16.7 基于递归神经网络的分层多楼多层室内定位

文献来源：西交利物浦大学

Elesawi A E A, Kim K S. Hierarchical multi-building and multi-floor indoor localization based on recurrent neural networks[C]//2021 Ninth International Symposium on Computing and Networking Workshops (CANDARW). IEEE, 2021: 193-196.

摘要

现代城市的生活方式越来越趋向于从户外转向室内。大型购物中心、室内运动场、工厂、仓库等的出现，加速了这一趋势。在这种环境下，室内定位成为必不可少的服务之一，所部署的室内定位系统应具有足够的可扩展性，以覆盖这些室内设施的预期扩展。室内定位最经济和实用的方法之一是Wi-Fi指纹识别，它利用使用移动设备(例如智能手机)的广泛部署的Wi-Fi网络，而无需对现有基础设施进行任何修改。传统的Wi-Fi指纹识别方案依赖于复杂的数据前/后处理和耗时的人工参数调整。

本文提出了一种基于循环神经网络(RNN)的基于Wi-Fi指纹识别的分层多楼多层室内定位方法，该方法消除了复杂的数据预处理和后处理，且参数调优较少。该方案中的RNN以从一般到特定(例如，建筑物→楼层→位置)的顺序方式估计位置，以利用多建筑物和多层环境中定位的层次性。UJIIndoorLoc数据集的实验结果表明，该方案对建筑物和楼层的估计精度分别为100%和95.24%，三维定位误差为8.62 m，优于现有的基于深度神经网络的方案。索引术语:多建筑和多楼层室内定位，Wi-Fi指纹，循环神经网络(rnn)。

图1。提出了基于RNN和SAE的网络架构。

结论

在本文中，我们提出了基于rnn的分层多楼和基于Wi-Fi指纹的多层室内定位。在我们的方法中，SAE和RNN分别用于减少特征空间维度和利用多建筑和多楼层环境中定位的层次性。基于公开的UJIIndoorLoc数据集的实验结果表明，所提出的室内定位方案对建筑物和楼层的估计精度分别达到100%和95.23%，三维定位误差为8.62 m，优于包括基于深度神经网络的大多数现有方法。请注意，所提出的方案清楚地显示了使用RNN实现分层室内定位的优势，同时分享了基于单一dnn的方案的优点[9]、[17]、[19]中喜欢消除复杂的数据前/后处理和较少的参数调优。