CN101651951A - 基于wlan的支持向量机室内定位网络构建方法及定位方法 - Google Patents

Abstract

基于WLAN的支持向量机室内定位网络构建方法及定位方法，它涉及模式识别领域中的定位网络构建方法及定位方法，用于室内定位，解决了现有方法无法有效学习和适应RSS信号的非线性、非高斯统计特性；以及搜索匹配空间过大、计算复杂度高的问题。室内定位网络构建方法通过下述步骤实现：WLAN网络构建；测量并记录参考点的RSS信号，构建整体信号覆盖图；利用SVM分类器分成若干个子信号覆盖图；将多类SVM分类器转化为两类SVM分类器；训练两类SVM分类器，建立多个独立子信号覆盖图。定位方法通过下述步骤实现：在欲定位点测量RSS信号并预定位出所在的子信号覆盖图的区域；由该子信号覆盖图所对应的回归函数定位出该点位置。

Description

基于WLAN的支持向量机室内定位网络构建方法及定位方法

技术领域

本发明涉及一种模式识别领域中的定位网络构建方法及定位方法，具体涉及WLAN室内定位网络构建方法及定位方法。

背景技术

随着WLAN网络在世界范围内被各种机构和个人在不同环境下(如机场、高档写字楼、研究机构、酒店、餐厅、校园和家庭)广泛部署，以及配置有无线网卡的移动终端的日益普及，WLAN室内定位***越来越受到人们的关注。传统的GPS定位和蜂窝网定位技术的定位信号不能有效覆盖室内环境，且受到室内复杂环境和多径效应的影响，不能达到所需的定位精度。基于WLAN的室内定位技术研究在这种应用背景下发展起来。目前，基于WLAN的室内定位技术不需要在现有无线局域网设施中添加定位测量专用硬件，而是通过移动终端的现有无线网卡及相应软件读取接收信号强度，建立信号覆盖图，通过模式匹配方法确定移动用户的位置。现有的主要模式匹配定位方法是加权K近邻法和概率法。

加权K近邻法计算测试点的RSS信号样本与不同参考点对应的RSS信号样本均值之间的欧式距离，得出K个欧式距离最小的参考点及其相应位置坐标，最后以相应的欧式距离的倒数作为权值，线性组合各个参考点的位置，从而估计出测试点的实际位置。加权K近邻法计算简单，需要的存储空间少，在环境单一，定位范围较小时，定位精度较高。但是，一般的复杂室内定位环境下，由于多径效应和人员走动等的影响，RSS信号在某个固定的参考点上的概率分布呈现非高斯、非线性、多模态的特性，加权K近邻法所利用的参考点RSS信号样本统计均值不能代表整个RSS信号的分布特性，定位精度不高。

概率法利用参考点上的已有训练样本，得出各个参考点上的RSS信号概率分布。一般采用高斯函数进行概率分布拟合，得出各个参考点的高斯概率分布的均值和带宽。概率法充分利用了信号分布的统计特征，定位精度一般较加权最近邻法要高。但是，在实际应用中，对于大范围的室内定位，空间匹配搜索范围较大，计算复杂度高，存储空间要求较大。而且RSS信号在某个固定的参考点上的概率分布呈现非高斯、非线性、多模态的特性，使得拟合出的概率分布函数与实际概率分布相差较大，从而导致定位时较大匹配误差。

发明内容

本发明的目的是提供一种基于WLAN的支持向量机室内定位网络构建方法及定位方法，以解决现有WLAN室内定位方法中，无法有效学习和适应RSS信号的非线性、非高斯统计特性；以及大范围的室内定位，搜索匹配空间过大，计算复杂度高的问题。本发明通过下述方案实现：

基于WLAN的支持向量机室内定位网络构建方法通过下述步骤实现：一、对欲定位的室内区域布置AP，从而完成WLAN网络构建；在欲定位的室内区域选取并记录参考点和测试点的对应坐标，测量并记录参考点接收到的所有AP的RSS信号，构建整体信号覆盖图；二、将整个信号覆盖图分割成若干个子信号覆盖图，分割原则是尽量使分割边界处的RSS信号差异性较大，以降低边界处分类误差率；三、建立多个独立的子SVM分类器，相邻的两个子信号覆盖图之间的区分对应于一个子SVM分类器，所述的子SVM分类器都是两类SVM分类器；四、训练各个子信号覆盖图的支持向量机回归函数，即得出每个子信号覆盖图的RSS信号与物理位置的非线性映射关系。

基于WLAN的支持向量机室内定位网络定位方法通过下述步骤实现：一、在欲定位点测量RSS信号；二、通过先验信息对RSS信号进行预判断，得出该RSS信号应该送入哪个子SVM分类器，通过该子SVM分类器预定位出欲定位点所在的子信号覆盖图的区域位置；三、由该子信号覆盖图所对应的回归函数定位出欲定位点的位置。

本发明提出了一种高精度、低复杂度的基于支持向量机(support vectormachines，SVM)的WLAN室内定位网络构建和定位方法。支持向量机有着深厚的统计学习理论基础，能自适应学习模式的非线性关系，尤其是SVM分类器有着高的分类精度和较低的复杂度。定位方法首先通过SVM分类器定位至子信号覆盖图所在区域；然后由SVM回归算法训练出RSS信号与位置坐标的映射函数，从而估算出用户位置。该方法可以自适应学习RSS信号的非线性、非高斯统计特性，提高定位精度；同时可以有效减少匹配搜索空间，降低计算复杂度。

现有的WLAN室内定位***主要基于位置指纹识别的基础架构，定位过程分为离线和在线两个阶段。在离线阶段，实现WLAN室内网络布置、参考点位置标记和选定参考点处的信号样本采集，建立WLAN定位的信号覆盖图；在在线阶段，根据测试点处采集的信号样本，与信号覆盖图中的信号样本进行匹配计算，得出用户终端的位置估计。

本发明也是采用位置指纹识别方法的基础架构，但是采用了基于SVM分类器预定位，SVM回归函数精确定位的多步WLAN室内高效定位方法。解决了现有WLAN室内定位方法中，无法有效学习和适应RSS信号的非线性、非高斯统计特性；以及大范围的室内定位，搜索匹配空间过大，计算复杂度高的问题。

附图说明

图1为具体实施方式一的基于WLAN的支持向量机室内定位网络构建方法的流程图；图2为具体实施方式二的定位方法的流程图，图3为实施方式二定位实验环境和所划出的子区域示意图。整个楼层的走廊(如虚线所示)都是定位区域，AP放置如红色标记所示，两个椭圆形将整个定位区域分为三个子区域。利用接收自AP7、AP8、AP9的RSS之和即可区分出子区域1和子区域3，从而完成先验信息预判断。

具体实施方式

具体实施方式一：下面结合图1具体说明本发明的实施方式。基于WLAN的支持向量机室内定位网络构建方法通过下述步骤实现：一、对欲定位的室内区域布置AP，从而完成WLAN网络构建；AP放置地点的选定，首先要满足WLAN通信的要求，保证WLAN信号的均匀无缝覆盖。在此基础上，尽量使每个定位点，尤其是室内走廊，人员地段能接收到的AP个数超过三个，越多越好。在欲定位的室内区域选取并记录参考点和测试点的对应坐标，均匀选取参考点，密度为隔2m一个，人员密集或信号抖动较大区域适当增大参考点密度，如可以选为1m一个。测量并记录参考点接收到的所有AP的RSS信号，构建整体信号覆盖图。同时测量并记录好测试点的RSS信号与位置坐标。参考点的数据用于在线定位和相应的参数训练，保留在数据库中；测试点数据用于测试定位性能和调整相应参数，不保留在数据库中。

二、将整个信号覆盖图分割成若干个子信号覆盖图；以降低匹配定位的搜索空间，提高定位精度。划分子信号覆盖图界限的依据是尽量选在走廊拐角处、大的障碍物区隔开的地方等RSS信号变化较剧烈的地方，以分别属于不同子信号覆盖图的界限两边的信号差异性较大为标准。这样有利于提高分类精度，减少边界处的差错概率。

三、建立多个独立的子SVM分类器，相邻的两个子信号覆盖图之间的区分对应于一个子SVM分类器，所述的子SVM分类器都是两类SVM分类器。本步骤将复杂的一个多类SVM分类器转化为简单的多个独立的子SVM分类器，通过先验信息的判断，将不相邻的、相距较远的子信号覆盖图区分开来，将复杂的多类SVM分类器训练转化成简单的两类SVM分类器的训练。定位范围较大时，信号覆盖图往往可以被分为若干个子信号覆盖图。简单的先验信息预判断方法是，采用一些AP的信号强度和，就可以判断排除掉与RSS信号的物理位置较远的子信号覆盖图，由此可训练出多个独立的SVM两类分类器。

四、训练各个独立子信号覆盖图的支持向量机回归函数，即得出每个子信号覆盖图的RSS信号与物理位置的非线性映射关系。

利用ε-不敏感支持向量机回归算法来构造RSS信号与物理位置的非线性映射关系。给定训练数据(x_i，y_i)，i＝1…l，x_i∈R^d，x_i为第i个学习样本，即输入RSS向量，维数d为接收到的AP个数，y_i为对应的输出物理位置坐标。选择径向基为核函数。利用已知参考点的位置坐标及其相应的RSS信号的输入输出映射关系，训练出支持向量机回归函数的参数，由此分别得出各个子信号覆盖图的RSS信号与位置坐标的映射函数。

具体实施方式二：下面结合图2具体说明本实施方式。基于WLAN的支持向量机室内定位网络定位方法通过下述步骤实现：一、在欲定位点测量RSS信号；二、通过先验信息对RSS信号进行预判断，得出该RSS信号应该送入哪个子SVM分类器，两类SVM分类器的高精度和低复杂度特性保证了预定位的准确性和实时性；通过该SVM分类器预定位出用户所在的子信号覆盖图的区域位置；三、由该子信号覆盖图所对应的回归函数定位出欲定位点的位置。

具体实施方式三：本实施方式具体说明实施方式一中SVM分类器的训练过程和利用先验信息预判断至子SVM分类器的过程。

给定训练数据(x_i，y_i)，i＝1…l，x_i∈R^d，y∈{-1，1}^l为第i个学习样本，即输入RSS向量，维数d为接收到的AP个数，y_i∈{-1，1}^l为对应的类别。根据结构风险最小化原则，它要解决的原始最优化问题形式为：

$\underset{w,b,\mathrm{\ξ}}{\min }$ $\frac{1}{2}{w}^{T}w+C\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\ξ}}_i$

subject to

ξ_i≥0

式(1)中b为偏置，w为权重系数。

体现经验风险，C是对经验风险与VC维的一个平衡参数。通过最优化上述问题，可以得出最大化分类间隔的分类超平面。

将室内定位区域分成若干个子区域，理论上需要一个多类SVM分类器将用户预定位至子区域。由于多类分类器计算复杂度和分类性能都没有两类分类器高，将多类SVM分类器转化为多个独立两类SVM分类器。利用不相邻的子区域之间的RSS信号差异性较大的特性，可以利用简单的RSS之和预判断，先得到RSS信号属于哪个两类SVM分类器。

下面以我们的课题实验环境为例介绍具体过程。如附图3所示，将整个定位区域划分为三个子区域，子区域1和子区域2、子区域2和子区域3分别构成共两类SVM分类器A和B。利用接收自AP7、AP8、AP9的RSS之和即可判断区分出子区域1和子区域3。设RSS7、RSS8、RSS9分别为接收自AP7、AP8、AP9的RSS，SUM＝RSS7+RSS8+RSS9，RSS单位为dBw，计算时舍弃单位，只进行数值计算，则：

θ设定与具体实验环境相关，由于不相邻的子区域SUM差距较大，比较容易设定，本实验环境设定为-190。

具体实施方式四：本实施方式具体说明实施方法一中的步骤四支持向量机回归函数的训练过程，即描述如何得到各个独立子信号覆盖图中RSS信号与物理位置的非线性映射关系。

在WLAN室内定位算法中，利用ε-不敏感支持向量机回归算法来构造RSS信号与物理位置的非线性映射关系。给定训练数据(x_i，y_i)，i＝1…l，x_i∈R^d，为第i个学习样本，即输入RSS向量，维数d为接收到的AP个数，y_i为对应的输出物理位置坐标。通过一个非线性映射

将输入样本空间的数据映射到一个高维特征空间，然后在高维特征空间构造回归估计函数：

式(2)中b为偏置，w为权重系数。

根据结构风险最小化原则，它要解决的原始最优化问题形式为：

$\min J\left(w\right)=\frac{1}{2}{\left|\right|w\left|\right|}^2+C\underset{i=1}{\overset{l}{\mathrm{\Σ}}}({\mathrm{\ξ}}_i+{{\mathrm{\ξ}}_i}^{*})$

式(3)中||w||²控制VC维的大小，∑(ξ_i+ξ_i ^*)，i＝1…l体现经验风险，C是对经验风险与VC维的一个平衡参数。根据对偶原理和KKT条件，w可转化为较少数量的支持向量的线性表示，

设sv表示为支持向量集合，则：

式(4)中，可以不用显式计算，通过计算一个对应的核函数得出：

最后对应的支持向量机回归函数：

$y=\underset{i\∈\mathrm{sv}}{\mathrm{\Σ}}{\mathrm{\α}}_{i}K(x,x_i)+b---\left(6\right)$

给定参数ε，C，γ，对式(3)进行凸二次优化，可以得出w的全局最优值解。式(6)的输出对于物理位置坐标有两维，分别通过相应的样本训练和参数搜索，得到两个独立的分别输出两维物理位置坐标的支持向量机回归函数。

Claims (3)

1、基于WLAN的支持向量机室内定位网络构建方法，其特征在于它通过下述步骤实现：一、对欲定位的室内区域布置AP，从而完成WLAN网络构建；在欲定位的室内区域选取并记录参考点和测试点的对应坐标，测量并记录参考点接收到的所有AP的RSS信号，构建整体信号覆盖图；二、将整个信号覆盖图分成若干个子信号覆盖图，分割原则是尽量使分割边界处的RSS信号差异性较大，以降低边界处分类误差率；三、建立多个独立的子SVM分类器，相邻的两个子信号覆盖图之间的区分对应于一个子SVM分类器，所述的子SVM分类器都是两类SVM分类器；四、训练各个子信号覆盖图的支持向量机回归函数，即得出每个子信号覆盖图的RSS信号与物理位置的非线性映射关系。

2、根据权利要求1所述的基于WLAN的支持向量机室内定位网络构建方法，其特征在于步骤四中，利用ε-不敏感支持向量机回归算法来构造RSS信号与物理位置的非线性映射关系；具体过程如下：给定训练数据(x_i，y_i)，i＝1…l，x_i∈R_d，x_i为第i个学习样本，即输入RSS向量，维数d为接收到的AP个数，y_i为对应的输出物理位置坐标；选择径向基为核函数；利用已知参考点的位置坐标及其相应的RSS信号的输入输出映射关系，训练出支持向量机回归函数的参数，分别得出各个子信号覆盖图的RSS信号与位置坐标的映射函数；将RSS信号输入相应的SVM回归函数，即可精确定位用户；

根据结构风险最小化原则，它要解决的原始最优化问题形式为：

$\min J\left(w\right)=\frac{1}{2}{\left|\right|w\left|\right|}^2+C\underset{i=1}{\overset{l}{\mathrm{\Σ}}}({\mathrm{\ξ}}_i+{\mathrm{\ξ}}_i^{*})$

式(1)中‖w‖²控制VC维的大小，∑(ξ_i+ξ_i ^*)，i＝1…l体现经验风险，C是对经验风险与VC维的一个平衡参数。根据对偶原理和KKT条件，w可转化为较少数量的支持向量的线性表示，

设sv表示为支持向量集合，则：

式(2)中，

可以不用显式计算，通过计算一个对应的核函数得出：

最后对应的支持向量机回归函数：

$y=\underset{i\∈\mathrm{sv}}{\mathrm{\Σ}}{\mathrm{\α}}_{i}K(x,x_i)+b---\left(4\right)$

给定参数ε，C，γ，对式(1)进行凸二次优化，可以得出w的全局最优值解。式(4)的输出对于物理位置坐标有两维，分别通过相应的样本训练和参数搜索，得到两个独立的分别输出两维物理位置坐标的支持向量机回归函数。

3、基于WLAN的支持向量机室内定位网络定位方法，其特征在于它通过下述步骤实现：一、在欲定位点测量RSS信号；二、通过先验信息对RSS信号进行预判断，得出该RSS信号应该送入哪个子SVM分类器，通过该子SVM分类器预定位出欲定位点所在的子信号覆盖图的区域位置；三、由该子信号覆盖图所对应的回归函数定位出欲定位点的位置。

Images