一种基于CSA-DBSCAN和RCVAE-GAN的室内WiFi定位指纹库构建方法

本专利属于室内定位领域，尤其是涉及一种基于csa-dbscan和rcvae-gan的室内wifi定位指纹库构建方法。

背景技术：

1、随着社会经济和科技的快速发展，wifi被大量部署在室内环境中，人们在室内环境中对wifi的访问依赖不断增强，因此基于wifi的室内定位技术成为目前的热点。基于wifi的室内定位过程共分为两个阶段：离线阶段和在线阶段。离线阶段采集无线接入点(ap，access point)的wifi强度信号(rss，received signal strength)数据和对应的位置坐标数据构成离线指纹数据库；在线阶段利用离线指纹数据库对待定位点进行定位。指纹数据库的构建对基于wifi的室内定位致关重要，直接决定了定位的精度和效果。然而，指纹数据库的构建需要技术人员在大量参考点位置进行长时间的数据采集，尤其对于大型多层室内场景中，仅数据采集工作就需要耗费极大的人力和时间成本。此外，由于房屋结构和材料等构成的复杂性场景对wifi信号的传输存在干扰，导致采集的指纹数据夹杂着异常值。因此，在室内wifi定位的离线阶段如何大幅度降低指纹数据库构建的人力与时间成本和有效去除异常值，实现快速的构建出高质量指纹数据库，提高指纹库构建效率是目前急需解决的问题。

技术实现思路

1、为解决上述技术问题，本发明的目的是提供一种基于csa-dbscan和rcvae-gan的室内wifi定位指纹库构建方法。使用少量采集的参考点指纹数据来生成大量指定位置的指纹数据，构建出室内wifi定位高质量的指纹库，提高指纹库构建效率，降低人力与时间成本。

2、为实现上述目的，本发明采用的技术方案是：一种基于csa-dbscan和rcvae-gan的室内wifi定位指纹库构建方法，包括如下步骤：

3、步骤s1、设置少量随机位置为参考点，获取参考点指纹数据；

4、步骤s2、采用csa-dbscan算法对参考点指纹数据中的rss信息进行聚类处理，识别不在任何簇的参考点指纹数据作为异常值，进行去除；

5、步骤s3、构建rcvae-gan深度生成模型并训练，具体为：

6、步骤s31、由回归器r、编码器e、生成器g和判别器d构建rcvae-gan深度生成模型，编码器e的输出与生成器g的输入相连接，生成器g的输出与判别器d和回归器r的输入相连接，编码器e与生成器g构成条件变分自动编码器cvae，生成器g和判别器d构成gan网络；

7、步骤s32、对异常值去除后的参考点指纹数据进行维度升高和归一化处理；

8、步骤s33、将处理后的参考点指纹数据分为训练集和测试集，对构建出的rcvae-gan深度生成模型进行预训练和联合训练；

9、步骤s4、输入指定位置坐标信息，由训练后的rcvae-gan深度生成模型中的生成器g生成指定位置的指纹数据，将生成的指纹数据与csa-dbscan处理后的参考点指纹数据合并构建出室内wifi定位指纹库。

10、进一步的，所述指纹数据包含位置坐标信息和ap信号rss信息。

11、进一步的，所述csa-dbscan算法为基于csa(乌鸦搜索)优化的dbscan聚类算法，该算法以dbscan聚类的eps和minpts参数为搜索空间进行寻优，其中，eps描述了某一样本的邻域距离阈值，minpts描述了某一样本的距离为eps的邻域中样本个数的阈值，csa的种群搜索空间维数为2，乌鸦所处的每个位置和藏食物的记忆都代表一对参数(eps，minpts)，以dbscan聚类的平均轮廓系数s为适应度函数，其公式如下：

12、

13、其中，n为参考点的总个数，a(i)为第i个参考点指纹数据的内聚度，b(i)为第i个参考点指纹数据的分离度，a(i)满足：

14、

15、其中，mk为第k个簇内参考点的个数，j表示与参考点i在同一个簇(第k个簇)内的其他参考点，xk(i)和xk(j)分别代表参考点i和参考点j的指纹数据，d代表了指纹数据间的欧氏距离，b(i)满足：

16、

17、其中，簇l为与参考点i所属簇k不同的其他簇，ml为第l个簇内参考点的个数，xl(j)表示簇l中参考点指纹数据。

18、进一步的，所述rcvae-gan深度生成模型中的回归器r、编码器e、生成器g和判别器d均采用卷积神经网络cnn结构实现，激活函数均为relu；编码器e依次由3层卷积核大小分别为3×3×16、3×3×32、3×3×32的卷积层和2层神经元个数均为1984的全连接层构成；生成器g依次由1层神经元个数为22的全连接层和2层卷积核大小分别为4×4×16、4×4×1的卷积层构成；判别器d依次由2层卷积核大小分别为3×3×32、3×3×64的卷积层和2层神经元个数分别为3968、1024的全连接层构成；回归器r依次由2层卷积核大小分别为3×3×32、3×3×64的卷积层和2层神经元个数分别为3968、64的全连接层构成。

19、进一步的，所述rcvae-gan深度生成模型中编码器e输入内容为参考点指纹数据，包含位置坐标信息y和rss信息x，可学习分布p(z|x，y)而输出对x的潜在编码z；生成器g输入内容为位置坐标信息y和潜在编码z，可学习真实rss信息分布p(x|z，y)而输出生成指纹rss信息x′；判别器d输入内容为rss信息x和生成指纹rss信息x′，其输出内容为对x与x′是否相似的判断，输出0为不相似，输出1为相似；生成器g通过判别器d的前向反馈来学习rss信息x的分布，使生成指纹rss信息x′越来越靠近x；回归器r输入内容为rss信息x和生成指纹rss信息x′，其输出内容为位置坐标信息y′，生成器g通过回归器r的前向反馈来学习rss信息x的分布，使生成指纹rss信息x′对应的位置坐标信息y′越来越靠近y。

20、进一步的，所述维度升高处理是把异常值去除后的第i个参考点的指纹数据rss信息由一维向量形式变换为二维矩阵形式，一维rss向量形式如下式所示：

21、xi＝(rss1，rss2，rss3......rssn)i    (4)

22、二维rss矩阵形式如下式所示：

23、

24、其中，异常值去除后的参考点指纹数据可通过补零扩展为含n个rss信息的一维rss向量xi，n为一维rss向量xi中元素的个数，满足：m×n＝n，m为二维矩阵x′i的行数，n为二维矩阵x′i的列数，n是2的倍数。

25、进一步的，所述归一化处理是使参考点指纹数据中的位置坐标信息和对应的rss信息的取值范围均为[0，1]。

26、进一步的，所述预训练是利用维度升高和归一化处理后的参考点指纹数据分别单独对模型的cvae、判别器d和回归器r三部分采用adam优化器进行小批量梯度下降训练并同时更新模型参数，预训练中得到的参数为联合训练的初始参数，cvae训练所使用的损失函数为kl散度函数与mse函数的和函数、判别器d训练所使用的损失函数为二进制交叉熵函数、回归器r训练所使用的损失函数为mse函数。

27、进一步的，所述联合训练是以预训练中得到的参数为初始参数，使用维度升高和归一化处理后的参考点指纹数据对整个rcvae-gan模型采用adam优化器进行小批量梯度下降训练并同时更新模型参数，联合训练损失函数为cvae训练所使用的kl散度函数与mse函数，判别器d训练所使用的二进制交叉熵函数和回归器r训练所使用的mse函数这四个函数的和函数。

28、本发明具有的优点和有益效果是：

29、本发明提供了一种基于csa-dbscan和rcvae-gan的室内wifi定位指纹库构建方法，该方法有效地将参考点指纹数据异常值去除和指定位置指纹数据生成结合起来，采用csa(乌鸦搜索)优化的dbscan聚类算法，即csa-dbscan算法，对采集的少量参考点指纹数据进行异常值识别和去除处理，可提高异常值识别和去除准确性；通过构建rcvae-gan深度生成模型并进行训练，使模型学习到数据规律，采用该端到端的模型可便捷、快速、准确的生成任意指定位置的指纹数据，进而构建出室内wifi定位的高质量指纹库。与传统室内wifi定位指纹库构建方法相比，该方法能构建出高质量的指纹库，并有效提高指纹库构建效率，降低人力与时间成本。