DS-ECA-CNN：一种新型轻量化CNN的WIFI指纹室内定位模型

针对在大规模室内环境下多建筑、多楼层定位场景中定位精度不高、模型参数量大的问题，本文设计了一种WIFI指纹室内定位(DS-ECA-CNN)模型，该模型基于卷积神经网络(CNN)进行改进，包括特征提取模块和分类模块，其中特征提取模块由基于深度可分离卷积(DS)模块与注意力模块(ECA)融合的模块(DS-ECA)组成。DS-ECA模块在降低模型参数量的同时，能有效地增强了模型的整体性能表现。在UJIIndoorLoc数据集、Tampere 数据集这两个公共数据集上对模型性能进行了评估，实验结果显示，UJIIndoorLoc数据集上的建筑定位准确率为100%，楼层定位准确率为99.2%；Tampere 数据集上的建筑定位准确率为100%，楼层定位准确率为99.7%。提出的模型和与其他室内定位模型相比，定位精度更高；模型参数量少；存储空间更小。

随着智能穿戴技术与物联网的快速发展， 对基于定位服务(Location-Based Services, LBS)的需求显著增长，特别是在人流密集的区域，如购物中心、停车场、医院、工业区和机场等。尽管在户外环境中，人们广泛使用全球卫星导航系统(Global Navigation Satellite Systems, GNSS)进行位置定位，但GNSS 在室内环境中定位的信号易受阻碍、减弱或反射，变得不太可靠[1]。为了解决这一问题，许多学者进行了研究并提出了基于各种无线技术的室内定位系统,如射频识别(Radio Frequency Identification, RFID) [2] [3]、超宽带(Ultra-Wideband, UWB) [4] [5]、ZigBee [6]、蓝牙(Bluetooth) [7] [8]、可见光[9] [10]、WIFI [11] [12]等。因为WIFI 基础设施广泛分布和用户设备成本相对较低，基于WIFI 的室内定位方法成为流行的室内定位技术。

WIFI 定位技术主要分为基于信号传播模型和基于RSSI 指纹的方法。

基于信号传播模型方法依赖于确定信号源的位置，但由于室内信号传播的复杂性，这种方法难以实现高精度定位[13]。与之相对，指纹识别定位方法因其简便性和较高的定位精度而成为研究焦点。

为了获得令人满意的室内定位精度， 机器学习方法逐渐被应用于室内定位。

在文献[14]中， 使用K 最近邻(KNN)来匹配指纹数据库中位置的RSSI 数据， 但KNN 对数据噪声很敏感，这使得定位结果容易出错。为了提高定位可靠性，在文献[15]中提出了一种解决室内定位问题的贝叶斯方法，但是室内RSSI 数据的复杂分布使得贝叶斯方法无法很好地拟合RSSI数据。上述算法只是学习数据的浅层特征，复杂多样的室内环境使得室内WIFI 信号数据非常复杂，导致机器学习方法无法从复杂的RSSI 指纹中提取出所有可靠的特征。而深度学习由于在大量训练数据的情况下具有提取复杂的特征，所以人们将深度学习和室内定位结合起来。在文献[16]中，W. Zhang 提出了一种使用深度神经网络(DNN)和WIFI 结合进行室内定位的方法，该方法使用隐马尔可夫模型(HMM)基于深度神经网络获得先前位置提高了定位准确性。

但因为基于深度学习的室内定位精度取决于全连接层数量， 增加全连接层的数量可以提高定位精度，但它会导致计算复杂性增加。基于这个问题，在文献[17]中，song等人提出了一个基于CNN 的WIFI 指纹室内定位系统。

通过堆叠自编码器(SAE)降低数据维度， 利用CNN卷积取代深度神经网络中的一般矩阵乘法，从而降低计算复杂性。但是该方法的定位精度不够高，而且堆