马佩勋

（长沙民政职业技术学院 软件学院，长沙 410004）

0 引言

随着无线保真（wireless fidelity, WiFi）的广泛覆盖，以及多数移动设备支持电气和电子工程师协会（Institute of Electrical and Electronic Engineers,IEEE）802.11标准，基于WiFi的室内定位系统得到了广泛关注[1]。如文献[2-3]分别提出了基于传播的 WiFi定位和指纹匹配定位。相比于基于传播的WiFi定位，指纹匹配定位算法具有高的定位精度。

指纹匹配定位算法先记录 WiFi 接入点（access points, APs）信号（指纹），再利用指纹信息匹配设备的位置。典型的指纹匹配WiFi定位算法由离线阶段和在线阶级构成：在离线阶段，获取各点APs的接收信号强度（received signal strength,RSS），并记录每点位置所对应的RSS值，构成位置数据库；在在线阶段，通过测量用户位置的RSS值，再将 RSS值输入数据库，进行匹配，进而估计用户位置，如图1所示。

图1 WiFi定位流程图

然而，由于无线信号内的固有噪声，指纹匹配WiFi定位算法仍面临着挑战[4]。为此，研究提出了不同的策略应对挑战，旨在提高定位精度[5]。例如，文献[6]通过概率技术统计信号的内在噪声，其性能优于文献[7]的方案。然而，这些技术方案假定不同的AP间的信号彼此独立[8]。为解决AP间信号彼此不独立的问题，本文提出基于堆叠自编码器的WiFi室内定位（stacked denoising autoencoders WiFi-based indoor localization, SDIL）算法，其能够应用于不同设备的异构环境，获取强健的定位精度。SDIL算法先通过深度学习，自动捕获在不同AP与不同的指纹位置间的非线性关系，并且无需假定各点独立；再通过指纹匹配定位算法估计节点位置。同时为了实现强健的定位精度，利用堆叠式去噪声自编码建立深度学习模型，获取含噪声WiFi信号与不同指纹点位置间关系；……