CN112040408A - 一种适用于监管场所的多目标精确智能定位跟踪方法 - Google Patents

Abstract

本发明公开了一种适用于监管场所的多目标精确智能定位跟踪方法，包括如下步骤：采集定位区域感兴趣位置点的信号强度信息，并且对信号强度信息进行预处理，将其转换为符合深度LSTM网络模型的格式；将预处理后的数据进行局部特征提取，得到原始数据更丰富的信息表示，并输入深度LSTM网络模型对模型进行训练；采集监管场所的实时位置信息，并对信息进行预处理，将其转换为符合深度LSTM网络模型的格式；将预处理后的数据输入训练好的深度LSTM网络模型中，将深度LSTM网络模型的输出送入全连接层，得到更具区分性的表示形式；最后利用线性回归层得到最终的位置映射，输出位置信息。本发明所公开的方法可以有效提高定位精度，提高定位速度。

Description

一种适用于监管场所的多目标精确智能定位跟踪方法

技术领域

本发明涉及一种定位跟踪方法，特别涉及一种适用于监管场所的多目标精确智能定位跟踪方法。

背景技术

在监管场所等密闭环境下获得较强鲁棒性且准确的定位，一直是研究者致力解决的目标，并且人们日常大部分时间是在室内环境下，因此，室内定位的研究一直是业界研究的热点。近年来，随着智能手机和其他移动设备的普及，使很多基于位置的服务成为可能，同时也提供了一组可用于室内定位的嵌入式传感器。由于AP接入点的广泛普及和绝大多数设备支持IEEE802.11标准，很多基于接收信号强度和信道状态信息技术的定位***被提出。

位置指纹技术是利用记录AP参考点的特征数据，例如指纹，从而估计设备位置。传统的基于指纹定位技术分为两个阶段：第一阶段为离线阶段，在此期间，记录感兴趣区域中已知位置的来自多个接入点的信号强度，然后利用这些信号强度值和相应的真实位置训练一个基于概率分布的模型。第二阶段为跟踪阶段，将在未知位置检测到的信号强度值送入已经训练好的模型进行匹配估计最佳位置。其中概率技术相比于确定性技术可以更好的对抗固有的无线信号噪声。

现有的室内定位***方案主要存在如下缺陷：(1)室内环境下信号传播面临阴影和多径效应，信号强度测量值有大量的干扰，为了获得满意的定位性能，需要采集大量的数据，传统的算法在处理庞大且复杂的数据上有很大的局限性。(2)现有的室内定位算法面临信号的低采样率和较高的丢包率等问题，在很多情况下，因定位环境信号强度采集不充分，无法准确有效的在线定位。(3)现有的室内定位***算法计算复杂度较高，在面临较大的数据输入时，需要大量的计算资源。

发明内容

为解决上述技术问题，本发明提供了一种用于监管场所的多目标精确智能定位跟踪方法，以达到有效提高定位精度，提高定位速度的目的。

为达到上述目的，本发明的技术方案如下：

一种适用于监管场所的多目标精确智能定位跟踪方法，包括如下步骤：

(1)采集定位区域感兴趣位置点的信号强度信息，并且对信号强度信息进行预处理，将其转换为符合深度LSTM网络模型的格式；

(2)将预处理后的数据进行局部特征提取，得到原始数据更丰富的信息表示，并输入深度LSTM网络模型对模型进行训练；

(3)采集监管场所的实时位置信息，并对信息进行预处理，将其转换为符合深度LSTM网络模型的格式；

(4)将预处理后的数据输入训练好的深度LSTM网络模型中，将深度LSTM网络模型的输出送入全连接层，得到更具区分性的表示形式；

(5)最后利用线性回归层得到最终的位置映射，输出位置信息。

上述方案中，步骤(1)中，将采集到的信号强度信息映射到相应的特征向量x_i，将最弱的信号强度指定为-100dBm，之后将信号强度值范围归一化至[0，1]。

上述方案中，步骤(2)中，每个参考点选取采集到同一个AP的50个连续时间步长的信号强度值，使用滑动窗口连续不重叠移动提取到鲁棒的信号特征表示，并使用四分位数法丰富提取到的信号强度特征。

上述方案中，步骤(2)中，在深度LSTM网络中，在给定训练样本的真实位置和预测位置情况下，计算均方误差并进行反向传播，从而更新深度LSTM网络的参数，采用ADAM的优化方法计算每个参数的自适应学习率，来优化目标函数的模型参数。

上述方案中，步骤(2)中，在深度LSTM网络中，第一步是通过遗忘门确定应该从C^t-1中抛弃的信息，它表示为：

f^t＝σ(w^f[h^t-1,x^t]+b^f)

当f^t＝1时，意味着完全保留信息，而f^t＝0表示完全删除信息；

其中，x^t是时间步长t的输入，h^t为时刻t的隐藏状态，w^f是遗忘门权重矩阵，b^f为遗忘门偏差，σ(·)为sigmoid函数；

第二步是确定应当存储哪些新信息，包括两个部分，第一部分是决定要更新哪个值的输入门，将其表述为：

i^t＝σ(wⁱ[h^t-1,x^t]+b^f)

其中，i^t是输入门第一部分更新的输出，wⁱ是输入门权重矩阵，bⁱ是输入门偏差；

第二部分是通过tanh层生成候选状态值

其中，tanh(·)为正切函数，w^C是更新门权重矩阵，b^C是更新门的偏差；

最后，网络隐藏层输出h^t是压缩单元状态的过滤版本，可以决定将保留信息的哪一部分的sigmoid函数o^t的输出表示为：

o^t＝σ(w^o[h^t-1,x^t]+b^o)

其中，o^t表示深度LSTM网络输出门的函数输出，w^o是输出门权重矩阵，b^o是输出门的偏差；

因此，最终的隐藏输出h^t表示为：

h^t＝o^ttanh(C^t)

多层深度LSTM网络表示为：

其中，

是隐藏层l-1层在时刻t的隐藏状态，

是隐藏层l层在时刻t-1的记忆单元，

分别是隐藏层l层的遗忘门权重矩阵、输入门权重矩阵、更新门权重矩阵、输出门权重矩阵，

分别是隐藏层l层的遗忘门偏差、输入门偏差、更新门偏差、输出门偏差。

通过上述技术方案，本发明提供的一种适用于监管场所的多目标精确智能定位跟踪方法具有如下有益效果：

该方法是将采集到的庞大而复杂的数据通过特征提取模块得到更精简并具代表性的信号特征表示；在模型训练方面也选用了堆叠多层LSTM网络从提取的局部特征中学习高级表示，并对时间依赖进行编码从而实现更加精确的室内定位。相比于传统方法，能大大提高定位的准确率和定位速度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。

图1为本发明的一种适用于监管场所的多目标精确智能定位跟踪方法流程示意图；

图2是本发明的滑动窗口示意图；

图3是本发明的局部特征提取模块示意图；

图4是本发明的LSTM网络内部结构示意图；

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。

本发明提供了一种适用于监管场所的多目标精确智能定位跟踪方法，是针对监管场所环境下的复杂接入点信号室内定位方法，如图1所示，具体包括：

步骤1、采集定位区域内感兴趣参考点的接收信号强度。

在进行在线定位之前，需要建立一个基于定位区域的离线数据库模型，在定位区域选择若干参考点，通过智能手机APP分时段定点扫描预先规划好参考点的接收信号强度，将采集到的数据放入数据库中留作后续处理。

步骤2、利用预处理模块将记录的RSS映射到对应的特征向量。

具体地，这个模块负责转换接收信号测量值，以适应深度网络训练模型中所需的格式，并执行所需的规范化。将记录的测量值x_i映射到相应的特征向量，由于不是所有安装在感兴趣区域的AP都能在每一次扫描到，因此此模块将最弱的RSS(-100dBm)分配给未扫描到的AP。这使我们能够确认输入到深度学习模型的特征向量的大小，之后，输入RSS值的范围被归一化在[0，1]之间，特征规范化可以加快模型的训练速度，提高模型的鲁棒性。

步骤3、利用局部特征提取模块进行信号数据的局部特征提取，得到原始数据更丰富的信息表示。

室内环境下的信号传播通常用传递损耗模型来建模，可以表示为：

L(d)＝L₀-10αlog(d)+X

其中，L(d)是RSS值，L₀为参考路径损失系数，α是路径损耗指数，d是AP接入点和智能手机之间的距离，X是由各种未知源所引起的随机因素，如衍射、多径、阴影等。因此，RSS值可以被视为一个随机过程。为了了解一个位置的随机过程，可以使用多个RSS值来表示信号的统计特性，这里，考虑保持相当大的定位更新率的同时，我们采用来自每个AP点的50个连续时间步长RSS值。由于每个样本包含50个连续时间步长的RSS值，并且每个时间步长的RSS值都是有噪声的，因此我们在一个连续时间步长上采用滑动窗口进行特征提取。

具体地，在一个样本上操作滑动窗口如图2所示，图中的每个方块代表一个AP的RSS值的一个时间步，滑动窗口连续移动，并且不重叠样本。每个窗口都能提取出具有鲁棒性的局部特征。通过这种方法，可以消除噪声影响，得到每个窗口更多的信息，同时保持连续窗口的时间动态性，这对随机过程很重要，因此，能够减少噪声的影响，并以最小的信号特征损失获得一个更稳健的RSS信号，比如时间相关性。

RSS值的大小表示用户与接入点AP间的距离。因此，本发明通过提取特征来表示这个大小，最大值与最小值是两个能够反映信号范围的参数。除了这两个参数，还需要知道RSS值的分布情况，因此使用分位数来实现。本发明使用信号处于25％、50％和75％的分位数，这些分位数也称为第一个四分位数、第二个四分位数和第三个四分位数。分位数表示信号的分布情况，被广泛用于机器学习任务中作为重要的学习特征。总之，本发明利用这五个统计特性来计算每个窗口中每个AP的RSS值，所提出的局部特征提取如图3所示。

假设每个样本的维数为r×n，其中，r是接入点AP的数目，n＝50是连续的时间步长，可以表示为X＝[x₁,x₂,...,x_n]，其中x_i∈R^r×1，给定窗口大小w，每个窗口i提取的特征可以表示为：

c_i＝ψ([x_(i-1)w+1,x_(i-1)w+1,...,x_iw])

其中，ψ(·)是m＝5个特征的特征提取函数，即最大值、最小值和分位数在25％、50％和75％的分位数。因为我们有m个特征，c_i的维数是mr×1，所以特征提取后每个样本的最终输出可以表示为C＝[c₁,c₂,...,c_n/w]∈R^mr×(n/w)。可以发现样本长度从n压缩到n/w，样本的维数从r增大到mr，这种局部特征提取可以减少噪声的影响，并在不丢失信号特性(如时间相关性)的情况下为原始数据生成更丰富的信息表示。

步骤4、将局部特征提取过的数据送入深度LSTM网络中进行模型训练。

基于LSTM网络具有对时序数据建模和捕捉数据中时域相关性的强大能力，LSTM网络已经成功应用于很多实际场景的处理中，它可以被看作是一个由多个门组成的记忆结构。门可以允许或阻止信息沿着序列传递，从而捕获长期依赖关系。LSTM网络的结构如图4所示。

具体地，x^t是时间步长t的输入，h^t为时刻t的隐藏状态，C^t-1是t-1时刻的存储单元状态，w^f,wⁱ,w^C,w^o是权重，b^f,bⁱ,b^C,b^o是偏差，σ(·),tanh(·)分别为sigmoid和正切函数。

在深度LSTM网络中，第一步是通过遗忘门确定应该从C^t-1中抛弃的信息，它表示为：

f^t＝σ(w^f[h^t-1,x^t]+b^f)

当f^t＝1时，意味着完全保留信息，而f^t＝0表示完全删除信息；

其中，x^t是时间步长t的输入，h^t为时刻t的隐藏状态，w^f是遗忘门权重矩阵，b^f为遗忘门偏差，σ(·)为sigmoid函数；

第二步是确定应当存储哪些新信息，包括两个部分，第一部分是决定要更新哪个值的输入门，将其表述为：

i^t＝σ(wⁱ[h^t-1,x^t]+b^f)

其中，i^t是输入门第一部分更新的输出，wⁱ是输入门权重矩阵，bⁱ是输入门偏差；

第二部分是通过tanh层生成候选状态值

其中，tanh(·)为正切函数，w^C是更新门权重矩阵，b^C是更新门的偏差；

最后，网络隐藏层输出h^t是压缩单元状态的过滤版本，可以决定将保留信息的哪一部分的sigmoid函数o^t的输出表示为：

o^t＝σ(w^o[h^t-1,x^t]+b^o)

其中，o^t表示深度LSTM网络输出门的函数输出，w^o是输出门权重矩阵，b^o是输出门的偏差；

因此，最终的隐藏输出h^t表示为：

h^t＝o^ttanh(C^t)

多层深度LSTM网络表示为：

其中，

是隐藏层l-1层在时刻t的隐藏状态，

是隐藏层l层在时刻t-1的记忆单元，

分别是隐藏层l层的遗忘门权重矩阵、输入门权重矩阵、更新门权重矩阵、输出门权重矩阵，

分别是隐藏层l层的遗忘门偏差、输入门偏差、更新门偏差、输出门偏差。

因此，本发明的模型训练将给定的训练样本的预测位置和真实位置输入，就可以计算均方误差并反向传播以更新多层LSTM网络的参数，本发明采用ADAM的优化方法来计算每个参数的自适应学习率，优化目标函数上的模型参数。更具体的说，假设θ^t是要优化的参数，而g_t是相应的梯度，则使用ADAM来更新θ_t+1：

α_t＝r₁α_t-1+(1-r₁)g_t

α_t＝α_t/(1-r₁)

β_t＝β_t/(1-r₂)

其中，α_t和β_t分别是梯度的第一矩和第二矩，η是学习率，参数r₁，r₂和ε分别设置为0.9，0.999，10^-8。

步骤5、在线实时采集定位区域信号强度进行位置定位。

进入在线定位阶段，将实时地在随机位置上扫描无线接入点的信号强度数据，连续扫描1s(即50个时间步长)的信号强度值，送入预处理模块，使数据符合深度学习模型的输入，之后将预处理模块处理后的数据送入步骤4训练好的深度LSTM网络中进行时间编码和高级特征学习。之后将网络的输出反馈入一个全连接层中以寻找定位的更具区别性的表示形式，最后，利用线性回归层得到最终的位置映射，输出位置信息。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (5)

1.一种适用于监管场所的多目标精确智能定位跟踪方法，其特征在于，包括如下步骤：

(1)采集定位区域感兴趣位置点的信号强度信息，并且对信号强度信息进行预处理，将其转换为符合深度LSTM网络模型的格式；

(2)将预处理后的数据进行局部特征提取，得到原始数据更丰富的信息表示，并输入深度LSTM网络模型对模型进行训练；

(3)采集监管场所的实时位置信息，并对信息进行预处理，将其转换为符合深度LSTM网络模型的格式；

(4)将预处理后的数据输入训练好的深度LSTM网络模型中，将深度LSTM网络模型的输出送入全连接层，得到更具区分性的表示形式；

(5)最后利用线性回归层得到最终的位置映射，输出位置信息。

2.根据权利要求1所述的一种适用于监管场所的多目标精确智能定位跟踪方法，其特征在于，步骤(1)中，将采集到的信号强度信息映射到相应的特征向量x_i，将最弱的信号强度指定为-100dBm，之后将信号强度值范围归一化至[0，1]。

3.根据权利要求1所述的一种适用于监管场所的多目标精确智能定位跟踪方法，其特征在于，步骤(2)中，每个参考点选取采集到同一个AP的50个连续时间步长的信号强度值，使用滑动窗口连续不重叠移动提取到鲁棒的信号特征表示，并使用四分位数法丰富提取到的信号强度特征。

4.根据权利要求1所述的一种适用于监管场所的多目标精确智能定位跟踪方法，其特征在于，步骤(2)中，在深度LSTM网络中，在给定训练样本的真实位置和预测位置情况下，计算均方误差并进行反向传播，从而更新深度LSTM网络的参数，采用ADAM的优化方法计算每个参数的自适应学习率，来优化目标函数的模型参数。

5.根据权利要求1所述的一种适用于监管场所的多目标精确智能定位跟踪方法，其特征在于，步骤(2)中，在深度LSTM网络中，第一步是通过遗忘门确定应该从C^t-1中抛弃的信息，它表示为：

f^t＝σ(w^f[h^t-1,x^t]+b^f)

当f^t＝1时，意味着完全保留信息，而f^t＝0表示完全删除信息；

其中，x^t是时间步长t的输入，h^t为时刻t的隐藏状态，w^f是遗忘门权重矩阵，b^f为遗忘门偏差，σ(·)为sigmoid函数；

第二步是确定应当存储哪些新信息，包括两个部分，第一部分是决定要更新哪个值的输入门，将其表述为：

i^t＝σ(wⁱ[h^t-1,x^t]+b^f)

其中，i^t是输入门第一部分更新的输出，wⁱ是输入门权重矩阵，bⁱ是输入门偏差；

第二部分是通过tanh层生成候选状态值

其中，tanh(·)为正切函数，w^C是更新门权重矩阵，b^C是更新门的偏差；

最后，网络隐藏层输出h^t是压缩单元状态的过滤版本，可以决定将保留信息的哪一部分的sigmoid函数o^t的输出表示为：

o^t＝σ(w^o[h^t-1,x^t]+b^o)

其中，o^t表示深度LSTM网络输出门的函数输出，w^o是输出门权重矩阵，b^o是输出门的偏差；

因此，最终的隐藏输出h^t表示为：

h^t＝o^ttanh(C^t)

多层深度LSTM网络表示为：

其中，

是隐藏层l-1层在时刻t的隐藏状态，

是隐藏层l层在时刻t-1的记忆单元，

分别是隐藏层l层的遗忘门权重矩阵、输入门权重矩阵、更新门权重矩阵、输出门权重矩阵，

分别是隐藏层l层的遗忘门偏差、输入门偏差、更新门偏差、输出门偏差。

Images