57、基于WiFi - RSSI GRU的室内房间切换分类器的地图匹配算法

基于WiFi - RSSI GRU的室内房间切换分类器的地图匹配算法

1. 引言

近年来，室内定位服务逐渐成为除室外定位服务之外的一个新研究方向。传统的基于WiFi的室内定位技术主要分为两类：
- 使用基于接收信号强度指示（RSSI）值的WiFi信道传播模型进行测距，定位误差可达10 - 20米。
- 使用RSSI建立指纹库进行指纹匹配以及采用机器学习算法进行匹配，定位误差可达3 - 20米。

现有的基于WiFi的定位技术通常用于位置坐标求解，但精度不够高。而利用WiFi - RSSI进行室内房间切换模式识别，将有效提高地图匹配的准确性。本文将使用门控循环单元（GRU）算法，从室内房间切换场景下移动终端的WiFi RSSI时间序列数据集中确定用户的室内房间切换模型，有效校正传统的隐马尔可夫模型（HMM）室内地图匹配算法，显著提高室内地图匹配算法的准确性和稳定性。

2. GRU算法及基于GRU的WiFi RSSI房间切换分类器

2.1 GRU算法介绍

传统的基于WiFi的指纹定位算法，在每个时刻定位估计坐标的计算过程是独立的，没有考虑用户行走时WiFi信号在时域的变化特征。为解决传统循环神经网络的梯度消失问题，Hochreite等人提出了改进的RNN模型——长短期记忆网络（LSTM）算法。GRU是LSTM的一个分支，它基于LSTM算法进行模型优化，内部结构更为简化。

GRU将LSTM中的遗忘门（forgetGate）和输入门（inputGate）合并为一个更新门（updateGate），同时将单元状态和隐藏状态混合，通过更新门来控制上一时刻的信息是否引入当前单元状态。GRU的结构如下：