咨询与建议

看过本文的还看了

相关文献

该作者的其他文献

文献详情 >基于深度学习的室内磁定位技术研究与实现 收藏
基于深度学习的室内磁定位技术研究与实现

基于深度学习的室内磁定位技术研究与实现

作     者:丁学东 

作者单位:华东师范大学 

学位级别:硕士

导师姓名:朱明华

授予年度:2022年

学科分类:080904[工学-电磁场与微波技术] 12[管理学] 0809[工学-电子科学与技术(可授工学、理学学位)] 08[工学] 0810[工学-信息与通信工程] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 080402[工学-测试计量技术及仪器] 0804[工学-仪器科学与技术] 081001[工学-通信与信息系统] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术(可授工学、理学学位)] 

主      题:室内定位 磁定位 磁序列指纹 深度学习 云边端协同 

摘      要:基于深度学习的地磁指纹室内定位技术无需基础设施支持即可实现精准定位服务,受到诸多专家学者的关注与研究。然而,目前现有的大多数室内定位方法使用原始三维地磁信号作为定位源,此类方法构造的地磁指纹可识别性较低,尤其是在结构相似且规模庞大的室内环境中。同时,智能终端内置的磁力计易受用户姿势、步行速度等因素的影响,无法保证室内定位应用提供的定位服务的可靠性。此外,部署在云端服务器上的深度学习模型很难提供即时响应服务,需要进一步降低基于深度学习模型的室内定位应用的响应时间。针对上述问题,本文的主要研究工作可分为以下三点:1.提出一种基于滑动窗口的磁序列指纹构造方法。基于地磁指纹的室内定位技术的关键是地磁指纹的可识别性,本文扩展地磁数据特征并提出邻域平均插值算法和等间隔删除冗余数据法解决序列数据长度不一的问题,并在此基础上设计一种基于滑动窗口的地磁指纹构造方法,提高地磁指纹的可识别性。2.提出一种基于CNN-LSTM模型的室内定位方法。结合一维卷积神经网络和长短期记忆网络在处理序列数据上的优势,设计并构建CNN-LSTM混合神经网络模型用于提取磁序列指纹特征,并引入多种优化器来训练和优化CNN-LSTM模型,提高室内定位方法的定位性能。3.设计并实现一种云边端协同计算下的室内定位应用框架。充分发挥云计算和边缘计算互补、协同的关系,设计并实现一种云边端协同计算下的室内定位应用框架。该应用框架通过建立室内定位应用任务模型、设计计算卸载策略、构建云边端协同计算模型,实现室内定位服务的轻量化部署。本文基于三类典型的室内环境(实验室、理科大楼走廊、学生宿舍回廊)对本文定位方法的定位性能进行了探索、评估,并与现有的定位方法进行了对比。实验结果表明,本文提出的CNN-LSTM定位模型的定位性能不仅优于现有的基于深度学习模型的室内定位方法,而且在使用不同品牌的智能手机和以不同速度行走的情况下都获得了良好的定位性能。此外,云边端协同计算模式下的室内定位应用能够有效降低位置服务请求的响应时间,并通过对定位模型进行维护管理,进一步提高室内定位应用的可靠性,从而实现对实时性和可靠性要求较高的室内定位应用场景的有效支撑。

读者评论 与其他读者分享你的观点