具体实施方式

：

下面结合附图和具体实施例对本发明作进一步的说明。

本发明提出了一种基于深度学习的无线定位融合方法，包括模型搭建与训练阶段以及模型应用阶段。

所述模型搭建与训练阶段执行以下步骤：

步骤1：获取原始数据，并根据数据确定预处理方式，所述原始数据为传感器的接收信号强度数据，所述预处理方式包括预处理方式A和预处理方式B，其中预处理方式A处理后的数据用于训练和使用卷积神经网络模型，预处理方式B处理后的数据用于训练和使用K近邻模型；

步骤2：分别利用预处理方式A与预处理方式B处理后的数据及其对应位置数据训练生成卷积神经网络模型与K近邻模型；

步骤3：通过数据实验确定最优阈值；

所述模型应用阶段执行以下步骤：

步骤4：将传感器接收信号强度数据按步骤1中确定的预处理方式A进行处理后，再使用步骤2中获得的卷积神经网络模型进行分类，得到卷积神经网络模型的位置判断结果以及该结果的概率值；

步骤5：将概率值与步骤3中获得的最优阈值比较，若概率值不低于最优阈值则接受卷积神经网络模型的位置判断结果；若概率值低于最优阈值，则将传感器接收信号强度数据按步骤1中确定的预处理方式B进行处理，然后使用步骤2中获得的K近邻模型进行分类，接受K近邻模型的位置判断结果。

本发明步骤1中数据预处理是对原始数据缺失值填充(及变换)处理；这是由于数据采用传感器接收信号强度数据，其中某些位置存在无法接受到所有发射器信号的情况，如有N个发射器，某位置的接受信号强度应有N个值，但实际上该位置无法接收某些发射器的信号，因此数据将存在缺失。此时将能接收到的最小信号强度值定为a，需要选择一个稍小于a的值填充所有无法接收信号造成的缺失值，而所选择用于填充缺失值的数值其大小会影响K近邻模型和卷积神经网络模型的效果。

如附图3.2所示，对于K近邻算法，本发明将全部原始数据随机分为训练集与验证集，每次采用不同的数值(b值)填充训练集与验证集中的缺失值，由各个b值填充后的训练集生成K近邻模型，用验证集测试准确率，将得到各个b值填充时对应的准确率，记录后，将全部数据再次进行随机划分。重复上述步骤，将得到多次实验下，各个b值填充缺失值时的准确率均值，最高准确率均值对应的b值将作为对缺失值填充值；最高准确率均值对应的b值一旦选出，预处理方式B随之确定，利用最高准确率均值对应的b值填充缺失值的方法就是针对K近邻模型的数据预处理方法，预处理方式B；

如附图3.1所示，对于卷积神经网络算法，本发明将全部原始数据随机分为训练集与验证集，若原始信号强度的最小值a小于等于0，则应先将全部原始信号加上数值(-a+1)进行平移，使平移后的所有信号均为正数，若最小值a大于0则不必平移；然后与确定预处理方式B的方法类似，每次采用不同数值(c值)填充训练集与验证集中的缺失值，利用填充后的训练集训练卷积神经网络模型，利用验证集测试准确率，将得到不同c值填充情况下的准确率对比，为使结果更具稳定性，将重复划分训练集与验证集，反复进行之前步骤多次，得到多次不同c值填充情况下的准确率均值，最高准确率均值对应的c值即为实际使用中用于填充缺失值的数值；随最高准确率均值对应的c值将一同确定预处理方式A，其内容为若原始信号最小值a小于等于0，将全部数据加(-a+1)后使用最高准确率均值对应的c值填充缺失值；若原始信号最小值a大于0，则直接使用最高准确率均值对应的c值填充缺失值。

附图3.1及附图3.2中训练的全部模型只是为了确定预处理方式A与预处理方式B，所训练的模型均不会用于应用阶段，应用阶段所使用模型为步骤2中利用全部数据(而非划分后训练集)训练的K近邻与卷积神经网络模型融合而成。

本发明步骤2中生成的卷积神经网络模型为一维卷积神经网络模型，包括卷积层、池化层、Flatten层、合并层、全连接层以及避免过拟合的Dropout层，Dropout层位于卷积层之后或位于全连接层之间；卷积神经网络模型中将采用多层并行的网络结构，数据通过卷积层后将进入并列的两个池化层，两个池化层分别为平均池化层与最大池化层。

如附图5所示，本发明步骤3中将全部数据随机分为训练集与验证集，利用训练集来训练卷积神经网络模型以及K近邻模型(所训练卷积神经网络模型与K近邻模型的架构及参数应与步骤2中的保持一致)，利用验证集获得融合模型的最优阈值；所述融合模型的架构为卷积神经网络模型与K近邻模型共同组成：融合模型为待测数据先进行预处理方式A，使用卷积神经网络模型判断，如卷积神经网络模型输出的概率值不低于所尝试的阈值，则接受卷积神经网络模型的判断结果，如果输出概率值低于所尝试阈值，则待测数据使用预处理方式B，使用K近邻模型判断，接受K近邻模型的判断结果。

本发明步骤3中最优阈值确定的具体步骤如下：

数据随机划分后，利用训练集训练的卷积神经网络模型以及K近邻模型组成融合模型，依次尝试不同阈值并记录每个所尝试阈值下，使用验证集测试时融合模型准确率对比单一K近邻模型准确率的提升值；随后重复上述步骤，将全部数据再次进行随机划分，重新进行训练与测试，将得到多次实验每个阈值下融合模型准确率对比单一K近邻模型准确率提升值的均值，选出提升值均值最大的阈值作为实际使用融合模型时的最优阈值；注意，此步骤仅为确定最优阈值，所训练的全部模型均不会用于应用阶段。

如附图6所示，本发明还提出了一种利用上述基于深度学习的无线定位融合方法的系统，其特征在于设有数据预处理确定单元、分类模型搭建与训练单元、最优阈值确定单元、结果分类单元，

所述数据预处理确定单元设有预处理方式A确定模块和预处理方式B确定模块，通过数据预处理方式A确定模块获得预处理方式A，原始数据经预处理方式A处理后用于训练及使用卷积神经网络模型；通过数据预处理方式B确定模块获得预处理方式B，原始数据经预处理方式B处理后用于训练及使用K近邻模型；

分类模型搭建与训练单元中设有两个模型，包括原始数据经预处理方式A处理后与对应位置共同训练生成的卷积神经网络模型，以及原始数据经预处理方式B处理后与对应位置共同训练生成的K近邻模型；

结果分类单元将原始数据按数据预处理确定单元中确定的预处理方式A进行处理，再使用分类模型搭建与训练单元中确定的卷积神经网络模型进行分类，卷积神经网络模型将输出位置判断结果与概率，将概率值与最优阈值确定单元中确定的最优阈值进行比较，若概率大于等于最优阈值，则结果分类单元输出卷积神经网络的位置判断结果作为最终判断结果，若概率值小于最优阈值，则结果分类单元将原始数据按数据预处理确定单元中确定的预处理方式B进行处理，再使用分类模型搭建与训练单元中确定的K近邻模型获得最终判断结果。

实施例1：

一种基于深度学习的无线定位融合方法，包括如下步骤：

模型训练阶段：

S1：采集采样点处接收的各个发射器的无线强度信号与位置信息数据；

S2：确定预处理方式并对原始数据进行预处理，其中所要确定的预处理方式包括预处理方式A和预处理方式B，预处理方式A处理后的数据用于训练和使用卷积神经网络模型，预处理方式B处理后的数据用于训练和使用K近邻模型；

S3：将接收信号强度数据利用S2中确定的预处理方式A进行处理，处理后数据连同对应位置信息训练产生一维卷积神经网络模型；

S4：将接收信号强度数据利用S2中确定的预处理方法B进行处理，处理后数据连同对应位置信息训练产生K近邻模型；

S5：在K近邻模型、卷积神经网络模型架构、参数不变的情况下确定最优阈值；

实际应用阶段：

S6：对采集数据利用S2中确定的预处理方式A进行处理，处理后输入S3中得到的卷积神经网络模型，将获得卷积神经网络模型判断结果及该结果的概率值；

S7：将概率值与S5中确定的最优阈值比较，若概率值大于等于最优阈值，则将S6中卷积神经网络模型的判断结果作为最终定位结果；若概率值小于最优阈值，则将采集数据利用S2中确定的预处理方式B进行处理，处理后输入S4中得到的K近邻模型，将获得K近邻模型的判断结果，将此结果作为最终定位结果。

步骤S1中，本例所采用的数据为来自520个发射器的信号强度数据，目的是定位目标可能所在的735个房间，即通过520个数据进行735分类；接收信号强度范围为-104～0，存在较多缺失值。

S2中确定预处理方式B的方法为将全部数据随机分为训练集与验证集，使用预设范围内小于-104的整数依次填充缺失值(本例为-125～-105)，使用训练集训练K近邻模型(模型参数固定)，利用验证集获取模型准确率；完成后重新划分训练集与验证集，重复进行实验；重复20次后，数值实验结果表明将缺失值填充为-105时K近邻模型准确率均值最高；因此确定的预处理方式B为将原始信号缺失值填充为-105.

确定预处理方式A的方法为将全部数据随机分为训练集与验证集，将全部信号强度加105，此时数据范围变为1～105，使用预设范围内小于等于0的整数依次填充缺失值(本例为-20～0)，使用训练集训练卷积神经网络模型，利用验证集获取模型准确率；完成后重新划分训练集与验证集，重复进行实验；重复20次后，数值实验结果表明将缺失值填充为-5时卷积神经网络模型准确率均值最高；因此确定的预处理方式A为将全部原始数据加105后将缺失值填充为-5.

其中尝试对缺失值的填充值时可采用先大范围、大步长搜索，后小范围、小步长搜索的方式；如本例中确定预处理方式B时可依次将缺失值填充为-105，-110，-115，-120，多次实验发现对应准确率均值逐渐下降，因此再在-105～-110小范围内依次取-105，-106，直至-110，按小步长进行填充，采用与大范围、大步长相同方法，寻找最高准确率均值对应的填充值，最终确定将缺失值填充为-105效果最好，从而得到预处理方式B，预处理方式A时同理；

本例中信号强度范围为-104～0，通过数据试验，确定K近邻模型的最优预处理方法(即预处理方式B)为将缺失数据填充为-105，卷积神经网络模型最优预处理方法(即预处理方式A)为将原始数据+105后将缺失数据填充为-5；

步骤S3中，使用步骤S2中所确定的预处理方式A(将原始数据强度+105后将缺失值用-5填充)处理数据后，利用处理后全部数据及其对应位置(房间编号)训练卷积神经网络；

本例中卷积神经网络的结构依次为一维卷积层(滤波器数32，卷积核大小6，激活函数Relu)、一维卷积层(滤波器数32，卷积核大小6，激活函数Relu)、Dropout层(Dropout比率0.4)、并列的两个一维池化层：最大池化层(池化尺寸5)以及平均池化层(池化尺寸5)、两个池化层各自所连接的Flatten层、将两个Flatten层合并的融合层、全连接层(神经元数200，激活函数Relu)、Dropout层(Dropout比率0.5)、全连接层(神经元数735，激活函数softmax)。最后一层的神经元个数即为所要进行的分类数，于本例中为所要定位的735个房间编号；

步骤S4中，使用步骤S2中所确定的预处理方式B(将原始强度数据的缺失值用-105填充)处理数据，利用处理后的全部数据及其对应位置(房间编号)训练K近邻模型；

步骤S5中，将全部数据随机分为训练集与验证集(数据比例事先设定)，训练集数据训练卷积神经网络模型、K近邻模型完成后，于一定范围内(本例为0％～100％)依次尝试不同阈值，记录每个所尝试阈值下，验证集数据采用卷积神经网络模型与K近邻模型组成的融合模型其准确率对比单一K近邻模型准确率的提升值；重复10次后确定88％作为阈值时，融合算法对比K近邻模型准确率提升效果最为显著(准确率提升值的均值最高)，因此本例中最佳阈值定为88％，

数据实验中确定最优阈值范围可采用先大范围、大步长搜索，后小范围、小步长搜索的方式确定；如本例中可依次将阈值定为0％，10％，20％直至100％，10次试验后发现在80％与90％处融合模型准确率对比单一K近邻模型准确率提升最多，因此再在80％～90％范围内依次取81％，82％直至90％作为阈值，采用相同方法，查看融合模型对比单一K近邻模型的准确率提升值，10次重复实验后确定88％为最优阈值；

步骤S6中，实际使用时，将原始信号强度数据经预处理方式A(将信号强度+105后将缺失值用-5填充)处理后送入步骤S3中得到的卷积神经网络模型进行判断，将获得卷积神经网络模型所判断的位置(softmax全连接层最大值对应的类)及该判断的概率值(softmax全连接层的最大值)。

步骤S7中，将S6中得到的卷积神经网络判断的概率值与S5中确定的最优阈值进行比较，若大于等于0.88，则将卷积神经网络模型所判断的位置作为最终定位结果；若概率值小于最优阈值0.88，则将原始信号强度数据经预处理方式B(将缺失值用-105填充)处理后送入步骤S4中得到的K近邻模型进行判断，将得到K近邻模型所判断的位置，并将其作为最终定位结果。

本发明与现有算法准确率比较：

本发明与已有算法相比，具有如下优点：本发明的方法可提升无线定位的准确率，进行更为准确的识别；对于卷积神经网络算法，本方法改良了卷积神经网络的结构与预处理方式，对于K近邻算法，本方法改良了预处理方式；同时，通过引入对概率的判断机制，将两种算法融合，新产生的融合算法可根据情况选用更为适合的单个算法；此外，本发明的算法在设备上不需要额外增加，仅进行了算法方面的改动，可避免由于设备购买和架设造成的资金和时间方面的花费，具有较高实用价值。