基于蓝牙融合混合滤波与神经网络的测距方法与系统技术方案

本发明专利技术公开了一种基于蓝牙融合混合滤波与神经网络的测距方法与系统，属于物联网蓝牙定位技术领域，该方法包括：将蓝牙接收器的接收信号强度指示RSSI数据用改进的加权KGMM混合滤波算法进行滤波处理，处理后的RSSI数据再用多层神经网络算法进行拟合处理，由此得出蓝牙接收器与锚节点的距离。本发明专利技术首先对蓝牙接收器的RSSI数据用一种新型的加权KGMM混合滤波算法进行预处理，得到平滑的数据，然后基于蓝牙的室内定位的实际需要，利用BP神经网络算法拟合数据得到蓝牙接收器与锚节点的距离。本发明专利技术融合加权混合滤波与多层神经网络的RSSI数据处理方法，有效地提高了测距精度。

Ranging method and system based on Bluetooth fusion hybrid filter and neural network

【技术实现步骤摘要】
基于蓝牙融合混合滤波与神经网络的测距方法与系统
本专利技术涉及一种基于蓝牙技术的融合混合滤波与神经网络的室内测距方法与系统，属于物联网蓝牙定位

技术介绍
蓝牙作为一种开放式无线技术标准，是使用最广泛的短程的无线通信技术之一。自2013年苹果公司推出基于低功耗蓝牙的iBeacon技术以来，基于蓝牙的Beacon技术在各种领域中得到了广泛的应用，可以用于商场里推送消息，各种公共场所如医院、图书馆、博物馆、停车场等的室内定位和导航，身份识别，传感器应用等等。随着最新版本的蓝牙的发布，蓝牙的稳定性、功耗以及传输距离等方面都有了巨大的提升。目前，蓝牙5.0已经开始出现在各种流行技术中。许多流行的智能手机已经提供蓝牙5.0的支持，蓝牙5.0以更低的功耗和更高的性能，在物联网方面发挥了重要作用。其中，蓝牙定位以低成本、低功耗以及易部署的优势在各种室内定位技术中心脱颖而出。目前在基于蓝牙的室内定位技术中，根据观测量的不同可以分为基于信号到达时间(TimeofArrival，TOA)定位技术，基于信号到达时间差(TimeDifferenceofArrival，TDOA)定位技术，基于信号到达角度(AngleofArrival，AOA)定位技术，基于接收信号强度指示(ReceivedSignalStrengthIndicator，RSSI)定位技术等。由于RSSI作为蓝牙协议栈的一部分，十分方便获取，因此目前基于蓝牙的定位大多都采用基于RSSI的方法。而在基于RSSI的定位算法中，使用最为广泛的是测距法和指纹法。指纹法前期需要人工进行大量的实验以建立指纹库来进行定位，其定位精度取决于数据库的大小，并且要定期的更新数据库，而且对没有数据的地方就无法进行定位。而在基于测距的定位方法中，定位的精度很大程度地受到测距精度以及定位算法的影响，因此，一般通过提高测距精度以及优化定位算法达到提高定位精度的目的。但是大多数场景下，通过传感器读取得到的RSSI数值受环境干扰较大，波动较为明显，而且不同的测量环境都会使信号传播的质量有较大的差别，不同的传播模型对于定位结果也有一定程度的影响。
技术实现思路
专利技术问题：针对上述现有技术的不足，本专利技术的目的是基于RSSI的测距方法中的数据校正阶段、距离转换阶段的RSSI采样值波动、测距模型受环境影响较大而不稳定等问题提供一种基于蓝牙融合混合滤波与神经网络的测距方法与系统，采用混合滤波法对RSSI数据进行预处理，并用神经网络算法得到拟合曲线，有效地提高了测距精度，从而满足RSSI室内定位等应用的需求。技术方案：为实现上述目的，本专利技术采用的技术方案为：一种基于蓝牙融合混合滤波与神经网络的测距方法，该方法包括如下步骤：(1)蓝牙接收器在离锚节点各不同的距离处分别采集一组信号强度RSSI值，获取蓝牙接收器所采集的RSSI值和对应的锚节点至接收器间的距离；(2)对每组信号强度RSSI数据，用改进的KGMM加权混合滤波法分别进行滤波处理；(3)对滤波处理后的RSSI值和距离数据用多层神经网络算法进行拟合；(4)通过拟合出的距离与RSSI值的关系，根据蓝牙接收器上测出的RSSI值得到蓝牙接收器与锚节点之间的距离值。2、根据权利要求1所述的基于蓝牙融合混合滤波与神经网络的测距方法，其特征在于：所述步骤(2)中用改进的KGMM加权混合滤波法进行滤波处理步骤包括：(2.1)读取一组RSSI采样值，去除前后设定比例的RSSI采样值，对剩下的RSSI值进行卡尔曼滤波；(2.2)再用高斯滤波法将异常的RSSI值的干扰消除以平滑数据，得到过滤后的每个采样值对应的高斯滤波值RSSIGi；(2.3)对于得到的RSSI值取算术均值RSSImean和中间值RSSImid；(2.4)将各个RSSI值分别与均值和中间值的偏差平方均值作为各自的门限值，只要偏差平方小于该门限值，就用该门限值来确定权值；如果偏差平方大于该门限值，就用来决定权值；权值计算公式定义为：其中：m为该组数据的个数；(2.5)考虑到均值滤波能使数据趋于平缓而中值滤波能够避免偏离正常值较大的值对结果的影响，对ωmeani和ωmidi做如下处理，ωi＝α*ωmeani+β*ωmidi，α、β为权重因子，α+β＝1，对于序列中的每个RSSI值与加权权重ωi相乘后求和即可得出校正之后的RSSI值，如下式：在优选的实施方案中，所述步骤(3)中利用BP多层神经网络模型拟合经过步骤(2)滤波后的RSSI值和对应的距离数据；所述BP多层神经网络的隐藏层数为双层；隐藏层神经节点的个数为6个。在优选的实施方案中，步骤(3)中的多层神经网络算法步骤包括：(3.1)在一定距离内取若干组RSSI和距离数据作为训练集，取若干组数据作为测试集；(3.2)对获取的训练集和测试集的RSSI数据进行KGMM混合滤波；(3.2)用训练集训练基于神经网络的测距模型直到训练结束；(3.3)将测试集滤波处理后的RSSI值作为神经网络模型的输入；(3.4)测距模型输出对应的距离值。一种基于蓝牙融合混合滤波与神经网络的测距系统，包括至少一个锚节点、蓝牙接收器和上位机；所述蓝牙接收器接收锚节点发送的蓝牙信号，并将信号的RSSI值发送给上位机；所述上位机包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被加载至处理器时实现所述的基于蓝牙融合混合滤波与神经网络的测距方法。有益效果：与现有技术相比，本专利技术的优点在于：使用本专利技术所涉及的蓝牙测距方法，采用加权KGMM的混合滤波算法对RSSI数据进行滤波预处理，加权KGMM的混合滤波算法综合了各滤波方法的优势，可以有效地过滤多重因素干扰下的RSSI抖动值，从而估计出最接近真实值的RSSI值；再用多层神经网络算法得到拟合曲线，使用实际获取的数据通过对神经网络法进行训练可以得到很好的非线性拟合模型，与现有的技术相比，本专利技术方法提高了RSSI测距精度，从而满足RSSI室内定位等应用的需求。附图说明图1为本专利技术实施例中验证平台示意图；图2为本专利技术实施例中室内测距方法流程图；图3为本专利技术实施例中改进的混合滤波流程图；图4为本专利技术实施例中构建多层神经网络测距模型流程图；图5为本专利技术实施例中多层神经网络法拟合测距模型图；图6为本专利技术实施例中均值滤波与混合滤波仿真结果对比图；图7为本专利技术实施例中测距仿真结果误差图。具体实施方式以下结合附图和具体实施例对本专利技术作进一步详细描述。如图1所示，本专利技术实施例公开的一种基于蓝牙技术的融合混合滤波与神经网络的测距系统，包括蓝牙发射器即锚节点、蓝牙接收器、上位机等。其中锚节点可选用基于CC2640R2F的beacon设备，CC2640R2F芯片是TI公司的低功耗蓝牙5.0系统级芯片，基于IOS系统实现蓝牙信号的采样，本例中使用iPho本文档来自技高网...

【技术保护点】
1.基于蓝牙融合混合滤波与神经网络的测距方法，其特征在于：该方法包括如下步骤：/n(1)蓝牙接收器在离锚节点各不同的距离处分别采集一组信号强度RSSI值，获取蓝牙接收器所采集的RSSI值和对应的锚节点至接收器间的距离；/n(2)对每组信号强度RSSI数据，用改进的KGMM加权混合滤波法分别进行滤波处理；/n(3)对滤波处理后的RSSI值和距离数据用多层神经网络算法进行拟合；/n(4)通过拟合出的距离与RSSI值的关系，根据蓝牙接收器上测出的RSSI值得到蓝牙接收器与锚节点之间的距离值。/n

【技术特征摘要】
1.基于蓝牙融合混合滤波与神经网络的测距方法，其特征在于：该方法包括如下步骤：
(1)蓝牙接收器在离锚节点各不同的距离处分别采集一组信号强度RSSI值，获取蓝牙接收器所采集的RSSI值和对应的锚节点至接收器间的距离；
(2)对每组信号强度RSSI数据，用改进的KGMM加权混合滤波法分别进行滤波处理；
(3)对滤波处理后的RSSI值和距离数据用多层神经网络算法进行拟合；
(4)通过拟合出的距离与RSSI值的关系，根据蓝牙接收器上测出的RSSI值得到蓝牙接收器与锚节点之间的距离值。


2.根据权利要求1所述的基于蓝牙融合混合滤波与神经网络的测距方法，其特征在于：所述步骤(2)中用改进的KGMM加权混合滤波法进行滤波处理步骤包括：
(2.1)读取一组RSSI采样值，去除前后设定比例的RSSI采样值，对剩下的RSSI值进行卡尔曼滤波；
(2.2)再用高斯滤波法将异常的RSSI值的干扰消除以平滑数据，得到过滤后的每个采样值对应的高斯滤波值RSSIGi；
(2.3)对于得到的RSSI值取算术均值RSSImean和中间值RSSImid；
(2.4)将各个RSSI值分别与均值和中间值的偏差平方均值作为各自的门限值，只要偏差平方小于该门限值，就用该门限值来确定权值；如果偏差平方大于该门限值，就用来决定权值；权值计算公式定义为：



其中：m为该组数据的个数；
(2.5)考虑到均值滤波能使数据趋于平缓而中值滤波能够避免偏离正常值较大的值对结果的影响，对ωmeani和ωmidi做如下处理，ωi＝α*ωme...

【专利技术属性】
技术研发人员：胡静，宋铁成，丁子璇，夏玮玮，燕锋，沈连丰，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏;32