首页|一种基于改进深度卷积模型的室内定位方法

一种基于改进深度卷积模型的室内定位方法

扫码查看
原文链接
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 万方数据
  • 维普
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 State Information,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(Improved-Openmax)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.
An Indoor Positioning Method Based on Improved Deep Convolution Model

刘伟、程春玲、杜金楷、章丁祥

展开 >

南京邮电大学 计算机学院,江苏 南京 210003

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

国家自然科学基金

61972201

2022

10.3969/j.issn.1673-629X.2022.08.025

计算机技术与发展
陕西省计算机学会

计算机技术与发展

CSTPCD
影响因子：0.621
ISSN：1673-629X
年,卷(期)：2022.32(8)
  • 6