CN110536257B - 一种基于深度自适应网络的室内定位方法 - Google Patents

Abstract

本发明属于在复杂的室内环境下采用深度迁移学习方法解决RSS波动性问题的范畴，具体为一种基于深度自适应网络的室内定位方法，其特征在于包括以下步骤：步骤1.将需要定位的室内环境划分为等大小的格点区域，并记录相应的坐标信息；步骤2.将移动设备依次置于定位环境中的各个格点，并记录下此刻来自各个接入点的RSS值以及相应的格点坐标信息，形成RSS离线指纹数据库，即为源域；步骤3.收集待定位的移动设备的RSS值，形成目标域；步骤4.知识迁移；步骤5.将目标域数据输入到训练好的网络中，即可获得位置。

Description

一种基于深度自适应网络的室内定位方法

技术领域

本发明属于利用室内环境中的接收信号强度进行定位的方法，特别是利用深度迁移学习方法对复杂室内环境中无线设备进行定位的技术，具体为一种基于深度自适应网络的室内定位方法。

背景技术

近年来，由于移动设备的广泛应用以及社交网络的迅猛发展，室内定位服务的需求日益增大。譬如，大型机场和车站内的导航，工厂对工人位置的实时监控，紧急情况下室内人员的救助等不胜枚举。因此在巨大的市场牵引力的作用下，寻求一种适合复杂室内定位环境下的高精度实时定位***，已成为业界的研究重点。

一般地，基于WiFi的RSS室内定位方法通常分为两种：三角定位法和位置指纹定位法。三角定位法基于角度的几何属性，利用几何原理计算出用户的定位位置。由于多径效应和非视距效应的存在，该方法定位精度往往较低。位置指纹定位法不需要假设存在直达波以及知道室内环境的布局，它通常包含两个阶段：离线阶段和在线阶段。在离线阶段，在划分好的每一个格点通过移动设备采集所有接入点的RSS值，之后利用采集到的RSS值以及对应的坐标信息构造离线指纹数据库。在线阶段时，给定一个未知位置的RSS样本，利用匹配算法与离线指纹数据库进行匹配，将相似度最高的RSS值对应的位置作为定位结果。

利用传统的匹配算法实现位置指纹定位时，通常要求离线指纹数据和在线指纹数据满足相同的分布，但是由于环境的变化和异构设备的影响，RSS值会产生波动，导致定位结果出现偏差。文献[1]利用迁移学习方法来解决RSS值波动性问题，该方法通过在一个子空间学习到浅层可迁移特征来减小域间差异。在这个子空间中，利用最大均值差异准则(Maximum Mean Discrepancy，MMD)减小源域与目标域之间的边缘概率分布差异，同时地，最大化RSS样本的方差以保留数据的属性。在张成的子空间中，域间的分布差异已得到了减小，RSS值的波动性问题得到了解决，之后再利用传统的匹配算法即可得到在线指纹数据的实际位置。该方法虽然在一定程度上能够提高定位精度，但其缺点也较为明显，该方法主要通过学习一个浅层映射将源域和目标域映射到该子空间中，而浅层映射仅仅能学习到浅层的表示特征，这对于减小域差异是明显不足的。因此，该类方法由于上述问题的存在而在复杂的室内环境中很难形成准确、实时、稳定的定位。

发明内容

本发明的目的是针对技术背景中的浅层表示特征学习方法存在的缺陷，研究设计了一种基于深度自适应网络的高精度室内定位方法。该方法通过深度自适应网络，学习可反映域间不变因素的深度可迁移特征。该深度自适应网络通过匹配希尔伯特空间中域间的均值嵌入，以及匹配域间的隐藏表示的二阶统计量来减小因RSS波动造成的域差异。该方法克服了传统的迁移学习方法只能通过学习浅层特征去减小域差异的缺点，有效地利用了深度自适应网络学习深度可迁移特征，减轻了RSS值波动带来的性能下降，提高了定位精度和稳健性。

针对上述问题，本发明创造性地给出了一种基于深度自适应网络的室内定位方法，通过实测数据的验证，说明了算法的实用性。

为解决现有技术中的问题，本发明提供了一种基于深度自适应网络的室内定位方法。

一种基于深度自适应网络的室内定位方法，其特征在于包括以下步骤：

步骤1.将需要定位的室内环境划分为等大小的格点区域，并记录相应的坐标信息；

步骤2.将移动设备依次置于定位环境中的各个格点，并记录下此刻来自各个接入点的RSS值以及相应的格点坐标信息，形成RSS离线指纹数据库，即为源域；

步骤3.收集待定位的移动设备的RSS值，形成目标域；

步骤4.知识迁移；

步骤5.将目标域数据输入到训练好的网络中，即可获得位置。

所述步骤2的详细步骤如下：获取数据并形成RSS指纹库，将移动设备依次置于每一个格点，记录下格点编号和来自于各个接入点的RSS值，形成RSS向量

此处n_s为已知位置标记的所有RSS样本数量，相应的位置标记表示成y_i∈{1,2,…,C}，C＝48为格点的数量。RSS值与相应的位置标记构成了指纹数据库，即源域D_s＝{X_s,y_s}，

其中，

所述步骤3的详细步骤如下：收集请求定位的移动设备的RSS值，形成目标域D_t＝{X_t}，此处

为无位置标记的RSS样本形成的目标域数据矩阵，n_t为收集的RSS样本数量。

所述步骤4的详细步骤如下：

步骤4-1.将带位置坐标信息的源域数据以及未知坐标信息的目标域数据输入到深度自适应网络中；

步骤4-2.在网络隐藏层的最后一层匹配源域和目标域在希尔伯特空间中的均值嵌入，形成第一个损失函数；

步骤4-3.在网络隐藏层的最后一层匹配源域和目标域的二阶统计量，形成第二个损失函数；

步骤4-4.在网络分类器层，利用交叉熵损失函数计算源域的训练损失，形成第三个损失函数；

步骤4-5.利用梯度下降法优化网络参数，最小化三个损失函数。

所述步骤4中涉及到的详细过程如下：

通过深度自适应网络完成知识迁移

4-1.将带位置坐标信息的源域数据以及未知坐标信息的目标域数据输入到深度自适应网络中，在网络隐藏层的最后一层得到源域和目标域的深度可迁移特征

和

其中，b为一个batch size，d为该隐藏层的神经元个数。

4-2.将源域和目标域的深度可迁移特征映射到高维的再生核希尔伯特空间中，匹配源域和目标域的均值嵌入，即最小化以下损失函数：

其中，φ为一个核映射，核矩阵K_ij＝φ(h_i)^Tφ(h_j)＝k(h_i,h_j)，M为MMD矩阵，计算方式如下：

4-3.匹配域间隐藏表示H^s,H^t之间的二阶统计量来减小域差异，即最小化以下损失函数:

其中，Cov(H^s)和Cov(H^t)分别为源域和目标域隐藏表示的特征协方差矩阵，计算方式如下：

Cov(H^s)＝(H^s)^TJ_bH^s (4)

Cov(H^t)＝(H^t)^TJ_bH^t (5)

J_b为中心矩阵，

为单位矩阵，

为全1的列向量。

4-4.在网络分类器层，利用交叉熵损失函数计算源域的训练损失，即最小化以下损失函数：

其中，c(θ|x_i,y_i)为分类的softmax损失，θ为网络的参数。

4-5.利用梯度下降法优化网络参数，同时最小化以上三个损失函数，即最小化以下损失函数：

L＝L_s+L_m+L_c (7)。

本发明的有益效果：

1.本发明利用深度迁移学习方法解决了因环境变化和异构设备而引起的RSS波动性问题，提高了定位的精度和稳健性，克服了传统匹配算法假设源域数据和目标域数据同分布在复杂多变的室内环境下不成立的缺点。

2.本发明基于深度自适应网络，学习深度可迁移特征去减小域差异，解决了背景技术中的迁移学习方法学习浅层特征去减小域差异的缺点。

3.本发明提出的基于深度自适应网络的室内定位方法是一种定位精度高、稳健性好的定位方法。

附图说明

图1为本发明的网络结构图；

图2为异构设备时技术背景中采用的定位方法和本发明方法的定位误差累计百分比；

图3为环境变化时技术背景中采用的定位方法和本发明方法的定位误差累积百分比。

具体的实施方式：

实施例1：

一种基于深度自适应网络的室内定位方法。

一种基于深度自适应网络的室内定位方法，其特征在于包括以下步骤：

步骤1.将需要定位的室内环境划分为等大小的格点区域，并记录相应的坐标信息；

步骤2.将移动设备依次置于定位环境中的各个格点，并记录下此刻来自各个接入点的RSS值以及相应的格点坐标信息，形成RSS离线指纹数据库，即为源域；

步骤3.收集待定位的移动设备的RSS值，形成目标域；

步骤4.知识迁移；

步骤5.将目标域数据输入到训练好的网络中，即可获得位置。

实施例2：

一种基于深度自适应网络的室内定位方法，其特征在于包括以下步骤：

步骤1.将需要定位的室内环境划分为等大小的格点区域，并记录相应的坐标信息；

步骤2.将移动设备依次置于定位环境中的各个格点，并记录下此刻来自各个接入点的RSS值以及相应的格点坐标信息，形成RSS离线指纹数据库，即为源域；

步骤3.收集待定位的移动设备的RSS值，形成目标域；

步骤4.知识迁移；

步骤5.将目标域数据输入到训练好的网络中，即可获得位置。

所述步骤2的详细步骤如下：获取数据并形成RSS指纹库，将移动设备依次置于每一个格点，记录下格点编号和来自于各个接入点的RSS值，形成RSS向量

此处n_s为已知位置标记的所有RSS样本数量，相应的位置标记表示成y_i∈{1,2,…,C}，C＝48为格点的数量。RSS值与相应的位置标记构成了指纹数据库，即源域D_s＝{X_s,y_s}，

其中，

所述步骤3的详细步骤如下：收集请求定位的移动设备的RSS值，形成目标域D_t＝{X_t}，此处

为无位置标记的RSS样本形成的目标域数据矩阵，n_t为收集的RSS样本数量。

所述步骤4的详细步骤如下：

步骤4-1.将带位置坐标信息的源域数据以及未知坐标信息的目标域数据输入到深度自适应网络中；

步骤4-2.在网络隐藏层的最后一层匹配源域和目标域在希尔伯特空间中的均值嵌入，形成第一个损失函数；

步骤4-3.在网络隐藏层的最后一层匹配源域和目标域的二阶统计量，形成第二个损失函数；

步骤4-4.在网络分类器层，利用交叉熵损失函数计算源域的训练损失，形成第三个损失函数；

步骤4-5.利用梯度下降法优化网络参数，最小化三个损失函数。

实施例3：

一种基于深度自适应网络的室内定位方法，其特征在于包括以下步骤：

步骤1.将需要定位的室内环境划分为等大小的格点区域，并记录相应的坐标信息；

步骤2.将移动设备依次置于定位环境中的各个格点，并记录下此刻来自各个接入点的RSS值以及相应的格点坐标信息，形成RSS离线指纹数据库，即为源域；

步骤3.收集待定位的移动设备的RSS值，形成目标域；

步骤4.知识迁移；

步骤5.将目标域数据输入到训练好的网络中，即可获得位置。

所述步骤2的详细步骤如下：获取数据并形成RSS指纹库，将移动设备依次置于每一个格点，记录下格点编号和来自于各个接入点的RSS值，形成RSS向量

此处n_s为已知位置标记的所有RSS样本数量，相应的位置标记表示成y_i∈{1,2,…,C}，C＝48为格点的数量。RSS值与相应的位置标记构成了指纹数据库，即源域D_s＝{X_s,y_s}，

其中，

实施例4：

一种基于深度自适应网络的室内定位方法，其特征在于包括以下步骤：

步骤1.将需要定位的室内环境划分为等大小的格点区域，并记录相应的坐标信息；

步骤2.将移动设备依次置于定位环境中的各个格点，并记录下此刻来自各个接入点的RSS值以及相应的格点坐标信息，形成RSS离线指纹数据库，即为源域；

步骤3.收集待定位的移动设备的RSS值，形成目标域；

步骤4.知识迁移；

步骤5.将目标域数据输入到训练好的网络中，即可获得位置。

所述步骤3的详细步骤如下：收集请求定位的移动设备的RSS值，形成目标域D_t＝{X_t}，此处

为无位置标记的RSS样本形成的目标域数据矩阵，n_t为收集的RSS样本数量。

实施例5：

一种基于深度自适应网络的室内定位方法，其特征在于包括以下步骤：

步骤1.将需要定位的室内环境划分为等大小的格点区域，并记录相应的坐标信息；

步骤2.将移动设备依次置于定位环境中的各个格点，并记录下此刻来自各个接入点的RSS值以及相应的格点坐标信息，形成RSS离线指纹数据库，即为源域；

步骤3.收集待定位的移动设备的RSS值，形成目标域；

步骤4.知识迁移；

步骤5.将目标域数据输入到训练好的网络中，即可获得位置。

所述步骤4的详细步骤如下：

步骤4-1.将带位置坐标信息的源域数据以及未知坐标信息的目标域数据输入到深度自适应网络中；

步骤4-2.在网络隐藏层的最后一层匹配源域和目标域在希尔伯特空间中的均值嵌入，形成第一个损失函数；

步骤4-3.在网络隐藏层的最后一层匹配源域和目标域的二阶统计量，形成第二个损失函数；

步骤4-4.在网络分类器层，利用交叉熵损失函数计算源域的训练损失，形成第三个损失函数；

步骤4-5.利用梯度下降法优化网络参数，最小化三个损失函数。

所述步骤4中涉及到的详细过程如下：

通过深度自适应网络完成知识迁移

4-1.将带位置坐标信息的源域数据以及未知坐标信息的目标域数据输入到深度自适应网络中，在网络隐藏层的最后一层得到源域和目标域的深度可迁移特征

和

其中，b为一个batch size，d为该隐藏层的神经元个数。

4-2.将源域和目标域的深度可迁移特征映射到高维的再生核希尔伯特空间中，匹配源域和目标域的均值嵌入，即最小化以下损失函数：

其中，φ为一个核映射，核矩阵K_ij＝φ(h_i)^Tφ(h_j)＝k(h_i,h_j)，M为MMD矩阵，计算方式如下：

4-3.匹配域间隐藏表示H^s,H^t之间的二阶统计量来减小域差异，即最小化以下损失函数:

其中，Cov(H^s)和Cov(H^t)分别为源域和目标域隐藏表示的特征协方差矩阵，计算方式如下：

Cov(H^s)＝(H^s)^TJ_bH^s (4)

Cov(H^t)＝(H^t)^TJ_bH^t (5)

J_b为中心矩阵，

为单位矩阵，

为全1的列向量。

4-4.在网络分类器层，利用交叉熵损失函数计算源域的训练损失，即最小化以下损失函数：

其中，c(θ|x_i,y_i)为分类的softmax损失，θ为网络的参数。

4-5.利用梯度下降法优化网络参数，同时最小化以上三个损失函数，即最小化以下损失函数：

L＝L_s+L_m+L_c (7)。

实施例6：

1.实验场地布置

实验环境为308.4m²的图书馆环境，室内有座椅板凳及书架等，在定位区域可探测到的WiFi接入点数量为620个，先将场地划分为48个格点。

2.获取数据并形成RSS指纹库

将移动设备依次置于每一个格点，记录下格点编号和来自于各个接入点的RSS值，形成RSS向量

此处n_s为已知位置标记的所有RSS样本数量，相应的位置标记表示成y_i∈{1,2,…,C}，C＝48为格点的数量。RSS值与相应的位置标记构成了指纹数据库，即源域D_s＝{X_s,y_s}，其中，

3.收集待定位设备的RSS值

收集请求定位的移动设备的RSS值，形成目标域D_t＝{X_t}，此处

为无位置标记的RSS样本形成的目标域数据矩阵，n_t为收集的RSS样本数量。

4.通过深度自适应网络完成知识迁移

4-1.将带位置坐标信息的源域数据以及未知坐标信息的目标域数据输入到深度自适应网络中，在网络隐藏层的最后一层得到源域和目标域的深度可迁移特征

和

其中，b为一个batch size，d为该隐藏层的神经元个数。

4-2.将源域和目标域的深度可迁移特征映射到高维的再生核希尔伯特空间中，匹配源域和目标域的均值嵌入，即最小化以下损失函数：

其中，φ为一个核映射，核矩阵K_ij＝φ(h_i)^Tφ(h_j)＝k(h_i,h_j)，M为MMD矩阵，计算方式如下：

4-3.匹配域间隐藏表示H^s,H^t之间的二阶统计量来减小域差异，即最小化以下损失函数:

其中，Cov(H^s)和Cov(H^t)分别为源域和目标域隐藏表示的特征协方差矩阵，计算方式如下：

Cov(H^s)＝(H^s)^TJ_bH^s (4)

Cov(H^t)＝(H^t)^TJ_bH^t (5)

J_b为中心矩阵，

为单位矩阵，

为全1的列向量。

4-4.在网络分类器层，利用交叉熵损失函数计算源域的训练损失，即最小化以下损失函数：

其中，c(θ|x_i,y_i)为分类的softmax损失，θ为网络的参数。

4-5.利用梯度下降法优化网络参数，同时最小化以上三个损失函数，即最小化以下损失函数：

L＝L_s+L_m+L_c (7)

5.将目标域数据X_t输入到步骤4获得的自适应网络中，可以获得目标域的位置标记，即为定位结果。

本发明分别对实验环境中2个目标域进行实测定位，其中一个目标域是在不同时间用不同设备采集RSS值获得的数据样本，即异构设备条件下的定位，另一个目标域为不同时间下相同设备采集RSS值获得的数据样本，即环境变化条件下的定位。每个目标域带有3120个测试样本，在异构设备条件下的平均定位误差为2.67m，在环境变化条件下的平均定位误差为2.58m。图2为异构设备时技术背景中采用的定位方法和本发明方法的定位误差累计百分比，图3为环境变化时技术背景中采用的定位方法和本发明方法的定位误差累积百分比。技术背景中的方法在每个目标域上的定位效果都明显低于本发明的方法，这是因为该方法通过学习一个浅层映射将源域和目标域映射到该子空间中，而浅层映射仅仅能学习到浅层的表示特征，这对于减小域差异是明显不足的。本发明提出的方法克服了传统的迁移学习方法只能通过学习浅层特征去减小域差异的缺点，有效地利用了深度自适应网络学习深度可迁移特征，即使在RSS值波动性较大的目标域中仍能取得较好的定位效果。

Claims (1)

1.一种基于深度自适应网络的室内定位方法，其特征在于包括以下步骤：

步骤1.将需要定位的室内环境划分为等大小的格点区域，并记录相应的坐标信息；

步骤2.将移动设备依次置于定位环境中的各个格点，并记录下此刻来自各个接入点的RSS值以及相应的格点坐标信息，形成RSS离线指纹数据库，即为源域，获取数据并形成RSS指纹库，将移动设备依次置于每一个格点，记录下格点编号和来自于各个接入点的RSS值，形成RSS向量

i＝1,2,3,…,n_s，此处n_s为已知位置标记的所有RSS样本数量，相应的位置标记表示成y_i∈{1,2,…,C}，C＝48为格点的数量，RSS值与相应的位置标记构成了指纹数据库，即源域

其中，

步骤3.收集待定位的移动设备的RSS值，形成目标域，收集请求定位的移动设备的RSS值，形成目标域

此处

为无位置标记的RSS样本形成的目标域数据矩阵，n_t为收集的RSS样本数量；

步骤4.知识迁移，通过深度自适应网络完成知识迁移

步骤4-1.将带位置坐标信息的源域数据以及未知坐标信息的目标域数据输入到深度自适应网络中，在网络隐藏层的最后一层得到源域和目标域的深度可迁移特征

和

其中，b为一个batch size，d为该隐藏层的神经元个数；

步骤4-2.将源域和目标域的深度可迁移特征映射到高维的再生核希尔伯特空间中，匹配源域和目标域的均值嵌入，即最小化以下损失函数：

其中，φ为一个核映射，核矩阵K_ij＝φ(h_i)^Tφ(h_j)＝k(h_i,h_j)，M_ij为MMD矩阵，计算方式如下：

步骤4-3.匹配域间隐藏表示H^s,H^t之间的二阶统计量来减小域差异，即最小化以下损失函数：

其中，Cov(H^s)和Cov(H^t)分别为源域和目标域隐藏表示的特征协方差矩阵，计算方式如下：

Cov(H^s)＝(H^s)^TJ_bH^s (4)

Cov(H^t)＝(H^t)^TJ_bH^t (5)

J_b为中心矩阵，

为单位矩阵，

为全1的列向量；

步骤4-4.在网络分类器层，利用交叉熵损失函数计算源域的训练损失，即最小化以下损失函数：

其中，c(θ|x_i,y_i)为分类的softmax损失，θ为网络的参数；

步骤4-5.利用梯度下降法优化网络参数，同时最小化以上三个损失函数，即最小化以下损失函数：

L＝L_s+L_m+L_c (7)；

步骤5.将目标域数据输入到训练好的网络中，即可获得位置。

Images