一种轻量化CNN的WIFI指纹室内定位模型

为了提高室内WiFi指纹定位技术的定位精度,减少模型参数量。本文提出一种基于卷积神经网络(Convolutional Neural Network, CNN)的轻量化室内定位模型。首先将接收信号的强度指示 (RSSI) 处理为二维灰度图,然后使用深度可分离卷积进行特征提取,将提取后的特征通过自适应池化层(Adaptive Avg Pool 2d)固定输出大小,减少全连接层参数量;最后输入到全连接层进行分类。在UJIIndoorLoc数据集和Tampere数据集上的实验结果表明:模型的楼层定位分别达到了99%和99.7%的准确度,坐标定位的平均误差为6.51 m,训练参数为48685个。与现有的先进室内定位模型相比,定位精度更高、模型参数更少。

DS-ECA-CNN:一种新型轻量化CNN的WIFI指纹室内定位模型

针对在大规模室内环境下多建筑、多楼层定位场景中定位精度不高、模型参数量大的问题,本文设计了一种WIFI指纹室内定位(DS-ECA-CNN)模型,该模型基于卷积神经网络(CNN)进行改进,包括特征提取模块和分类模块,其中特征提取模块由基于深度可分离卷积(DS)模块与注意力模块(ECA)融合的模块(DS-ECA)组成。DS-ECA模块在降低模型参数量的同时,能有效地增强了模型的整体性能表现。在UJIIndoorLoc数据集、Tampere数据集这两个公共数据集上对模型性能进行了评估,实验结果显示,UJIIndoorLoc数据集上的建筑定位准确率为100%,楼层定位准确率为99.2%;Tampere数据集上的建筑定位准确率为100%,楼层定位准确率为99.7%。提出的模型和与其他室内定位模型相比,定位精度更高;模型参数量少;存储空间更小。