基于改进BP神经网络的WiFi信号特征的区域定位方法技术

本发明专利技术涉及一种基于改进BP神经网络的WiFi信号特征的区域定位方法，其特征在于：将WiFi特征信号进行预处理转换成四层改进的BP神经网络，再利用蚁群算法对改进后的神经网络权值进行优化，并在权值更新公式中加入动量项因子，进而提高定位方法的收敛速度与分类精度。本发明专利技术实用性高，应用性强，成本低，预测分类精度高，计算过程处理简洁，稳定性强，可靠性高，可以基本实现短距离区域的高效分类。

Location method of WiFi signal feature based on improved BP neural network

The present invention relates to a method of region localization for WiFi signal feature based on improved BP neural network. The method is characterized in that the WiFi signal is preprocessed and converted into four-layer improved BP neural network, and the weight of the improved neural network is optimized by ant colony algorithm, and the momentum factor is added to the weight update formula. Thus, the convergence speed and classification accuracy of the localization method are improved. The invention has the advantages of high practicability, strong applicability, low cost, high prediction and classification accuracy, simple calculation process, strong stability and high reliability, and can basically realize high-efficiency classification of short-distance regions.

【技术实现步骤摘要】
基于改进BP神经网络的WiFi信号特征的区域定位方法
本专利技术涉及一种基于改进BP神经网络的WiFi信号特征的区域定位方法。
技术介绍
随着移动互联网的高速发展，人们对位置信息感知的需求日益增多，GPS可以很好的满足室外坏境的定位需求，但在相对封闭或复杂的环境中，比如大型建筑物内、车站、购物中心、地下停车场等，GPS定位通常不能获得很好的效果甚至无法进行正常区域定位。也正因为如此，室内区域定位技术在应用上被给予更多的关注，它不但可以进行定位和导航，也可以在此基础上开发出更多的增值服务。目前，区域定位方式有很多，其中WiFi信号特征定位法定位精度高，建设费用低，实用性强，适用于人群密集的区域，具有广泛的应用前景。但是基于WiFi的定位方式容易受到环境的干扰以及移动智能设备的异构性等因素的影响，定位误差较大，其定位精度在1～5米范围内波动。WiFi信号特征的不稳定性主要是环境的复杂性和动态性引起的，一般情况下多楼层环境比单楼层环境更加复杂，WiFi信号的反射、折射、衰减或者被吸收，直接造成WiFi信号的接受强度出现明显波动。并且，环境温度、时间都会影响WiFi信号特征的采集。因此，传统基于WiFi信号特征的区域定位方式对采集信号的设备硬件要求条件很高，且需要很长的时间测量采集信号，适用范围不够广泛，时间开销大但效率不高。目前，基于WiFi信号特征的区域定位技术已经很普遍，部分方法也很成熟，可以达到一定的高精度要求。比如，WiFi信号三角形定位法，WiFi信号强度直方图定位法。但是优秀的算法也不可避免存在局限性，通常情况下传统基于WiFi信号特征的区域定位技术在同楼层定位精度较稳定，但在多楼层的室内环境，区域定位会受到影响，定位会产生误判。采用人工智能思路去改进传统WiFi信号特征的区域定位技术，以寻找一种计算复杂度低、实行性好、健壮且适用范围广的补偿技术将成为一种趋势。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种基于改进BP神经网络的WiFi信号特征的区域定位方法，用以改进传统WiFi信号特征的区域定位技术。为实现上述目的，本专利技术采用如下技术方案：一种基于改进BP神经网络的WiFi信号特征的区域定位方法，其特征在于：步骤S1：使用传感器采集待测区域的多个WiFi特征数据；步骤S2：对获取到的特征数据进行预处理；步骤S3：构建四层的BP神经网络结构，传递函数通过分析数据间的误差函数得到；步骤S4：使用蚁群优化算法寻找最佳权值，将BP神经网络的误差函数设为蚁群算法的目标函数，将优化后的权值赋值给BP神经网络；步骤S5:将动量因子加入BP神经网络中，得到改进的BP神经网络；步骤S6:对改进的BP神经网络进行训练，并将预处理后的特征数据作为训练好的改进BP神经网络的输入参数；步骤S7：通过训练好的改进BP神经网络计算输出结果，输出的结果为待测区域WIFI信号果最佳的区域位置分类,根据区域位置分类可以得到WiFi信号的最佳区域定位。进一步的，所述四层的BP神经网络结构具体包括单层输入层，两层隐含层，单层输出层。进一步的，所述BP神经网络采用双隐含层网络结构，其神经元的节点数为其中n为输入层的神经元节点数，m为输出层的神经元节点数，a为调节常数；且输入层与隐含层、输出层与隐含层以及双隐含层之间的信息由逻辑函数S型函数负责传递：其中，A，B为s型激活函数的调节参数：进一步的，所述BP算法的误差函数为：其中d为预测值，y为真实值,w,b分表表示权值和阈值。进一步的，所述将动量因子加入BP神经网络具体为：wij＝wij-η1·xi+αΔwij(3)其中，α为动量因子，η为算法学习速率，Wij表示神经网络权值。进一步的，所述步骤S6具体为：步骤S61：随机选取特征数据的总样本中70％作为训练样本，其余30％作为测试样本；步骤S62:通过BP算法训练神经网络其中输入层到隐含层和隐含层层间BP算法公式为：隐含层到输出层的BP算法传递公式为：其中：f(Sj)为s型函数的输出值,δ为学习规则；步骤S63:将将预处理后的特征数据输入到训练好的改进BP神经网络。本专利技术与现有技术相比具有以下有益效果：1、本专利技术改进BP神经网络结构相对于标准传统的神经网络结构提高了网络的收敛速度，大大缩减了用算法运行时间，减轻了系统的数据处理负担，从而提高了区域定位技术的处理速度。2、本专利技术利用蚁群优化算法改进BP神经网络，克服了BP神经网络容易陷入局部最小值的缺陷，从而提高了神经网络的权值精度，同时加快算法收敛速度，缩减了系统的数据处理量。3、本专利技术提出的基于改进BP神经网络的WiFi信号特征区域定位方法是一种自适应非线性动态系统，相较于传统的WiFi信号特征区域定位技术，该方法属于确定性WiFi特征匹配算法，系统本身具有更好的鲁棒性，对噪声抵抗性强。4、本专利技术应用性强，实时性高，可靠性强，成本低，定位效率高，算法处理简洁同时定位精度较高。附图说明图1是本专利技术整体流程图；图2是本专利技术BP神经网络的网络结构图；图3是本专利技术蚁群优化算法的原理框图；图4是本专利技术算法流程图；图5是本专利技术一实施例中仿真图。具体实施方式下面结合附图及实施例对本专利技术做进一步说明。请参照图1，一种基于改进BP神经网络的WiFi信号特征的区域定位方法，其特征在于：步骤S1：使用传感器采集待测区域的多个WiFi特征数据；步骤S2：对获取到的特征数据进行预处理；步骤S3：构建四层的BP神经网络结构，传递函数通过分析数据间的误差函数得到；步骤S4：使用蚁群优化算法寻找最佳权值，将BP神经网络的误差函数设为蚁群算法的目标函数，将优化后的权值赋值给BP神经网络；步骤S5:将动量因子加入BP神经网络中，得到改进的BP神经网络；步骤S6:对改进的BP神经网络进行训练，并将预处理后的参数作为训练好的改进BP神经网络的输入参数；步骤S7：通过训练好的改进BP神经网络计算输出结果，输出的结果为待测区域WIFI信号果最佳的区域位置分类,根据区域位置分类可以得到WiFi信号的最佳区域定位。在本专利技术一实施例中，进一步的，所述四层的BP神经网络结构具体包括单层输入层，两层隐含层，单层输出层。其中输入层由代表输入变量的神经元组成，隐含层由代表中间变量的神经元组成，输出层由代表输出结果的神经元组成。在本专利技术一实施例中，进一步的，通过蚁群算法更新选取输入层与隐含层之间连接的初始权值，初始化种群数为23，适应度函数为BP算法的误差函数，蚁群算法选择单个集合节点的概率公式如下：其中k表示蚁群编号，Ipj表示权值w的可选值集合，是可选值的信息素。信息素更新公式如下：其中，t+n为每次蚁群搜索迭代次数，表示信息素增量，ant[m].pathAccu表示蚁群所选路径的BP算法的误差，DBQ表示信息素总量，ρ为信息素残留率。在本专利技术一实施例中，进一步的，所述BP神经网络采用双隐含层网络结构，其神经元的节点数为其中n为输入层的神经元节点数，m为输出层的神经元节点数，a为调节常数；且输入层与隐含层、输出层与隐含层以及双隐含层之间的信息由逻辑函数S型函数负责传递：其中，A，B为s型激活函数的调节参数：进一步的，所述BP算法的误差函数为：其中d为预测值，y为真实值,w,b分表表示权值和阈值。进一步的，所述将动量因子加入BP神经本文档来自技高网...

【技术保护点】
1.一种基于改进BP神经网络的WiFi信号特征的区域定位方法，其特征在于：步骤S1：使用传感器采集待测区域的多个WiFi特征数据；步骤S2：对获取到的特征数据进行预处理；步骤S3：构建四层的BP神经网络结构，传递函数通过分析数据间的误差函数得到；步骤S4：使用蚁群优化算法寻找最佳权值，将BP神经网络的误差函数设为蚁群算法的目标函数，将优化后的权值赋值给BP神经网络；步骤S5:将动量因子加入BP神经网络中，得到改进的BP神经网络；步骤S6:对改进的BP神经网络进行训练，并将预处理后的特征数据作为训练好的改进BP神经网络的输入参数；步骤S7：通过训练好的改进BP神经网络计算输出结果，输出的结果为待测区域WIFI信号果最佳的区域位置分类,根据区域位置分类可以得到WiFi信号的最佳区域定位。

【技术特征摘要】
1.一种基于改进BP神经网络的WiFi信号特征的区域定位方法，其特征在于：步骤S1：使用传感器采集待测区域的多个WiFi特征数据；步骤S2：对获取到的特征数据进行预处理；步骤S3：构建四层的BP神经网络结构，传递函数通过分析数据间的误差函数得到；步骤S4：使用蚁群优化算法寻找最佳权值，将BP神经网络的误差函数设为蚁群算法的目标函数，将优化后的权值赋值给BP神经网络；步骤S5:将动量因子加入BP神经网络中，得到改进的BP神经网络；步骤S6:对改进的BP神经网络进行训练，并将预处理后的特征数据作为训练好的改进BP神经网络的输入参数；步骤S7：通过训练好的改进BP神经网络计算输出结果，输出的结果为待测区域WIFI信号果最佳的区域位置分类,根据区域位置分类可以得到WiFi信号的最佳区域定位。2.根据权利要求1所述的基于改进BP神经网络的WiFi信号特征的区域定位方法，其特征在于：所述四层的BP神经网络结构具体包括单层输入层，两层隐含层，单层输出层。3.根据权利要求2所述的基于改进BP神经网络的WiFi信号特征的区域定位方法，其特征在于：所述BP神经网络采用双隐含层网络结构，其神经元的节点数为其中n为...

【专利技术属性】
技术研发人员：郭文忠，贺国荣，张笑宇，董晨，陈明志，陈景辉，叶尹，张凡，吴勇，
申请(专利权)人：福州大学，
类型：发明
国别省市：福建,35