《表1 数据集：基于深度学习的室内定位系统设计与实现》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于深度学习的室内定位系统设计与实现》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

训练阶段，在室内区域每隔60cm设定一个采样点并为其编号作为位置标签，记录在等比例室内地图上该点的二维坐标。神经网络的输入数据由采集点对应的地磁向量及二维坐标组成。采集后的数据集如表1所示。其中分类器包含两个隐藏层，隐藏层之间利用dropout函数[13]在训练过程中随机丢弃神经元之间的连接，在一定程度上减少过拟合，提高网络的泛化能力。网络的输出层使用softmax层，输出的神经元个数等于标签数，即定位区域采样点的个数，输出的值为样本点所属类别的概率。利用定位区域采集的带标签的数据对上述网络结构进行训练。网络使用Tensorflow框架搭建，实验环境为Intel Xeon [email protected]，64GB RAM，GPU型号为NVIDIA GeForce GTX TITAN。在实验中，mini-batch设置为20，初始学习率为0.001，每2 000次迭代将学习率乘以0.1，动量m固定为0.9，对应的权值衰减为0.000 5。