基于深度学习的Wi-Fi与iBeacon融合的室内定位方法

doi:10.3778/j.issn.1002-8331.1809-0143

计算机工程与应用 ›› 2019, Vol. 55 ›› Issue (1): 29-34.DOI: 10.3778/j.issn.1002-8331.1809-0143

基于深度学习的Wi-Fi与iBeacon融合的室内定位方法

薛伟，陈璟，张熠

1.江南大学物联网工程学院，江苏无锡 214122
2.江南大学物联网技术应用教育部工程研究中心，江苏无锡 214122

出版日期:2019-01-01 发布日期:2019-01-07

Indoor Localization Based on Deep Learning Using Wi-Fi and iBeacon

XUE Wei, CHEN Jing, ZHANG Yi

1.School of Internet of Thing Engineering, Jiangnan University, Wuxi, Jiangsu 214122, China
2.Engineering Research Center of Internet of Things Technology Applications, Ministry of Education, Jiangnan University, Wuxi, Jiangsu 214122, China

Online:2019-01-01 Published:2019-01-07

摘要/Abstract

摘要：

针对传统室内定位指纹法存在定位精度低、容易受到环境影响的问题，提出了一种基于深度学习的Wi-Fi与iBeacon融合的室内定位方法。离线阶段在参考点处采集各个AP和iBeacon的信号强度，使

用这些信号强度数据对堆叠自动编码机进行训练并从大量带有噪声的信号强度样本中提取特征，构建位置指纹数据库；在线定位阶段，使用堆叠自动编码机获得待测点信号强度特征并与位置指纹数据库中信

号强度特征进行匹配，通过近邻算法估计待测点位置。实验结果表明，基于堆叠自动编码机的室内定位算法具有更高的定位精度。

关键词: 室内定位, 深度学习, 堆叠自动编码机, 近邻算法, iBeacon, Wi-Fi

Abstract:

Aiming at the problem that the traditional indoor fingerprint localization algorithm has low positioning accuracy and is easily affected by the environment, an indoor

localization algorithm based on deep learning using Wi-Fi and iBeacon is proposed. Signal strength of each AP and iBeacon is collected at each reference point in offline phase, and

is used to train the stacked auto-encoder which is used to extract features from a large number of signal strength samples with noise. These features are used to construct the

fingerprint database. The features of the point to be measured can be obtained by the stacked auto-encoder in online phase. Then these features are matched in fingerprint database.

The position of the point to be measured is estimated by the nearest neighbor algorithm. Experimental results show that the proposed indoor localization algorithm has higher

localization accuracy.

Key words: indoor localization, deep learning, stacked auto-encoder, nearest neighbor algorithm, iBeacon, Wi-Fi

薛伟，陈璟，张熠. 基于深度学习的Wi-Fi与iBeacon融合的室内定位方法[J]. 计算机工程与应用, 2019, 55(1): 29-34.

XUE Wei, CHEN Jing, ZHANG Yi. Indoor Localization Based on Deep Learning Using Wi-Fi and iBeacon[J]. Computer Engineering and Applications, 2019, 55(1): 29-34.

[1]	黄冬宜，杨兵，吴子豪，匡佳一，颜泽明. 用于全市蜂窝流量预测的时空全连接卷积网络[J]. 计算机工程与应用, 2021, 57(9): 168-175.
[2]	周伦钢，孙怡峰，王坤，吴疆，黄维贵，李炳龙. 目标多种多值属性的端端快速识别网络[J]. 计算机工程与应用, 2021, 57(9): 182-190.
[3]	张成，戴俊峰，熊闻心. 融合LeNet-5改进的扫描文档手写日期识别[J]. 计算机工程与应用, 2021, 57(9): 207-211.
[4]	武文杰，宋文爱，高雪梅，杨吉江，王青，黄丽萍，雷毅. 基于X线的成人OSA计算机辅助诊断综述[J]. 计算机工程与应用, 2021, 57(9): 1-8.
[5]	冉蓉，徐兴华，邱少华，崔小鹏，欧阳斌. 基于深度卷积神经网络的裂纹检测方法综述[J]. 计算机工程与应用, 2021, 57(9): 23-35.
[6]	李晓筱，胡晓光，王梓强，杜卓群. 基于深度学习的实例分割研究进展[J]. 计算机工程与应用, 2021, 57(9): 60-67.
[7]	李明山，韩清鹏，张天宇，王道累. 改进SSD的安全帽检测方法[J]. 计算机工程与应用, 2021, 57(8): 192-197.
[8]	曾春艳，严康，王志锋，余琰，纪纯妹. 深度学习模型可解释性研究综述[J]. 计算机工程与应用, 2021, 57(8): 1-9.
[9]	许德刚，王露，李凡. 深度学习的典型目标检测算法研究综述[J]. 计算机工程与应用, 2021, 57(8): 10-25.
[10]	蒋斌，钟瑞，张秋闻，张焕龙. 采用深度学习方法的非正面表情识别综述[J]. 计算机工程与应用, 2021, 57(8): 48-61.
[11]	赵圆丽，梁志剑. 基于异核卷积双注意机制的立场检测研究[J]. 计算机工程与应用, 2021, 57(8): 119-125.
[12]	李健，孙大松，张备伟. 结合双编码器与对抗训练的图像修复[J]. 计算机工程与应用, 2021, 57(7): 192-197.
[13]	杨波，陶青川，董沛君. 改进Deeplab v3+网络的手术器械分割方法[J]. 计算机工程与应用, 2021, 57(7): 222-227.
[14]	刘迪，贾金露，赵玉卿，钱育蓉. 基于深度学习的图像去噪方法研究综述[J]. 计算机工程与应用, 2021, 57(7): 1-13.
[15]	杨培伟，周余红，邢岗，田智强，许夏瑜. 卷积神经网络在生物医学图像上的应用进展[J]. 计算机工程与应用, 2021, 57(7): 44-58.

基于深度学习的Wi-Fi与iBeacon融合的室内定位方法

Indoor Localization Based on Deep Learning Using Wi-Fi and iBeacon

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics