CN106162868A - 基于位置指纹的高效室内定位方法 - Google Patents

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

基于位置指纹的高效室内定位方法

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＝[w_ij]_c×n表示隶属度矩阵，v_i表示第i类的聚类中心向量，(1≤i≤k)，v_i＝(v_i1,v_i2,...,v_is)∈R^k，其目标函数可表达成：

其中d_ij为样本x_i和聚类中心v_i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d_1,k和d_2,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＝UD^1/2，R＝VD^1/2，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＝[w_ij]_c×n表示隶属度矩阵，v_i表示第i类的聚类中心向量，(1≤i≤k)，v_i＝(v_i1,v_i2,...,v_is)∈R^k，其中d_ij为样本x_i和聚类中心v_i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d_1，k和d_2，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：

$\left\{\begin{array}{cc}\min & rank\left(X\right)\\ s.t& A*X=B\end{array}\right.$

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：

$\begin{array}{cc}\min & \left|\right|A.*\left({\mathrm{LR}}^T\right)-B|{|}_F^2+\mathrm{\λ}\left(\right|\left|L\right|{|}_F^2+\left|\right|R\left|{|}_F^2\right)\end{array}$

式中L＝UD^1/2，R＝VD^1/2，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：

$J(W,V)=\underset{i=1}{\overset{X}{\Σ}}\underset{j=1}{\overset{k}{\Σ}}{\left(w_{ij}\right)}^n{\left(d_{ij}\right)}^2$

其中，W＝[w_ij]_c×n表示隶属度矩阵，v_i表示第i类的聚类中心向量，1≤i≤k，v_i＝(v_i1,v_i2,...,v_is)∈R^k，d_ij为样本x_i和聚类中心v_i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

$E\left(k\right)=\frac{1}{2}\underset{j=1}{\overset{2}{\Σ}}{(d_{j,k}-y_{j,k}^{\left(3\right)})}^2$

式中，d_1,k和d_2,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，

$\left\{\begin{array}{c}{u}_{j,k}^{\left(l\right)}=\underset{i=1}{\overset{I}{\mathrm{\Σ}}}\left({\mathrm{\ω}}_{i,j}^{\left(l-1,l\right)}{x}_{i,k}^{\left(l\right)}-{\mathrm{\θ}}_j^{\left(l\right)}\right)\\ y_{j,k}^{\left(l\right)}=f\left(u_{j,k}^{\left(l\right)}\right)\\ \left\{\begin{array}{c}l=2,j=1,...,L;I=N\\ l=3,j=1,2;I=L\end{array}\right.\end{array}\right.$

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，

$\left\{\begin{array}{c}{\mathrm{\ω}}_{i,j}^{\left(l,l-1\right)}\left(k+1\right)={\mathrm{\ω}}_{i,j}^{\left(l,l-1\right)}\left(k\right)+{\mathrm{\η\δ}}_{j,k}^{\left(l\right)}{y}_{j,k}^{\left(l-1\right)}\\ {\mathrm{\θ}}_j^{\left(l\right)}\left(k+1\right)={\mathrm{\θ}}_j^{\left(l\right)}\left(k\right)-{\mathrm{\γ\δ}}_{j,k}^{\left(l\right)}\\ {\mathrm{\δ}}_{j,k}^{\left(l\right)}=\left\{\begin{array}{c}\underset{m=1}{\overset{2}{\mathrm{\Σ}}}{\mathrm{\δ}}_{m,k}^{\left(l+1\right)}{\mathrm{\ω}}_{i,m}^{\left(l,l+1\right)}{f}^{\′}\left(u_{j,k}^{\left(l\right)}\right),l=2\\ \[d_{j,k}-y_{j,k}^{\left(l\right)}\]f^{\′}\left(u_{j,k}^{\left(l\right)}\right),l=3\end{array}\right.\\ \left\{\begin{array}{c}l=2,i=1,...,N,j=1,...L;\\ l=3,i=1,...,L,j=1,2;\end{array}\right.\end{array}\right.$

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。