文献类型：期刊文章

作　　者：薛敏[1,2,3] 孙炜[1,2,3] 余洪山[1,2,3] 张星[1,3]

Xue Min;Sun Wei;Yu Hongshan;Zhang Xing(College of Electrical and Information Engineering,Hunan University,Changsha 410082,China;National Engineering Laboratory for Robot Vision Perception and Control Technologies,Changsha 410082,China;Hunan Key Laboratory of Intelligent Robot Technology in Electronic Manufacturing,Changsha 410082,China)

机构地区：[1]湖南大学电气与信息工程学院控制科学与工程系,长沙410082 [2]机器人视觉感知与控制技术国家工程实验室,长沙410082 [3]电子制造业智能机器人技术湖南省重点实验室,长沙410082

出　　处：《电子测量与仪器学报》

基　　金：国家自然科学基金(U1813205);汽车车身先进设计制造国家重点实验室(71765003);电子制造业智能机器人技术湖南省重点实验室(2017TP1011)项目资助。

年　　份：2021

卷　　号：35

期　　号：4

起止页码：118-126

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2021_2022、EAPJ2020、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：随着物联网和信息技术的飞速发展,基于移动位置的服务近年来日益受到关注,同时也促进了室内定位技术的发展。基于WiFi指纹的室内定位技术以其部署广泛、成本低廉等优点受到了学术界的广泛研究。针对移动设备在室内环境中的定位问题,提出了一种层级学习室内定位系统(hierarchical deep learning indoor localization framework,HDLIL)。为获取和学习可靠的指纹特征,采用基于变分自编码(variational autoencoder,VAE)的特征提取模块来表征训练数据的潜在表示。通过构建多层神经网络来分析输入特征与位置输出之间的关系,并在输出层连接Softmax分类器,预测移动设备的位置。在定位阶段,移动设备接收测试数据并发送定位请求,然后通过加载HDLIL估计该测试指纹的位置。最后通过实验对HDLIL的定位性能进行了评估,讨论了不同定位因素对结果的影响,验证了该定位算法的精度及鲁棒性。

关 键 词：位置管理 WiFi指纹  室内定位  层级学习模型  

分 类 号：TP391] TN96[计算机类]