基于移动终端无线射频信号强度的智能标定算法及系统技术方案

本发明专利技术提出基于移动终端无线射频信号强度的智能标定算法及系统，根据提出的非线性收敛因子得到改进的BP神经网络标定模型建立标定模型库，记录并保存终端型号及对应的标定模型参数；判断移动终端型号是否在标定模型库中，若否则以标准移动终端在所有采集点采集到的所有AP的原始RSSI观测值作为标准采样数据，以该移动终端在对应采集点上所有对应AP的原始RSSI观测值作为测试采样数据；以该移动终端在室内任意位置接收到的原始RSSI观测值作为标定模型输入，将其经过改进的BP神经网络标定模型进行处理，最终的输出作为标定值。本发明专利技术可避免算法陷入局部最优，适用性广，仅通过手持的移动终端即可完成标定工作，有效消除了不同移动终端的软硬件异构差异。同移动终端的软硬件异构差异。同移动终端的软硬件异构差异。

【技术实现步骤摘要】
基于移动终端无线射频信号强度的智能标定算法及系统


[0001]本专利技术涉及无线射频信号强度观测值标定领域，特别涉及一种基于移动终端无线射频信号强度的智能标定算法及系统。

技术介绍

[0002]在室内定位领域，可以利用移动终端无线射频信号传播的多路径效应进行环境感知，通过获取信号特征进行指纹定位。但是由于不同移动终端的软件、硬件都不相同，使得不同移动终端在同一位置接收到的射频信号强度观测值存在较大差异，导致指纹定位不可用。为了解决上述问题，需要对射频信号强度观测值进行标定，使得其他移动终端与标准移动终端在同一位置接收到的射频信号强度观测值趋于一致。
[0003]本专利技术提出一种基于移动终端无线射频信号强度的智能标定算法及系统，基于此，为了进一步加快标定算法的建立与优化，避免陷入局部最优，本专利技术还提出了一种非线性的收敛因子a得到改进的BP神经网络标定模型，使得其他移动终端与标准移动终端在同一位置接收到的射频信号强度观测值趋于一致。用户仅通过手持移动终端即可完成标定工作，有效消除了各移动终端的软硬件异构差异，操作简单，可提高对环境的适应性，可扩展性强，适用性广。

技术实现思路

[0004]本专利技术是为了解决现有技术中，由于各移动终端软硬件异构导致接收到的射频信号强度观测值存在较大差异，且传统标定方法步骤复杂，适应范围窄、可扩展性低的问题。
[0005]为了解决这一技术问题，本专利技术提出一种基于移动终端无线射频信号强度的智能标定算法及系统，可对每个移动终端建立对应的改进的BP神经网络标定模型，其中，所述方法包括如下步骤：
[0006]根据提出的非线性收敛因子得到改进的BP神经网络标定模型建立标定模型库，记录并保存终端型号及对应的标定模型参数；
[0007]手持某个移动终端进行标定之前，判断该终端型号是否在标定模型库中；
[0008]若否，则以标准移动终端在所有采集点上所有AP的所有原始射频信号强度观测值作为标准采样数据，以该移动终端在对应采集点上所有对应AP的所有原始射频信号强度观测值作为测试采样数据；根据所述标准采样数据以及所述测试采样数据建立并训练得到改进的BP神经网络标定模型，记录并保存终端型号及对应的标定模型参数；
[0009]若是，则直接利用标定模型库对应的标定模型参数进行标定；
[0010]手持该移动终端进行标定时以在室内任意位置接收到的原始射频信号强度观测值作为标定模型输入，将其经过改进的BP神经网络标定模型进行处理，最终得到的输出作为标定值以完成对该移动终端的智能标定。
[0011]基于移动终端无线射频信号强度的智能标定算法，利用改进的BP神经网络标定模型建立标定模型库的方法，包括如下步骤：
[0012]步骤1：在室内任意选择若干个采集点，标准手机在所有采集点上采集射频信号强度，综合表示为初始标准采样数据，以移动终端在对应采集点上所有对应AP的所有原始射频信号强度观测值作为测试采样数据，以所述测试采样数据为改进的BP神经网络标定模型的真实输入值，以所述初始标准采样数据为改进的BP神经网络标定模型的真实输出值，随机初始化神经网络的各层权值阈值作为初始鲸鱼群位置向量X
i
，设置鲸鱼种群大小N，当前鲸鱼种群迭代次数t＝0，鲸鱼种群最大迭代数t
max
，当前BP神经网络迭代次数T，BP神经网络最大迭代次数T
max
；
[0013]步骤2：当鲸鱼种群迭代次数t小于鲸鱼种群最大迭代次数t
max
时，计算每只鲸鱼的适应度值f(X
i
),找出最好的适应度及对应的最优鲸鱼位置X
best
；
[0014][0015]其中，y
i
为标准采样数据的第i个RSSI真实值，y为测试采样数据的第i个RSSI预测值，n为样本个数；
[0016]步骤3：为了加快标定算法的建立与优化，更新迭代速度有所提升，提出了一种非线性的收敛因子a模拟包围猎物的收缩行为，收敛因子a只随着当前迭代次数t动态变化，可以较为有效避免陷入局部最优；
[0017][0018]其中,t为当前鲸鱼种群迭代次数，t
max
为鲸鱼种群最大迭代次数；更新鲸鱼位置参数A、C；
[0019]A＝2ar
‑
a
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0020]C＝2r
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0021]其中,r是[0,1]的一个随机数；
[0022]步骤4：随机产生概率p，判断p是否小于0.5，若p≥0.5，则进行收缩包围位置更新：
[0023][0024]其中,t为当前鲸鱼种群迭代次数；X
best
为最优鲸鱼位置；X
i
为当前鲸鱼位置；A和C为步骤3所得出的系数向量；
[0025]若p<0.5，且当|A|<1时进行螺旋游走：
[0026][0027]其中,表示当前鲸鱼与最优位置的距离；b为常数，定义对数螺旋线形状；l为[
‑
1,1]中随机数；
[0028]当|A|≥1时根据以下公式进行随机游走：
[0029][0030]其中,X
rand
为随机选取的位置向量；
[0031]步骤5：鲸鱼种群迭代次数t自增，根据步骤2比较更新最优位置；当到达鲸鱼种群最大迭代次数t
max
时，输出X
best
即最优权值w
ij
、阈值θ
j
,并作为BP神经网络最优初始参数；
[0032]步骤6：BP神经网络进行正向传播过程，通过神经元之间的连接权值w
ij
和神经元阈值θ
j
进行数据加工，并采用非线性Sigmoid激活函数获得预测输出值。
[0033][0034][0035]其中，w
ij
为神经元i到神经元j的连接权值；θ
j
为神经元j阈值；I
j
为神经元j输入值；O
j
为神经元j输出值；RSSI
x,i
为神经元i的输入值。
[0036]步骤7：BP神经网络进行误差反向传播过程，通过正向传播过程获得预测输出值，根据智能设备的预测输出值与标准智能设备的真实输出值之间的差异得到当前迭代次数的损失函数E
j
，将误差逆向传播至上一层神经元中得到该层误差，逐层传递直至最上层隐藏层，基于梯度下降法对连接权值和阈值进行不断调整。
[0037][0038][0039][0040]其中，RSSI
y,j
为神经元j真实输出值；RSSI
′
y,j
为输出层神经元j预测输出值；w
′
ij
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于移动终端无线射频信号强度的智能标定算法，其特征在于：所述标定算法对每个移动终端建立对应的改进的BP神经网络标定模型，包括如下步骤：S1、根据提出的非线性收敛因子得到改进的BP神经网络标定模型建立标定模型库，记录并保存终端型号及对应的标定模型参数；S2、手持某个移动终端进行标定之前，判断该终端型号是否在标定模型库中；若否，则以标准移动终端在所有采集点上所有AP的所有原始射频信号强度观测值作为标准采样数据，以该移动终端在对应采集点上所有对应AP的所有原始射频信号强度观测值作为测试采样数据，以所述测试采样数据为改进的BP神经网络标定模型的真实输入值，以所述标准采样数据为改进的BP神经网络标定模型的真实输出值，重复步骤S1建立并训练得到该终端型号在所述改进的BP神经网络标定模型中的标定模型参数，再进入步骤S3中；若是，则直接进入步骤S3中利用标定模型库对应的标定模型参数进行标定；S3、手持该移动终端进行标定时以在室内任意位置接收到的原始射频信号强度观测值作为标定模型输入，将其经过改进的BP神经网络标定模型进行处理，最终得到的输出作为标定值以完成对该移动终端的智能标定。2.根据权利要求1所述的基于移动终端无线射频信号强度的智能标定算法，其特征在于，所述根据提出的非线性收敛因子得到改进的BP神经网络标定模型建立标定模型库的方法包括如下步骤：S1
‑
1：在室内任意选择若干个采集点，标准手机在所有采集点上采集射频信号强度，综合表示为初始标准采样数据，以移动终端在对应采集点上所有对应AP的所有原始射频信号强度观测值作为测试采样数据，以所述测试采样数据为改进的BP神经网络标定模型的真实输入值，以所述初始标准采样数据为改进的BP神经网络标定模型的真实输出值；随机初始化神经网络的各层权值阈值作为初始鲸鱼群位置向量X
i
，设置鲸鱼种群大小N，当前鲸鱼种群迭代次数t＝0，鲸鱼种群最大迭代次数t
max
，当前BP神经网络迭代次数T，BP神经网络最大迭代次数T
max
；S1
‑
2：当鲸鱼种群当前迭代次数t小于鲸鱼种群最大迭代次数t
max
时，计算每只鲸鱼的适应度值f(X
i
)，找出最好的适应度及对应的最优鲸鱼位置X
best
：式中，y
i
为标准采样数据的第i个RSSI真实值，y为测试采样数据的第i个RSSI预测值，n为样本个数；S1
‑
3：为了加快标定算法的建立与优化，更新迭代速度有所提升，提出了一种非线性的收敛因子a模拟包围猎物的收缩行为，收敛因子a只随着当前迭代次数t动态变化，可以有效避免算法陷入局部最优，非线性的收敛因子a的计算公式为：式中，t为当前鲸鱼种群迭代次数，t
max
为鲸鱼种群最大迭代次数；更新鲸鱼位置参数A、C，公式如下：
A＝2ar
‑
a
ꢀꢀꢀꢀꢀ
(3)C＝2r
ꢀꢀꢀꢀ
(4)式中，r是[0，1]的一个随机数；S1
‑
4：随机产生概率p，判断p是否小于0.5，若p≥0.5，则进行收缩包围位置更新：式中，t为当前鲸鱼种群迭代次数；X
best
为最优鲸鱼位置；X
i
为当前鲸鱼位置；A和C为所述步骤S1
‑
3所得出的系数向量；若p＜0.5，且当|A|＜1...

【专利技术属性】
技术研发人员：余敏，吴璇，尧舒引，郭昊，
申请(专利权)人：江西师范大学，
类型：发明
国别省市：