论文总字数：33193字

摘 要

无线局域网作为目前的室内定位基础设施，已经成为一种主流的选择，它可以用于在室内确定移动用户的位置。然而，由于WLAN最初是为无线网络而不是定位而设计的，因此基于WLAN信号的定位任务面临着一些挑战，无线局域网位置指纹定位技术因其良好的定位性能和应用前景而倍受关注。

本文首先介绍WLAN定位的理论和方法，包括几何法、近似法和位置指纹法，相较于其他几种方法，位置指纹技术具有精度较高、成本低廉、硬件要求低、不需要知道WAP的具体位置等优点。本文研究了基于深度神经网络的递进式定位算法，完整的室内定位需要预测位置点的三个物理坐标，分别为建筑物编号，楼层编号，经度坐标和纬度坐标。算法包括两个步骤，首先对样本的建筑物编号及楼层编号进行预测，之后根据预测对样本进行分组，将处于同一建筑物编号和同一楼层编号的样本作为训练样本，输入经纬度深度神经网络进行训练。本文在UJIIndoorLoc数据集上对这一算法进行了仿真实验，绘制了相应的学习曲线，位置点实际分布和预测分布。仿真结果表明，双隐藏层神经网络的泛化性能要优于浅层网络，采取dropout和正则化可以抑制过拟合，提高测试集精度。

关键词：室内定位、无线局域网、指纹定位、深度神经网络、UJIIndoorLoc数据集

ABSTRACT

As the current indoor location infrastructure, wireless local area network (WLAN) has become a promising choice to determine the location of mobile users indoors. However, since WLAN was originally designed for wireless networks rather than location, the WLAN-based signal location task faces some challenges. Among many WLAN-based localization methods, the location fingerprinting technology based on WLAN has attracted much attention because of its good localization performance.

This paper first studies the theory and method of WLAN location, including geometric method, approximate method and location fingerprint method. Compared with other methods, location fingerprint technology has the advantages of high accuracy, low cost, low hardware requirements and no need to know the specific location of WAPs. In this paper, a progressive localization algorithm based on deep neural network is studied. The complete indoor positioning needs to predict three physical coordinates of the location points, which are building number, floor number, longitude coordinate and latitude coordinate. The algorithm consists of two steps. First, the building number and floor number of the sample are predicted. Then, the samples are grouped according to the prediction. In this paper, the algorithm is simulated on the UJIIndoorLoc data set, and the corresponding learning curve, the actual distribution of position points and the predicted distribution are drawn. Simulation results show that the generalization performance of the double-hidden neural network is better than that of the shallow network, and the dropout and regularization can inhibit overfitting and improve the accuracy of test set.

Keywords: Indoor location, WLAN, fingerprint location, deep neural network, UJIIndoorLoc data set

目 录

摘 要 1

ABSTRACT 2

第一章 绪论 1

1.1引言 1

1.2本文研究的背景、目的和意义 1

1.2.1本文研究的背景 1

1.2.2本文研究的目的和意义 2

1.3本文国内外发展及研究近况 3

1.4本文研究的内容 4

第二章 基于WLAN的定位理论和指纹定位技术 6

2.1 基于WLAN的定位 6

2.1.1 无线局域网 6

2.1.2 基本定位方法 6

2.2 位置指纹定位技术 9

2.2.1 位置指纹定位技术的工作流程 9

2.2.2 位置指纹定位算法 10

第三章 深度神经网络的基础知识 13

3.1 深度神经网络 13

3.2深度神经网络的优化方法 17

3.2.1预训练 17

3.2.2自由参数初始化策略 18

3.2.3批量标准化 19

3.2.4 抑制过拟合 20

第四章 基于深度神经网络的递进式定位算法 23

4.1 UJIIndoorLoc数据集 23

4.2基于深度神经网络的递进式定位算法 27

4.3实验仿真 28

4.3.1仿真内容 28

4.3.2 仿真结果 29

第五章 总结和展望 36

5.1总结 36

5.2展望 36

参考文献 38

致 谢 40

第一章 绪论

1.1引言

位置信息对于我们每一个人来说都是非常重要的，对于我们的位置，我们通常会这样描述，我们在哪一条路，哪一个建筑物的哪一个楼层，哪一个房间里，但在实际应用中，然而这样的描述不仅没有足够的精度，而且定位的标准也不统一并不能满足我们的要求。进入信息时代，我们需要具有较高精度、成本低廉、利于推广的定位技术。

剩余内容已隐藏，请支付后下载全文，论文总字数：33193字