基于ECA-CNN的混合指纹室内定位方法

在指纹法的定位中,指纹特征和定位模型是影响定位精度的2个关键因素.在指纹特征的选取方面,可见光强度稳定性较高,但位置特征区分度低;无线信号强度区分度较高,但波动性较强.在定位模型的构建方面,基于卷积神经网络(convolutional neural network, CNN)的定位模型在特征提取时不能有效地突出重要特征.针对上述问题,提出一种基于ECA-CNN的混合指纹室内定位方法(hybrid fingerprint indoor localization method based on ECA-CNN, ECACon-HF).首先,利用可见光强度和低功耗蓝牙(Bluetooth low energy, BLE)接收信号强度指示(received signal strength indication, RSSI)来构建混合指纹,降低BLE指纹不稳定的影响,并增强不同位置之间的区分度.同时,基于高效通道注意力(efficient channel attention, ECA)模块改进CNN定位模型,ECA能够通过跨通道交互策略自适应地提取指纹中的重要信息,抑制指纹中的环境干扰,增强混合指纹特征表达能力,更有效地利用混合指纹优势.实验结果显示,ECAConHF在构建的混合指纹库上可以达到0.316 m的定位精度,高于在单一指纹上的精度;并且基于同一指纹库,ECACon-HF相比其他室内定位方法,定位精度具有明显优势.