1.本发明涉及一种基于子载波选择的信道状态信息室内定位方法，属于深度学习领域。
背景技术：2.近年来，室内定位技术一直成为学术界关注的热门话题，目前经典的室内定位技术有红外线、计算机视觉、蓝牙、射频识别、超宽带以及地磁定位技术，但技术手段的丰富并没有出现能够占主导地位的室内定位技术。与此同时，应用场景的增加，需求环境的复杂也让一些高成本的技术手段无法大规模应用于实际环境中，因此低成本、普适性强的室内定位技术优势日益凸显。
3.以wi-fi为代表的无线局域网技术是目前世界上部署最广的室内无线网络基础设施，基于wi-fi的室内定位技术中两种比较典型的技术是基于接收信号强度(rss)的定位和基于信道状态信息(csi)的定位。但是在室内环境中，由于障碍物的存在，rss会受到多径效应的影响从而产生一定的偏差，所以无法提供较高的精确度和可靠性。使用ieee802.11n传输协议的wi-fi信号，它可以通过修改无线网卡驱动来获取ofdm子载波的csi，csi来自物理层，它可以更好的表示信号发射端与接收端之间的信道特征和状态。与rss相比，csi有着更高的定位精度，更大的感知范围以及更强的感知可靠性。综合来看，研究基于csi的室内定位技术具有较为宽广的空间和实际意义。
4.随着研究者对深度学习技术的深入探索，不断有新型的网络结构被提出。深度学习逐渐成为当前的研究热点并在生活和生产中得到了普遍的应用，且取得了很好的效果。但在室内定位领域，只有少部分研究者将深度学习应用其中，深度学习方法在解决室内定位问题上的潜力尚未得到充分挖掘。
5.有鉴于此，确有必要提供一种基于子载波选择的信道状态信息室内定位方法，以解决上述问题。
技术实现要素：6.本发明的目的在于提供一种基于子载波选择的信道状态信息室内定位方法，以将深度学习应用于基于信道状态信息的室内定位问题中，利用深度学习强大的非线性特征学习能力寻找信道状态信息与实际区域和位置的匹配关系，实现了一种高精度的室内定位算法。
7.为实现上述目的，本发明提供了一种基于子载波选择的信道状态信息室内定位方法，包含离线训练阶段和在线定位阶段两个阶段，
8.离线训练阶段包括：
9.步骤1：采集离线训练用的离线信道状态信息，离线信道状态信息包括离线信道状态幅度信息；
10.步骤2：对采集的离线信道状态幅度信息进行预处理，得到训练信道状态幅度信
息，预处理包括利用方差过滤法对得到的离线信道状态幅度信息进行降维处理，选择出离线信道状态幅度信息中用于定位的离线定位子载波；
11.步骤3：从步骤2离线定位子载波中选择用于粗定位的离线粗定位子载波和用于精定位的离线精定位子载波；
12.步骤4：对离线粗定位子载波利用第一卷积神经网络进行分类学习，得到区域分类模型；
13.步骤5：对离线精定位子载波利用第二卷积神经网络进行回归学习，得到位置估计模型；
14.在线定位阶段包括：
15.步骤6：采集在线定位用的在线信道状态信息，在线信道状态信息包括在线信道状态幅度信息；
16.步骤7：对步骤6的在线信道状态幅度信息进行预处理，得到定位信道状态幅度信息，预处理包括利用方差过滤法对得到的在线信道状态幅度信息进行降维处理，选择出在线信道状态幅度信息中用于定位的在线定位子载波；
17.步骤8：根据步骤3选择的结果，将用于粗定位的在线定位子载波的在线粗定位子载波经过特征拼接后送入步骤4得到的区域分类模型，得到粗定位结果；
18.步骤9：根据步骤3选择的结果，将用于精定位的在线定位子载波的在线精定位子载波经过特征拆分形成在线信道状态矩阵，渲染形成在线信道信息彩色图像后送入步骤5得到的位置估计模型，得到精定位结果。
19.作为本发明的进一步改进，步骤1具体为在定位环境下，将定位环境分成若干的定位子区域，采集目标位于不同参考点时接收设备得到的离线信道状态信息，得到离线信道状态信息中的离线信道状态幅度信息用于定位。
20.作为本发明的进一步改进，步骤2中利用方差过滤法对得到的离线信道状态幅度信息进行降维处理具体包括：
21.步骤21：在定位环境中，计算离线信道状态信息中每个子载波的幅度的方差；
22.步骤22：设定阈值，去除方差小于等于阈值的子载波，得到离线信道状态幅度信息中的离线定位子载波。
23.作为本发明的进一步改进，步骤2还包括：
24.步骤23：利用hampel滤波，去除离线定位子载波中的异常值；
25.步骤24：利用高斯滤波去除离线定位子载波中的测量噪声。
26.作为本发明的进一步改进，步骤3具体包括：
27.步骤31：根据每个定位子区域对离线定位子载波打上标签；
28.步骤32：设置评分函数，对离线定位子载波中的每个子载波分别计算方差分析中的f值(组间均方/组内均方)，得到离线定位子载波中每个子载波的重要性；
29.步骤33：根据粗定位需要选择的子载波数目为m，选择离线定位子载波中前m个大f值对应的子载波作为离线粗定位子载波用于粗定位训练；
30.步骤34：根据精定位需要的子载波数目为n，选择离线定位子载波中前n个大f值对应的子载波作为离线精定位子载波用于精定位训练。
31.作为本发明的进一步改进，步骤4具体为：
32.步骤41：对用于粗定位的离线粗定位子载波的子载波幅度信息进行数据归一化处理，对每个区域的标签进行独热编码标记；
33.步骤42：将步骤41得到的训练数据送入第一卷积神经网络进行分类学习，得到区域分类模型。
34.作为本发明的进一步改进，步骤4中，第一卷积神经网络为一维卷积神经网络，至少包括输入层、卷积层、池化层，flatten层及全连接层。
35.作为本发明的进一步改进，步骤5具体包括：
36.步骤51：将离线精定位子载波进行特征拆分，按行排列，形成离线信道信息幅度矩阵，然后将离线信道信息幅度矩阵中元素进行数据归一化到[0，64]，利用图像渲染技术将离线信道信息幅度矩阵渲染成离线信道信息彩色图像；
[0037]
步骤52：将步骤51离线信道信息彩色图像和对应的位置坐标送入第二卷积神经网络进行回归学习，得到位置回归模型。
[0038]
作为本发明的进一步改进，步骤51中进行数据归一化的公式具体为：
[0039][0040]
式中的x
max
与x
min
分别对应离线信道信息幅度矩阵中的最大值和最小值，y
max
和y
min
分别对应归一化后的上界和下界，对应信道信息幅度矩阵中的值，对应归一化后的值，归一化时采用取整的操作，保证归一化后的值都为整数。
[0041]
作为本发明的进一步改进，步骤5中第二卷积神经网络为多维卷积神经网络，输入渲染后的所述离线信道信息彩色图像。
[0042]
本发明的有益效果是：与现有技术相比，本发明的基于子载波选择的信道状态信息室内定位方法通过对采集的信道信息进行预处理后，筛选了用一个粗定位与精定位联合定位的子载波，通过卷积神经网络学习后建立区域分类模型和位置估计模型，解决了现有室内定位方法定位灵活性不足、准确性不够的问题。
附图说明
[0043]
图1是本发明优选实施例的基于子载波选择的信道状态信息室内定位方法的步骤图。
[0044]
图2是本发明的流程图。
[0045]
图3是本发明的未经方差过滤法的信道状态信息示意图。
[0046]
图4是本发明的经过方差过滤法后的信道状态信息示意图。
[0047]
图5是本发明的第一卷积神经网络的结构示意图。
[0048]
图6是本发明的第二卷积神经网络的结构示意图。
[0049]
图7是本发明的区域分类模型的结果准确率图。
[0050]
图8是本发明的位置估计模型的结果准确率图。
具体实施方式
[0051]
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对
本发明进行详细描述。
[0052]
在此，需要说明的是，为了避免因不必要的细节而模糊了本发明，在附图中仅仅示出了与本发明的方案密切相关的结构和/或处理步骤，而省略了与本发明关系不大的其他细节。
[0053]
另外，还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
[0054]
请参阅图1和图2所示，本发明提供了一种基于子载波选择的信道状态信息室内定位方法，包括离线训练阶段和在线定位阶段两个阶段，
[0055]
离线训练阶段包括：
[0056]
步骤1：采集离线训练用的离线信道状态信息，离线信道状态信息包括离线信道状态幅度信息；
[0057]
步骤2：对采集的离线信道状态幅度信息进行预处理，得到训练信道状态幅度信息，预处理包括利用方差过滤法对得到的离线信道状态幅度信息进行降维处理，选择出离线信道状态幅度信息中用于定位的离线定位子载波；
[0058]
步骤3：从步骤2离线定位子载波中选择用于粗定位的离线粗定位子载波和用于精定位的离线精定位子载波；
[0059]
步骤4：对离线粗定位子载波利用第一卷积神经网络进行分类学习，得到区域分类模型；
[0060]
步骤5：对离线精定位子载波利用第二卷积神经网络进行回归学习，得到位置估计模型；
[0061]
步骤1具体为在定位环境下，将定位环境分成若干的定位子区域，采集目标位于不同参考点时接收设备得到的离线信道状态信息，得到离线信道状态信息中的离线信道状态幅度信息用于定位。
[0062]
步骤2中利用方差过滤法对得到的离线信道状态幅度信息进行降维处理具体包括：
[0063]
步骤21：在定位环境中，计算离线信道状态信息中每个子载波的幅度的方差；
[0064]
步骤22：设定阈值，去除方差小于等于阈值的子载波，得到离线信道状态幅度信息中的离线定位子载波。
[0065]
步骤2还包括：
[0066]
步骤23：利用hampel滤波，去除离线定位子载波中的异常值；
[0067]
步骤24：利用高斯滤波去除离线定位子载波中的测量噪声。
[0068]
如图3和图4所示，由于室内环境中存在的干扰因素很多，原始信号所含噪声很大，波形较为粗糙，本发明采用hampel滤波和高斯滤波去除离线信道状态信息中离线定位子载波的异常值和噪声，对比滤波前后的离线信道状态幅度信息的波形差异，滤波之后的波形更加平滑，不同子载波的幅度随时间呈现出稳定变化，由此可知，滤波之后的离线定位子载波更加适用于特定环境下的定位。
[0069]
步骤3具体包括：
[0070]
步骤31：根据每个定位子区域对离线定位子载波打上标签；
[0071]
步骤32：设置评分函数，对离线定位子载波中的每个子载波分别计算方差分析中的f值(组间均方/组内均方)，得到离线定位子载波中每个子载波的重要性；
[0072]
步骤33：根据粗定位需要选择的子载波数目为m，选择离线定位子载波中前m个大f值对应的子载波作为离线粗定位子载波用于粗定位训练；
[0073]
步骤34：根据精定位需要的子载波数目为n，选择离线定位子载波中前n个大f值对应的子载波作为离线精定位子载波用于精定位训练。
[0074]
步骤3通过对用于离线定位子载波进行子载波选择，利用f检验，得到离线定位子载波中子载波重要程度和目标位置标签间相对关系，自动选择出对机器学习最重要的子载波。能够有效提高机器学习的学习效率，提高位置估计模型的精度
[0075]
步骤4为粗定位分类训练，具体为：
[0076]
步骤41：对用于粗定位的离线粗定位子载波的子载波幅度信息进行数据归一化处理，对每个区域的标签进行独热编码标记；
[0077]
步骤42：将步骤41得到的训练数据送入第一卷积神经网络进行分类学习，得到区域分类模型。
[0078]
在步骤4的粗定位分类训练中，将多个用于粗定位的离线粗定位子载波的子载波幅度信息拼接成一个训练样本，并将训练样本归一化，将与训练样本对应的标签转换成独热编码。
[0079]
如图5所示，为本发明粗定位过程中的第一卷积神经网络结构具体示意图，第一卷积神经网络为一维卷积神经网络，至少包括输入层、卷积层、池化层，flatten层及全连接层。在粗定位过程分类训练中，训练样本是一维行向量，将训练样本作为1d-cnn的输入，经过卷积层，池化层，全连接层，最后通过softmax实现区域分类。
[0080]
输入层：将粗定位训练样本的n个特征作为输入数据。
[0081]
卷积层：将训练样本数据采用滑动窗口的方式输入到卷积层进行卷积操作提取训练样本数据的特征，计算公式如下所示：
[0082]ci
＝f(we·
x
i：i+h-1
+b)
[0083]
式中x
i：i+h-1
表示从第i个位置邻接的h个数据作为一个滑动窗口，f表示激活函数，we表示卷积核大小，ci表示在第i个位置的特征值，b表示偏置。
[0084]
池化层：池化操作可以改变数据的长度，本发明采用最大池化操作，其主要目标是获取特征图中最重要的特征，即最大的特征：
[0085][0086]
然后得到所有卷积层的最大特征值，从而生成数据的高层特征向量：
[0087][0088]
上式中m为卷积核数量。
[0089]
flatten层：作为中间层连接卷积神经网络和全连接层，将上一层得到的全部特征图拉直，即将二维数据压成一维数据作为全连接网络的输入。
[0090]
全连接层：将特征向量v拉直之后输入到全连接层，由于粗定位属于多分类，采用softmax作为激活函数从而输出训练样本属于哪一个区域概率：
[0091]
y＝softmax(wsv+bs)
[0092]
上式中：ws表示权重，s表示类别个数，bs表示偏置。
[0093]
步骤5为精定位分类训练，具体包括：
[0094]
步骤51：将离线精定位子载波进行特征拆分，按行排列，形成离线信道信息幅度矩阵，然后将离线信道信息幅度矩阵中元素进行数据归一化到[0，64]，利用图像渲染技术将离线信道信息幅度矩阵渲染成离线信道信息彩色图像；
[0095]
步骤52：将步骤51离线信道信息彩色图像和对应的位置坐标送入第二卷积神经网络进行回归学习，得到位置回归模型。
[0096]
步骤51中进行数据归一化的公式具体为：
[0097][0098]
式中的x
max
与x
min
分别对应离线信道信息幅度矩阵中的最大值和最小值，y
max
和y
min
分别对应归一化后的上界和下界，对应信道信息幅度矩阵中的值，对应归一化后的值，归一化时采用取整的操作，保证归一化后的值都为整数。
[0099]
步骤5中第二卷积神经网络为多维卷积神经网络，输入渲染后的离线信道信息彩色图像。
[0100]
卷积神经网络(cnn)是一种广泛使用的深度学习技术，近年来，研究人员将cnn应用于更加广泛的应用和研究领域，在语音识别、人脸识别、自然语言处理问题中均有应用，且性能表现良好。cnn分为三个部分，即卷积层、池化层和全连接层。
[0101]
卷积层是卷积神经网络的核心部分，负责神经网络中大部分繁重的计算工作。其输入可以是上一层的输出也可以是原始图像。卷积层通过卷积核在图像上滑动对图像进行卷积运算，将输入图像的局部矩阵与卷积核矩阵的各个元素对应相乘后进行累加，达到提取输入图像特征的效果，卷积的计算公式如下所示：
[0102][0103]
上式中表示第l层的第j个feature map，f表示激活函数，m是输入feature maps的集合，*表示卷积运算，k是卷积核，b是贝叶斯偏置项。
[0104]
通过卷积层的运算后得到的特征图维度较高，导致计算存储时间过长，不利于神经网络的学习。池化通过采样操作，降低特征图的大小，从而提升运算效率。池化公式如下所示：
[0105][0106]
上式中的down函数为降采样所选取的采样方法函数。
[0107]
cnn输入数据通过卷积层、池化层的特征提取后，最终输入至全连接层，全连接层在神经网络中起到传递信息的作用。全连接层的每个神经元都与上一层的所有神经元相互连接，对卷积层及池化层提取到的全部特征进行学习与整合。由于全连接层与上层网络采用全连接的形式，所以全连接层需要训练的参数相对较多。为了降低网络参数量并避免过
拟合现象的发生，可在卷积神经网络的全连接层上采取dropout操作随即丢弃部分神经元的方法来避免上述问题的发生。
[0108]
如图6所示，本发明精定位过程中的第二卷积神经网络结构具体示意图，采用多维卷积神经网络，输入为渲染后的离线信道信息彩色图像，在送入网络之前，首先将离线信道信息彩色图像调整大小为64*64，经过多次卷积，批规范化，池化后，将最后经过池化的特征矩阵，拉平之后送入全连接层，最后实现位置回归。
[0109]
批规范化层主要是为了加速卷积神经网络的收敛过程以及提高训练过程中的稳定性，在使用卷积神经网络处理图像数据时，往往是几张图片(如32张、64张、128张等)被同时输入到网络中一起进行前向计算，误差也是将这几张图片的误差累计起来一起回传，批规范化层方法其实就是对这几张图片中的数据根据如下公式做了归一化：
[0110][0111]
如图7所示，本发明的粗定位混淆矩阵体现了经区域分类模型得到的预测区域与真实区域的一致性，在线阶段粗定位的精确度为94.78％。
[0112]
如图8所示，用位置估计平均绝对误差(mae)对精定位结果进行描述，每个区域中，对x和y的回归预测结果和实际位置相差甚小，证明了本发明的有效性。
[0113]
在线定位阶段包括：
[0114]
步骤6：采集在线定位用的在线信道状态信息，在线信道状态信息包括在线信道状态幅度信息；
[0115]
步骤7：对步骤6的在线信道状态幅度信息进行预处理，得到定位信道状态幅度信息，预处理包括利用方差过滤法对得到的在线信道状态幅度信息进行降维处理，选择出在线信道状态幅度信息中用于定位的在线定位子载波；
[0116]
步骤8：根据步骤3选择的结果，将用于粗定位的在线定位子载波的在线粗定位子载波经过特征拼接后送入步骤4得到的区域分类模型，得到粗定位结果；
[0117]
步骤9：根据步骤3选择的结果，将用于精定位的在线定位子载波的在线精定位子载波经过特征拆分形成在线信道状态矩阵，渲染形成在线信道信息彩色图像后送入步骤5得到的位置估计模型，得到精定位结果。
[0118]
综上，本发明的基于子载波选择的信道状态信息室内定位方法通过将特定环境分成多个区域，并将定位过程分为粗定位和精定位两个过程，显著地提高了室内定位的准确度，降低了深度学习网络的复杂度，缩短了训练模型所需的时间，提高了室内定位的效率。本发明利用信道状态信息进行定位，属于无设备定位方式，具有成本开销小，实现简单的优点。同时本发明只需要采集信道状态信息，即可完成粗定位和精定位两个过程，不需要额外的数据指标，降低了实现室内定位的复杂度
[0119]
以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围。
技术特征：1.一种基于子载波选择的信道状态信息室内定位方法，包含离线训练阶段和在线定位阶段两个阶段，其特征在于：离线训练阶段包括：步骤1：采集离线训练用的离线信道状态信息，离线信道状态信息包括离线信道状态幅度信息；步骤2：对采集的离线信道状态幅度信息进行预处理，得到训练信道状态幅度信息，预处理包括利用方差过滤法对得到的离线信道状态幅度信息进行降维处理，选择出离线信道状态幅度信息中用于定位的离线定位子载波；步骤3：从步骤2离线定位子载波中选择用于粗定位的离线粗定位子载波和用于精定位的离线精定位子载波；步骤4：对离线粗定位子载波利用第一卷积神经网络进行分类学习，得到区域分类模型；步骤5：对离线精定位子载波利用第二卷积神经网络进行回归学习，得到位置估计模型；在线定位阶段包括：步骤6：采集在线定位用的在线信道状态信息，在线信道状态信息包括在线信道状态幅度信息；步骤7：对步骤6的在线信道状态幅度信息进行预处理，得到定位信道状态幅度信息，预处理包括利用方差过滤法对得到的在线信道状态幅度信息进行降维处理，选择出在线信道状态幅度信息中用于定位的在线定位子载波；步骤8：根据步骤3选择的结果，将用于粗定位的在线定位子载波的在线粗定位子载波经过特征拼接后送入步骤4得到的区域分类模型，得到粗定位结果；步骤9：根据步骤3选择的结果，将用于精定位的在线定位子载波的在线精定位子载波经过特征拆分形成在线信道状态矩阵，渲染形成在线信道信息彩色图像后送入步骤5得到的位置估计模型，得到精定位结果。2.根据权利要求1的基于子载波选择的信道状态信息室内定位方法，其特征在于：步骤1具体为在定位环境下，将定位环境分成若干的定位子区域，采集目标位于不同参考点时接收设备得到的离线信道状态信息，得到离线信道状态信息中的离线信道状态幅度信息用于定位。3.根据权利要求1的基于子载波选择的信道状态信息室内定位方法，其特征在于，步骤2中利用方差过滤法对得到的离线信道状态幅度信息进行降维处理具体包括：步骤21：在定位环境中，计算离线信道状态信息中每个子载波的幅度的方差；步骤22：设定阈值，去除方差小于等于阈值的子载波，得到离线信道状态幅度信息中的离线定位子载波。4.根据权利要求1的基于子载波选择的信道状态信息室内定位方法，其特征在于，步骤2还包括：步骤23：利用hampel滤波，去除离线定位子载波中的异常值；步骤24：利用高斯滤波去除离线定位子载波中的测量噪声。5.根据权利要求1的基于子载波选择的信道状态信息室内定位方法，其特征在于，步骤
3具体包括：步骤31：根据每个定位子区域对离线定位子载波打上标签；步骤32：设置评分函数，对离线定位子载波中的每个子载波分别计算方差分析中的f值(组间均方/组内均方)，得到离线定位子载波中每个子载波的重要性；步骤33：根据粗定位需要选择的子载波数目为m，选择离线定位子载波中前m个大f值对应的子载波作为离线粗定位子载波用于粗定位训练；步骤34：根据精定位需要的子载波数目为n，选择离线定位子载波中前n个大f值对应的子载波作为离线精定位子载波用于精定位训练。6.根据权利要求1的基于子载波选择的信道状态信息室内定位方法，其特征在于，步骤4具体为：步骤41：对用于粗定位的离线粗定位子载波的子载波幅度信息进行数据归一化处理，对每个区域的标签进行独热编码标记；步骤42：将步骤41得到的训练数据送入第一卷积神经网络进行分类学习，得到区域分类模型。7.根据权利要求1的基于子载波选择的信道状态信息室内定位方法，其特征在于：步骤4中，第一卷积神经网络为一维卷积神经网络，至少包括输入层、卷积层、池化层，flatten层及全连接层。8.根据权利要求1的基于子载波选择的信道状态信息室内定位方法，其特征在于，步骤5具体包括：步骤51：将离线精定位子载波进行特征拆分，按行排列，形成离线信道信息幅度矩阵，然后将离线信道信息幅度矩阵中元素进行数据归一化到[0，64]，利用图像渲染技术将离线信道信息幅度矩阵渲染成离线信道信息彩色图像；步骤52：将步骤51离线信道信息彩色图像和对应的位置坐标送入第二卷积神经网络进行回归学习，得到位置回归模型。9.根据权利要求8的基于子载波选择的信道状态信息室内定位方法，其特征在于，步骤51中进行数据归一化的公式具体为：式中的x
max
与x
min
分别对应离线信道信息幅度矩阵中的最大值和最小值，y
max
和y
min
分别对应归一化后的上界和下界，对应信道信息幅度矩阵中的值，对应归一化后的值，归一化时采用取整的操作，保证归一化后的值都为整数。10.根据权利要求8的基于子载波选择的信道状态信息室内定位方法，其特征在于：步骤5中第二卷积神经网络为多维卷积神经网络，输入渲染后的所述离线信道信息彩色图像。
技术总结本发明提供了一种基于子载波选择的信道状态信息室内定位方法，包括离线训练阶段和在线定位阶段，离线训练阶段先采集离线信道状态信息后进行降维处理，选出粗定位子载波和精定位子载波，通过第一卷积神经网络得到区域分类模型，第二卷积神经网络得到位置估计模型；在线定位阶段，采集在线信道状态信息后预处理，确定在线粗定位子载波并输入区域分类模型，确定在线精定位子载波并输入位置估计模型，得到定位结果。本发明通过对采集的信道信息进行粗定位子载波和精定位子载波的选择，而后输入第一卷积神经网络得到的区域分类模型和第二卷积神经网络位置得到的位置估计模型，解决了现有室内定位方法预测灵活性不足、准确性不够的问题。问题。问题。
技术研发人员：颜俊 张彬彬 曹艳华
受保护的技术使用者：南京邮电大学
技术研发日：2022.07.04
技术公布日：2022/11/1
