1. 研究目的与意义（文献综述包含参考文献）

深度学习的概念最早由机器学习领域的泰斗,多伦多大学g.e.hinton教授于2006年提出。

同年,该教授及其学生又提出关于深度学习的观点:含多隐层的人工神经网络具有很优秀的特征学习能力,其对学习所得到的特征数据有更深入的展示,最终得到的网络数据更有利于分类或可视化。

深度学习作为机器学习的一个全新的领域,能解决许多传统的机器学习无法解决的问题。

2. 研究的基本内容、问题解决措施及方案

本课题拟研究以下内容：详细研究深度学习算法和室内定位技术，解决室内接收信号强度信号在时空阈中，由于多径效应、信号衰落及其他噪声干扰引起的信号波动性问题，通过深度网络探究信号内部的环境属性，提取特征指纹进行最终的目标定位，并且有效地达到当前定位技术不能达到的定位精度。

一种基于深度学习的wifi室内定位系统，其特征在于：它包括依次连接的离线数据获取模块、粗指纹库建立模块、特征指纹库提取模块、在线数据融合模块和目标位置输出模块，其中，所述离线数据获取模块用于获取接入点的物理地址信息，采集位于参考点处离线接收信号强度数据，并将这些数据传输给粗指纹库建立模块；所述粗指纹库建立模块遍历所有参考点处的离线接收信号强度数据，使得离线接收信号强度与参考点的位置坐标一一对应生成粗指纹库；所述特征指纹库提取模块归一化参考点处离线接受信号强度数据，将其输入至四层深度置信网络进行训练，四层深度置信网络输出权重和偏置矩阵存储为特征指纹；所述在线数据融合模块实时采集接收信号强度数据并对其进行归一化处理，再利用每个参考点处的特征指纹对实时采集的接收信号强度数据进行重构，将重构的接受信号强度数据与实时采集的原数据输入至径向基函数，计算出两者之间的差异度，遍历所有的参考点，计算出当前接收信号强度数据出现在每个参考点处的概率，最后通过参考点位置的权重计算出实时接收信号强度数据对应的地理位置。

所述的目标位置输出模块将基于数据融合算法估算出的目标位置进行输出，完成对目标位置的定位。