本发明属于室内定位，具体是涉及一种基于卷积神经网络的wifi室内定位方法及系统。
背景技术：
1、随着移动互联网和物联网技术的发展，人们的日常生活越来越依赖于定位服务。然而，传统的gps定位方法在室外可以提供较为精确的位置信息，但在室内环境下，由于信号衰减、多径效应等因素，gps定位的精度大大降低，甚至无法使用。在此背景下，室内导航技术应运而生。
2、室内导航技术的主要目标是在没有gps信号的室内环境下，为用户提供准确、实时的位置信息和导航服务。尽管传统室内导航技术已经取得一定的进展，但仍存在一些缺陷，例如多层楼、大型建筑物和密集布局的房间，其室内环境的复杂性增加了定位误差的可能性，此外，室内导航系统需要实时更新和维护地图数据，以适应建筑物内部的改变，这可能需要大量的时间和人力成本。
技术实现思路
1、(一)要解决的技术问题
2、本发明主要针对以上问题，提出了一种基于卷积神经网络的wifi室内定位方法及系统，其目的是解决室内环境下缺乏准确的定位信息的问题。
3、(二)技术方案
4、为实现上述目的，本发明提供了一种基于卷积神经网络的wifi室内定位方法，包括如下步骤：
5、步骤1、在预设的建筑物内部各个位置测量并记录接收到的wifi信号强度以及对应的实际位置坐标，形成原始数据集；
6、步骤2、对上述原始数据集进行处理，包括清洗无效或不完整的记录，归一化wifi信号强度，并将实际位置坐标进行量化处理；
7、步骤3、利用处理后的数据集训练cnn模型，其中该cnn模型的输入为wifi信号强度，输出为对应的位置坐标。
8、步骤4、对训练完成的cnn模型进行测试，计算cnn模型的定位精度；
9、步骤5、若达到预设的定位精度要求，则将此cnn模型用于实现室内导航；
10、步骤6、用户设备自动收集当前的wifi信号强度，输入cnn模型得出预测位置，并结合地图信息提供导航服务。
11、进一步地，如果wifi环境发生显著变化，重新回到步骤1，收集新的数据并重新训练模型。
12、进一步地，在步骤2中，位置坐标的量化处理包括将实际米数转换为相对于特定参考点的距离单元。
13、进一步地，在步骤3中，利用80％的数据作为训练集，20％的数据作为测试集进行模型训练。
14、进一步地，在步骤4中，通过比较预测位置和实际位置的差异，计算误差，以此统计的平均误差作为模型的定位精度。
15、进一步地，针对室内环境变化的判断条件，包括但不限于wifi环境的改变、建筑物内部结构的变更。
16、进一步地，位置坐标的量化处理具体步骤包括：
17、选择建筑物内的一点作为参考点；
18、对每个wifi信号强度的测试点，使用直线距离或者路径距离测量其与参考点的实际距离；
19、将测得的实际距离转换为对应的距离单位；
20、记录每个测试点相对于参考点的量化距离，以及该测试点的wifi信号强度；
21、将所有的量化位置坐标和对应的wifi信号强度整理成为新的数据集，供之后的cnn模型训练使用。
22、为实现上述目的，本发明另一方面提供了一种基于卷积神经网络的wifi室内定位系统，所述系统包括：
23、数据采集模块，负责在预设的建筑物内部各个位置测量并记录接收到的wifi信号强度和对应的实际位置坐标；
24、数据处理模块，负责对采集的原始数据进行清洗和归一化操作，并将实际位置坐标进行量化处理；
25、cnn模型训练模块，负责使用处理后的数据对cnn模型进行训练，使模型能够根据wifi信号强度预测出实际位置；
26、系统测试模块，负责对训练好的cnn模型进行测试，计算并验证其定位精度；
27、室内导航模块，当cnn模型的定位精度满足预设需求时，该模块负责使用cnn模型为用户提供实时位置和导航服务。
28、(三)有益效果
29、与现有技术相比，本发明提供的一种基于卷积神经网络的wifi室内定位方法及系统，该发明旨在解决室内环境下缺乏准确的定位信息的问题，通过基于卷积神经网络的wifi室内定位方法，实现在没有gps信号的情况下为用户提供准确、实时的位置信息和导航服务。通过利用预设建筑物内部测量得到的wifi信号强度和实际位置坐标数据集，经过数据处理和cnn模型训练，实现对wifi信号强度与位置坐标之间的映射关系。最终，该方法能够通过用户设备自动收集当前wifi信号强度并输入训练好的cnn模型进行位置预测，结合地图信息提供准确的室内导航服务。
1.一种基于卷积神经网络的wifi室内定位方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于卷积神经网络的wifi室内定位方法，其特征在于，如果wifi环境发生显著变化，重新回到步骤1，收集新的数据并重新训练模型。
3.如权利要求1所述的一种基于卷积神经网络的wifi室内定位方法，其特征在于，在步骤2中，位置坐标的量化处理包括将实际米数转换为相对于特定参考点的距离单元。
4.如权利要求1所述的一种基于卷积神经网络的wifi室内定位方法，其特征在于，在步骤3中，利用80％的数据作为训练集，20％的数据作为测试集进行模型训练。
5.如权利要求1所述的一种基于卷积神经网络的wifi室内定位方法，其特征在于，在步骤4中，通过比较预测位置和实际位置的差异，计算误差，以此统计的平均误差作为模型的定位精度。
6.如权利要求2所述的一种基于卷积神经网络的wifi室内定位方法，其特征在于，针对室内环境变化的判断条件，包括但不限于wifi环境的改变、建筑物内部结构的变更。
7.如权利要求3所述的一种基于卷积神经网络的wifi室内定位方法，其特征在于，位置坐标的量化处理具体步骤包括：
8.一种基于卷积神经网络的wifi室内定位方法，其特征在于，所述系统包括：
