基于CNN的WLAN室內(nèi)定位系統(tǒng)：設(shè)計(jì)、實(shí)現(xiàn)與性能優(yōu)化

基于CNN的WLAN室內(nèi)定位系統(tǒng)：設(shè)計(jì)、實(shí)現(xiàn)與性能優(yōu)化一、引言1.1研究背景與意義在當(dāng)今數(shù)字化時(shí)代，位置信息的獲取對(duì)于人們的生活和工作至關(guān)重要。全球定位系統(tǒng)（GPS）在室外環(huán)境中已得到廣泛應(yīng)用，能夠?yàn)橛脩籼峁┹^為精確的定位服務(wù)，滿足人們?cè)谑彝鈭?chǎng)景中對(duì)位置服務(wù)的需求。然而，當(dāng)人們處于室內(nèi)環(huán)境時(shí)，由于建筑物對(duì)衛(wèi)星信號(hào)的阻擋、多徑效應(yīng)以及信號(hào)衰減等因素的影響，GPS的定位精度會(huì)大幅下降，甚至無法實(shí)現(xiàn)定位。據(jù)統(tǒng)計(jì)，人們約80%的時(shí)間都在室內(nèi)活動(dòng)，如在商場(chǎng)購物、在醫(yī)院就醫(yī)、在機(jī)場(chǎng)候機(jī)、在辦公樓工作等。在這些室內(nèi)場(chǎng)景中，準(zhǔn)確的定位信息對(duì)于提升服務(wù)質(zhì)量、優(yōu)化資源配置、保障人員安全等方面具有重要意義。因此，室內(nèi)定位技術(shù)應(yīng)運(yùn)而生，成為了近年來的研究熱點(diǎn)。室內(nèi)定位技術(shù)是指在室內(nèi)環(huán)境中確定物體或人員位置的技術(shù)，它能夠彌補(bǔ)GPS在室內(nèi)定位的不足，為用戶提供更加全面的位置服務(wù)。目前，市場(chǎng)上存在多種室內(nèi)定位技術(shù)，如藍(lán)牙定位技術(shù)、超寬帶（UWB）定位技術(shù)、超聲波定位技術(shù)、激光定位技術(shù)、射頻識(shí)別定位技術(shù)、紅外線定位技術(shù)、地磁導(dǎo)航技術(shù)、Zigbee定位技術(shù)以及無線局域網(wǎng)（WLAN）定位技術(shù)等。這些技術(shù)在不同的室內(nèi)空間環(huán)境中都得到了實(shí)踐應(yīng)用，但也都存在著一定的局限性。WLAN定位技術(shù)是利用無線局域網(wǎng)信號(hào)進(jìn)行定位的一種技術(shù)，它具有成本低、覆蓋范圍廣、易于部署等優(yōu)點(diǎn)，因此在室內(nèi)定位領(lǐng)域得到了廣泛的應(yīng)用。WLAN定位技術(shù)主要基于接收信號(hào)強(qiáng)度指示（RSSI），通過測(cè)量移動(dòng)設(shè)備接收到的多個(gè)無線接入點(diǎn)（AP）的信號(hào)強(qiáng)度，利用特定的定位算法來計(jì)算出移動(dòng)設(shè)備的位置。然而，傳統(tǒng)的基于RSSI的WLAN定位方法存在一些問題，如信號(hào)易受環(huán)境干擾、定位精度較低等。在實(shí)際應(yīng)用中，室內(nèi)環(huán)境復(fù)雜多變，信號(hào)容易受到障礙物的阻擋、反射和折射，導(dǎo)致RSSI值波動(dòng)較大，從而影響定位的準(zhǔn)確性。隨著人工智能技術(shù)的飛速發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)（CNN）作為一種強(qiáng)大的深度學(xué)習(xí)模型，在圖像識(shí)別、語音識(shí)別、自然語言處理等領(lǐng)域取得了顯著的成果。CNN具有自動(dòng)提取特征、強(qiáng)大的非線性擬合能力以及對(duì)復(fù)雜數(shù)據(jù)的處理能力等優(yōu)點(diǎn)，能夠有效地解決傳統(tǒng)WLAN定位方法中存在的問題。將CNN應(yīng)用于WLAN室內(nèi)定位系統(tǒng)中，可以充分利用其特征提取和模式識(shí)別能力，對(duì)RSSI數(shù)據(jù)進(jìn)行深度分析和處理，從而提高定位精度和穩(wěn)定性。通過訓(xùn)練CNN模型，可以學(xué)習(xí)到RSSI數(shù)據(jù)與位置之間的復(fù)雜映射關(guān)系，從而實(shí)現(xiàn)更加準(zhǔn)確的定位預(yù)測(cè)。基于CNN的WLAN室內(nèi)定位系統(tǒng)的研究具有重要的理論意義和實(shí)際應(yīng)用價(jià)值。在理論方面，它為室內(nèi)定位技術(shù)的研究提供了新的思路和方法，豐富了室內(nèi)定位技術(shù)的理論體系。通過深入研究CNN在WLAN室內(nèi)定位中的應(yīng)用，有助于進(jìn)一步理解和掌握深度學(xué)習(xí)技術(shù)在解決實(shí)際問題中的應(yīng)用規(guī)律，推動(dòng)人工智能技術(shù)與室內(nèi)定位技術(shù)的深度融合。在實(shí)際應(yīng)用方面，該系統(tǒng)可以廣泛應(yīng)用于商場(chǎng)、醫(yī)院、機(jī)場(chǎng)、辦公樓、展覽館等室內(nèi)場(chǎng)所，為用戶提供精準(zhǔn)的定位導(dǎo)航服務(wù)，提升用戶體驗(yàn)。在商場(chǎng)中，顧客可以通過手機(jī)應(yīng)用程序獲取實(shí)時(shí)的定位導(dǎo)航信息，快速找到自己想去的店鋪和商品；在醫(yī)院中，患者和醫(yī)護(hù)人員可以通過定位系統(tǒng)快速找到病房、診室和醫(yī)療設(shè)備，提高醫(yī)療服務(wù)效率；在機(jī)場(chǎng)中，旅客可以通過定位系統(tǒng)方便地找到登機(jī)口、商店和餐廳，減少候機(jī)時(shí)間；在辦公樓中，員工可以通過定位系統(tǒng)快速找到會(huì)議室和同事，提高工作效率。此外，該系統(tǒng)還可以應(yīng)用于智能倉儲(chǔ)、物流配送、安防監(jiān)控等領(lǐng)域，實(shí)現(xiàn)對(duì)貨物和人員的實(shí)時(shí)跟蹤和管理，提高運(yùn)營(yíng)效率和安全性。1.2國(guó)內(nèi)外研究現(xiàn)狀在國(guó)外，基于CNN的WLAN室內(nèi)定位系統(tǒng)的研究開展較早，取得了不少具有創(chuàng)新性的成果。Alitaleshi等人提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)框架的室內(nèi)定位方法，提出了一種將極限學(xué)習(xí)機(jī)自編碼器(ELM-AE)與二維CNN相結(jié)合的模型，通過ELM-AE降低輸入維度來提取關(guān)鍵特征，CNN在定位階段取得顯著性能。為應(yīng)對(duì)數(shù)據(jù)不足問題，還設(shè)計(jì)了在原始指紋圖譜上添加噪聲數(shù)據(jù)的數(shù)據(jù)增強(qiáng)策略，利用每個(gè)MAC地址的RSS值統(tǒng)計(jì)特性調(diào)整輸入噪聲。在Tampere和UJIIndoorLoc兩個(gè)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，該方法平均定位誤差分別降低了40.95%和43.74%，僅利用25%的訓(xùn)練樣本，定位性能最高提高了68.36%和67.56%，在定位和地板估計(jì)方面都取得了更高的精度。在國(guó)內(nèi)，相關(guān)研究也在不斷深入，研究人員結(jié)合國(guó)內(nèi)的實(shí)際應(yīng)用場(chǎng)景和需求，在算法優(yōu)化和系統(tǒng)實(shí)現(xiàn)方面進(jìn)行了大量的探索。有學(xué)者提出了改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)室內(nèi)定位算法，針對(duì)傳統(tǒng)算法定位精度不高的問題，通過優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，增加網(wǎng)絡(luò)的深度和寬度，以提高網(wǎng)絡(luò)對(duì)RSSI數(shù)據(jù)特征的提取能力。同時(shí)，在訓(xùn)練過程中采用了自適應(yīng)學(xué)習(xí)率調(diào)整策略，加快了模型的收斂速度，提高了訓(xùn)練效率。實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的算法在復(fù)雜室內(nèi)環(huán)境下的定位精度有了顯著提升，平均定位誤差降低了約20%。盡管國(guó)內(nèi)外在基于CNN的WLAN室內(nèi)定位系統(tǒng)研究方面取得了一定的進(jìn)展，但仍然存在一些不足之處。一方面，現(xiàn)有的研究大多在特定的實(shí)驗(yàn)環(huán)境下進(jìn)行，對(duì)復(fù)雜多變的實(shí)際室內(nèi)環(huán)境的適應(yīng)性有待提高。實(shí)際室內(nèi)環(huán)境中，信號(hào)干擾、人員流動(dòng)、設(shè)備更新等因素會(huì)對(duì)定位精度產(chǎn)生較大影響，如何使定位系統(tǒng)在這些復(fù)雜情況下仍能保持穩(wěn)定的高精度定位，是亟待解決的問題。另一方面，目前的研究主要集中在二維平面定位，對(duì)于三維空間定位的研究相對(duì)較少，而在一些實(shí)際應(yīng)用場(chǎng)景，如多層建筑、大型倉庫等，三維定位信息更為重要，因此需要進(jìn)一步加強(qiáng)三維定位技術(shù)的研究和開發(fā)。此外，數(shù)據(jù)的收集和標(biāo)注也是一個(gè)挑戰(zhàn)，高質(zhì)量的RSSI數(shù)據(jù)集對(duì)于訓(xùn)練準(zhǔn)確的CNN模型至關(guān)重要，但目前公開的數(shù)據(jù)集數(shù)量有限，且不同數(shù)據(jù)集之間的差異較大，如何構(gòu)建大規(guī)模、高質(zhì)量、具有代表性的數(shù)據(jù)集，也是需要深入研究的問題。1.3研究?jī)?nèi)容與創(chuàng)新點(diǎn)本研究圍繞基于CNN的WLAN室內(nèi)定位系統(tǒng)展開，從系統(tǒng)架構(gòu)設(shè)計(jì)、數(shù)據(jù)處理、模型構(gòu)建與優(yōu)化以及系統(tǒng)實(shí)現(xiàn)與驗(yàn)證等多個(gè)方面進(jìn)行深入探索，旨在提高室內(nèi)定位的精度和穩(wěn)定性，滿足實(shí)際應(yīng)用場(chǎng)景的需求。在系統(tǒng)架構(gòu)設(shè)計(jì)方面，研究將設(shè)計(jì)一個(gè)完整的基于CNN的WLAN室內(nèi)定位系統(tǒng)架構(gòu)。該架構(gòu)涵蓋數(shù)據(jù)采集層、數(shù)據(jù)處理層、模型訓(xùn)練層和定位服務(wù)層。在數(shù)據(jù)采集層，利用移動(dòng)設(shè)備的無線網(wǎng)卡采集周圍無線接入點(diǎn)的RSSI數(shù)據(jù)，并結(jié)合時(shí)間戳、設(shè)備標(biāo)識(shí)等信息，確保數(shù)據(jù)的準(zhǔn)確性和可追溯性。數(shù)據(jù)處理層負(fù)責(zé)對(duì)采集到的原始數(shù)據(jù)進(jìn)行預(yù)處理，包括數(shù)據(jù)清洗以去除異常值和重復(fù)數(shù)據(jù)，數(shù)據(jù)歸一化將數(shù)據(jù)統(tǒng)一到特定的范圍，以及數(shù)據(jù)增強(qiáng)通過添加噪聲、旋轉(zhuǎn)、平移等方式擴(kuò)充數(shù)據(jù)集，提高模型的泛化能力。模型訓(xùn)練層選用合適的CNN模型結(jié)構(gòu)，如LeNet、AlexNet、VGG等，并根據(jù)WLAN定位數(shù)據(jù)的特點(diǎn)進(jìn)行針對(duì)性調(diào)整。通過大量的訓(xùn)練數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練，優(yōu)化模型的參數(shù)，使其能夠準(zhǔn)確地學(xué)習(xí)到RSSI數(shù)據(jù)與位置之間的映射關(guān)系。定位服務(wù)層接收實(shí)時(shí)的RSSI數(shù)據(jù)，經(jīng)過模型預(yù)測(cè)后輸出定位結(jié)果，并提供相應(yīng)的接口，以便與其他應(yīng)用系統(tǒng)進(jìn)行集成。在數(shù)據(jù)處理與特征工程方面，研究將深入分析WLAN信號(hào)的傳播特性，建立適合室內(nèi)環(huán)境的信號(hào)傳播模型。該模型將考慮信號(hào)的衰減、多徑效應(yīng)、反射、折射等因素，通過對(duì)大量實(shí)際測(cè)量數(shù)據(jù)的分析和擬合，確定模型的參數(shù)。利用信號(hào)傳播模型對(duì)RSSI數(shù)據(jù)進(jìn)行校正，補(bǔ)償信號(hào)在傳播過程中的損失和干擾，提高數(shù)據(jù)的準(zhǔn)確性。此外，還將從RSSI數(shù)據(jù)中提取有效的特征，如信號(hào)強(qiáng)度的均值、方差、最大值、最小值等統(tǒng)計(jì)特征，以及信號(hào)強(qiáng)度隨時(shí)間的變化趨勢(shì)、信號(hào)的頻率特征等。通過特征選擇和降維技術(shù)，去除冗余特征，保留對(duì)定位最有價(jià)值的特征，降低數(shù)據(jù)的維度，提高模型的訓(xùn)練效率和定位精度。在CNN模型的構(gòu)建與優(yōu)化方面，研究將對(duì)比不同的CNN模型結(jié)構(gòu)，如經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)模型（如LeNet、AlexNet、VGG等）和新型的網(wǎng)絡(luò)結(jié)構(gòu)（如ResNet、DenseNet等），分析它們?cè)赪LAN室內(nèi)定位任務(wù)中的性能表現(xiàn)。根據(jù)實(shí)驗(yàn)結(jié)果選擇最適合的模型結(jié)構(gòu)，并對(duì)其進(jìn)行優(yōu)化。在優(yōu)化過程中，調(diào)整網(wǎng)絡(luò)的層數(shù)、卷積核的大小、步長(zhǎng)、填充方式等參數(shù)，以提高模型對(duì)RSSI數(shù)據(jù)特征的提取能力。采用正則化技術(shù)，如L1和L2正則化、Dropout等，防止模型過擬合，提高模型的泛化能力。同時(shí)，選擇合適的優(yōu)化算法，如隨機(jī)梯度下降（SGD）、Adagrad、Adadelta、Adam等，加快模型的收斂速度，提高訓(xùn)練效率。為了進(jìn)一步提高模型的性能，研究還將探索遷移學(xué)習(xí)和模型融合技術(shù)在WLAN室內(nèi)定位中的應(yīng)用。利用在其他相關(guān)領(lǐng)域（如圖像識(shí)別、語音識(shí)別等）預(yù)訓(xùn)練好的模型，遷移其已經(jīng)學(xué)習(xí)到的特征，初始化WLAN定位模型的參數(shù)，減少模型的訓(xùn)練時(shí)間和數(shù)據(jù)需求。將多個(gè)不同的CNN模型進(jìn)行融合，如通過加權(quán)平均、投票等方式，綜合各個(gè)模型的優(yōu)勢(shì)，提高定位的準(zhǔn)確性和穩(wěn)定性。在系統(tǒng)實(shí)現(xiàn)與驗(yàn)證方面，研究將基于選定的硬件平臺(tái)和軟件開發(fā)工具，實(shí)現(xiàn)基于CNN的WLAN室內(nèi)定位系統(tǒng)。硬件平臺(tái)可選用常見的移動(dòng)設(shè)備（如智能手機(jī)、平板電腦）或?qū)ｉT的定位終端，軟件開發(fā)工具可采用Python、TensorFlow、Keras等深度學(xué)習(xí)框架。在實(shí)現(xiàn)過程中，將各個(gè)功能模塊進(jìn)行集成，確保系統(tǒng)的穩(wěn)定性和可靠性。對(duì)實(shí)現(xiàn)的定位系統(tǒng)進(jìn)行全面的測(cè)試和驗(yàn)證，在不同的室內(nèi)場(chǎng)景（如辦公室、商場(chǎng)、教室、倉庫等）中進(jìn)行實(shí)驗(yàn)，采集大量的測(cè)試數(shù)據(jù)。通過與真實(shí)位置進(jìn)行對(duì)比，評(píng)估系統(tǒng)的定位精度、穩(wěn)定性、實(shí)時(shí)性等性能指標(biāo)。分析實(shí)驗(yàn)結(jié)果，找出系統(tǒng)存在的問題和不足之處，進(jìn)一步優(yōu)化系統(tǒng)的設(shè)計(jì)和算法，提高系統(tǒng)的性能。本研究的創(chuàng)新點(diǎn)主要體現(xiàn)在以下幾個(gè)方面：一是提出了一種改進(jìn)的CNN模型結(jié)構(gòu)，該結(jié)構(gòu)針對(duì)WLAN室內(nèi)定位數(shù)據(jù)的特點(diǎn)，在傳統(tǒng)CNN模型的基礎(chǔ)上，增加了特定的卷積層和池化層，以更好地提取RSSI數(shù)據(jù)的特征。同時(shí)，引入了注意力機(jī)制，使模型能夠更加關(guān)注對(duì)定位關(guān)鍵的特征，提高定位精度。二是采用了多模態(tài)數(shù)據(jù)融合技術(shù)，將WLAN的RSSI數(shù)據(jù)與其他傳感器數(shù)據(jù)（如加速度計(jì)、陀螺儀、地磁傳感器等）進(jìn)行融合，充分利用不同傳感器數(shù)據(jù)的優(yōu)勢(shì)，提高定位的準(zhǔn)確性和穩(wěn)定性。通過建立多模態(tài)數(shù)據(jù)融合模型，實(shí)現(xiàn)對(duì)不同類型數(shù)據(jù)的有效融合和處理。三是在數(shù)據(jù)處理方面，提出了一種基于深度學(xué)習(xí)的數(shù)據(jù)增強(qiáng)和去噪方法。該方法利用生成對(duì)抗網(wǎng)絡(luò)（GAN）生成更多的RSSI數(shù)據(jù)樣本，擴(kuò)充數(shù)據(jù)集，提高模型的泛化能力。同時(shí)，利用自編碼器對(duì)數(shù)據(jù)進(jìn)行去噪處理，去除噪聲干擾，提高數(shù)據(jù)質(zhì)量。二、相關(guān)理論基礎(chǔ)2.1WLAN室內(nèi)定位技術(shù)概述2.1.1WLAN室內(nèi)定位原理WLAN室內(nèi)定位技術(shù)主要基于無線信號(hào)的傳播特性來確定目標(biāo)設(shè)備的位置。在室內(nèi)環(huán)境中，部署多個(gè)無線接入點(diǎn)（AP），這些AP會(huì)向周圍空間發(fā)送無線信號(hào)。當(dāng)目標(biāo)設(shè)備（如智能手機(jī)、平板電腦等）進(jìn)入AP的信號(hào)覆蓋范圍時(shí)，設(shè)備中的無線網(wǎng)卡會(huì)接收到AP發(fā)出的信號(hào)。其核心原理在于利用信號(hào)的一些特征參數(shù)來推算設(shè)備與AP之間的關(guān)系，進(jìn)而確定設(shè)備位置。其中，接收信號(hào)強(qiáng)度指示（RSSI）是最常用的參數(shù)。信號(hào)在傳播過程中，會(huì)隨著傳播距離的增加而衰減，并且受到環(huán)境因素（如障礙物、多徑效應(yīng)等）的影響。根據(jù)信號(hào)傳播模型，如自由空間傳播模型、對(duì)數(shù)距離路徑損耗模型等，可以建立RSSI與傳播距離之間的數(shù)學(xué)關(guān)系。在自由空間傳播模型中，信號(hào)強(qiáng)度與距離的平方成反比；對(duì)數(shù)距離路徑損耗模型則考慮了實(shí)際環(huán)境中的各種因素，通過對(duì)大量實(shí)際測(cè)量數(shù)據(jù)的擬合，得到更為準(zhǔn)確的信號(hào)強(qiáng)度與距離的關(guān)系表達(dá)式。通過測(cè)量目標(biāo)設(shè)備接收到的多個(gè)AP的RSSI值，并結(jié)合已知的AP位置信息，利用特定的定位算法，如三邊測(cè)量法、三角測(cè)量法、指紋定位法等，就可以計(jì)算出目標(biāo)設(shè)備的位置。在三邊測(cè)量法中，假設(shè)已知三個(gè)AP的坐標(biāo)分別為(x_1,y_1)、(x_2,y_2)、(x_3,y_3)，通過測(cè)量目標(biāo)設(shè)備接收到這三個(gè)AP的信號(hào)強(qiáng)度，并利用信號(hào)傳播模型計(jì)算出目標(biāo)設(shè)備到這三個(gè)AP的距離分別為d_1、d_2、d_3。以每個(gè)AP為圓心，以相應(yīng)的距離為半徑作圓，理論上這三個(gè)圓會(huì)交于一點(diǎn)，該點(diǎn)即為目標(biāo)設(shè)備的位置。通過求解方程組：(x-x_1)^2+(y-y_1)^2=d_1^2(x-x_2)^2+(y-y_2)^2=d_2^2(x-x_3)^2+(y-y_3)^2=d_3^2就可以得到目標(biāo)設(shè)備的坐標(biāo)(x,y)。在實(shí)際應(yīng)用中，由于信號(hào)干擾、測(cè)量誤差等因素的影響，三個(gè)圓可能不會(huì)精確地交于一點(diǎn)，而是形成一個(gè)誤差區(qū)域，此時(shí)可以通過一些優(yōu)化算法來確定目標(biāo)設(shè)備的最優(yōu)位置。2.1.2傳統(tǒng)WLAN室內(nèi)定位方法傳統(tǒng)的WLAN室內(nèi)定位方法主要包括基于距離測(cè)量的定位方法和指紋定位方法。基于距離測(cè)量的定位方法是通過測(cè)量目標(biāo)設(shè)備與多個(gè)AP之間的距離，然后利用幾何算法來計(jì)算目標(biāo)設(shè)備的位置。常用的距離測(cè)量技術(shù)有到達(dá)時(shí)間（TOA）、到達(dá)時(shí)間差（TDOA）、到達(dá)角度（AOA）和基于接收信號(hào)強(qiáng)度（RSSI）的定位方法。TOA定位技術(shù)是通過測(cè)量信號(hào)從AP發(fā)送到目標(biāo)設(shè)備的傳播時(shí)間，然后根據(jù)信號(hào)傳播速度（通常為光速）來計(jì)算距離。該方法需要AP和目標(biāo)設(shè)備之間實(shí)現(xiàn)精確的時(shí)間同步，對(duì)硬件設(shè)備和時(shí)間測(cè)量精度要求極高，微小的時(shí)間誤差會(huì)導(dǎo)致較大的距離誤差，在實(shí)際應(yīng)用中面臨很大的挑戰(zhàn)。TDOA定位技術(shù)是對(duì)TOA的改進(jìn)，它利用移動(dòng)終端從多個(gè)無線AP接收到信號(hào)的時(shí)間差來計(jì)算移動(dòng)終端的位置，在時(shí)間同步上沒有TOA的嚴(yán)格要求，能在一定程度上提高定位精度。獲取TDOA的方式有兩種，一種是利用兩個(gè)無線AP信號(hào)的到達(dá)時(shí)間TOA的差值來獲得，另一種是通過移動(dòng)終端向多個(gè)AP發(fā)送信號(hào)，利用不同AP接收信號(hào)的時(shí)間差得到TDOA值。AOA定位方法需要移動(dòng)接收端通過天線陣列測(cè)量出無線AP電磁波的相位差，從而確定信號(hào)的入射角度，進(jìn)而計(jì)算出目標(biāo)設(shè)備的位置。這種方法需要添加天線陣列，增加了設(shè)備成本和復(fù)雜度，實(shí)用性較差?；赗SSI的定位方法是利用WiFi信號(hào)強(qiáng)度與距離的緊密相關(guān)性，通過測(cè)量接收信號(hào)強(qiáng)度，并根據(jù)信號(hào)傳播模型將其轉(zhuǎn)換為距離，再利用三邊定位法等幾何算法來估計(jì)目標(biāo)設(shè)備的位置。由于室內(nèi)環(huán)境復(fù)雜，信號(hào)容易受到多徑效應(yīng)、反射、折射和衍射等因素的影響，導(dǎo)致RSSI值波動(dòng)較大，定位精度相對(duì)較低。指紋定位方法是一種基于場(chǎng)景分析的定位方法，它利用無線信號(hào)在不同空間位置上的空間差異性，將空間特定位置上的無線信號(hào)特征（常用無線信號(hào)強(qiáng)度）作為該位置的指紋，建立位置與指紋的關(guān)系數(shù)據(jù)庫。指紋定位方法通常包括離線階段和在線階段。在離線階段，需要在定位區(qū)域內(nèi)預(yù)先采集一系列參考點(diǎn)的信號(hào)特征，包括各個(gè)AP的RSSI值、信號(hào)頻率等，并將這些特征與對(duì)應(yīng)的參考點(diǎn)位置信息存儲(chǔ)在指紋數(shù)據(jù)庫中。在在線階段，目標(biāo)設(shè)備實(shí)時(shí)采集周圍AP的信號(hào)特征，然后將其與指紋數(shù)據(jù)庫中的數(shù)據(jù)進(jìn)行匹配，通過一定的匹配算法，如最近鄰算法（KNN）、概率算法（Prob）等，找到與當(dāng)前信號(hào)特征最匹配的指紋，從而確定目標(biāo)設(shè)備的位置。KNN算法的主要思路是找出與當(dāng)前信號(hào)特征相似度最高的K個(gè)參考點(diǎn)，然后平均這K個(gè)參考點(diǎn)對(duì)應(yīng)的位置，最終得到目標(biāo)設(shè)備的位置。Prob算法則是通過貝葉斯公式，計(jì)算目標(biāo)設(shè)備出現(xiàn)在每個(gè)參考點(diǎn)上的后驗(yàn)概率，取概率最大的K個(gè)參考點(diǎn)，然后平均這K個(gè)參考點(diǎn)對(duì)應(yīng)的位置，得到目標(biāo)設(shè)備的位置。指紋定位方法不需要精確的信號(hào)傳播模型，對(duì)環(huán)境變化有一定的適應(yīng)性，定位精度相對(duì)較高，但需要大量的人力和時(shí)間進(jìn)行指紋采集和數(shù)據(jù)庫構(gòu)建，并且在環(huán)境變化較大時(shí)，需要及時(shí)更新指紋數(shù)據(jù)庫，以保證定位精度。2.2卷積神經(jīng)網(wǎng)絡(luò)（CNN）原理2.2.1CNN基本結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetwork，CNN）是一種專門為處理具有網(wǎng)格結(jié)構(gòu)數(shù)據(jù)（如圖像、音頻等）而設(shè)計(jì)的深度學(xué)習(xí)模型，其基本結(jié)構(gòu)主要包括卷積層、池化層、全連接層等。卷積層是CNN的核心組成部分，其主要功能是對(duì)輸入數(shù)據(jù)進(jìn)行特征提取。在卷積層中，通過卷積核（也稱為濾波器）在輸入數(shù)據(jù)上滑動(dòng)，對(duì)每個(gè)局部區(qū)域進(jìn)行卷積運(yùn)算，從而生成特征圖（FeatureMap）。卷積核是一個(gè)可學(xué)習(xí)的參數(shù)矩陣，其大小通常遠(yuǎn)小于輸入數(shù)據(jù)的大小。在圖像識(shí)別中，一個(gè)3x3的卷積核可以在圖像上逐像素滑動(dòng)，通過與圖像局部區(qū)域的像素值進(jìn)行加權(quán)求和，提取出圖像的局部特征，如邊緣、紋理等。這種局部連接的方式大大減少了模型的參數(shù)數(shù)量，降低了計(jì)算復(fù)雜度，同時(shí)也使得模型能夠更好地捕捉數(shù)據(jù)的局部特征。卷積運(yùn)算是一種線性操作，為了使神經(jīng)網(wǎng)絡(luò)能夠擬合非線性函數(shù)，在卷積層之后通常會(huì)添加激活函數(shù)。常見的激活函數(shù)有Sigmoid函數(shù)、Tanh函數(shù)和ReLU函數(shù)等。ReLU函數(shù)（RectifiedLinearUnit）因其計(jì)算簡(jiǎn)單、收斂速度快且能有效緩解梯度消失問題，在CNN中得到了廣泛應(yīng)用。其數(shù)學(xué)表達(dá)式為f(x)=max(0,x)，即當(dāng)輸入值大于0時(shí)，輸出為輸入值本身；當(dāng)輸入值小于等于0時(shí)，輸出為0。通過激活函數(shù)的非線性變換，模型能夠?qū)W習(xí)到更復(fù)雜的特征表示。隨著卷積層的加深，卷積核的感受野逐漸增大，能夠捕獲到更復(fù)雜的圖像特征。在一個(gè)多層的CNN中，前面的卷積層主要提取低級(jí)特征，如簡(jiǎn)單的邊緣、線條等；后面的卷積層則能夠從這些低級(jí)特征中迭代提取出更高級(jí)、更抽象的特征，如紋理、形狀等。這種層次化的特征提取方式符合人類認(rèn)知圖像的過程，從簡(jiǎn)單的局部特征逐步構(gòu)建出對(duì)整體對(duì)象的理解。池化層位于卷積層之后，主要用于對(duì)卷積層輸出的特征圖進(jìn)行降維和特征選擇。池化操作是一種形式的降采樣，它通過一定的規(guī)則（如最大值、平均值等）對(duì)特征圖中的局部區(qū)域進(jìn)行聚合，從而減小特征圖的尺寸并降低計(jì)算量。同時(shí)，池化操作還能提高模型的魯棒性和泛化能力。常見的池化層類型有最大池化（MaxPooling）和平均池化（AveragePooling）。最大池化選擇局部區(qū)域內(nèi)的最大值作為輸出，能夠保留圖像中的紋理信息；平均池化則計(jì)算局部區(qū)域內(nèi)的平均值作為輸出，對(duì)背景信息的保留效果較好。在一個(gè)2x2的最大池化操作中，將特征圖劃分為不重疊的2x2小塊，每個(gè)小塊中取最大值作為輸出，這樣可以將特征圖的尺寸縮小為原來的四分之一，同時(shí)保留了最顯著的特征。池化層的作用主要體現(xiàn)在以下幾個(gè)方面：一是降維，減小特征圖的尺寸，降低計(jì)算量和存儲(chǔ)需求；二是特征選擇，提取區(qū)域內(nèi)最具代表性的特征，抑制次要信息；三是提高魯棒性，使模型對(duì)圖像的平移、旋轉(zhuǎn)等變換具有一定的不變性；四是防止過擬合，通過減少參數(shù)數(shù)量和計(jì)算量來降低過擬合的風(fēng)險(xiǎn)。全連接層通常是CNN的最后幾層，其主要功能是將前面卷積層和池化層提取到的特征圖映射到樣本標(biāo)記空間，進(jìn)行分類或回歸等任務(wù)。全連接層的每個(gè)神經(jīng)元都與前一層的所有神經(jīng)元相連，因此稱為全連接。在圖像分類任務(wù)中，全連接層將經(jīng)過卷積和池化操作后的特征圖展平為一維向量，然后通過矩陣乘法和激活函數(shù)（如Softmax函數(shù)）將其轉(zhuǎn)換為各個(gè)類別的概率分布，表示輸入圖像屬于每個(gè)類別的可能性。全連接層能夠整合前面所有層的特征信息，進(jìn)行全局的分類或回歸判斷。然而，全連接層的參數(shù)數(shù)量通常較多，尤其是當(dāng)輸入特征圖的尺寸較大時(shí)，容易導(dǎo)致過擬合和計(jì)算量增大的問題。為了克服這些缺點(diǎn)，近年來出現(xiàn)了一些替代方案，如全局平均池化層（GlobalAveragePooling,GAP），它對(duì)特征圖的每個(gè)通道進(jìn)行全局平均，將每個(gè)通道轉(zhuǎn)化為一個(gè)單一的數(shù)值，從而大大減少了參數(shù)數(shù)量，同時(shí)保留了全局信息。這種方法不僅減少了計(jì)算量，還增強(qiáng)了模型對(duì)輸入圖像尺寸變化的魯棒性。2.2.2CNN在特征提取與模式識(shí)別中的應(yīng)用在特征提取方面，CNN具有強(qiáng)大的自動(dòng)提取數(shù)據(jù)特征的能力，無需人工手動(dòng)設(shè)計(jì)特征提取器。在圖像領(lǐng)域，CNN能夠從原始圖像數(shù)據(jù)中自動(dòng)學(xué)習(xí)到從低級(jí)到高級(jí)的各種特征。對(duì)于一張輸入的圖像，首先通過卷積層中的卷積核與圖像進(jìn)行卷積運(yùn)算，提取出圖像的邊緣、角點(diǎn)等低級(jí)特征。隨著網(wǎng)絡(luò)層數(shù)的加深，后續(xù)的卷積層能夠?qū)⑦@些低級(jí)特征組合起來，形成更高級(jí)、更抽象的特征，如物體的形狀、紋理等。在語音識(shí)別中，CNN可以對(duì)語音信號(hào)進(jìn)行特征提取，學(xué)習(xí)到語音的頻率特征、時(shí)域特征等，從而識(shí)別出不同的語音內(nèi)容。CNN在模式識(shí)別任務(wù)中也發(fā)揮著重要作用。模式識(shí)別是指對(duì)表征事物或現(xiàn)象的各種形式的（數(shù)值的、文字的和邏輯關(guān)系的）信息進(jìn)行處理和分析，以對(duì)事物或現(xiàn)象進(jìn)行描述、辨認(rèn)、分類和解釋的過程。CNN通過對(duì)大量帶有標(biāo)簽的數(shù)據(jù)進(jìn)行訓(xùn)練，學(xué)習(xí)到數(shù)據(jù)特征與標(biāo)簽之間的映射關(guān)系，從而實(shí)現(xiàn)對(duì)新數(shù)據(jù)的模式識(shí)別。在圖像分類任務(wù)中，CNN可以學(xué)習(xí)到不同類別圖像的特征模式，當(dāng)輸入一張新的圖像時(shí)，能夠判斷該圖像屬于哪個(gè)類別。對(duì)于手寫數(shù)字識(shí)別任務(wù)，CNN可以學(xué)習(xí)到0-9每個(gè)數(shù)字的獨(dú)特特征模式，通過對(duì)輸入的手寫數(shù)字圖像進(jìn)行特征提取和分析，準(zhǔn)確地識(shí)別出圖像中的數(shù)字。在目標(biāo)檢測(cè)任務(wù)中，CNN不僅可以識(shí)別出目標(biāo)物體的類別，還能確定目標(biāo)物體在圖像中的位置。通過在圖像上滑動(dòng)窗口，對(duì)每個(gè)窗口內(nèi)的圖像進(jìn)行特征提取和分類判斷，同時(shí)結(jié)合回歸算法預(yù)測(cè)目標(biāo)物體的邊界框，從而實(shí)現(xiàn)對(duì)圖像中多個(gè)目標(biāo)物體的檢測(cè)和定位。在室內(nèi)定位領(lǐng)域，將CNN應(yīng)用于WLAN定位數(shù)據(jù)中，能夠?qū)W習(xí)到RSSI數(shù)據(jù)與位置之間的復(fù)雜映射關(guān)系，通過對(duì)實(shí)時(shí)采集的RSSI數(shù)據(jù)進(jìn)行特征提取和分析，實(shí)現(xiàn)對(duì)移動(dòng)設(shè)備位置的準(zhǔn)確預(yù)測(cè)。三、基于CNN的WLAN室內(nèi)定位系統(tǒng)設(shè)計(jì)3.1系統(tǒng)總體架構(gòu)3.1.1系統(tǒng)組成模塊基于CNN的WLAN室內(nèi)定位系統(tǒng)主要由數(shù)據(jù)采集模塊、數(shù)據(jù)預(yù)處理模塊、CNN定位模型模塊和結(jié)果輸出模塊這四個(gè)核心部分組成。數(shù)據(jù)采集模塊負(fù)責(zé)收集用于定位的原始數(shù)據(jù)，主要是移動(dòng)設(shè)備（如智能手機(jī)、平板電腦等）接收到的無線接入點(diǎn)（AP）的接收信號(hào)強(qiáng)度指示（RSSI）數(shù)據(jù)。在實(shí)際應(yīng)用中，可利用移動(dòng)設(shè)備上的無線網(wǎng)卡來實(shí)現(xiàn)數(shù)據(jù)采集功能。通過編寫相應(yīng)的軟件程序，定時(shí)掃描周圍的無線AP，并記錄每個(gè)AP的MAC地址及其對(duì)應(yīng)的RSSI值。同時(shí)，為了后續(xù)的數(shù)據(jù)處理和分析，還會(huì)采集與數(shù)據(jù)相關(guān)的時(shí)間戳、設(shè)備標(biāo)識(shí)等輔助信息。這些信息能夠幫助我們確定數(shù)據(jù)的采集時(shí)間和來源，以便在后續(xù)分析中排除異常數(shù)據(jù)和重復(fù)數(shù)據(jù)，保證數(shù)據(jù)的準(zhǔn)確性和可靠性。在一個(gè)商場(chǎng)環(huán)境中，數(shù)據(jù)采集模塊可以每隔5秒采集一次智能手機(jī)接收到的周圍10個(gè)無線AP的RSSI值，同時(shí)記錄采集時(shí)間和手機(jī)的唯一標(biāo)識(shí)。數(shù)據(jù)預(yù)處理模塊是對(duì)采集到的原始RSSI數(shù)據(jù)進(jìn)行處理，以提高數(shù)據(jù)質(zhì)量，為后續(xù)的CNN模型訓(xùn)練和定位提供可靠的數(shù)據(jù)支持。該模塊主要包括數(shù)據(jù)清洗、數(shù)據(jù)歸一化和數(shù)據(jù)增強(qiáng)等操作。數(shù)據(jù)清洗是去除原始數(shù)據(jù)中的噪聲、異常值和重復(fù)數(shù)據(jù)。在實(shí)際采集過程中，由于信號(hào)干擾、設(shè)備故障等原因，可能會(huì)出現(xiàn)一些明顯錯(cuò)誤或不合理的數(shù)據(jù)。通過設(shè)定合理的閾值，如RSSI值的正常范圍，去除超出該范圍的異常數(shù)據(jù)。對(duì)于重復(fù)的數(shù)據(jù)，可通過比較數(shù)據(jù)的時(shí)間戳、AP的MAC地址和RSSI值等信息，將完全相同的數(shù)據(jù)進(jìn)行刪除。數(shù)據(jù)歸一化是將不同范圍的RSSI數(shù)據(jù)統(tǒng)一到一個(gè)特定的范圍，如[0,1]或[-1,1]。這有助于提高CNN模型的訓(xùn)練效率和收斂速度，避免因數(shù)據(jù)范圍差異過大而導(dǎo)致模型訓(xùn)練不穩(wěn)定。常見的歸一化方法有最小-最大歸一化（Min-MaxScaling）和Z-score歸一化。最小-最大歸一化公式為：x_{norm}=\frac{x-x_{min}}{x_{max}-x_{min}}，其中x是原始數(shù)據(jù)，x_{min}和x_{max}分別是數(shù)據(jù)集中的最小值和最大值，x_{norm}是歸一化后的數(shù)據(jù)。Z-score歸一化公式為：x_{norm}=\frac{x-\mu}{\sigma}，其中\(zhòng)mu是數(shù)據(jù)集的均值，\sigma是數(shù)據(jù)集的標(biāo)準(zhǔn)差。數(shù)據(jù)增強(qiáng)是通過對(duì)原始數(shù)據(jù)進(jìn)行變換，如添加噪聲、旋轉(zhuǎn)、平移等，擴(kuò)充數(shù)據(jù)集的規(guī)模和多樣性，提高模型的泛化能力。在添加噪聲時(shí)，可以根據(jù)實(shí)際情況，在一定范圍內(nèi)隨機(jī)生成噪聲值，并添加到原始RSSI數(shù)據(jù)中。CNN定位模型模塊是整個(gè)系統(tǒng)的核心，負(fù)責(zé)對(duì)預(yù)處理后的數(shù)據(jù)進(jìn)行特征提取和定位預(yù)測(cè)。該模塊選用合適的卷積神經(jīng)網(wǎng)絡(luò)（CNN）結(jié)構(gòu)，并進(jìn)行訓(xùn)練和優(yōu)化。在選擇CNN結(jié)構(gòu)時(shí)，需要考慮網(wǎng)絡(luò)的復(fù)雜度、計(jì)算資源和定位精度等因素。經(jīng)典的CNN模型如LeNet、AlexNet、VGG等，以及新型的網(wǎng)絡(luò)結(jié)構(gòu)如ResNet、DenseNet等，都可以作為候選模型。對(duì)于室內(nèi)定位任務(wù)，可根據(jù)實(shí)際情況對(duì)這些模型進(jìn)行調(diào)整和優(yōu)化。在LeNet模型的基礎(chǔ)上，增加卷積層的數(shù)量和卷積核的大小，以更好地提取RSSI數(shù)據(jù)的特征。在訓(xùn)練過程中，使用大量的訓(xùn)練數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練，通過反向傳播算法不斷調(diào)整模型的參數(shù)，使模型能夠準(zhǔn)確地學(xué)習(xí)到RSSI數(shù)據(jù)與位置之間的映射關(guān)系。同時(shí)，采用一些優(yōu)化技術(shù)，如正則化（L1和L2正則化、Dropout等）、學(xué)習(xí)率調(diào)整（動(dòng)態(tài)學(xué)習(xí)率調(diào)整策略）等，防止模型過擬合，提高模型的泛化能力。在使用L2正則化時(shí)，在損失函數(shù)中添加一個(gè)正則化項(xiàng)\lambda\sum_{i}w_{i}^{2}，其中\(zhòng)lambda是正則化系數(shù)，w_{i}是模型的參數(shù)，通過調(diào)整\lambda的值來控制正則化的強(qiáng)度。結(jié)果輸出模塊將CNN定位模型預(yù)測(cè)得到的位置信息進(jìn)行展示和輸出。該模塊可以將定位結(jié)果以圖形化的方式呈現(xiàn)給用戶，如在室內(nèi)地圖上標(biāo)注出移動(dòng)設(shè)備的位置。也可以將定位結(jié)果以數(shù)據(jù)的形式輸出，供其他應(yīng)用系統(tǒng)使用。在商場(chǎng)應(yīng)用中，結(jié)果輸出模塊可以將用戶的位置信息顯示在商場(chǎng)的電子地圖上，同時(shí)提供導(dǎo)航功能，引導(dǎo)用戶前往目標(biāo)店鋪。結(jié)果輸出模塊還可以記錄定位結(jié)果和相關(guān)的性能指標(biāo)，如定位誤差、定位時(shí)間等，以便對(duì)系統(tǒng)的性能進(jìn)行評(píng)估和分析。3.1.2模塊間交互關(guān)系在基于CNN的WLAN室內(nèi)定位系統(tǒng)中，各個(gè)模塊之間存在著緊密的交互關(guān)系，它們協(xié)同工作，共同實(shí)現(xiàn)室內(nèi)定位的功能。數(shù)據(jù)采集模塊作為系統(tǒng)的前端，負(fù)責(zé)實(shí)時(shí)采集移動(dòng)設(shè)備接收到的無線AP的RSSI數(shù)據(jù)以及相關(guān)的輔助信息。采集到的數(shù)據(jù)以一定的格式（如CSV、JSON等）存儲(chǔ)在本地緩存中，并定期將數(shù)據(jù)傳輸給數(shù)據(jù)預(yù)處理模塊。數(shù)據(jù)采集模塊與數(shù)據(jù)預(yù)處理模塊之間的交互是單向的，數(shù)據(jù)采集模塊只負(fù)責(zé)提供原始數(shù)據(jù)，而不關(guān)心數(shù)據(jù)預(yù)處理的具體過程。數(shù)據(jù)預(yù)處理模塊接收到數(shù)據(jù)采集模塊傳來的原始數(shù)據(jù)后，首先對(duì)數(shù)據(jù)進(jìn)行清洗，去除噪聲、異常值和重復(fù)數(shù)據(jù)，以保證數(shù)據(jù)的質(zhì)量。然后，對(duì)清洗后的數(shù)據(jù)進(jìn)行歸一化處理，將數(shù)據(jù)統(tǒng)一到特定的范圍，便于后續(xù)的模型訓(xùn)練。在某些情況下，還會(huì)對(duì)數(shù)據(jù)進(jìn)行增強(qiáng)操作，擴(kuò)充數(shù)據(jù)集的規(guī)模和多樣性。經(jīng)過預(yù)處理后的數(shù)據(jù)被存儲(chǔ)在數(shù)據(jù)存儲(chǔ)介質(zhì)（如數(shù)據(jù)庫、文件系統(tǒng)等）中，并等待CNN定位模型模塊的調(diào)用。數(shù)據(jù)預(yù)處理模塊與CNN定位模型模塊之間的交互也是單向的，數(shù)據(jù)預(yù)處理模塊為CNN定位模型模塊提供經(jīng)過處理的高質(zhì)量數(shù)據(jù)。CNN定位模型模塊從數(shù)據(jù)存儲(chǔ)介質(zhì)中讀取預(yù)處理后的數(shù)據(jù)，并將其作為輸入，進(jìn)行模型的訓(xùn)練和預(yù)測(cè)。在訓(xùn)練階段，模型通過不斷學(xué)習(xí)數(shù)據(jù)中的特征和模式，調(diào)整自身的參數(shù)，以提高定位的準(zhǔn)確性。在預(yù)測(cè)階段，模型接收實(shí)時(shí)的RSSI數(shù)據(jù)，經(jīng)過特征提取和分析，輸出移動(dòng)設(shè)備的位置信息。CNN定位模型模塊與結(jié)果輸出模塊之間存在雙向交互。模型將預(yù)測(cè)得到的位置信息傳輸給結(jié)果輸出模塊，同時(shí)，結(jié)果輸出模塊也可以將用戶的反饋信息（如實(shí)際位置與預(yù)測(cè)位置的偏差）反饋給CNN定位模型模塊，以便對(duì)模型進(jìn)行進(jìn)一步的優(yōu)化和調(diào)整。結(jié)果輸出模塊接收CNN定位模型模塊傳來的位置信息，并將其以直觀的方式展示給用戶，如在室內(nèi)地圖上標(biāo)注位置、提供導(dǎo)航路徑等。結(jié)果輸出模塊還可以將定位結(jié)果和相關(guān)的性能指標(biāo)記錄下來，供后續(xù)的分析和評(píng)估使用。結(jié)果輸出模塊與用戶之間存在直接的交互，用戶可以通過操作界面查看定位結(jié)果、反饋問題等。數(shù)據(jù)采集模塊、數(shù)據(jù)預(yù)處理模塊、CNN定位模型模塊和結(jié)果輸出模塊之間通過數(shù)據(jù)的傳遞和交互，形成了一個(gè)完整的閉環(huán)系統(tǒng)。數(shù)據(jù)采集模塊為系統(tǒng)提供原始數(shù)據(jù)，數(shù)據(jù)預(yù)處理模塊對(duì)數(shù)據(jù)進(jìn)行清洗和歸一化，CNN定位模型模塊對(duì)數(shù)據(jù)進(jìn)行分析和預(yù)測(cè)，結(jié)果輸出模塊將預(yù)測(cè)結(jié)果展示給用戶并反饋信息，各個(gè)模塊相互協(xié)作，共同實(shí)現(xiàn)基于CNN的WLAN室內(nèi)定位系統(tǒng)的功能。3.2數(shù)據(jù)采集與預(yù)處理3.2.1數(shù)據(jù)采集方案在室內(nèi)環(huán)境中，為了構(gòu)建基于CNN的WLAN室內(nèi)定位系統(tǒng)，需要采集高質(zhì)量的WLAN信號(hào)強(qiáng)度數(shù)據(jù)，以確保后續(xù)模型訓(xùn)練和定位的準(zhǔn)確性。本研究采用了一種基于移動(dòng)設(shè)備的WLAN信號(hào)強(qiáng)度數(shù)據(jù)采集方案，該方案具有操作簡(jiǎn)便、成本低廉等優(yōu)點(diǎn)。在數(shù)據(jù)采集設(shè)備方面，選用了市面上常見的智能手機(jī)作為采集終端。這些智能手機(jī)配備了支持IEEE802.11協(xié)議的無線網(wǎng)卡，能夠穩(wěn)定地接收周圍無線接入點(diǎn)（AP）的信號(hào)。為了確保數(shù)據(jù)采集的準(zhǔn)確性和一致性，對(duì)參與數(shù)據(jù)采集的智能手機(jī)進(jìn)行了統(tǒng)一的配置和校準(zhǔn)。在數(shù)據(jù)采集前，關(guān)閉了手機(jī)上其他可能干擾WLAN信號(hào)接收的應(yīng)用程序和無線功能，如藍(lán)牙、移動(dòng)數(shù)據(jù)等。同時(shí)，設(shè)置手機(jī)的WLAN掃描頻率為固定值，以保證在相同的時(shí)間間隔內(nèi)采集到數(shù)據(jù)。數(shù)據(jù)采集過程分為離線采集和在線采集兩個(gè)階段。在離線采集階段，需要在定位區(qū)域內(nèi)選擇一系列具有代表性的參考點(diǎn)。參考點(diǎn)的選擇應(yīng)盡可能覆蓋整個(gè)定位區(qū)域，包括不同的房間、走廊、樓層等位置，以確保能夠獲取到定位區(qū)域內(nèi)各種環(huán)境下的WLAN信號(hào)特征。對(duì)于每個(gè)參考點(diǎn)，使用智能手機(jī)在該點(diǎn)處進(jìn)行多次WLAN信號(hào)掃描。每次掃描時(shí)，記錄下手機(jī)接收到的所有可見AP的MAC地址、信號(hào)強(qiáng)度（RSSI）以及掃描時(shí)間等信息。為了減少測(cè)量誤差，在每個(gè)參考點(diǎn)處采集的數(shù)據(jù)樣本數(shù)量不少于50個(gè)。在一個(gè)面積為1000平方米的商場(chǎng)室內(nèi)定位區(qū)域中，劃分了100個(gè)參考點(diǎn)，每個(gè)參考點(diǎn)采集了60個(gè)數(shù)據(jù)樣本，共采集了6000個(gè)數(shù)據(jù)樣本。在在線采集階段，當(dāng)用戶需要進(jìn)行實(shí)時(shí)定位時(shí)，智能手機(jī)實(shí)時(shí)掃描周圍的WLAN信號(hào)，并將采集到的信號(hào)強(qiáng)度數(shù)據(jù)發(fā)送到定位服務(wù)器。為了保證定位的實(shí)時(shí)性，在線采集的數(shù)據(jù)傳輸頻率設(shè)置為每秒1次。同時(shí)，為了減少數(shù)據(jù)傳輸量，只發(fā)送當(dāng)前掃描到的AP的MAC地址和對(duì)應(yīng)的RSSI值，而不發(fā)送掃描時(shí)間等其他冗余信息。為了提高數(shù)據(jù)采集的效率和準(zhǔn)確性，還采用了一些輔助技術(shù)。利用室內(nèi)地圖信息，在地圖上標(biāo)記出參考點(diǎn)的位置，方便數(shù)據(jù)采集人員快速找到參考點(diǎn)并進(jìn)行數(shù)據(jù)采集。在采集過程中，使用GPS或其他室內(nèi)定位技術(shù)（如藍(lán)牙信標(biāo)定位）對(duì)智能手機(jī)的位置進(jìn)行初步定位，以確保采集到的數(shù)據(jù)與實(shí)際位置的對(duì)應(yīng)關(guān)系準(zhǔn)確無誤。3.2.2數(shù)據(jù)預(yù)處理方法從室內(nèi)環(huán)境中采集到的原始WLAN信號(hào)強(qiáng)度數(shù)據(jù)往往包含噪聲、異常值和不一致的數(shù)據(jù)，這些問題會(huì)影響后續(xù)CNN模型的訓(xùn)練和定位精度。因此，需要對(duì)采集到的數(shù)據(jù)進(jìn)行預(yù)處理，以提高數(shù)據(jù)的質(zhì)量和可用性。本研究采用了一系列數(shù)據(jù)預(yù)處理方法，包括數(shù)據(jù)清洗、去噪、歸一化和數(shù)據(jù)增強(qiáng)等。數(shù)據(jù)清洗是數(shù)據(jù)預(yù)處理的第一步，主要目的是去除原始數(shù)據(jù)中的噪聲、異常值和重復(fù)數(shù)據(jù)。在數(shù)據(jù)采集過程中，由于信號(hào)干擾、設(shè)備故障等原因，可能會(huì)出現(xiàn)一些明顯錯(cuò)誤或不合理的數(shù)據(jù)。通過設(shè)定合理的閾值來去除異常值。在WLAN信號(hào)強(qiáng)度數(shù)據(jù)中，RSSI值的正常范圍通常在-100dBm到-30dBm之間，因此可以將超出這個(gè)范圍的數(shù)據(jù)視為異常值并予以刪除。對(duì)于重復(fù)數(shù)據(jù)，通過比較數(shù)據(jù)的時(shí)間戳、AP的MAC地址和RSSI值等信息，將完全相同的數(shù)據(jù)進(jìn)行刪除，以避免重復(fù)數(shù)據(jù)對(duì)模型訓(xùn)練的影響。去噪是數(shù)據(jù)預(yù)處理的關(guān)鍵步驟之一，旨在去除數(shù)據(jù)中的噪聲干擾，提高數(shù)據(jù)的穩(wěn)定性和可靠性。由于室內(nèi)環(huán)境復(fù)雜，WLAN信號(hào)容易受到多徑效應(yīng)、反射、折射等因素的影響，導(dǎo)致采集到的數(shù)據(jù)中存在噪聲。本研究采用了小波去噪方法對(duì)數(shù)據(jù)進(jìn)行去噪處理。小波去噪是一種基于小波變換的信號(hào)處理方法，它能夠在不同的分辨率上分析信號(hào)，將信號(hào)中的噪聲和有用信號(hào)分離出來。通過對(duì)原始數(shù)據(jù)進(jìn)行小波變換，得到信號(hào)的近似分量和細(xì)節(jié)分量。噪聲主要集中在細(xì)節(jié)分量中，通過對(duì)細(xì)節(jié)分量進(jìn)行閾值處理，去除噪聲分量，然后再通過小波逆變換將處理后的近似分量和細(xì)節(jié)分量重構(gòu)，得到去噪后的信號(hào)。歸一化是將不同范圍的原始數(shù)據(jù)統(tǒng)一到一個(gè)特定的范圍，如[0,1]或[-1,1]。在WLAN室內(nèi)定位中，不同AP的信號(hào)強(qiáng)度范圍可能不同，而且信號(hào)強(qiáng)度值的大小對(duì)模型的訓(xùn)練和預(yù)測(cè)結(jié)果有較大影響。因此，需要對(duì)RSSI數(shù)據(jù)進(jìn)行歸一化處理，以提高模型的訓(xùn)練效率和收斂速度。本研究采用了最小-最大歸一化（Min-MaxScaling）方法對(duì)RSSI數(shù)據(jù)進(jìn)行歸一化處理。最小-最大歸一化公式為：x_{norm}=\frac{x-x_{min}}{x_{max}-x_{min}}，其中x是原始數(shù)據(jù)，x_{min}和x_{max}分別是數(shù)據(jù)集中的最小值和最大值，x_{norm}是歸一化后的數(shù)據(jù)。將RSSI數(shù)據(jù)歸一化到[0,1]范圍內(nèi)，這樣可以使不同AP的信號(hào)強(qiáng)度數(shù)據(jù)具有可比性，同時(shí)也能避免數(shù)據(jù)過大或過小對(duì)模型訓(xùn)練的影響。數(shù)據(jù)增強(qiáng)是通過對(duì)原始數(shù)據(jù)進(jìn)行變換，如添加噪聲、旋轉(zhuǎn)、平移等，擴(kuò)充數(shù)據(jù)集的規(guī)模和多樣性，提高模型的泛化能力。在WLAN室內(nèi)定位中，由于實(shí)際采集到的數(shù)據(jù)量有限，而且數(shù)據(jù)分布可能不均衡，這會(huì)導(dǎo)致模型在訓(xùn)練過程中容易出現(xiàn)過擬合現(xiàn)象。為了解決這個(gè)問題，本研究采用了數(shù)據(jù)增強(qiáng)技術(shù)對(duì)數(shù)據(jù)集進(jìn)行擴(kuò)充。在添加噪聲時(shí)，根據(jù)實(shí)際情況，在一定范圍內(nèi)隨機(jī)生成噪聲值，并添加到原始RSSI數(shù)據(jù)中。還可以對(duì)數(shù)據(jù)進(jìn)行隨機(jī)旋轉(zhuǎn)和平移操作，模擬不同的信號(hào)接收角度和位置，從而增加數(shù)據(jù)的多樣性。通過數(shù)據(jù)增強(qiáng)，可以有效地?cái)U(kuò)充數(shù)據(jù)集的規(guī)模，提高模型對(duì)不同環(huán)境和信號(hào)變化的適應(yīng)能力，從而提升模型的泛化能力和定位精度。3.3CNN定位模型設(shè)計(jì)3.3.1模型結(jié)構(gòu)選擇在基于CNN的WLAN室內(nèi)定位系統(tǒng)中，選擇合適的CNN模型結(jié)構(gòu)是提高定位精度的關(guān)鍵。目前，CNN領(lǐng)域存在多種經(jīng)典模型結(jié)構(gòu)，如LeNet、AlexNet、VGG、ResNet、DenseNet等，每種結(jié)構(gòu)都有其獨(dú)特的特點(diǎn)和適用場(chǎng)景。LeNet是最早的經(jīng)典CNN模型之一，由YannLeCun等人于1998年提出，最初用于手寫數(shù)字識(shí)別任務(wù)。它的結(jié)構(gòu)相對(duì)簡(jiǎn)單，包含卷積層、池化層和全連接層。LeNet的優(yōu)點(diǎn)是計(jì)算量較小，訓(xùn)練速度快，模型參數(shù)較少，適合處理小規(guī)模數(shù)據(jù)集。在WLAN室內(nèi)定位場(chǎng)景中，如果定位區(qū)域較小，數(shù)據(jù)量有限，LeNet可以快速收斂，得到較為準(zhǔn)確的定位結(jié)果。然而，由于其網(wǎng)絡(luò)層數(shù)較少，對(duì)于復(fù)雜的RSSI數(shù)據(jù)特征提取能力有限，在面對(duì)大規(guī)模、復(fù)雜的室內(nèi)環(huán)境數(shù)據(jù)時(shí)，定位精度可能無法滿足要求。AlexNet是2012年由AlexKrizhevsky等人提出的，在ImageNet大規(guī)模視覺識(shí)別挑戰(zhàn)賽中取得了優(yōu)異成績(jī)，開創(chuàng)了深度學(xué)習(xí)在圖像領(lǐng)域的廣泛應(yīng)用。它在LeNet的基礎(chǔ)上進(jìn)行了擴(kuò)展，增加了網(wǎng)絡(luò)的深度和寬度，引入了ReLU激活函數(shù)、Dropout層和局部響應(yīng)歸一化（LRN）等技術(shù)。AlexNet的優(yōu)點(diǎn)是能夠提取更高級(jí)、更復(fù)雜的特征，對(duì)大規(guī)模數(shù)據(jù)的處理能力較強(qiáng)。在WLAN室內(nèi)定位中，如果定位區(qū)域較大，數(shù)據(jù)量豐富，AlexNet可以通過學(xué)習(xí)更復(fù)雜的特征來提高定位精度。由于其參數(shù)較多，計(jì)算量較大，對(duì)硬件設(shè)備的要求較高，訓(xùn)練時(shí)間較長(zhǎng)，并且在小數(shù)據(jù)集上容易出現(xiàn)過擬合現(xiàn)象。VGG是由牛津大學(xué)視覺幾何組（VisualGeometryGroup）于2014年提出的，它通過不斷增加卷積層的數(shù)量，構(gòu)建了一系列深度不同的網(wǎng)絡(luò)結(jié)構(gòu)，如VGG16、VGG19等。VGG的網(wǎng)絡(luò)結(jié)構(gòu)非常規(guī)整，卷積層全部使用3x3的小卷積核，通過堆疊多個(gè)卷積層來增加網(wǎng)絡(luò)的感受野。這種結(jié)構(gòu)使得模型具有較強(qiáng)的特征提取能力，能夠?qū)W習(xí)到更抽象、更高級(jí)的特征表示。在圖像分類任務(wù)中，VGG能夠準(zhǔn)確地識(shí)別出各種復(fù)雜的圖像類別。在WLAN室內(nèi)定位中，VGG可以有效地提取RSSI數(shù)據(jù)中的復(fù)雜特征，從而提高定位精度。由于其網(wǎng)絡(luò)層數(shù)較多，參數(shù)數(shù)量龐大，對(duì)計(jì)算資源的需求極高，訓(xùn)練過程非常耗時(shí)，并且容易出現(xiàn)梯度消失或梯度爆炸的問題，導(dǎo)致模型訓(xùn)練不穩(wěn)定。ResNet是2015年由微軟研究院的KaimingHe等人提出的，它通過引入殘差連接（ResidualConnection）解決了深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練中的梯度消失和梯度爆炸問題，使得網(wǎng)絡(luò)可以構(gòu)建得更深。殘差連接允許網(wǎng)絡(luò)直接學(xué)習(xí)輸入與輸出之間的殘差，從而更容易訓(xùn)練。ResNet在圖像識(shí)別、目標(biāo)檢測(cè)等領(lǐng)域取得了巨大的成功，其性能優(yōu)于許多傳統(tǒng)的CNN模型。在WLAN室內(nèi)定位中，ResNet的深度結(jié)構(gòu)能夠充分學(xué)習(xí)RSSI數(shù)據(jù)的復(fù)雜特征，并且通過殘差連接保證了訓(xùn)練的穩(wěn)定性。即使在面對(duì)大規(guī)模、復(fù)雜的室內(nèi)環(huán)境數(shù)據(jù)時(shí)，ResNet也能夠保持較高的定位精度。DenseNet是2017年由GaoHuang等人提出的，它進(jìn)一步改進(jìn)了網(wǎng)絡(luò)的連接方式，采用了密集連接（DenseConnection）。在DenseNet中，每一層都與前面所有層直接相連，這樣可以充分利用前面層的特征信息，減少梯度消失問題，同時(shí)提高了特征的利用率和模型的表達(dá)能力。DenseNet在參數(shù)效率方面表現(xiàn)出色，在相同的參數(shù)數(shù)量下，能夠取得比其他模型更好的性能。在WLAN室內(nèi)定位中，DenseNet可以通過密集連接更好地融合不同層次的特征，提高定位的準(zhǔn)確性。綜合考慮各種因素，本研究選擇ResNet作為WLAN室內(nèi)定位的CNN模型結(jié)構(gòu)。ResNet的殘差連接能夠有效地解決深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練中的梯度問題，使得網(wǎng)絡(luò)可以構(gòu)建得更深，從而更好地提取RSSI數(shù)據(jù)的復(fù)雜特征。在面對(duì)室內(nèi)環(huán)境中復(fù)雜多變的信號(hào)干擾和多徑效應(yīng)時(shí)，ResNet的深度結(jié)構(gòu)能夠?qū)W習(xí)到更豐富的特征表示，提高定位的準(zhǔn)確性和穩(wěn)定性。與其他模型相比，ResNet在大規(guī)模數(shù)據(jù)集上的訓(xùn)練效果更好，能夠更好地適應(yīng)室內(nèi)定位中可能出現(xiàn)的大量數(shù)據(jù)和復(fù)雜情況。盡管ResNet的計(jì)算量相對(duì)較大，但隨著硬件技術(shù)的不斷發(fā)展，如GPU性能的提升，其計(jì)算效率已經(jīng)得到了很大的改善，能夠滿足實(shí)際應(yīng)用的需求。3.3.2模型參數(shù)設(shè)置在確定使用ResNet作為WLAN室內(nèi)定位的CNN模型結(jié)構(gòu)后，需要對(duì)模型的關(guān)鍵參數(shù)進(jìn)行合理設(shè)置，以確保模型能夠準(zhǔn)確地學(xué)習(xí)到RSSI數(shù)據(jù)與位置之間的映射關(guān)系，同時(shí)提高模型的訓(xùn)練效率和泛化能力。卷積核大小是影響CNN模型性能的重要參數(shù)之一。卷積核在卷積層中對(duì)輸入數(shù)據(jù)進(jìn)行卷積運(yùn)算，提取數(shù)據(jù)的特征。在WLAN室內(nèi)定位中，選擇合適的卷積核大小可以更好地捕捉RSSI數(shù)據(jù)的局部特征。對(duì)于RSSI數(shù)據(jù)，其特征主要集中在局部區(qū)域，因此選擇較小的卷積核大小能夠更好地提取這些局部特征。在ResNet的初始卷積層中，設(shè)置卷積核大小為3x3。這樣的卷積核大小既能夠有效地提取RSSI數(shù)據(jù)的局部特征，又不會(huì)增加過多的計(jì)算量。在后續(xù)的卷積層中，根據(jù)網(wǎng)絡(luò)的深度和特征提取的需求，適當(dāng)調(diào)整卷積核大小，如在一些高層卷積層中，可以將卷積核大小增加到5x5，以擴(kuò)大感受野，提取更高級(jí)的特征。網(wǎng)絡(luò)層數(shù)是決定CNN模型復(fù)雜度和特征提取能力的關(guān)鍵因素。在ResNet中，通過增加網(wǎng)絡(luò)層數(shù)可以構(gòu)建更深的網(wǎng)絡(luò)結(jié)構(gòu)，從而學(xué)習(xí)到更復(fù)雜的特征表示。然而，隨著網(wǎng)絡(luò)層數(shù)的增加，也會(huì)面臨梯度消失、梯度爆炸和過擬合等問題。為了平衡模型的復(fù)雜度和性能，本研究選擇構(gòu)建一個(gè)相對(duì)適中的ResNet網(wǎng)絡(luò)。經(jīng)過多次實(shí)驗(yàn)和比較，確定使用ResNet-34模型。ResNet-34包含34個(gè)卷積層，其中包括多個(gè)殘差塊，每個(gè)殘差塊由兩個(gè)或三個(gè)卷積層組成。這樣的網(wǎng)絡(luò)層數(shù)既能保證模型具有足夠的特征提取能力，又能避免因?qū)訑?shù)過多而導(dǎo)致的訓(xùn)練困難和過擬合問題。學(xué)習(xí)率是優(yōu)化算法中的一個(gè)重要超參數(shù)，它決定了模型在訓(xùn)練過程中參數(shù)更新的步長(zhǎng)。合適的學(xué)習(xí)率能夠使模型快速收斂到最優(yōu)解，提高訓(xùn)練效率。如果學(xué)習(xí)率過大，模型在訓(xùn)練過程中可能會(huì)跳過最優(yōu)解，導(dǎo)致無法收斂；如果學(xué)習(xí)率過小，模型的收斂速度會(huì)非常緩慢，增加訓(xùn)練時(shí)間。在訓(xùn)練基于ResNet的WLAN室內(nèi)定位模型時(shí)，采用動(dòng)態(tài)學(xué)習(xí)率調(diào)整策略。初始學(xué)習(xí)率設(shè)置為0.001，在訓(xùn)練過程中，當(dāng)模型的驗(yàn)證損失在一定的訓(xùn)練輪數(shù)（如10輪）內(nèi)沒有下降時(shí)，將學(xué)習(xí)率降低為原來的0.1倍。通過這種動(dòng)態(tài)調(diào)整學(xué)習(xí)率的方式，可以使模型在訓(xùn)練初期快速收斂，在訓(xùn)練后期逐漸調(diào)整參數(shù)，以達(dá)到更好的收斂效果。除了上述關(guān)鍵參數(shù)外，還需要設(shè)置其他一些參數(shù)，如批處理大?。˙atchSize）、優(yōu)化器、損失函數(shù)等。批處理大小決定了每次訓(xùn)練時(shí)輸入模型的樣本數(shù)量。較大的批處理大小可以加快訓(xùn)練速度，但可能會(huì)導(dǎo)致內(nèi)存不足；較小的批處理大小則可以減少內(nèi)存需求，但會(huì)增加訓(xùn)練時(shí)間。經(jīng)過實(shí)驗(yàn)，將批處理大小設(shè)置為32，這樣既能充分利用硬件資源，又能保證訓(xùn)練的穩(wěn)定性。在優(yōu)化器的選擇上，采用Adam優(yōu)化器。Adam優(yōu)化器結(jié)合了Adagrad和Adadelta的優(yōu)點(diǎn)，能夠自適應(yīng)地調(diào)整學(xué)習(xí)率，在不同的參數(shù)上使用不同的學(xué)習(xí)率，并且對(duì)梯度的一階矩估計(jì)和二階矩估計(jì)進(jìn)行綜合考慮，具有較好的收斂效果。在損失函數(shù)方面，由于WLAN室內(nèi)定位是一個(gè)回歸問題，因此選擇均方誤差（MSE）作為損失函數(shù)。MSE能夠衡量模型預(yù)測(cè)值與真實(shí)值之間的誤差平方的平均值，通過最小化MSE，可以使模型的預(yù)測(cè)值盡可能接近真實(shí)值。四、系統(tǒng)實(shí)現(xiàn)與實(shí)驗(yàn)驗(yàn)證4.1系統(tǒng)實(shí)現(xiàn)環(huán)境與工具在基于CNN的WLAN室內(nèi)定位系統(tǒng)的實(shí)現(xiàn)過程中，選擇合適的實(shí)現(xiàn)環(huán)境與工具對(duì)于系統(tǒng)的性能和開發(fā)效率至關(guān)重要。本研究采用了一系列先進(jìn)的技術(shù)和工具，以確保系統(tǒng)能夠高效、穩(wěn)定地運(yùn)行。在編程語言方面，選用Python作為主要的開發(fā)語言。Python具有簡(jiǎn)潔易讀的語法、豐富的庫資源和強(qiáng)大的數(shù)據(jù)處理能力，在深度學(xué)習(xí)、數(shù)據(jù)科學(xué)和機(jī)器學(xué)習(xí)領(lǐng)域得到了廣泛應(yīng)用。其豐富的第三方庫，如NumPy、Pandas、Matplotlib等，能夠方便地進(jìn)行數(shù)據(jù)處理、分析和可視化。在數(shù)據(jù)預(yù)處理階段，使用NumPy進(jìn)行數(shù)組操作，Pandas進(jìn)行數(shù)據(jù)清洗和整理；在結(jié)果展示階段，利用Matplotlib繪制定位誤差曲線、模型訓(xùn)練損失曲線等圖表，直觀地展示系統(tǒng)的性能指標(biāo)。在開發(fā)框架方面，基于TensorFlow深度學(xué)習(xí)框架進(jìn)行系統(tǒng)開發(fā)。TensorFlow是一個(gè)由Google開發(fā)和維護(hù)的開源深度學(xué)習(xí)框架，具有高度的靈活性和可擴(kuò)展性，支持在CPU、GPU等多種硬件平臺(tái)上運(yùn)行。它提供了豐富的API和工具，方便用戶構(gòu)建、訓(xùn)練和部署深度學(xué)習(xí)模型。在基于CNN的WLAN室內(nèi)定位系統(tǒng)中，利用TensorFlow構(gòu)建ResNet模型，定義模型的結(jié)構(gòu)、參數(shù)和訓(xùn)練過程。通過TensorFlow的自動(dòng)求導(dǎo)機(jī)制，能夠方便地實(shí)現(xiàn)反向傳播算法，對(duì)模型的參數(shù)進(jìn)行優(yōu)化。在硬件設(shè)備方面，選用NVIDIAGeForceRTX3060GPU作為主要的計(jì)算設(shè)備。GPU具有強(qiáng)大的并行計(jì)算能力，能夠顯著加速深度學(xué)習(xí)模型的訓(xùn)練過程。在訓(xùn)練基于ResNet的WLAN室內(nèi)定位模型時(shí)，使用GPU進(jìn)行計(jì)算，相比使用CPU，訓(xùn)練時(shí)間大大縮短。搭配IntelCorei7-12700K處理器和32GBDDR4內(nèi)存，確保計(jì)算機(jī)系統(tǒng)能夠穩(wěn)定運(yùn)行，為數(shù)據(jù)處理和模型訓(xùn)練提供充足的計(jì)算資源和內(nèi)存空間。還使用了MySQL數(shù)據(jù)庫來存儲(chǔ)采集到的RSSI數(shù)據(jù)、AP位置信息、模型訓(xùn)練結(jié)果等。MySQL是一種開源的關(guān)系型數(shù)據(jù)庫管理系統(tǒng)，具有高效、可靠、易于使用等優(yōu)點(diǎn)，能夠滿足系統(tǒng)對(duì)數(shù)據(jù)存儲(chǔ)和管理的需求。在數(shù)據(jù)采集階段，將采集到的RSSI數(shù)據(jù)和相關(guān)的時(shí)間戳、設(shè)備標(biāo)識(shí)等信息存儲(chǔ)到MySQL數(shù)據(jù)庫中；在模型訓(xùn)練過程中，將模型的訓(xùn)練參數(shù)、訓(xùn)練損失等結(jié)果也存儲(chǔ)到數(shù)據(jù)庫中，以便后續(xù)的分析和評(píng)估。通過選擇Python編程語言、TensorFlow開發(fā)框架、NVIDIAGeForceRTX3060GPU計(jì)算設(shè)備以及MySQL數(shù)據(jù)庫等實(shí)現(xiàn)環(huán)境與工具，為基于CNN的WLAN室內(nèi)定位系統(tǒng)的開發(fā)和實(shí)現(xiàn)提供了堅(jiān)實(shí)的基礎(chǔ)，確保系統(tǒng)能夠高效、穩(wěn)定地運(yùn)行，并滿足室內(nèi)定位的精度和實(shí)時(shí)性要求。4.2實(shí)驗(yàn)數(shù)據(jù)集準(zhǔn)備4.2.1數(shù)據(jù)集來源與采集為了構(gòu)建基于CNN的WLAN室內(nèi)定位系統(tǒng)，需要大量準(zhǔn)確的WLAN信號(hào)強(qiáng)度數(shù)據(jù)作為訓(xùn)練和測(cè)試的基礎(chǔ)。本研究采用了自主采集與公開數(shù)據(jù)集相結(jié)合的方式來獲取實(shí)驗(yàn)所需的數(shù)據(jù)集。在自主采集數(shù)據(jù)方面，選擇了一個(gè)典型的室內(nèi)環(huán)境，如一座四層的辦公樓作為數(shù)據(jù)采集地點(diǎn)。該辦公樓包含多個(gè)辦公室、走廊、會(huì)議室等不同功能區(qū)域，具有復(fù)雜的室內(nèi)布局和豐富的信號(hào)傳播場(chǎng)景，能夠很好地模擬實(shí)際應(yīng)用中的室內(nèi)環(huán)境。在樓內(nèi)合理部署了20個(gè)無線接入點(diǎn)（AP），確保信號(hào)能夠覆蓋整個(gè)定位區(qū)域。這些AP分布在不同樓層和房間，位置經(jīng)過精確測(cè)量和記錄，為后續(xù)的定位計(jì)算提供準(zhǔn)確的參考。使用智能手機(jī)作為數(shù)據(jù)采集設(shè)備，通過開發(fā)專門的數(shù)據(jù)采集應(yīng)用程序，實(shí)現(xiàn)對(duì)周圍AP的RSSI數(shù)據(jù)的自動(dòng)采集。在數(shù)據(jù)采集過程中，在定位區(qū)域內(nèi)均勻選取了200個(gè)參考點(diǎn)，每個(gè)參考點(diǎn)代表一個(gè)可能的位置。對(duì)于每個(gè)參考點(diǎn)，將智能手機(jī)放置在該點(diǎn)處，保持穩(wěn)定的接收狀態(tài)，以確保采集到的數(shù)據(jù)能夠準(zhǔn)確反映該位置的信號(hào)特征。在每個(gè)參考點(diǎn)處，以固定的時(shí)間間隔（如10秒）進(jìn)行多次信號(hào)掃描，每次掃描記錄下手機(jī)接收到的所有可見AP的MAC地址、RSSI值以及掃描時(shí)間等信息。為了提高數(shù)據(jù)的可靠性和代表性，每個(gè)參考點(diǎn)采集的數(shù)據(jù)樣本數(shù)量不少于100個(gè)。經(jīng)過仔細(xì)的數(shù)據(jù)采集工作，共采集到了20000個(gè)原始數(shù)據(jù)樣本。除了自主采集數(shù)據(jù)，還收集了一些公開的WLAN室內(nèi)定位數(shù)據(jù)集，如Tampere數(shù)據(jù)集和UJIIndoorLoc數(shù)據(jù)集。這些公開數(shù)據(jù)集包含了不同室內(nèi)環(huán)境下的WLAN信號(hào)強(qiáng)度數(shù)據(jù)和對(duì)應(yīng)的位置信息，具有豐富的多樣性和廣泛的代表性。Tampere數(shù)據(jù)集是在一個(gè)大型室內(nèi)購物中心采集的，涵蓋了多個(gè)樓層和不同類型的店鋪區(qū)域，數(shù)據(jù)樣本數(shù)量達(dá)到了數(shù)萬條。UJIIndoorLoc數(shù)據(jù)集則是在大學(xué)校園的教學(xué)樓和圖書館等建筑中采集的，包含了不同時(shí)間、不同人員活動(dòng)情況下的信號(hào)數(shù)據(jù)。通過使用這些公開數(shù)據(jù)集，可以進(jìn)一步擴(kuò)充實(shí)驗(yàn)數(shù)據(jù)集的規(guī)模和多樣性，提高模型的泛化能力和適應(yīng)性。在使用公開數(shù)據(jù)集時(shí)，對(duì)數(shù)據(jù)進(jìn)行了仔細(xì)的分析和篩選，確保數(shù)據(jù)的質(zhì)量和適用性。與自主采集的數(shù)據(jù)進(jìn)行整合，形成了一個(gè)更加全面、豐富的實(shí)驗(yàn)數(shù)據(jù)集。4.2.2數(shù)據(jù)集劃分與標(biāo)注在獲取了足夠的實(shí)驗(yàn)數(shù)據(jù)集后，需要對(duì)數(shù)據(jù)集進(jìn)行合理的劃分和準(zhǔn)確的標(biāo)注，以便進(jìn)行模型的訓(xùn)練、驗(yàn)證和測(cè)試。本研究將數(shù)據(jù)集按照70%、15%、15%的比例劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集。訓(xùn)練集是模型學(xué)習(xí)的基礎(chǔ)，包含了大部分的數(shù)據(jù)樣本，用于訓(xùn)練CNN模型，使其能夠?qū)W習(xí)到RSSI數(shù)據(jù)與位置之間的映射關(guān)系。在劃分訓(xùn)練集時(shí)，從自主采集的數(shù)據(jù)和公開數(shù)據(jù)集中隨機(jī)抽取70%的數(shù)據(jù)樣本，確保訓(xùn)練集能夠充分覆蓋不同的信號(hào)特征和位置信息。將來自辦公樓不同區(qū)域、不同樓層的自主采集數(shù)據(jù)以及公開數(shù)據(jù)集中不同場(chǎng)景的數(shù)據(jù)都包含在訓(xùn)練集中，使模型能夠?qū)W習(xí)到各種復(fù)雜情況下的信號(hào)與位置關(guān)系。驗(yàn)證集用于在模型訓(xùn)練過程中評(píng)估模型的性能，幫助調(diào)整模型的超參數(shù)，防止模型過擬合。從剩余的數(shù)據(jù)中隨機(jī)抽取15%作為驗(yàn)證集，在訓(xùn)練過程中，定期使用驗(yàn)證集對(duì)模型進(jìn)行評(píng)估，觀察模型的損失函數(shù)值、準(zhǔn)確率等指標(biāo)的變化情況。如果模型在驗(yàn)證集上的性能開始下降，說明可能出現(xiàn)了過擬合現(xiàn)象，此時(shí)需要調(diào)整模型的超參數(shù)，如學(xué)習(xí)率、正則化系數(shù)等，或者采取其他防止過擬合的措施，如增加數(shù)據(jù)增強(qiáng)的強(qiáng)度、調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)等。測(cè)試集用于最終評(píng)估模型的性能，檢驗(yàn)?zāi)Ｐ驮谖匆娺^的數(shù)據(jù)上的泛化能力。將剩下的15%的數(shù)據(jù)作為測(cè)試集，在模型訓(xùn)練完成后，使用測(cè)試集對(duì)模型進(jìn)行測(cè)試，計(jì)算模型的定位誤差、準(zhǔn)確率等指標(biāo)，以評(píng)估模型的實(shí)際性能。在測(cè)試過程中，確保測(cè)試集與訓(xùn)練集和驗(yàn)證集沒有重疊，以保證測(cè)試結(jié)果的客觀性和可靠性。在數(shù)據(jù)標(biāo)注方面，對(duì)于每個(gè)數(shù)據(jù)樣本，需要標(biāo)注其對(duì)應(yīng)的真實(shí)位置信息。在自主采集數(shù)據(jù)時(shí)，參考點(diǎn)的位置是預(yù)先確定并精確測(cè)量的，因此可以直接將參考點(diǎn)的坐標(biāo)作為該樣本的位置標(biāo)注。對(duì)于公開數(shù)據(jù)集中的數(shù)據(jù)，根據(jù)數(shù)據(jù)集提供的標(biāo)注信息進(jìn)行整理和統(tǒng)一，確保標(biāo)注格式的一致性。在標(biāo)注過程中，仔細(xì)核對(duì)每個(gè)樣本的位置信息，避免標(biāo)注錯(cuò)誤，以保證數(shù)據(jù)標(biāo)注的準(zhǔn)確性。標(biāo)注完成后，將數(shù)據(jù)樣本及其對(duì)應(yīng)的位置標(biāo)注存儲(chǔ)在數(shù)據(jù)庫中，方便后續(xù)的模型訓(xùn)練和測(cè)試使用。4.3實(shí)驗(yàn)過程與結(jié)果分析4.3.1模型訓(xùn)練過程在完成基于CNN的WLAN室內(nèi)定位系統(tǒng)的搭建和數(shù)據(jù)集的準(zhǔn)備后，進(jìn)行了模型的訓(xùn)練。在訓(xùn)練過程中，對(duì)模型的各項(xiàng)參數(shù)進(jìn)行了實(shí)時(shí)監(jiān)測(cè)和記錄，以觀察模型的學(xué)習(xí)過程和性能變化。使用Adam優(yōu)化器對(duì)模型進(jìn)行訓(xùn)練，初始學(xué)習(xí)率設(shè)置為0.001，采用動(dòng)態(tài)學(xué)習(xí)率調(diào)整策略，當(dāng)模型在驗(yàn)證集上的損失在連續(xù)10個(gè)epoch內(nèi)沒有下降時(shí)，將學(xué)習(xí)率降低為原來的0.1倍。批處理大小設(shè)置為32，即每次訓(xùn)練時(shí)輸入32個(gè)數(shù)據(jù)樣本，這樣既能充分利用硬件資源，又能保證訓(xùn)練的穩(wěn)定性。訓(xùn)練過程中，共進(jìn)行了100個(gè)epoch的訓(xùn)練。隨著訓(xùn)練的進(jìn)行，模型的損失函數(shù)值逐漸下降。在訓(xùn)練初期，損失函數(shù)下降較快，這是因?yàn)槟Ｐ烷_始學(xué)習(xí)數(shù)據(jù)中的基本特征和模式，參數(shù)調(diào)整幅度較大，能夠快速降低預(yù)測(cè)值與真實(shí)值之間的誤差。隨著訓(xùn)練的深入，損失函數(shù)下降速度逐漸變緩，這是因?yàn)槟Ｐ鸵呀?jīng)學(xué)習(xí)到了大部分關(guān)鍵特征，進(jìn)一步優(yōu)化的難度增加，需要更加精細(xì)地調(diào)整參數(shù)。在大約第50個(gè)epoch后，損失函數(shù)下降趨勢(shì)變得更加平穩(wěn)，模型逐漸收斂。通過動(dòng)態(tài)學(xué)習(xí)率調(diào)整策略，有效地避免了模型在訓(xùn)練后期陷入局部最優(yōu)解，使模型能夠繼續(xù)優(yōu)化，進(jìn)一步降低損失函數(shù)值。在訓(xùn)練過程中，還觀察了模型在驗(yàn)證集上的準(zhǔn)確率變化情況。準(zhǔn)確率隨著訓(xùn)練的進(jìn)行逐漸提高，在訓(xùn)練初期，準(zhǔn)確率提升較為明顯，這表明模型在不斷學(xué)習(xí)和適應(yīng)數(shù)據(jù)，能夠更準(zhǔn)確地預(yù)測(cè)位置。隨著訓(xùn)練的進(jìn)行，準(zhǔn)確率提升速度逐漸變慢，最終在第80個(gè)epoch左右趨于穩(wěn)定，達(dá)到了較高的準(zhǔn)確率水平。這說明模型在經(jīng)過充分訓(xùn)練后，已經(jīng)能夠較好地學(xué)習(xí)到RSSI數(shù)據(jù)與位置之間的映射關(guān)系，對(duì)未見過的數(shù)據(jù)也具有較好的泛化能力。為了更直觀地展示模型的訓(xùn)練過程，繪制了損失函數(shù)下降曲線和準(zhǔn)確率上升曲線，如圖1所示。從圖中可以清晰地看到損失函數(shù)隨epoch的增加而逐漸下降，準(zhǔn)確率隨epoch的增加而逐漸上升，兩者的變化趨勢(shì)符合模型訓(xùn)練的一般規(guī)律。通過對(duì)模型訓(xùn)練過程的分析和可視化展示，為后續(xù)的模型評(píng)估和優(yōu)化提供了重要依據(jù)。[此處插入損失函數(shù)下降曲線和準(zhǔn)確率上升曲線的圖片]圖1：模型訓(xùn)練過程中的損失函數(shù)下降曲線和準(zhǔn)確率上升曲線4.3.2定位結(jié)果評(píng)估指標(biāo)為了準(zhǔn)確評(píng)估基于CNN的WLAN室內(nèi)定位系統(tǒng)的性能，采用了多個(gè)評(píng)估指標(biāo)，包括準(zhǔn)確率、平均定位誤差（AveragePositionError，APE）、累積分布函數(shù)（CumulativeDistributionFunction，CDF）等。準(zhǔn)確率是評(píng)估定位系統(tǒng)性能的重要指標(biāo)之一，它表示定位結(jié)果正確的樣本數(shù)量占總樣本數(shù)量的比例。在本研究中，將預(yù)測(cè)位置與真實(shí)位置之間的誤差小于一定閾值（如1米）的樣本視為定位正確的樣本。準(zhǔn)確率的計(jì)算公式為：Accuracy=\frac{N_{correct}}{N_{total}}\times100\%其中，N_{correct}表示定位正確的樣本數(shù)量，N_{total}表示總樣本數(shù)量。通過計(jì)算準(zhǔn)確率，可以直觀地了解定位系統(tǒng)在整體上的定位準(zhǔn)確性。平均定位誤差（APE）是衡量定位精度的關(guān)鍵指標(biāo)，它反映了預(yù)測(cè)位置與真實(shí)位置之間的平均距離誤差。APE的計(jì)算公式為：APE=\frac{1}{N}\sum_{i=1}^{N}\sqrt{(x_{i}^{pred}-x_{i}^{true})^2+(y_{i}^{pred}-y_{i}^{true})^2}其中，N表示樣本數(shù)量，(x_{i}^{pred},y_{i}^{pred})表示第i個(gè)樣本的預(yù)測(cè)位置坐標(biāo)，(x_{i}^{true},y_{i}^{true})表示第i個(gè)樣本的真實(shí)位置坐標(biāo)。APE值越小，說明定位系統(tǒng)的定位精度越高。累積分布函數(shù)（CDF）用于描述定位誤差的分布情況，它展示了定位誤差小于某個(gè)特定值的樣本比例。通過繪制CDF曲線，可以直觀地了解定位誤差在不同范圍內(nèi)的分布情況，從而更全面地評(píng)估定位系統(tǒng)的性能。在CDF曲線中，橫坐標(biāo)表示定位誤差，縱坐標(biāo)表示累積概率。例如，當(dāng)定位誤差為2米時(shí)，CDF值為0.8，表示定位誤差小于2米的樣本占總樣本數(shù)量的80%。4.3.3實(shí)驗(yàn)結(jié)果對(duì)比與分析為了驗(yàn)證基于CNN的WLAN室內(nèi)定位系統(tǒng)的性能優(yōu)勢(shì)，將其與傳統(tǒng)的基于RSSI的KNN定位方法進(jìn)行了對(duì)比實(shí)驗(yàn)。在相同的實(shí)驗(yàn)環(huán)境和數(shù)據(jù)集下，分別使用基于CNN的定位模型和KNN定位方法進(jìn)行定位預(yù)測(cè)，并根據(jù)前面介紹的評(píng)估指標(biāo)對(duì)兩種方法的定位結(jié)果進(jìn)行評(píng)估和分析。在準(zhǔn)確率方面，基于CNN的定位方法取得了85%的準(zhǔn)確率，而KNN定位方法的準(zhǔn)確率為70%。這表明基于CNN的定位方法能夠更準(zhǔn)確地預(yù)測(cè)移動(dòng)設(shè)備的位置，將更多的樣本定位在誤差閾值范圍內(nèi)。CNN通過卷積層和池化層對(duì)RSSI數(shù)據(jù)進(jìn)行特征提取，能夠?qū)W習(xí)到更復(fù)雜的特征模式，從而提高了定位的準(zhǔn)確性。在平均定位誤差（APE）方面，基于CNN的定位方法的APE為1.5米，而KNN定位方法的APE為2.5米。這說明基于CNN的定位方法在定位精度上明顯優(yōu)于KNN定位方法，能夠更精確地確定移動(dòng)設(shè)備的位置。KNN定位方法主要依賴于計(jì)算樣本之間的距離來進(jìn)行定位，對(duì)噪聲和數(shù)據(jù)分布的變化較為敏感，而CNN能夠通過深度學(xué)習(xí)自動(dòng)學(xué)習(xí)數(shù)據(jù)中的特征和規(guī)律，對(duì)復(fù)雜環(huán)境和噪聲具有更強(qiáng)的適應(yīng)性。為了更直觀地展示兩種方法的定位性能差異，繪制了它們的累積分布函數(shù)（CDF）曲線，如圖2所示。從圖中可以看出，基于CNN的定位方法在整個(gè)定位誤差范圍內(nèi)的CDF曲線都位于KNN定位方法的上方，這意味著在相同的定位誤差閾值下，基于CNN的定位方法有更高比例的樣本能夠滿足定位精度要求。當(dāng)定位誤差為2米時(shí)，基于CNN的定位方法的累積概率達(dá)到了0.9，而KNN定位方法的累積概率僅為0.7。[此處插入基于CNN和KNN的定位方法的CDF曲線對(duì)比圖]圖2：基于CNN和KNN的定位方法的CDF曲線對(duì)比盡管基于CNN的WLAN室內(nèi)定位系統(tǒng)在定位精度和準(zhǔn)確率方面表現(xiàn)出明顯的優(yōu)勢(shì)，但也存在一些不足之處。在復(fù)雜的室內(nèi)環(huán)境中，如信號(hào)干擾嚴(yán)重、遮擋物較多的區(qū)域，定位精度仍會(huì)受到一定影響。這是因?yàn)樵谶@種環(huán)境下，RSSI數(shù)據(jù)的波動(dòng)較大，噪聲較多，即使是CNN模型也難以完全準(zhǔn)確地學(xué)習(xí)到信號(hào)與位置之間的映射關(guān)系。此外，基于CNN的定位方法對(duì)計(jì)算資源和訓(xùn)練數(shù)據(jù)的要求較高，需要強(qiáng)大的硬件設(shè)備支持和大量的高質(zhì)量數(shù)據(jù)進(jìn)行訓(xùn)練，這在一定程度上限制了其在實(shí)際應(yīng)用中的推廣和部署。未來的研究可以進(jìn)一步探索如何優(yōu)化模型結(jié)構(gòu)和算法，提高模型對(duì)復(fù)雜環(huán)境的適應(yīng)性，同時(shí)尋找更有效的數(shù)據(jù)增強(qiáng)和特征提取方法，減少對(duì)大規(guī)模訓(xùn)練數(shù)據(jù)的依賴，以提升基于CNN的WLAN室內(nèi)定位系統(tǒng)的性能和實(shí)用性。五、系統(tǒng)性能優(yōu)化與改進(jìn)策略5.1優(yōu)化算法提升定位精度5.1.1改進(jìn)CNN模型結(jié)構(gòu)在基于CNN的WLAN室內(nèi)定位系統(tǒng)中，模型結(jié)構(gòu)對(duì)定位精度起著關(guān)鍵作用。為了進(jìn)一步提升定位精度，本研究提出了一種改進(jìn)的CNN模型結(jié)構(gòu)，主要通過引入注意力機(jī)制和優(yōu)化網(wǎng)絡(luò)層次結(jié)構(gòu)來實(shí)現(xiàn)。注意力機(jī)制能夠使模型更加關(guān)注對(duì)定位關(guān)鍵的特征，從而提高定位精度。在改進(jìn)的模型中，引入了通道注意力機(jī)制（如Squeeze-and-Excitation，SE模塊）和空間注意力機(jī)制（如ConvolutionalBlockAttentionModule，CBAM）。SE模塊主要關(guān)注通道間的關(guān)系，通過對(duì)卷積得到的特征圖進(jìn)行Squeeze操作，得到通道級(jí)的全局特征，然后對(duì)全局特征進(jìn)行Excitation操作，學(xué)習(xí)各個(gè)通道間的關(guān)系，得到不同通道的權(quán)重，最后將權(quán)重乘以原來的特征圖，使得模型能夠更加關(guān)注信息量最大的通道特征，抑制不重要的通道特征。CBAM則同時(shí)考慮了通道和空間兩個(gè)維度的注意力，先通過通道注意力模塊對(duì)特征圖的通道維度進(jìn)行加權(quán)，然后通過空間注意力模塊對(duì)特征圖的空間維度進(jìn)行加權(quán)，從而使模型能夠更全面地關(guān)注特征圖中對(duì)定位重要的區(qū)域和通道。在實(shí)際應(yīng)用中，將SE模塊和CBAM模塊嵌入到ResNet的殘差塊中。在每個(gè)殘差塊的卷積層之后，添加SE模塊，對(duì)卷積得到的特征圖進(jìn)行通道注意力計(jì)算，調(diào)整通道權(quán)重，突出關(guān)鍵通道的特征。在SE模塊之后，再添加CBAM模塊，對(duì)特征圖進(jìn)行空間和通道的雙重注意力計(jì)算，進(jìn)一步聚焦對(duì)定位重要的空間區(qū)域和通道特征。通過這種方式，改進(jìn)后的模型能夠更好地學(xué)習(xí)到RSSI數(shù)據(jù)中的關(guān)鍵特征，提高定位精度。除了引入注意力機(jī)制，還對(duì)網(wǎng)絡(luò)層次結(jié)構(gòu)進(jìn)行了優(yōu)化。在原有的ResNet基礎(chǔ)上，適當(dāng)增加了卷積層的數(shù)量和卷積核的大小，以擴(kuò)大網(wǎng)絡(luò)的感受野，使其能夠?qū)W習(xí)到更高級(jí)、更復(fù)雜的特征。在淺層卷積層中，采用較小的卷積核（如3x3），以捕捉RSSI數(shù)據(jù)的局部細(xì)節(jié)特征；在深層卷積層中，逐漸增加卷積核的大小（如5x5、7x7），以擴(kuò)大感受野，學(xué)習(xí)到更全局、更抽象的特征。為了避免因網(wǎng)絡(luò)層數(shù)增加而導(dǎo)致的梯度消失和過擬合問題，采用了殘差連接和批量歸一化（BatchNormalization）技術(shù)。殘差連接允許網(wǎng)絡(luò)直接學(xué)習(xí)輸入與輸出之間的殘差，使得網(wǎng)絡(luò)更容易訓(xùn)練；批量歸一化則對(duì)每個(gè)批次的數(shù)據(jù)進(jìn)行歸一化處理，加速了模型的收斂速度，提高了模型的穩(wěn)定性。5.1.2優(yōu)化訓(xùn)練參數(shù)訓(xùn)練參數(shù)的選擇對(duì)CNN模型的性能有著重要影響。為了提升基于CNN的WLAN室內(nèi)定位系統(tǒng)的性能，通過大量實(shí)驗(yàn)對(duì)學(xué)習(xí)率、迭代次數(shù)、批處理大小等關(guān)鍵訓(xùn)練參數(shù)進(jìn)行了優(yōu)化調(diào)整。學(xué)習(xí)率是優(yōu)化算法中的一個(gè)重要超參數(shù)，它決定了模型在訓(xùn)練過程中參數(shù)更新的步長(zhǎng)。如果學(xué)習(xí)率過大，模型在訓(xùn)練過程中可能會(huì)跳過最優(yōu)解，導(dǎo)致無法收斂；如果學(xué)習(xí)率過小，模型的收斂速度會(huì)非常緩慢，增加訓(xùn)練時(shí)間。為了找到最優(yōu)的學(xué)習(xí)率，采用了學(xué)習(xí)率搜索策略，從一個(gè)較大的初始值開始，逐漸減小學(xué)習(xí)率，觀察模型在驗(yàn)證集上的損失函數(shù)值和準(zhǔn)確率的變化情況。具體來說，首先設(shè)置初始學(xué)習(xí)率為0.1，然后以指數(shù)衰減的方式逐漸減小學(xué)習(xí)率，每次衰減因子為0.1。在每次調(diào)整學(xué)習(xí)率后，進(jìn)行一定輪數(shù)的訓(xùn)練，并記錄模型在驗(yàn)證集上的性能指標(biāo)。通過實(shí)驗(yàn)發(fā)現(xiàn)，當(dāng)學(xué)習(xí)率在0.001-0.01之間時(shí)，模型的收斂速度和定位精度表現(xiàn)較好。最終確定初始學(xué)習(xí)率為0.005，并采用動(dòng)態(tài)學(xué)習(xí)率調(diào)整策略，當(dāng)模型在驗(yàn)證集上的損失在連續(xù)10個(gè)epoch內(nèi)沒有下降時(shí)，將學(xué)習(xí)率降低為原來的0.5倍。迭代次數(shù)表示整個(gè)訓(xùn)練數(shù)據(jù)集被模型處理的次數(shù)。增加迭代次數(shù)通?？梢蕴岣吣Ｐ托阅?，但過多的迭代可能導(dǎo)致過擬合。為了確定合適的迭代次數(shù)，進(jìn)行了不同迭代次數(shù)的對(duì)比實(shí)驗(yàn)。從50次迭代開始，逐漸增加迭代次數(shù)，每次增加20次，觀察模型在驗(yàn)證集和測(cè)試集上的性能變化。實(shí)驗(yàn)結(jié)果表明，當(dāng)?shù)螖?shù)達(dá)到150次時(shí)，模型在驗(yàn)證集上的準(zhǔn)確率基本穩(wěn)定，繼續(xù)增加迭代次數(shù)，模型開始出現(xiàn)過擬合現(xiàn)象，在測(cè)試集上的準(zhǔn)確率反而下降。因此，最終確定迭代次數(shù)為150次。批處理大小定義了每次更新模型參數(shù)時(shí)使用的樣本數(shù)量。較大的批處理大小可以加快訓(xùn)練速度，但會(huì)增加內(nèi)存需求；較小的批處理大小則可以減少內(nèi)存需求，但會(huì)增加訓(xùn)練時(shí)間，并且可能導(dǎo)致訓(xùn)練過程更加不穩(wěn)定。為了找到最優(yōu)的批處理大小，分別測(cè)試了批處理大小為16、32、64、128時(shí)模型的訓(xùn)練效果。實(shí)驗(yàn)結(jié)果表明，當(dāng)批處理大小為32時(shí)，模型在訓(xùn)練速度和內(nèi)存需求之間取得了較好的平衡，同時(shí)訓(xùn)練過程也較為穩(wěn)定。因此，最終確定批處理大小為32。通過對(duì)學(xué)習(xí)率、迭代次數(shù)、批處理大小等訓(xùn)練參數(shù)的優(yōu)化調(diào)整，改進(jìn)后的CNN模型在基于CNN的WLAN室內(nèi)定位系統(tǒng)中取得了更好的性能表現(xiàn)，定位精度得到了顯著提升。5.2應(yīng)對(duì)復(fù)雜室內(nèi)環(huán)境的策略5.2.1多源數(shù)據(jù)融合在復(fù)雜的室內(nèi)環(huán)境中，單一的WLAN信號(hào)容易受到多種因素的干擾，導(dǎo)致定位精度下降。為了提升定位的穩(wěn)定性和準(zhǔn)確性，采用多源數(shù)據(jù)融合技術(shù)是一種有效的解決方案。本研究探討了融合藍(lán)牙、地磁等多源數(shù)據(jù)與WLAN信號(hào)數(shù)據(jù)的方法，以充分利用不同數(shù)據(jù)源的優(yōu)勢(shì)，提高定位性能。藍(lán)牙定位技術(shù)具有低功耗、近距離定位精度較高的特點(diǎn)。在室內(nèi)環(huán)境中，藍(lán)牙信標(biāo)可以部署在關(guān)鍵位置，如走廊、門口等，為定位提供額外的參考信息。通過測(cè)量移動(dòng)設(shè)備與藍(lán)牙信標(biāo)之間的信號(hào)強(qiáng)度（RSSI），可以估算出設(shè)備與信標(biāo)之間的距離，進(jìn)而輔助WLAN定位。在一個(gè)辦公室場(chǎng)景中，在每個(gè)辦公室門口和走廊的關(guān)鍵節(jié)點(diǎn)部署藍(lán)牙信標(biāo)，當(dāng)移動(dòng)設(shè)備靠近這些信標(biāo)時(shí)，藍(lán)牙信號(hào)強(qiáng)度會(huì)發(fā)生變化，通過將這些變化與預(yù)先測(cè)量的信號(hào)強(qiáng)度-距離關(guān)系進(jìn)行匹配，可以得到設(shè)備與信標(biāo)之間的大致距離。將這些距離信息與WLAN信號(hào)的RSSI數(shù)據(jù)相結(jié)合，能夠更準(zhǔn)確地確定設(shè)備的位置。地磁定位技術(shù)則利用地球磁場(chǎng)的特性來實(shí)現(xiàn)定位。地球磁場(chǎng)在室內(nèi)環(huán)境中具有一定的穩(wěn)定性和獨(dú)特性，不同位置的地磁強(qiáng)度和方向存在差異，這些差異可以作為定位的特征。通過在室內(nèi)環(huán)境中預(yù)先采集地磁數(shù)據(jù)，建立地磁指紋數(shù)據(jù)庫，當(dāng)移動(dòng)設(shè)備在室內(nèi)移動(dòng)時(shí)，其內(nèi)置的地磁傳感器可以實(shí)時(shí)采集周圍的地磁數(shù)據(jù)，并與數(shù)據(jù)庫中的數(shù)據(jù)進(jìn)行匹配，從而確定設(shè)備的位置。在一個(gè)商場(chǎng)室內(nèi)定位項(xiàng)目中，通過在商場(chǎng)的各個(gè)樓層和區(qū)域采集地磁數(shù)據(jù)，構(gòu)建了詳細(xì)的地磁指紋數(shù)據(jù)庫。在實(shí)際定位過程中，當(dāng)用戶的移動(dòng)設(shè)備進(jìn)入商場(chǎng)后，設(shè)備的地磁傳感器采集到當(dāng)前位置的地磁數(shù)據(jù)，通過與數(shù)據(jù)庫中的數(shù)據(jù)進(jìn)行比對(duì)，能夠快速確定用戶所在的大致區(qū)域，再結(jié)合WLAN信號(hào)數(shù)據(jù)進(jìn)行進(jìn)一步的精確位置計(jì)算，大大提高了定位的準(zhǔn)確性和穩(wěn)定性。為了實(shí)現(xiàn)多源數(shù)據(jù)的有效融合，采用數(shù)據(jù)層融合和決策層融合兩種方式。數(shù)據(jù)層融合是將不同數(shù)據(jù)源的原始數(shù)據(jù)直接進(jìn)行融合，然后再輸入到定位模型中進(jìn)行處理。將WLAN的RSSI數(shù)據(jù)、藍(lán)牙信號(hào)強(qiáng)度數(shù)據(jù)和地磁數(shù)據(jù)按照一定的格式進(jìn)行合并，形成一個(gè)包含多源信息的特征向量，然后將這個(gè)特征向量輸入到基于CNN的定位模型中進(jìn)行訓(xùn)練和預(yù)測(cè)。這種方式能夠充分利用原始數(shù)據(jù)的信息，讓模型學(xué)習(xí)到不同數(shù)據(jù)源之間的內(nèi)在關(guān)系，從而提高定位精度。決策層融合則是先分別利用不同數(shù)據(jù)源的數(shù)據(jù)進(jìn)行定位計(jì)算，得到各自的定位結(jié)果，然后再將這些結(jié)果進(jìn)行融合。先利用WLAN信號(hào)數(shù)據(jù)通過基于CNN的定位模型得到一個(gè)定位結(jié)果，再利用藍(lán)牙信號(hào)數(shù)據(jù)和地磁數(shù)據(jù)分別通過相應(yīng)的定位算法得到另外兩個(gè)定位結(jié)果，最后通過加權(quán)平均、投票等方式將這三個(gè)定位結(jié)果進(jìn)行融合，得到最終的定位結(jié)果。在加權(quán)平均融合中，根據(jù)不同數(shù)據(jù)源的可靠性和精度，為每個(gè)定位結(jié)果分配不同的權(quán)重，可靠性高、精度高的定位結(jié)果權(quán)重較大，然后將加權(quán)后的結(jié)果作為最終定位結(jié)果。通過多源數(shù)據(jù)融合技術(shù)，能夠綜合利用藍(lán)牙、地磁等多源數(shù)據(jù)的優(yōu)勢(shì)，彌補(bǔ)單一WLAN信號(hào)定位的不足，有效提升在復(fù)雜室內(nèi)環(huán)境下的定位穩(wěn)定性和準(zhǔn)確性。5.2.2抗干擾技術(shù)應(yīng)用在復(fù)雜的室內(nèi)環(huán)境中，WLAN信號(hào)容易受到各種干擾，如來自其他無線設(shè)備的同頻干擾、鄰頻干擾，以及建筑物結(jié)構(gòu)、人員活動(dòng)等因素引起的多徑效應(yīng)干擾等，這些干擾會(huì)嚴(yán)重影響定位精度。為了減少信號(hào)干擾對(duì)定位精度的影響，本研究分析了采用抗干擾技術(shù)的可行性，并探討了具體的應(yīng)用方法。在硬件層面，采用高性能的無線網(wǎng)卡和天線是提高抗干擾能力的基礎(chǔ)。高性能的無線網(wǎng)