一种基于改进深度卷积模型的室内定位方法

来源：计算机技术与发展杂志2022年第08期北京时间：

作者：刘伟;程春玲;杜金楷;章丁祥

摘要：在室内定位中利用深度卷积神经网络(Deep Convolutional Neural Network,DCNN)对信道状态信息(Channel StateInformation,CSI)构建图像并实现位置分类是一种新的方法。 但基于 DCNN 的室内定位算法受实际环境、数据采集方式、模型结构等的影响,存在拟合能力弱、定位精度较差、未知位置识别能力弱的问题,在实际定位中很难满足定位精确度和稳定性的需求。 对此提出一个能够识别未知位置的改进模型:I-DCNN( Improved-Deep Convolutional Neural Network)。针对拟合能力弱的问题,通过增加 DCNN 的复杂度和调整模型结构的方法来提升拟合能力;针对定位精度的问题,利用数据增强方式扩充数据集,并在全连接层中增加 dropout 层;针对未知位置识别的问题,将 DCNN 与 I-Openmax(ImprovedOpenmax)算法相结合,增强未知位置识别能力。 实验结果表明,I-DCNN 的拟合能力明显优于 DCNN 和 AlexNet 模型,在包含未知位置的测试集上准确率为 96%,均方误差为 0. 061,平均绝对误差为 0. 054,性能明显优于基于支持向量回归(Support Vector Regression,SVR)定位算法。

关键词：室内定位;卷积神经网络;开放集识别;信道状态信息;数据多维图像