14.1 基于Wi-Fi指纹的多楼多层室内定位可扩展深度神经网络架构

文章来源：Kim K S, Lee S, Huang K. A scalable deep neural network architecture for multi-building and multi-floor indoor localization based on Wi-Fi fingerprinting[J]. Big Data Analytics, 2018, 3: 1-17.

文章代码：https://github.com/kyeongsoo/indoor_localization.

以下是文章的中文翻译

摘要

背景：可扩展室内定位技术是未来覆盖多层建筑群的大规模位置感知服务的关键技术之一。本文报告了使用深度神经网络(DNNs)进行可扩展的建筑物/楼层分类和基于Wi-Fi指纹的楼层位置估计的研究现状。利用建筑物/楼层估计和位置的楼层坐标估计的层次性，提出了一种新的深度神经网络架构，该架构由栈式自编码器和前馈分类器组成，分别用于特征空间维数的降低和建筑物/楼层/位置的多标签分类，并在此基础上构建了基于Wi-Fi指纹的多建筑物多楼层室内定位系统。

结果：使用UJIIndoorLoc数据集评估了建筑物/楼层估计的性能和给定位置的楼层坐标估计的性能，该数据集覆盖了西班牙Jaume I大学(UJI)校园的三座四层或五层建筑。实验结果证明了基于深度神经网络的室内定位系统的可行性，该系统可以提供接近当前最先进的性能。

结论：所提出的基于Wi-Fi指纹的多建筑物多楼层室内定位的可扩展DNN架构，只需一个DNN就可以实现接近最先进的性能，并且在移动设备上实现的复杂度和能耗更低。

关键词：多楼宇多楼层室内定位，Wi-Fi指纹，深度学习，神经网络，多标签分类

1 Background

使用来自无线网络基础设施的接收信号强度(RSS)进行位置指纹识别是室内环境中最流行和最有前途的定位技术之一，因为室内环境中没有来自全球定位系统 (GPS)的视线信号[1]：例如，在一个位置测量的介质访问控制(MAC)地址和Wi-Fi接入点(AP)的RSS对向量可以是其位置指纹，如图1所示。然后，可以通过在数据库[2]中找到其RSS测量值与已知位置指纹之间最接近的匹配来估计用户/设备的位置，如图2所示。

1. He S, Chan S-HG. Wi-Fi fingerprint-based indoor positioning: Recent advances and comparisons. IEEE Commun Surv Tuts. 2016;18(1):466–90.（基于Wi-Fi指纹的室内定位:最新进展和比较 ）

2. Bahl P, Padmanabhan VN. RADAR: An in-building RF-based user location and tracking system. In: Proc. 2000 IEEE INFOCOM. vol 2. 2000. p. 775–84. https://doi.org/10.1109/INFCOM.2000.832252 .（RADAR:一种基于射频的建筑物内用户定位和跟踪系统。 ）

请注意，位置指纹技术不需要安装任何新的基础设施或修改现有设备，而只是基于现有的无线基础设施。这是它相对于其他替代技术的主要优势，如基于到达时间(TOA)的三角测量，需要在系统中所有发射器和接收器之间进行精确同步，以及用于测量目标和参考点之间距离的非标准时间戳标记[3]。本文报告了基于Wi-Fi指纹识别的深度神经网络(DNN)在多建筑和多层室内定位中的应用研究现状。我们提出了一种新的深度神经网络架构，该架构由用于特征空间维数降维的堆叠自编码器(SAE)[4]和用于可扩展建筑/楼层分类和楼层位置估计的前馈多标签分类器[5,6]组成，并使用UJIIndoorLoc数据集[7]评估其性能。

3. Liu H, Darabi H, Banerjee P, Liu J. Survey of wireless indoor position