近日，重庆交通大学智慧城市学院泛在感知与智能融合团队以“AFLoc: A Deep Learning Indoor Localization Method With Trainable Activation Functions”（基于可训练激活函数的深度学习室内定位方法）为题，在物联网领域顶刊《IEEE Internet of Things Journal》(中科院一区Top)发表研究论文，我院教师张帅博士、研究生张稳、潘国兵教授、胡川副教授和李华蓉副教授，以及博士后合作导师香港中文大学陈锐志教授为论文共同作者。

随着智慧城市的兴起与物联网的发展，高效精准的室内定位已经成为室内位置服务的关键所在。然而，如何更有效且更充分地提取WIFI信号强度指示（Received Signal Strength Indication, RSSI）的特征，捕捉更加丰富的地理空间信息仍然面临着挑战。尽管人工智能的发展为室内定位提供了许多定位方案，但这些方案对RSSI中信息的挖掘能力仍存在缺陷。该研究针对此难题，提出了一种基于可训练激活函数的深度学习室内定位方法，为在室内环境中实现可靠稳定的定位提供了新的方案。

图1.定位系统框架图

研究团队发现，尽管通过提取RSSI的局部特征能够捕捉接入点（Access Point, AP）的部分地理空间信息，但无法捕捉到AP的整体的分布信息以及整体信号的变化趋势，导致定位精度低、鲁棒性差。针对此，论文提出了两大核心模块：

（1）全局特征与局部特征融合模块：在对RSSI序列数据进行标准化、归一化等预处理操作后，使用卷积神经网络(Convolutional Neural Network, CNN)来提取RSSI信号的局部变化，然后使用Transformer网络来提取RSSI的全局依赖关系，捕捉RSSI的整体变化趋势以及AP分布之间的相关性。

（2）可训练激活函数模块：为了能够更好模拟RSSI的特征信息，在单层神经网络的泛逼近性原理的基础上设计了一种可训练的激活函数模块，来提升特征提取网络的非线性表达能力。通过使用该模块能够增强CNN对局部特征的辨别能力，避免低幅度的信息特征的遗失，同时使得Transformer网络能够对聚合的全局信息实现更灵活、更精细的捕捉，从而能够从RSSI中获取更丰富且更复杂的信息。

图2.不同场景下的定位误差累积分布曲线

本研究得到重庆市教育委员会科学技术研究项目（KJQN202400719）、重庆市自然科学基金（CSTB2023NSCQ-MSX0880, CSTB2022NSCQ-MSX1527）及重庆市研究生导师团队建设项目（JDDSTD2022002）资助。

引用信息：S. Zhang, W. Zhang, R. Chen, G. Pan, C. Hu and H. Li, "AFLoc: A Deep Learning Indoor Localization Method With Trainable Activation Functions," inIEEE Internet of Things Journal.

DOI：10.1109/JIOT.2025.3635683

论文链接：https://ieeexplore.ieee.org/document/11263799