CN106162868A - 基于位置指纹的高效室内定位方法 - Google Patents
基于位置指纹的高效室内定位方法 Download PDFInfo
- Publication number
- CN106162868A CN106162868A CN201610404896.9A CN201610404896A CN106162868A CN 106162868 A CN106162868 A CN 106162868A CN 201610404896 A CN201610404896 A CN 201610404896A CN 106162868 A CN106162868 A CN 106162868A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- location
- fingerprint
- layer
- formula
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
- H04W64/006—Locating users or terminals or network equipment for network management purposes, e.g. mobility management with additional information processing, e.g. for direction or speed determination
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0252—Radio frequency fingerprinting
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开了一种基于位置指纹的高效室内定位方法,首先在定位区域内固定位置采样指纹数据,通过SRSVD算法重构出整个指纹库,然后利用FCM算法对重构出的指纹库进行模糊分类,然后对每一类的RSS值和其对应的位置坐标利用BP神经网络进行拟合,最后在定位阶段,将未知目标的RSS向量同每一类的中心矢量进行匹配,然后将其归属为相似度最高的某一类,再利用拟合好的BP神经网络计算输出位置坐标。本发明所述的方法能够在复杂的室内环境下工作,离线阶段收集指纹库的工作量低,运算复杂度低,具有较高的定位精度。
Description
技术领域
本发明属于无线通信技术领域的室内定位技术,具体是一种基于位置指纹的高效室内定位方法。
背景技术
基于位置指纹的室内定位是一种采用接收信号强度值(RSS)作为场景分析数据的室内定位技术,与传统的室内定位方法相比,位置指纹法具有众多优点:(1)易于采用智能优化算法进行分析;(2)信号处理方式灵活;(3)受室内环境的影响较小;(4)不需要额外的定位设备,实现简单;(5)具有较高的定位精度。
基于位置指纹的室内定位***,由于其存在成本低、精度高、***复杂度低以及环境适应性强等特点,极度受到人们青睐并被广泛运用到众多领域。目前RSS指纹定位方法包括离线阶段和定位阶段。离线阶段需要收集RSS数据,然后在定位段将未知节点的RSS和离线阶段的RSS进行匹配比较。然而,实现具有较高的定位精度的定位***,室内位置指纹采样间距需要满足一定条件,也就是需要较高的采样密度,这就使得构建RSS指纹库的工作量变得巨大。而且大量的指纹库使得传统的定位算法匹配效率低下,传统算法的定位精度也变得很差。因此,针对目前位置指纹法存在的收集指纹库的工作量大、匹配效率低和定位算法精度低的问题,提高基于位置指纹的室内定位的有效性成为本发明研究的重点内容。
针对离线阶段收集RSS数据工作量大的情况,研究了一种基于低秩理论重构RSS矩阵的方法。离线阶段采样少许的指纹数据,利用稀疏秩矩阵奇异值分解(SRSVD)算法重构出整个指纹库,该方法的重构误差较小。传统定位都是利用未知节点的RSS向量同指纹库中所有RSS向量逐一匹配,针对该方法会增加计算复杂度的缺点,利用基于模糊聚类的方法对指纹库数据进行分类,模糊c均值聚类(FCM)算法具有较高的定位精度和较低的运算复杂度。针对传统定位算法仅仅利用K个节点定位从而误差较大的问题,研究了基于反向传播(BP)神经网络的算法,利用该方法对RSS和其对应的坐标进行拟合,该方法的拟合 性能较好且具有较高的定位精度。
以上这些优化算法,不能同时满足较低的离线阶段的工作量、较高的在线匹配效率和实时定位精度。
发明内容
本发明的目的在于提供一种高效的定位方法,能够降低离线阶段采样指纹数据的工作量,且具有较高的定位精度和较低的运算复杂度。
实现本发明目的的技术解决方案为:一种基于位置指纹的高效室内定位方法,首先在定位区域内固定位置采样指纹数据,通过SRSVD算法重构出整个指纹库,然后利用FCM算法对重构出的指纹库进行模糊分类,接下来对每一类的RSS值和其对应的位置坐标利用BP神经网络进行拟合,最后在定位阶段,将未知目标的RSS向量同每一类的中心矢量进行匹配,然后将它归属为相似度最高的某一类,再利用拟合好的BP神经网络计算输出位置坐标。
本发明与单独使用矩阵重构、模糊聚类和神经网络算法相比,优点体现在:(1)能够在复杂的室内环境下工作;(2)离线阶段收集指纹库的工作量低;(3)运算复杂度低;(4)具有较高的定位精度。
附图说明
图1为SRSVD算法的处理流程图。
图2为FCM算法的处理流程图。
图3为BP神经网络算法的处理流程图。
图4为在采样率取20%、聚类数目取6、隐含层节点数取80的条件下,本发明MR-FCBP同SRSVD,FCM,BP,SRSVD+FCM,SRSVD+BP,FCM+BP这六种算法的CDF分布。
具体实施方式
本发明采用基于一种基于矩阵重构、模糊聚类和BP神经网络(MR-FCBP)的混合定位算法,能够同时满足较低的离线阶段的工作量、较高的在线匹配效率和实时定位精度等条件,具有较低的运算复杂度和较高的定位精度。
下面结合附图对本发明作进一步详细描述。
本发明首先将定位区域按照一定间距分成N个采样点,随机选取M个点并采集其RSS数据,X表示指纹数据库矩阵,B表示测量矩阵,我们利用SRSVD算法重构X,重构过程等价于下列模型:
其中X就是需要重构的矩阵,该问题可以等效描述为:
接着针对传统定位算法中RSS指纹库的匹配效率低的问题,本发明研究一种基于模糊聚类的方法,该方法对RSS指纹库进行分类,可以提高指纹的匹配效率。
模糊聚类是在某种准则下类中样本相似度最大、类间样本相似度最小,是一种无监督的过程。其目标函数定义如下:
W=[wij]c×n表示隶属度矩阵,vi表示第i类的聚类中心向量,(1≤i≤k),vi=(vi1,vi2,...,vis)∈Rk,其目标函数可表达成:
其中dij为样本xi和聚类中心vi之间的距离,n表示为模糊加权指数,模糊效果随着n的增大而显著,本发明中n取2。
最后针对传统定位算法只是采用K个近邻的节点,而未考虑到整个指纹库各个节点之间的潜在联系,本发明采用了一种BP神经网络的算法,利用该方法将RSS值和位置坐标非线性拟合。
本发明采用的BP神经网络是一个包含输入层、隐含层和输出层的三层网络结构。BP算法的目的是通过不断地优化权系数和阀值使得误差函数E(k)最小,E(k)是神经元输出层的均方误差和,其定义为:
式中d1,k和d2,k分别是定位区域内第k个训练采样点的x方向上的期望的坐标值和y方向上的期望的坐标值。和分别是定位区域内第k个训练样点的x方向上的实际的坐标值和y方向上的实际的坐标值。表示为第k个训练采样点的第l层上第j个神经元,下式为计算公式。
式中,表示第k个训练采样点的从第(l-1)层上的第i个神经元到第l层上的第j个神经元的输入数据。表示从第(l-1)层上的第i个神经元到第l层上的第j个神经元的权系数。表示第l层上的第j个神经元的阀值。N、L和2分别表示输入层、隐含层、和输出层的数目。f(g)表示激活函数。
神经网络结构中所有的权系数和阀值按照式更新。
式中η和γ分别是权系数和阀值的学***衡训练时间和性能,方法的学习速率是可调整的。
图1给出了SRSVD算法的处理流程。需要满足目标函数
式中L=UD1/2,R=VD1/2,矩阵L和R具有相同的维数和秩。求解一个低秩矩阵的秩可以近似计算其核范数,将X通过奇异值分解得到L和R,寻找L和R的最小F范数和。
图2给出了FCM算法的处理流程。需要满足目标函数
W=[wij]c×n表示隶属度矩阵,vi表示第i类的聚类中心向量,(1≤i≤k),vi=(vi1,vi2,...,vis)∈Rk,其中dij为样本xi和聚类中心vi之间的距离,式中n表示为模糊加权指数。
图3给出了BP神经网络算法的处理流程。需要满足目标函数
式中d1,k和d2,k分别是第k个采样点的x方向上的期望的坐标值和y方向上的期望的坐标值。和分别是第k个采样点的x方向上的实际的坐标值和y方向上的实际的坐标值。
图4为在采样率取20%、聚类数目取6、隐含层节点数取80的条件下,本发明MR-FCBP同SRSVD,FCM,BP,SRSVD+FCM,SRSVD+BP,FCM+BP这六种算法的CDF分布。
表1给出了本发明同其它算法的定位误差和运行时间。
表1不同算法的定位误差
表2不同算法的运行时间
可以看出,MR-FCBP的定位性能均优越于FCM、BP和SRSVD。MR-FCBP 算法结合了其它方法的优点,具有较高的匹配效率和定位精度。单独采用SRSVD、FCM和BP算法的运行时间总和要远大于本发明的运行时间。由于SRSVD算法降低离线阶段采样指纹的时间要远大于其算法本身运行的时间,而FCM算法能够使指纹匹配计算量降低6倍,进而使得BP算法的训练时间也大大降低,所以本发明能够充分发挥每一种算法的优势,使得算法运行效率较高。
Claims (4)
1.一种基于位置指纹的高效室内定位方法,其特征在于步骤如下:首先在定位区域内固定位置采样指纹数据,通过SRSVD算法重构出整个指纹库,然后利用FCM算法对重构出的指纹库进行模糊分类,然后对每一类的RSS值和其对应的位置坐标利用BP神经网络进行拟合,最后在定位阶段,将未知目标的RSS向量同每一类的中心矢量进行匹配,然后将其归属为相似度最高的某一类,再利用拟合好的BP神经网络计算输出位置坐标。
2.根据权利要求1所述的基于位置指纹的高效室内定位方法,其特征在于:所述在定位区域内固定位置采样指纹数据,通过SRSVD算法重构出整个指纹库的方法为:将定位区域按照一定间距分成N个采样点,随机选取M个点并采集其RSS数据,X表示指纹数据库矩阵,B表示测量矩阵,利用SRSVD算法重构X,重构过程等价于下列模型:
其中X就是需要重构的矩阵,通过SRSVD算法重构出整个指纹库需满足以下目标函数:
式中L=UD1/2,R=VD1/2,矩阵L和R具有相同的维数和秩;求解一个低秩矩阵的秩可近似计算其核范数,将X通过奇异值分解得到L和R,寻找L和R的最小F范数和。
3.根据权利要求1所述的基于位置指纹的高效室内定位方法,其特征在于:所述利用FCM算法对重构出的指纹库进行模糊分类,需满足以下目标函数表达式:
其中,W=[wij]c×n表示隶属度矩阵,vi表示第i类的聚类中心向量,1≤i≤k,vi=(vi1,vi2,...,vis)∈Rk,dij为样本xi和聚类中心vi之间的距离,n表示为模糊加权指数。
4.根据权利要求1所述的基于位置指纹的高效室内定位方法,其特征在于:所述利用BP神经网络进行拟合需满足目标函数
式中,d1,k和d2,k分别是第k个采样点的x方向上的期望的坐标值和y方向上的期望的坐标值,和分别是第k个采样点的x方向上的实际的坐标值和y方向上的实际的坐标值,表示为第k个训练采样点的第l层上第j个神经元,下式为计算公式,
式中,表示第k个训练采样点的从第(l-1)层上的第i个神经元到第l层上的第j个神经元的输入数据,表示从第(l-1)层上的第i个神经元到第l层上的第j个神经元的权系数,表示第l层上的第j个神经元的阀值,N、L和2分别表示输入层、隐含层、和输出层的数目,f(g)表示激活函数;
神经网络结构中所有的权系数和阀值按照下式更新,
式中η和γ分别是权系数和阀值的学习速率,学习速率设定为0.01到0.1之间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610404896.9A CN106162868A (zh) | 2016-06-08 | 2016-06-08 | 基于位置指纹的高效室内定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610404896.9A CN106162868A (zh) | 2016-06-08 | 2016-06-08 | 基于位置指纹的高效室内定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106162868A true CN106162868A (zh) | 2016-11-23 |
Family
ID=57352900
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610404896.9A Pending CN106162868A (zh) | 2016-06-08 | 2016-06-08 | 基于位置指纹的高效室内定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106162868A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106600652A (zh) * | 2016-12-30 | 2017-04-26 | 南京工业大学 | 一种基于人工神经网络的全景摄像头定位方法 |
CN106646339A (zh) * | 2017-01-06 | 2017-05-10 | 重庆邮电大学 | 一种无线位置指纹室内定位中在线匹配定位方法 |
CN107605219A (zh) * | 2017-09-05 | 2018-01-19 | 武汉大学 | 一种基于ble的自适应室内停车导航与自动泊车***及方法 |
CN107995657A (zh) * | 2017-12-21 | 2018-05-04 | 国网浙江省电力有限公司电力科学研究院 | 电力物联网低功耗并发传输节点数目估计方法及*** |
CN108650628A (zh) * | 2018-03-24 | 2018-10-12 | 西安电子科技大学 | 基于Wi-Fi网络的测距和指纹相结合的室内定位方法 |
CN108718254A (zh) * | 2018-05-14 | 2018-10-30 | 中国联合网络通信有限公司湖北省分公司 | 地铁室内分布***故障定位方法及*** |
CN109708628A (zh) * | 2019-01-09 | 2019-05-03 | 浙江大学城市学院 | 一种基于集成学习与bp神经网络的地磁室内定位方法 |
CN111757257A (zh) * | 2020-07-06 | 2020-10-09 | 江南大学 | 一种克服设备差异的动态模糊匹配室内定位方法 |
CN112004203A (zh) * | 2020-09-14 | 2020-11-27 | 西安科技大学 | 一种基于位置预测及误差补偿的室内定位方法与装置 |
CN112437485A (zh) * | 2020-10-29 | 2021-03-02 | 北京邮电大学 | 一种基于神经网络的指纹空间插值法的定位方法及装置 |
CN116761249A (zh) * | 2022-09-23 | 2023-09-15 | 荣耀终端有限公司 | 室内定位方法、指纹库的构建方法、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101639527A (zh) * | 2009-09-03 | 2010-02-03 | 哈尔滨工业大学 | 基于rss-p的k近邻模糊聚类wlan室内定位方法 |
CN103139907A (zh) * | 2013-02-04 | 2013-06-05 | 北京工业大学 | 一种利用指纹法的室内无线定位方法 |
CN104636801A (zh) * | 2013-11-08 | 2015-05-20 | 国家电网公司 | 一种基于优化bp神经网络的预测输电线路可听噪声方法 |
CN104853434A (zh) * | 2015-01-13 | 2015-08-19 | 中山大学 | 一种基于svm和k均值聚类的室内定位方法 |
-
2016
- 2016-06-08 CN CN201610404896.9A patent/CN106162868A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101639527A (zh) * | 2009-09-03 | 2010-02-03 | 哈尔滨工业大学 | 基于rss-p的k近邻模糊聚类wlan室内定位方法 |
CN103139907A (zh) * | 2013-02-04 | 2013-06-05 | 北京工业大学 | 一种利用指纹法的室内无线定位方法 |
CN104636801A (zh) * | 2013-11-08 | 2015-05-20 | 国家电网公司 | 一种基于优化bp神经网络的预测输电线路可听噪声方法 |
CN104853434A (zh) * | 2015-01-13 | 2015-08-19 | 中山大学 | 一种基于svm和k均值聚类的室内定位方法 |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106600652A (zh) * | 2016-12-30 | 2017-04-26 | 南京工业大学 | 一种基于人工神经网络的全景摄像头定位方法 |
CN106646339A (zh) * | 2017-01-06 | 2017-05-10 | 重庆邮电大学 | 一种无线位置指纹室内定位中在线匹配定位方法 |
CN107605219B (zh) * | 2017-09-05 | 2019-05-10 | 武汉大学 | 一种基于ble的自适应室内停车导航与自动泊车***及方法 |
CN107605219A (zh) * | 2017-09-05 | 2018-01-19 | 武汉大学 | 一种基于ble的自适应室内停车导航与自动泊车***及方法 |
CN107995657A (zh) * | 2017-12-21 | 2018-05-04 | 国网浙江省电力有限公司电力科学研究院 | 电力物联网低功耗并发传输节点数目估计方法及*** |
CN107995657B (zh) * | 2017-12-21 | 2021-05-07 | 国网浙江省电力有限公司电力科学研究院 | 电力物联网低功耗并发传输节点数目估计方法及*** |
CN108650628A (zh) * | 2018-03-24 | 2018-10-12 | 西安电子科技大学 | 基于Wi-Fi网络的测距和指纹相结合的室内定位方法 |
CN108650628B (zh) * | 2018-03-24 | 2020-07-03 | 西安电子科技大学 | 基于Wi-Fi网络的测距和指纹相结合的室内定位方法 |
CN108718254A (zh) * | 2018-05-14 | 2018-10-30 | 中国联合网络通信有限公司湖北省分公司 | 地铁室内分布***故障定位方法及*** |
CN108718254B (zh) * | 2018-05-14 | 2021-05-28 | 中国联合网络通信有限公司湖北省分公司 | 地铁室内分布***故障定位方法及*** |
CN109708628A (zh) * | 2019-01-09 | 2019-05-03 | 浙江大学城市学院 | 一种基于集成学习与bp神经网络的地磁室内定位方法 |
CN111757257A (zh) * | 2020-07-06 | 2020-10-09 | 江南大学 | 一种克服设备差异的动态模糊匹配室内定位方法 |
CN111757257B (zh) * | 2020-07-06 | 2021-05-14 | 江南大学 | 一种克服设备差异的动态模糊匹配室内定位方法 |
CN112004203A (zh) * | 2020-09-14 | 2020-11-27 | 西安科技大学 | 一种基于位置预测及误差补偿的室内定位方法与装置 |
CN112004203B (zh) * | 2020-09-14 | 2022-04-12 | 西安科技大学 | 一种基于位置预测及误差补偿的室内定位方法与装置 |
CN112437485A (zh) * | 2020-10-29 | 2021-03-02 | 北京邮电大学 | 一种基于神经网络的指纹空间插值法的定位方法及装置 |
CN112437485B (zh) * | 2020-10-29 | 2021-11-12 | 北京邮电大学 | 一种基于神经网络的指纹空间插值法的定位方法及装置 |
CN116761249A (zh) * | 2022-09-23 | 2023-09-15 | 荣耀终端有限公司 | 室内定位方法、指纹库的构建方法、电子设备及存储介质 |
CN116761249B (zh) * | 2022-09-23 | 2024-04-12 | 荣耀终端有限公司 | 室内定位方法、指纹库的构建方法、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106162868A (zh) | 基于位置指纹的高效室内定位方法 | |
Mi et al. | Wind speed prediction model using singular spectrum analysis, empirical mode decomposition and convolutional support vector machine | |
Zhang et al. | An evolutionary deep learning model based on TVFEMD, improved sine cosine algorithm, CNN and BiLSTM for wind speed prediction | |
Xu et al. | Natural phase space reconstruction-based broad learning system for short-term wind speed prediction: Case studies of an offshore wind farm | |
CN105044662A (zh) | 一种基于wifi信号强度的指纹聚类多点联合室内定位方法 | |
Liu et al. | Learning temporal causal graphs for relational time-series analysis | |
CN106529719A (zh) | 基于粒子群优化算法风速融合的风电功率预测的方法 | |
CN107046557A (zh) | 移动云计算环境下动态Skyline查询的智能医疗呼叫查询*** | |
Wang et al. | Short-term wind speed prediction using support vector regression | |
CN106647272A (zh) | 基于k均值改进卷积神经网络的机器人路径规划方法 | |
Zhang et al. | Summary of convolutional neural network compression technology | |
CN116227689A (zh) | 一种光伏板污秽度状态评价及清扫决策*** | |
Chang et al. | An ensemble learning model based on Bayesian model combination for solar energy prediction | |
Yu et al. | Rainfall time series forecasting based on Modular RBF Neural Network model coupled with SSA and PLS | |
Wang et al. | A distributed adaptive second-order latent factor analysis model | |
CN106202700A (zh) | 一种光伏发电出力预测的数据分析方法 | |
CN106022957A (zh) | 一种电力***电网协调性发展评价方法 | |
Zhu et al. | Wind Speed Short-Term Prediction Based on Empirical Wavelet Transform, Recurrent Neural Network and Error Correction | |
He | Solar Maximum Power Point Tracking Algorithm Based on Wavelet Neural Network | |
CN116777039A (zh) | 基于训练集分段和误差修正的双层神经网络风速预测方法 | |
Zhang et al. | Digital twin empowered PV power prediction | |
CN115661861A (zh) | 基于动态时序多维自适应图卷积网络的骨架行为识别方法 | |
CN106777092A (zh) | 移动云计算环境下动态Skyline查询的智能医疗呼叫查询方法 | |
CN103077404A (zh) | 基于马尔科夫随机场的局部增量式可视化聚类方法 | |
Liu et al. | Theoretical line loss calculation method for low-voltage distribution network via matrix completion and ReliefF-CNN |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161123 |
|
RJ01 | Rejection of invention patent application after publication |