具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1-2，本发明实施例提供一种技术方案：一种兼顾非视距识别的无线信号室内定位，其具体定位方法具体包括以下步骤：

S1、在待定位的室内环境中，网格化室内空间环境，部署AP后利用全站仪标定不同采样点以及AP的位置坐标，全站仪，即全站型电子测距仪(Electronic Total Station)，是一种集光、机、电为一体的高技术测量仪器，是集水平角、垂直角、距离(斜距、平距)、高差测量功能于一体的测绘仪器系统。与光学经纬仪比较电子经纬仪将光学度盘换为光电扫描度盘，将人工光学测微读数代之以自动记录和显示读数，使测角操作简单化，且可避免读数误差的产生。因其一次安置仪器就可完成该测站上全部测量工作，所以称之为全站仪。广泛用于地上大型建筑和地下隧道施工等精密工程测量或变形监测领域；

S2、利用智能手机采集室内环境中的不同采样点处的wifi数据以及MEMS磁力计数据并记录对应位置坐标以及对应的非视距识别标签，智能手机，是指像个人计算机一样，具有独立的操作系统，独立的运行空间，可以由用户自行安装软件、游戏、导航等第三方服务商提供的程序，并可以通过移动通讯网络来实现无线网络接入的手机类型的总称，具体格式如下：

{(x,y),RSSI₁,RSSI₂,RSSI₃…,RSSI_n,M_x,M_y,M_z,label}n∈(1,N)，将数据存储在数据库中，其中(x,y)为采样点位置坐标，RSSI为wifi信号强度，M_x,M_y,M_z为采样点处地磁的三轴数据，n为室内环境中AP的数量，label为非视距识别标签，1为视距，0为非视距；

S3、将构建的指纹数据进行归一化处理，得到标准化后的指纹数据库，数据库是“按照数据结构来组织、存储和管理数据的仓库”。是一个长期存储在计算机内的、有组织的、可共享的、统一管理的大量数据的集合，针对室内环境中指纹数据波动导致的定位结果不稳定问题，为一种堆栈降噪自编码器网络SDAE，其输入和输出为同维度的数据，输入为增加随机噪声的指纹数据，输出为准确的指纹数据，采用反向传播法进行逐层训练和微调，网络结构如图1所示，增加噪声的输入数据也能够防止模型的过拟合，多个降噪自编码器网络DAE堆叠形成SDAE模型；

上述模型中输入数据经过qD增加噪声后得到新的输入数据x_n，进行第一个DAE编码器的无监督训练，得到隐含特征，以第一层DAE的输出作为下一层DAE的输入，一次类推实现多个DAE的训练，最后通过反向传播法微调整个网络，最终输出的y_r为深层特征；

S4、得到深层特征后，网络模型与二分类器连接，即实现非视距和视距环境的识别；

S5、在室内环境下，利用无线信号自由空间衰减模型分别对视距环境和非视距环境计算相应参数，其中自由空间衰减模型公式如下：

(1)其对数形式为：

(2)忽略天线增益，令P_d＝P_r(d)[dB]，则上式变为：

(3)式中：

G_t、G_r分别为收发天线增益；

λ为无线电波长；

d为发射接收天线之间的距离；

是参考距离的路径损耗(通常d₀＝1m)

S6、训练得到视距和非视距的信号传播模型后，初始化粒子滤波算法，首先，初始化粒子的位置坐标，数量以及移动步长；然后，以MEMS传感器中加速度计和磁力计数据作为状态转移方程的数据支撑；AP测距信息解算的位置作为观测结果，值得注意的是，视距和非视距环境使用不同模型得到相应的观测结果，最终完成用户的连续位置估计，MEMS传感器即微机电系统，是在微电子技术基础上发展起来的多学科交叉的前沿研究领域，它涉及电子、机械、材料、物理学、化学、生物学、医学等多种学科与技术，具有广阔的应用前景，其中MEMS传感器占相当大的比例，MEMS传感器是采用微电子和微机械加工技术制造出来的新型传感器，与传统的传感器相比，它具有体积小、重量轻、成本低、功耗低、可靠性高、适于批量化生产、易于集成和实现智能化的特点，同时，在微米量级的特征尺寸使得它可以完成某些传统机械传感器所不能实现的功能。

本发明中，非视距识别模型具体包括以下模块：训练数据模块、测试数据模块、第一预处理模块、第二预处理模块、堆栈降噪编码器模块、二分类器模块和MLOS识别模型，堆栈是一种数据结构。堆栈都是一种数据项按序排列的数据结构，只能在一端(称为栈顶(top))对数据项进行插入和删除。在单片机应用中，堆栈是个特殊的存储区，主要功能是暂时存放数据和地址，通常用来保护断点和现场，自动编码器就是一种尽可能复现输入信号的神经网络，其输出向量与输入向量同维，常按照输入向量的某种形式，通过隐层学习一个数据的表示或对原始数据进行有效编码。值得注意的是，这种自编码器是一种不利用类标签的非线性特征提取方法，就方法本身而言，这种特征提取的目的在于保留和获得更好的信息表示，而不是执行分类任务，尽管有时这两个目标是相关的，一个典型的最简单的自动编码器拥有一个表示原始数据或者输入特征向量的输入层，一个表示特征转换的隐层和一个跟输入层匹配、用于信息重构的输出层，如图一所示。当隐层数目大于1时，自动编码器就被视为深层结构，我们称其为堆叠式自动编码器，而我们通常所说的自动编码器指的都是隐层数为1层的结构。自动编码器的主要目标是让输入值和输出值相等，所以首先用对输入进行编码，经过激活函数后，再用进行解码，而编码层和解码层的权重、通常取为互为转置矩阵，即，这便是自动编码器的核心思想：先编码，后解码，前后保持不变。

本发明中，训练数据模块和测试数据模块的输出端分别与第一预处理模块和第二预处理模块的输入端连接，并且第一预处理模块和第二预处理模块的输出端均与堆栈降噪编码器模块的输入端连接，并且堆栈降噪编码器模块的输出端与二分类器模块的输入端连接，所述二分类器模块的输出端与MLOS识别模型的输入端连接。

综上所述

本发明所主要解决的问题有：基于堆栈降噪自编码器的非视距识别模型；基于非视距识别模型的多信息粒子滤波融合框架；基于AP及智能手机MEMS传感器的轻量化室内定位解决思路。