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：2025

1. 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。