买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉南京大学申请的专利一种WiFi指纹室内楼层识别与位置估计方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115567871B 。

龙图腾网通过国家知识产权局官网在2025-11-04发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211175374.8，技术领域涉及：H04W4/02；该发明授权一种WiFi指纹室内楼层识别与位置估计方法是由柏业超;金敏;王琼;唐岚;张兴敢设计研发完成，并于2022-09-26向国家知识产权局提交的专利申请。

本一种WiFi指纹室内楼层识别与位置估计方法在说明书摘要公布了：本发明提供一种WiFi指纹室内楼层识别与位置估计方法，涉及无线室内定位技术领域，包括：步骤一，对WiFi指纹数据做数据预处理；步骤二、搭建卷积神经网络模型；步骤三、搭建机器学习模型框架，通过决策树、随机森林、K近邻三种线性回归算法预测位置；本发明通过参考节点RP接收多个AP信号强度RSS与楼层、坐标相对应，合成WiFi位置指纹信息，基于位置指纹信息提出卷积神经网络模型与机器学习回归算法实现了室内楼层识别与位置估计，解决了室内定位楼层识别准确率低与位置估计错误率高的问题。

本发明授权一种WiFi指纹室内楼层识别与位置估计方法在权利要求书中公布了：1.一种WiFi指纹室内楼层识别与位置估计方法，其特征在于，包括如下步骤： 步骤一、将WiFi指纹数据划分为训练集trainingDataset和验证集validationDataset，并对WiFi指纹数据做数据预处理，去除冗余指纹数据和无效AP节点，将RSSI值转换为矩阵表示灰度图片，并将数据预处理后的训练集trainingDataset划分为训练集split-train和测试集split-test； 步骤二、搭建卷积神经网络模型，基于VGG16模型预训练网络迁移学习并fine-tune微调，网络模型包括卷积层、池化层、注意力机制和全连接层4个部分，将图像输入网络，图像通过网络向前传播，在网络末端获得最终的分类准确率； 步骤三、搭建机器学习模型框架，通过决策树、随机森林、K近邻三种线性回归算法预测位置，根据WiFi指纹数据预测各参考节点RP的经纬度坐标，根据步骤一中验证集validationDataset和测试集split-test的经纬度均方误差MSE、R方值R2_score指标进行综合评估并选择最优机器学习模型，计算最优回归模型下预测值坐标与实际坐标之间的平均定位误差； 所述步骤一中，数据预处理的具体步骤如下： S1.1.使用drop_duplicates删除重复指纹数据； S1.2.检测AP节点所在楼栋范围，计算在不同楼栋出现频率frequency，频率相同的AP节点表示AP同时在不同楼栋，视为无效节点，并删除； S1.3.所有参考节点RP在第j个AP节点处接收的信号强度组成矩阵rssi，n个AP节点组成n个rssi矩阵，查找n个rssi矩阵之间相似度高于90％且方差为0的AP节点并删除，经筛选后的AP节点数为N； S1.4.取N邻近可开平方根数M，通过增加或减少无信号AP节点，无信号AP节点即所有参考节点RP接收的信号强度均为110；此时共M个AP节点，RP节点在各AP节点采集的信号强度矩阵r1*M与楼层ID、经纬度坐标构成WiFi数据指纹； S1.5.根据步骤S1.1～S1.4更新训练集trainingDataset和验证集validationDataset，将信号强度矩阵r1*M转换大小为的矩阵并对每个信号强度值根据公式归一化，转换后一个参考节点RP在M个AP节点采集的信号强度值可以通过矩阵表示为一张灰度图片，图片大小为转换后的信号强度值RSSI′即为一个灰度值； S1.6.将步骤S1.5更新后的训练集trainingDataset和验证集validationDataset的灰度图片转换为RGB彩色图片，并调整图片大小为i*j*3以适应卷积神经网络模型，其中i和j分别表示图片的width和height； S1.7.将S1.6得到的训练集trainingDataset以9：1划分为训练集split-train和测试集split-test； 所述步骤二中，卷积神经网络模型的具体搭建步骤如下： S2.1.将VGG16在ImageNet数据集上预训练的前13层作为特征提取器并冻结模型参数，前13层block1-block5由卷积层和池化层组成，输入i*j*3三通道RGB图片提取特征F； S2.2.在卷积层、池化层之后添加通道注意力机制模块SpatialAttentionModule，通道注意力模块在每一个特征点的通道上取最大值和平均值，将两个结果进行堆叠，利用一次通道数为1的卷积调整通道数，取sigmoid，获得输入特征层每个特征点的权值，最后权值乘以原输入特征层进一步提取特征F‘； S2.3.在SpatialAttentionModule之后将特征F‘传递到Flattenlayer压平层、Denselayer全连接层，全连接层使用RELU激活函数，添加比例为0.2的Dropout随机删除网络中的神经元以防止过拟合，最终输出层是一个类别数为楼层数的softmax层； S2.4.以20个轮次分批次训练卷积神经网络，其中输入数据为i*j*3的RGB图片，标签label为楼层ID，评估测试集split-test楼层分类准确率、损失值，并绘制acuracy、loss曲线图。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人南京大学，其通讯地址为：210023 江苏省南京市栖霞区仙林大道163号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。