摘要：针对传统的WiFi指纹室内定位方法用单一网络架构无法兼顾复杂全局特征与局部特征的协同学习，坐标回归与楼层分类任务存在特征差异，进而导致参数空间的优化冲突，从而制约定位精度提升的问题，提出了一种新颖的基于深度学习的HybridLoc室内定位方法，混合使用全连接层和卷积层的编码-解码架构，充分发挥全连接层在复杂特征学习和卷积层在局部特征提取方面的优势；针对坐标和建筑楼层两种不同类型的定位信息，本文采用双分支解耦设计，即使用两个解码器分别计算处理以降低因信息特征不同而造成的学习冲突，从而进一步优化了定位精度。在UJIIndoor数据集上的实验表明，使用HybridLoc模型的平均定位误差达到了7.85 m，楼层定位准确率高达95.41%，建筑定位准确率高达100%。
文章目录
0 引言
1方法
1.1 总体描述
1.2 神经网络总体结构
1.2.1 编码器-线性层部分
1.2.2 编码器-卷积层部分
1.2.3 解码器
1.3 优化目标
2 实验
2.1 数据集
2.2 数据预处理
2.3 评价指标
2.4 对比实验
2.5 消融实验
3 结束语
