《表1 数据集:基于深度学习的室内定位系统设计与实现》
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。
图表编号 | XD00155758700 严禁用于非法目的 |
---|---|
绘制时间 | 2020.04.01 |
作者 | 王林琳、黎海涛 |
绘制单位 | 北京工业大学信息学部、北京工业大学信息学部 |
更多格式 | 高清、无水印(增值服务) |