1)硬件配置
cup :i7处理器
内存:8G
2)软件配置
Window 10:
python 3.6
Tensor flow 1.13.1
1)公开数据集: UJIINDOORLOC 数据集
该数据集是在西班牙 Jaume I 的大学的多栋教学楼测量的,是一个跨楼跨层的大型数据集,数据集定位区域的总面积为108703平方米,包含三栋教学楼,每栋教学楼有四层或五层,在这些区域共计布置了 520 个AP 且布置的位置大多比较隐蔽,都布置在了天花板或墙壁上。是一个标准的用于实际建筑物和楼层识别分类的数据集。数据集的收集采用了众包技术,数据来自于20 个用户的 25 个移动设备的采集。数据集包含了 933 个 Wi-Fi 参考点的,有 21049条记录。其中分为 19937 的训练集和 1111 的测试集。且测试数据集是比训练数据集晚四个月采集的。
该数据集有 529 个维度,其中前 520 维是接收强度值,由于 AP 辐射范围有限,因此数据具有很强的稀疏性,接收信号强度为-100dBn 表示信号非常微弱,而信号强度为 0dB 表示信号非常强。因此前 520 维信号取为-100dB 到 0dB 之间。521 到 523 分别对应了该参考点在所在的经度、维度、楼层号。524 维所在楼号,525 是对应的房间类型,526 是标志是否在室内采集,527 是采集者身份标识,528是移动设备类型,529 是采样时间点标识。
2)实测数据集:
实验场地:
本文选定的实验场地为北京交通大学某教学楼三楼的一间教室,教室的大小长为 20m 宽为 15m,选择路由器作为无线接入器(access point, AP),为了保证 Wi-Fi 信号能够覆盖到整个教室,在该教室布置了 6 个 AP,参考点网格间隔为 0.6m。
数据采集系统:
本文设计了一个基于 Android 系统的一个信号测量系统。该系统由三个模块组成,一个是信号采集模块,一个信号处理模块,一个是指纹库建立模块。在数据采集模块中,移动智能设备通过手机自带的 Wi-Fi 连接功能连接到某一个无线热点后,信号收集模块开始采集接收到的无线信号,每次测量次数为 30 次。在这个模块中记录的信号信息包含,采用时间、AP 名称、接收信号强度、连接速度。在数据处理模块中,由于 RSS 的波动性对于定位精度有很大的影响,需要对在一个参考点接收的多次的 RSS 进行平均化处理,即对在某个参考点多次收集的指纹取平均值。在指纹库建立阶段,将建立 RSS 和位置空间的对应关系。在这个模块中,每个参考点在位置空间上由一个二维坐标表示,在 RSS 信号空间中由一个六维的RSS 信息表示。在本文实验中,一共选取了 225 个参考点,每个参考点对应的信号维度为 8 维,其中前 6 维是来自六个 AP 的接收信号强度,第 7、8 维是参考点在室内的位置坐标
![image-20190611110250179](/Users/amhu/Library/Application Support/typora-user-images/image-20190611110250179.png)
1.experment_rss.ipynb
功能:根据实测数据,验证通用机器学习算法在室内定位上的应用效果,包括:
1)实测数据分析,分析wifi数据的变化趋势,即空间传播衰减模型的实际效果;
2)分别于在线阶段采用以下回归算法验证定位效果: LR、KNN、RF、GBDT,
3)分别于在线阶段采用以下分类算法验证定位效果:SVM、RF
2.feature_transfer_location.ipynb
功能:根据公开数据集,验证特征迁移学习对于室内定位效果的改善,包括:
1)离线阶段的六层神经网络的搭建并训练,保存下来;
2)在线阶段根据新得到的数据训练最后一层网络参数;
3.sample_transfer_location.ipynb
功能:根据公开数据集,验证特征迁移学习对于室内定位效果的改善,包括:
1)验证通用在线阶段采用机器学习算法在公开数据集上定位效果,作为baselin;
- 搭建样本迁移模型,并在公开数据集上验证改进效果;
第一章;
Fig1: 三角定位的示例
第二章:
1)图:
Fig1: 射频定位原理
Fig2: RSS 的空间特效效果
Fig3: RSS的时间特性效果
Fig4: RSS的分布变化图
2)结果:
验证了RSS在空间跟理论的衰减模型有着较大的差别,脚本略;
验证了RSS在时间上具有较大的不确定性,脚本略:
第三章:
1)图
Fig1: 实验场地图
Fig2: KNN 算法定位性能
Fig3;Random forest 定位性能
Fig4: GBDT的定位性能
Fig5: aoto_encoder 定位性能
2)结果:
KNN算法定位精度:1.62m ,结果见文件1;
RF算法定位精度:1.675m,结果见文件1;
GBDT 定位精度:1.93m,结果见文件1;
Auto_encoder 测试集定位准确度:0.72,结果见文件1;
第四章:
1)图
Fig1:迁移学习解释
Fig2:特征迁移的框架
Fig3: 特征迁移的定位效果
Fig4:样本迁移效果
2)结果
特征迁移改进的定位准确度:0.80,结果见文件2;
样本迁移改进的定位准确度:0.90,结果见文件3;