技術(shù)特征：

1.一種基于wifi的多樓層定位方法，其特征在于，所述方法包括步驟：

S100、采集檢測(cè)區(qū)域中各個(gè)無線接入點(diǎn)接收待檢測(cè)客戶端所發(fā)信號(hào)的信號(hào)強(qiáng)度數(shù)據(jù)；

S200、將所述信號(hào)強(qiáng)度數(shù)據(jù)輸入第一深度神經(jīng)網(wǎng)絡(luò)，經(jīng)所述第一深度神經(jīng)網(wǎng)絡(luò)計(jì)算得到待檢測(cè)客戶端所在位置所屬樓層的樓層標(biāo)簽；

S300、將所述信號(hào)強(qiáng)度數(shù)據(jù)輸入與待檢測(cè)客戶端所在位置所屬樓層的樓層標(biāo)簽一一對(duì)應(yīng)的第二深度神經(jīng)網(wǎng)絡(luò)；經(jīng)所述第二深度神經(jīng)網(wǎng)絡(luò)計(jì)算得到待檢測(cè)客戶端所在位置的預(yù)測(cè)位置坐標(biāo)。

2.如權(quán)利要求1所述的基于wifi的多樓層定位方法，其特征在于，所述步驟S100之前還包括步驟：

S010、預(yù)先訓(xùn)練分類型深度神經(jīng)網(wǎng)絡(luò)，將訓(xùn)練后的所述分類型深度神經(jīng)網(wǎng)絡(luò)作為所述第一深度神經(jīng)網(wǎng)絡(luò)；

S020、預(yù)先訓(xùn)練多個(gè)分別與樓層標(biāo)簽對(duì)應(yīng)的擬合型深度神經(jīng)網(wǎng)絡(luò)，將訓(xùn)練后的所述擬合型深度神經(jīng)網(wǎng)絡(luò)中的一個(gè)作為所述第二深度神經(jīng)網(wǎng)絡(luò)。

3.如權(quán)利要求2所述的基于wifi的多樓層定位方法，其特征在于，所述步驟S010訓(xùn)練所述第一深度神經(jīng)網(wǎng)絡(luò)進(jìn)一步包括步驟：

S011、對(duì)檢測(cè)區(qū)域內(nèi)的多個(gè)樓層進(jìn)行分類，為每個(gè)樓層分配對(duì)應(yīng)的樓層標(biāo)簽；

S012、分別采集每個(gè)樓層內(nèi)各個(gè)無線接入點(diǎn)接收預(yù)設(shè)訓(xùn)練位置上訓(xùn)練終端所發(fā)的信號(hào)的信號(hào)強(qiáng)度數(shù)據(jù)，并結(jié)合對(duì)應(yīng)的樓層標(biāo)簽形成每個(gè)樓層的訓(xùn)練樣本數(shù)據(jù)，將所有樓層的訓(xùn)練樣本數(shù)據(jù)生成第一訓(xùn)練數(shù)據(jù)集輸入分類型深度神經(jīng)網(wǎng)絡(luò)；

S013、依次將每個(gè)樓層的訓(xùn)練樣本數(shù)據(jù)輸入所述分類型深度神經(jīng)網(wǎng)絡(luò)，經(jīng)過所述深度神經(jīng)網(wǎng)絡(luò)輸出相對(duì)應(yīng)的訓(xùn)練結(jié)果；

S014、依次將輸出的訓(xùn)練結(jié)果與其對(duì)應(yīng)的所述預(yù)設(shè)訓(xùn)練位置所屬樓層的樓層標(biāo)簽進(jìn)行比較，根據(jù)比較結(jié)果對(duì)分類型深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，將訓(xùn)練后的分類型深度神經(jīng)網(wǎng)絡(luò)作為所述第一深度神經(jīng)網(wǎng)絡(luò)；

所述步驟S020中訓(xùn)練所述第二深度神經(jīng)網(wǎng)絡(luò)進(jìn)一步包括步驟：

S021、分別為每個(gè)樓層建立一個(gè)與樓層標(biāo)簽一一對(duì)應(yīng)的擬合型深度神經(jīng)網(wǎng)絡(luò)；

S022、在每個(gè)樓層分別建立平面直角坐標(biāo)系，在所述平面直角坐標(biāo)系中標(biāo)出用于訓(xùn)練的訓(xùn)練位置坐標(biāo)；

S023、分別將每個(gè)樓層中的訓(xùn)練位置坐標(biāo)以及各個(gè)無線接入點(diǎn)接收訓(xùn)練終端在每個(gè)訓(xùn)練位置坐標(biāo)對(duì)應(yīng)的位置上所發(fā)的信號(hào)的信號(hào)強(qiáng)度數(shù)據(jù)作為一組訓(xùn)練樣本數(shù)據(jù)，生成每個(gè)樓層的第二訓(xùn)練數(shù)據(jù)集，并送入與每個(gè)樓層的樓層標(biāo)簽相對(duì)應(yīng)的擬合類深度神經(jīng)網(wǎng)絡(luò)中；

S024、依次將每個(gè)樓層的每一組訓(xùn)練樣本數(shù)據(jù)中的信號(hào)強(qiáng)度數(shù)據(jù)輸入與樓層標(biāo)簽對(duì)應(yīng)的所述擬合型深度神經(jīng)網(wǎng)絡(luò)，經(jīng)過所述擬合型深度神經(jīng)網(wǎng)絡(luò)輸出相對(duì)應(yīng)的訓(xùn)練結(jié)果；

S025、依次將輸出的訓(xùn)練結(jié)果與其對(duì)應(yīng)的訓(xùn)練位置坐標(biāo)進(jìn)行比較，根據(jù)比較結(jié)果對(duì)擬合型深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，將訓(xùn)練后的擬合型深度神經(jīng)網(wǎng)絡(luò)作為所述第二深度神經(jīng)網(wǎng)絡(luò)。

4.如權(quán)利要求3所述的基于wifi的多樓層定位方法，其特征在于，所述步驟S025進(jìn)一步包括步驟：

按照下述公式分別將輸出的訓(xùn)練結(jié)果與其對(duì)應(yīng)的訓(xùn)練位置坐標(biāo)進(jìn)行比較：

$\mathrm{\σ}=\sqrt{{(X_1-X_2)}^2+{(Y_1-Y_2)}^2}$

其中，σ表示輸出的訓(xùn)練結(jié)果與其對(duì)應(yīng)的預(yù)設(shè)訓(xùn)練位置坐標(biāo)的誤差；(X₁,Y₁)表示每次訓(xùn)練輸出的訓(xùn)練結(jié)果；(X₂,Y₂)表示對(duì)應(yīng)的訓(xùn)練位置坐標(biāo)；

根據(jù)訓(xùn)練數(shù)據(jù)集中的每一組訓(xùn)練樣本數(shù)據(jù)對(duì)所述擬合型深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，使得每次訓(xùn)練輸出的訓(xùn)練結(jié)果與所述訓(xùn)練位置坐標(biāo)進(jìn)行比較后的誤差σ收斂于預(yù)設(shè)范圍內(nèi)。

5.一種基于wifi的多樓層定位服務(wù)器，其特征在于，包括：

數(shù)據(jù)采集模塊，用于采集檢測(cè)區(qū)域中各個(gè)無線接入點(diǎn)接收待檢測(cè)客戶端所發(fā)信號(hào)的信號(hào)強(qiáng)度數(shù)據(jù)；

分類模塊，用于將所述信號(hào)強(qiáng)度數(shù)據(jù)輸入第一深度神經(jīng)網(wǎng)絡(luò)，經(jīng)所述第一深度神經(jīng)網(wǎng)絡(luò)計(jì)算得到待檢測(cè)客戶端所在位置所屬樓層的樓層分類；

定位模塊，用于將所述信號(hào)強(qiáng)度數(shù)據(jù)輸入與待檢測(cè)客戶端所在位置所屬樓層的樓層標(biāo)簽一一對(duì)應(yīng)的第二深度神經(jīng)網(wǎng)絡(luò)；經(jīng)所述第二深度神經(jīng)網(wǎng)絡(luò)計(jì)算得到待檢測(cè)客戶端所在位置的預(yù)測(cè)位置坐標(biāo)。

6.如權(quán)利要求5所述的基于wifi的多樓層定位服務(wù)器，其特征在于，還包括：

第一訓(xùn)練模塊，用于預(yù)先訓(xùn)練分類型深度神經(jīng)網(wǎng)絡(luò)，將訓(xùn)練后的所述分類型深度神經(jīng)網(wǎng)絡(luò)作為所述第一深度神經(jīng)網(wǎng)絡(luò)；

第二訓(xùn)練模塊，用于預(yù)先訓(xùn)練多個(gè)分別與樓層標(biāo)簽對(duì)應(yīng)的擬合型深度神經(jīng)網(wǎng)絡(luò)，將訓(xùn)練后的所述擬合型深度神經(jīng)網(wǎng)絡(luò)中的一個(gè)作為所述第二深度神經(jīng)網(wǎng)絡(luò)。

7.如權(quán)利要求5所述的基于wifi的多樓層定位服務(wù)器，其特征在于，所述第一訓(xùn)練模塊進(jìn)一步包括：

樓層分類子模塊，用于對(duì)檢測(cè)區(qū)域內(nèi)的多個(gè)樓層進(jìn)行分類，為每個(gè)樓層分配對(duì)應(yīng)的樓層標(biāo)簽；

第一訓(xùn)練數(shù)據(jù)集生成子模塊，用于分別采集每個(gè)樓層內(nèi)各個(gè)無線接入點(diǎn)接收預(yù)設(shè)訓(xùn)練位置上訓(xùn)練終端所發(fā)的信號(hào)的信號(hào)強(qiáng)度數(shù)據(jù)，并結(jié)合對(duì)應(yīng)的樓層標(biāo)簽形成每個(gè)樓層的訓(xùn)練樣本數(shù)據(jù)，將所有樓層的訓(xùn)練樣本數(shù)據(jù)生成第一訓(xùn)練數(shù)據(jù)集輸入分類型深度神經(jīng)網(wǎng)絡(luò)；

第一訓(xùn)練預(yù)測(cè)子模塊，用于依次將每個(gè)樓層的訓(xùn)練樣本數(shù)據(jù)輸入所述分類型深度神經(jīng)網(wǎng)絡(luò)，經(jīng)過所述深度神經(jīng)網(wǎng)絡(luò)輸出相對(duì)應(yīng)的訓(xùn)練結(jié)果，依次將輸出的訓(xùn)練結(jié)果與其對(duì)應(yīng)的所述預(yù)設(shè)訓(xùn)練位置所屬樓層的樓層標(biāo)簽進(jìn)行比較，根據(jù)比較結(jié)果對(duì)分類型深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，將訓(xùn)練后的分類型深度神經(jīng)網(wǎng)絡(luò)作為所述第一深度神經(jīng)網(wǎng)絡(luò)；

所述第二訓(xùn)練模塊進(jìn)一步包括：

網(wǎng)絡(luò)建立子模塊，用于分別為每個(gè)樓層建立一個(gè)與樓層標(biāo)簽一一對(duì)應(yīng)的擬合型深度神經(jīng)網(wǎng)絡(luò)；

坐標(biāo)系建立子模塊，在每個(gè)樓層分別建立平面直角坐標(biāo)系，在所述平面直角坐標(biāo)系中標(biāo)出用于訓(xùn)練的訓(xùn)練位置坐標(biāo)；

第二訓(xùn)練數(shù)據(jù)集生成子模塊，用于分別將每個(gè)樓層中的訓(xùn)練位置坐標(biāo)以及各個(gè)無線接入點(diǎn)接收訓(xùn)練終端在每個(gè)訓(xùn)練位置坐標(biāo)對(duì)應(yīng)的位置上所發(fā)的信號(hào)的信號(hào)強(qiáng)度數(shù)據(jù)作為一組訓(xùn)練樣本數(shù)據(jù)，生成每個(gè)樓層的第二訓(xùn)練數(shù)據(jù)集，并送入與每個(gè)樓層的樓層標(biāo)簽相對(duì)應(yīng)的擬合類深度神經(jīng)網(wǎng)絡(luò)中；

第二訓(xùn)練預(yù)測(cè)子模塊，用于依次將每個(gè)樓層的每一組訓(xùn)練樣本數(shù)據(jù)中的信號(hào)強(qiáng)度數(shù)據(jù)輸入與樓層標(biāo)簽對(duì)應(yīng)的所述擬合型深度神經(jīng)網(wǎng)絡(luò)，經(jīng)過所述擬合型深度神經(jīng)網(wǎng)絡(luò)輸出相對(duì)應(yīng)的訓(xùn)練結(jié)果，依次將輸出的訓(xùn)練結(jié)果與其對(duì)應(yīng)的訓(xùn)練位置坐標(biāo)進(jìn)行比較，根據(jù)比較結(jié)果對(duì)擬合型深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，將訓(xùn)練后的擬合型深度神經(jīng)網(wǎng)絡(luò)作為所述第二深度神經(jīng)網(wǎng)絡(luò)。

8.如權(quán)利要求7所述的基于wifi的多樓層定位服務(wù)器，其特征在于，所述第二訓(xùn)練預(yù)測(cè)子模塊按照下述公式分別將輸出的訓(xùn)練結(jié)果與其對(duì)應(yīng)的訓(xùn)練位置坐標(biāo)進(jìn)行比較：

$\mathrm{\σ}=\sqrt{{(X_1-X_2)}^2+{(Y_1-Y_2)}^2}$

其中，σ表示輸出的訓(xùn)練結(jié)果與其對(duì)應(yīng)的訓(xùn)練位置坐標(biāo)的誤差；(X₁,Y₁)表示每次訓(xùn)練輸出的訓(xùn)練結(jié)果；(X₂,Y₂)表示對(duì)應(yīng)的訓(xùn)練位置坐標(biāo)；

根據(jù)訓(xùn)練數(shù)據(jù)集中的每一組訓(xùn)練樣本數(shù)據(jù)對(duì)所述擬合型深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，使得每次訓(xùn)練輸出的訓(xùn)練結(jié)果與所述訓(xùn)練位置坐標(biāo)進(jìn)行比較后的誤差σ收斂于預(yù)設(shè)范圍內(nèi)。