基于位置指纹的高效室内定位方法技术

技术编号:14055637 阅读:80 留言:0更新日期:2016-11-26 23:59
本发明专利技术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。本发明专利技术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。

【技术实现步骤摘要】

本专利技术属于无线通信
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
技术介绍
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系统,由于其存在成本低、精度高、系统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系统,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专利技术研究的重点内容。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。
技术实现思路
本专利技术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。实现本专利技术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。本专利技术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,本专利技术MR-FCBP同SRSVD,FCM,BP,SRSVD+FCM,SRSVD+BP,FCM+BP这六种算法的CDF分布。具体实施方式本专利技术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。下面结合附图对本专利技术作进一步详细描述。本专利技术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,本专利技术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,本专利技术中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,本专利技术采用了一种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。本专利技术采用的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习速率。为了保持网络的稳定,学习速率通常设定为0.01到0.1之间,除了运用到平衡训练时间和性能,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,本专利技术MR-FCBP同SRSVD,FCM,BP,SRSVD+FCM,SRSVD+BP,FCM+BP这六种算法的CDF分布。表1给出了本专利技术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专利技术的运行时间。由于SRSVD算法降低离线阶段采样指纹的时间要远大于本文档来自技高网
...
基于位置指纹的高效室内定位方法

【技术保护点】
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。

【技术特征摘要】
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: min r a n k ( X ) s . t A * X = B ]]>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: min | | A . * ( LR T ) - B | | F 2 + λ ( | | L | | F 2 + | | R | | F 2 ) ]]>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: J ( W , V ) = Σ i = 1 X Σ j = 1 k ( w i j ) n ( d i j ) 2 ]]>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 E ( k ) = 1 2 Σ j = 1 2 ( d j , k - y j , k ( 3 ) ) 2 ]]>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, u j , k ( l ) = Σ i = 1 I ( ω i , j ( l - 1 , l ) x i , k ( l ) - θ j ( l ) ) y j , k ( l ) = f ( u j , k ( l ) ) l = 2 , j = 1 , ... , L ; I = N l = 3 , j = 1 , 2 ; I = L ]]>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, ω i , j ( l , l - 1 ) ( k + 1 ) = ω i , j ( ...

【专利技术属性】
技术研发人员:芮义斌田佳佳谢仁宏李鹏郭山红
申请(专利权)人:南京理工大学
类型:发明
国别省市:江苏;32

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1