论文部分内容阅读
近年来个人智能终端快速发展,手机、平板电脑等设备在大众中逐渐得到了普及,这也使得基于位置的服务(Location Based Service,LBS),尤其是室内定位需求增长很快。目前用于室内定位的技术与方法主要包括无线局域网(Wireless Local Area Networks,WLAN)、射频识别(Radio Frequency Identification,RFID)、蓝牙(Bluetooth,BT)、Zigbee和超宽带无线电(Ultra Wide Band,UWB)等方案。其中WLAN指纹定位技术因不需要额外设备、具有较低的使用成本而得到广泛采用。然而WLAN指纹定位技术在离线阶段需要对大量参考点(Reference Point,RP)进行测量,将会耗费大量的人力物力,工作量较大。针对这个问题,本文提出了基于深度学习的WLAN指纹定位数据库构建技术。本文首先介绍了室内定位的相关技术方法,并着重对WIFI指纹定位技术进行了系统的介绍。之后介绍了深度学习的算法及应用,通过对比各种神经网络的特点,并根据WIFI指纹定位的特点,选取了深度置信网络(Deep Belief Network,DBN)和对传神经网络(Counter Propagation Network,CPN)进行研究。然后通过分析传统DBN、CPN算法的特点以及与WIFI指纹定位的关系,提出对传统DBN、CPN网络的改进方法,并进行了改进后的算法的具体实现。最后引入了公开发表的WIFI指纹定位数据集,并在此数据集上与其他传统的神经网络算法进行了对比,验证了本文算法在WLAN指纹定位数据库的构建上具有训练时间短、构建效果好的优点。最后对本文进行了总结,并提出了一些目前研究中可以继续进行改进的方向以及对本研究领域今后的展望。