网格区域内的训练指纹向量的平均值，并采用所述平均值更新所述目标网格区域内的初始指纹向量；
[0114]
若相同，则保存所述目标网格区域内的初始指纹向量；
[0115]
当全部所述目标网格区域更新完成后，结合剩余的所述网格区域内的各个所述初始指纹向量，得到更新指纹向量库。
[0116]
在本发明实施例中，初始指纹向量库存有多个初始指纹向量，通过检索初始指纹向量库内的各个网格区域是否存在训练指纹向量，若是存在则将其作为目标网格区域，判断目标网格区域内的初始指纹向量是否与目标网格区域内的训练指纹向量相同，若是不同，则计算目标网格区域内的训练指纹向量的平均值，采用平均值更新目标网格区域内的初始指纹向量，若是相同则保存当前时刻目标网格区域内的初始指纹向量；直至全部目标网格区域更新完成后，结合除目标网格区域外的剩余网格区域内的各个初始指纹向量，得到更新指纹向量库。
[0117]
在具体实现中，利用众包技术对指纹库进行更新，公式如下：
[0118][0119]
其中，a
m
表示第m区域，i表示第n时刻在第m区域内的训练指纹向量的数量，l
n
(i)为第n时刻的第i个训练指纹向量，通过平均化各预设终端上传的训练指纹向量以减小误差。
[0120]
但由于获得整个区域的所有指纹向量非常困难，所以初始化指纹向量库时，将网格中心位置的指纹向量视为整个区域的指纹向量。
[0121]
当指纹向量库更新时，需要通过更新函数g
n
(
·
)来提高预测的精准度，公式如下：
[0122]
p
n+1
＝g
n+1
(h(l
n+1
),db
n+1
)
[0123]
但用整个已更新的指纹向量库db
n+1
来更新函数g
n+1
(
·
)太过复杂，考虑到每次只有一小部分数据更新，所以本设计利用迁移学习来完成指纹向量的迁移。
[0124]
需要说明的是，在本发明实施例中的神经网络模型中，第l层的第i个神经元输出为：σ(
·
)为激活函数，为第l层的第i个神经元和第l
‑
1层的第j个神经元的卷积核权系数，为第l层的偏置量，n为第l
‑
1层的神经元个数。
[0125]
由于环境改变等原因导致指纹向量库变化时，同一位置上的指纹向量会发生变化，从而导致指纹向量与位置的对应关系会变化，这时就要重新训练神经网络来更新和从而得到新的g
n+1
(
·
)。
[0126]
s14、基于所述更新指纹向量库与所述初始指纹向量库之间的向量库距离，结合所述训练指纹向量构建预设的初始神经网络模型对应的损失函数；
[0127]
在本发明的一个示例中，步骤s14可以包括以下子步骤：
[0128]
采用预设的距离公式计算所述更新指纹向量库与所述初始指纹向量库之间的向量库距离；
[0129]
根据所述向量库距离结合所述训练指纹向量构建预设的初始神经网络模型对应的损失函数；
[0130]
所述距离公式为：
[0131][0132]
其中，dcmd为所述向量库距离，x为n时刻的指纹特征向量，y为n
‑
1时刻的指纹特征向量，b为预设的概率分布区间上限，a为预设的概率分布区间下限，x和y的概率分布在[a,b]n的区间范围内，e(x)为x的数学期望向量，e(y)为y的数学期望向量，ck(x)为x的k阶中心矩向量，ck(y)为y的k阶中心矩向量，n、k为预设的正整数。
[0133]
在上述距离公式中，公式第一项是减小两矩阵之间的数学期望差异，第二项是减小两矩阵k阶中心矩的差异从而达到对齐两域分布的高阶矩的目的。二范数的目的是防止过拟合，提高泛化能力。
[0134]
所述损失函数为：
[0135][0136]
其中，为第n时刻第m个所述训练指纹向量的实际位置，为第n时刻第m个所述训练指纹向量的预测位置，db
n
为所述初始指纹向量库，db
n+1
为所述更新指纹向量库，m为所述训练指纹向量的总数量。
[0137]
s15、通过最小化所述损失函数调整所述初始神经网络模型内的模型参数，生成目标神经网络模型。
[0138]
在具体视线中，可以通过最小化损失函数以调整初始神经网络模型内的模型参数，按照预设梯度的方式调整模型参数以得到目标神经网络模型。
[0139]
步骤205，获取所述室内网格图所包含的全部网格区域的网格区域中心坐标；
[0140]
在本发明实施例中，可以获取室内网格图所包含的全部网格区域的网格区域中心坐标，例如经纬度坐标或者以室内网格图的某一角落为原点构建的坐标系内的坐标。
[0141]
需要说明的是，网格区域中心坐标可以为室内网格图内的每个网格区域的中心点对应的网格区域中心坐标，其中中心点可以通过网格区域的对角线进行确定。
[0142]
步骤206，采用全部所述网格区域中心坐标构建网格区域中心坐标向量；
[0143]
在本发明的一个示例中，在获取到全部网格区域的网格区域中心坐标后，可以采用全部网格区域中心坐标按照网格区域的顺序仅需排序，以构建网格区域中心坐标向量。
[0144]
步骤207，分别计算所述网格区域中心坐标向量和所述位置概率向量在每个向量维度的向量乘积；
[0145]
步骤208，采用各个所述向量乘积的和值，确定所述待定位终端的室内位置坐标。
[0146]
在本发明实施例中个，在得到网格区域中心坐标向量和位置概率向量后，可以计算两者在每个向量维度的向量乘值，计算各个向量乘值的和值确定待定位终端的室内位置坐标。
[0147]
在具体实现中，室内位置坐标可以通过以下公式进行计算：
[0148]
[0149]
表示待定位终端在第n+1时刻的室内位置坐标，是位置概率向量，表示第n+1时刻待定位终端在室内网格图的每个网格区域的位置概率，是网格区域中心坐标向量，表示室内网格图内的第m网格区域的网格区域中心坐标，m为室内网格图的网格区域数量。
[0150]
在本发明实施例中，当中心服务器接收到针对待定位终端的定位请求时，获取待定位终端所处空间的室内平面图以及定位请求所携带的定位指纹向量，按照预定规格对室内平面图进行网格划分，以得到对应的室内网格图，再将定位指纹向量映射到别的孔家，以提取到对应的中间特征，采用中间特征和定位指纹向量构建特征输入矩阵；然后将特征输入矩阵输入至预设的目标神经网络模型，以生成定位指纹向量所对应的位置概率向量，最后根据室内网格图内的各个位置中心坐标和位置概率向量，确定待定位终端的室内位置坐标，从而解决现有的室内定位方法由于其信号强度容易受到温度、湿度、人为走动、室内摆设移动等环境变化的影响，导致室内定位精度下降的技术问题，通过众包与迁移学习的方式获取到室内环境内的各个网格区域的位置中心坐标，结合神经网络模型对定位指纹向量的分析结果，更为精确地确定待定位终端的室内位置坐标。
[0151]
请参阅图4，图4示出了本发明实施例三的一种基于迁移学习的室内定位装置的结构框图。
[0152]
本发明实施例还提供了一种基于迁移学习的室内定位装置，应用于中心服务器，所述装置包括：
[0153]
定位指纹向量获取模块401，用于当接收到针对待定位终端的定位请求时，获取所述待定位终端所处空间的室内平面图以及所述定位请求所携带的定位指纹向量；
[0154]
网格划分模块402，用于按照预定规格对所述室内平面图进行网格划分，得到室内网格图；
[0155]
特征输入矩阵构建模块403，用于提取所述定位指纹向量的中间特征，构建特征输入矩阵；
[0156]
位置概率向量生成模块404，用于将所述特征输入矩阵输入到预设的目标神经网络模型，生成所述定位指纹向量对应的位置概率向量；
[0157]
室内位置坐标确定模块405，用于根据所述室内网格图和所述位置概率向量，确定所述待定位终端的室内位置坐标。
[0158]
可选地，所述特征输入矩阵构建模块403具体用于：
[0159]
将所述定位指纹向量映射到频域并进行快速傅里叶逆变换，得到所述定位指纹向量在所述频域的时域特征；
[0160]
采用所述定位指纹向量和所述时域特征，构建特征输入矩阵。
[0161]
可选地，所述位置概率向量生成模块404具体用于：
[0162]
将所述特征输入矩阵输入到预设的目标神经网络模型；
[0163]
通过所述目标神经网络模型内的降维层对所述特征输入矩阵进行降维，得到中间矩阵；
[0164]
通过所述目标神经网络模型内的卷积层、池化层、全连接层和分类层依次处理所述中间矩阵，生成所述定位指纹向量对应的位置概率向量。
[0165]
可选地，所述室内位置坐标确定模块405具体用于：
[0166]
获取所述室内网格图所包含的全部网格区域的网格区域中心坐标；
[0167]
采用全部所述网格区域中心坐标构建网格区域中心坐标向量；
[0168]
分别计算所述网格区域中心坐标向量和所述位置概率向量在每个向量维度的向量乘积；
[0169]
采用各个所述向量乘积的和值，确定所述待定位终端的室内位置坐标。
[0170]
可选地，所述中心服务器包括初始指纹向量库，所述装置还包括：
[0171]
训练指纹向量接收模块，用于接收所述室内网格图内的多个预设终端上传的训练指纹向量；
[0172]
指纹向量库检索模块，用于按照所述室内网格图内包含的各个网格区域为检索区域，所述训练指纹向量为检索目标，检索当前时刻的所述初始指纹向量库；
[0173]
指纹向量库更新模块，用于根据检索结果更新所述初始指纹向量库，得到更新指纹向量库；
[0174]
损失函数构建模块，用于基于所述更新指纹向量库与所述初始指纹向量库之间的向量库距离，结合所述训练指纹向量构建预设的初始神经网络模型对应的损失函数；
[0175]
模型参数调整模块，用于通过最小化所述损失函数调整所述初始神经网络模型内的模型参数，生成目标神经网络模型。
[0176]
可选地，所述初始指纹向量库存有多个初始指纹向量；所述指纹向量库更新模块具体用于：
[0177]
在所述初始指纹向量库内检索存在所述训练指纹向量的网格区域作为目标网格区域；
[0178]
判断所述目标网格区域内的初始指纹向量是否与所述目标网格区域内的训练指纹向量相同；
[0179]
若不同，则计算所述目标网格区域内的训练指纹向量的平均值，并采用所述平均值更新所述目标网格区域内的初始指纹向量；
[0180]
若相同，则保存所述目标网格区域内的初始指纹向量；
[0181]
当全部所述目标网格区域更新完成后，结合剩余的所述网格区域内的各个所述初始指纹向量，得到更新指纹向量库。
[0182]
可选地，所述损失函数构建模块具体用于：
[0183]
采用预设的距离公式计算所述更新指纹向量库与所述初始指纹向量库之间的向量库距离；
[0184]
根据所述向量库距离结合所述训练指纹向量构建预设的初始神经网络模型对应的损失函数；
[0185]
所述距离公式为：
[0186][0187]
其中，dcmd为所述向量库距离，x为n时刻的指纹特征向量，y为n
‑
1时刻的指纹特征向量，b为预设的概率分布区间上限，a为预设的概率分布区间下限，x和y的概率分布在[a,
b]n的区间范围内，e(x)为x的数学期望向量，e(y)为y的数学期望向量，ck(x)为x的k阶中心矩向量，ck(y)为y的k阶中心矩向量，n、k为预设的正整数。
[0188]
所述损失函数为：
[0189][0190]
其中，为第n时刻第m个所述训练指纹向量的实际位置，为第n时刻第m个所述训练指纹向量的预测位置，db
n
为所述初始指纹向量库，db
n+1
为所述更新指纹向量库，m为所述训练指纹向量的总数量。
[0191]
本发明实施例提供了一种电子设备，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如本发明任一实施例所述的基于迁移学习的室内定位方法的步骤。
[0192]
本发明第四方面提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被执行时实现如本发明任一实施例所述的基于迁移学习的室内定位方法。
[0193]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置和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。
[0194]
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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系统，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信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0195]
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。
[0196]
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。
[0197]
所述集成的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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read
‑
only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0198]
以上所述，以上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。