6.1 LCVAE-CNN：基于LCVAE的室内Wi‑Fi指纹CNN定位方法

文献题目LCVAE-CNN: Indoor Wi-Fi fingerprinting CNN positioning method based on LCVAE》发表期刊IEEE Internet of Things Journal发表时间20251. 研究问题与核心方案问题基于接收信号强度指示RSSI的指纹定位受限于高昂的数据采集成本、环境动态变化以及设备异构性导致的信号波动。方案论文提出了LCVAE-CNN​ 框架。该框架是一个两阶段系统离线增强阶段使用位置条件变分自编码器LCVAE​ 生成高质量、地理意义明确的合成指纹数据以扩充和增强原始指纹数据库。在线定位阶段使用一个多任务卷积神经网络CNN​ 模型利用增强后的数据库进行训练实现建筑物/楼层分类和精确坐标回归的联合预测。2. LCVAE数据增强方法的核心创新LCVAE是该方法的关键其创新点包括双流编码架构使用两个独立的编码器分别处理RSSI信号和地理坐标数据以更有效地解耦和学习两类特征。地理空间损失函数在标准VAE的重建损失和KL散度损失之外引入了一个新的地理信息损失函数用于强制生成的数据在空间拓扑上保持一致确保合成指纹的地理合理性。条件数据生成以楼层和建筑物信息作为条件变量引导生成过程使生成的数据与特定的室内空间约束相符。3. 多任务CNN定位模型设计了一个统一的CNN模型共享底层卷积层进行特征提取顶层分为分类分支预测楼层和回归分支预测坐标。与分别训练两个独立模型相比这种多任务学习架构显著降低了模型复杂度和计算开销参数减少49.2%计算量减少79.5%同时提升了效率。4. 实验验证与性能数据集在公开的UJIIndoorLoc和Tampere数据集上进行了广泛评估。对比方法与SAE-CNN、CDAE-CNN、EA-CNN、HADNN、CNNLoc等五种先进方法进行了对比。主要结果定位精度在UJIIndoorLoc数据集上平均定位误差为6.79米在Tampere数据集上为5.44米相比最佳基线方法误差降低了19%至32%。楼层分类准确率分别达到98.80%和97.22%较基线提升至少1.9%。运行效率在保持高精度的同时运行时间优于多数对比的CNN类方法展示了良好的精度-效率平衡。5. 结论论文表明所提出的LCVAE-CNN方法通过创新的数据增强和高效的多任务学习有效缓解了数据稀缺问题并显著提升了复杂室内环境下的定位精度与鲁棒性。未来工作将探索更深的网络架构、结合其他传感器数据如IMU以及在更多样化环境中的应用。