一种基于神经网络的室内指纹定位方法技术

本发明专利技术涉及一种基于神经网络的室内指纹定位方法，属于室内定位技术领域。该方法包括：S1：采集室内多个参考点处的CSI位置指纹和位置坐标，构造神经网络的输入矩阵和理想输出矩阵；S21：初始化权值和阈值，代入输入矩阵进行正向传播，得到隐藏层输入矩阵；S22：选择LeakyReLU函数作为激活函数，再进行正向传播得到神经网络的输出矩阵；S23：利用输出矩阵和理想输出矩阵构造代价函数；S24：在反向传播过程中引入梯度下降法，根据误差矩阵来反向计算每个权值和阈值的梯度，朝着梯度的反方向更新参数；S3：将测试样本构成的输入矩阵代入神经网络进行正向传播，得到输出层输出矩阵。本发明专利技术能提高定位精度。明能提高定位精度。明能提高定位精度。

【技术实现步骤摘要】
一种基于神经网络的室内指纹定位方法


[0001]本专利技术属于室内定位
，涉及一种基于神经网络的室内指纹定位方法。

技术介绍

[0002]随着移动互联网的普及和智能设备的广泛使用，基于室内环境的位置服务请求成为了巨大的流量入口，它有非常多的应用场景，例如在商场、写字楼、机场航站楼等大型公共场所能够提供位置导航和路径规划；在遇到火灾等突发情况时能够协助人群疏散和消防员救援；在智慧物流中能够高效调配物资等等。室内定位系统需要在固定位置安装发射装置以发送定位信号，而大量安装设备会耗费人力和财力，因此已经被广泛部署在商场、机场航站楼等大型建筑中的WiFi成为了大多数定位系统倾向使用的信号源。
[0003]基于WiFi的定位方法主要分为两大类：三角定位法和指纹定位法，其中基于指纹定位的方法由于不会受到多径效应和非视距效应的影响而受到广泛关注，它主要包含离线建库和在线定位两个阶段。离线建库阶段，将室内环境划分成多个网格，在不同网格上通过移动设备采集环境中所有接入点的接收信号强度(Received Signal Strength，RSS)，利用采集到的RSS值和对应格点坐标构造离线指纹库。在线定位阶段，给定一个未知位置的RSS样本，在指纹库中通过匹配算法进行匹配，将RSS相似度最高的指纹位置作为对当前样本的位置估计。传统的基于指纹的定位方法均假设在线定位阶段的样本与离线建库阶段的指纹具有相同的数据分布，但由于环境的时变性和异构设备采样值的偏差性，在线定位时的样本数据分布会在均值和方差上偏离指纹库中的数据分布，从而导致定位误差。
[0004]为了提高定位精度，亟需一种新的的室内指纹定位方法。

技术实现思路

[0005]有鉴于此，本专利技术的目的在于提供一种基于神经网络的室内指纹定位方法，把神经网络用到定位领域，在所有满足代价函数小于阈值条件的多组参数中再次进行筛选，用一部分已知坐标的指纹向量样本利用计算适应度的方法去选取最优的参数，从而提高定位精度。
[0006]为达到上述目的，本专利技术提供如下技术方案：
[0007]一种基于神经网络的室内指纹定位方法，具体包括以下步骤：
[0008]S1：采集室内多个参考点处的信道状态信息(Channel State Information，CSI)位置指纹和位置坐标，用于构造神经网络的输入矩阵和理想输出矩阵；
[0009]S2：训练阶段：
[0010]S21：初始化权值和阈值，将输入矩阵代入神经网络进行正向传播，得到隐藏层输入矩阵；
[0011]S22：选择LeakyReLU函数作为激活函数，再进行正向传播得到神经网络的输出矩阵；
[0012]S23：利用正向传播得到的输出矩阵和理想输出矩阵构造代价函数；
[0013]S24：在反向传播过程中引入梯度下降法，根据误差矩阵来反向计算每个权值和阈值的梯度，根据梯度下降法的原理，朝着梯度的反方向更新参数，直至收敛；
[0014]S3：测试阶段：
[0015]将测试样本构成的输入矩阵代入神经网络进行正向传播，得到输出层输出矩阵，即实际的位置信息。
[0016]进一步，步骤S1具体包括：在某一室内区域内，采集L
f
个参考点处的CSI位置指纹Finger
n
＝{a
1n
,...,a
mn
}用于构造神经网络的输入矩阵，其中n＝1,...,L
f
；L
f
个参考点的位置坐标(y
1n
,y
2n
)用于构造神经网络的理想输出矩阵，根据CSI位置指纹和位置坐标的形式将输入层和输出层的神经元个数分别设置为m个和2个，隐藏层的神经元个数设置为输入层和输出层神经元个数乘积的算术平方根即个，再将这L
f
＝N
f
+M
f
个指纹样本分为两个部分，其中N
f
个训练样本用于训练神经网络，剩余M
f
个测试样本用于测试神经网络。
[0017]进一步，步骤S21具体包括：初始化权值和阈值为区间[
‑
0.5,0.5]内的随机数，将输入矩阵代入神经网络进行正向传播，得到隐藏层输入矩阵表达式为Z
[1]＝W
[1].A
[0]+B
[1]，其中，B
[1]＝[b
[1],...,b
[1]]由N
f
个列向量b
[1]组成，为隐藏层阈值向量，为输入层
‑
隐藏层权值矩阵。
[0018]进一步，步骤S22中，选择LeakyReLU函数作为激活函数，再进行正向传播得到神经网络的输出矩阵，具体包括以下步骤：
[0019]S221：计算隐藏层输出矩阵表达式为A
[1]＝LeakyReLU(Z
[1])，其中，
[0020]S222：计算输出层输入矩阵表达式为Z
[2]＝W
[2].A
[1]+B
[2]，其中，B
[2]＝[b
[2],...,b
[2]]由N
f
个列向量b
[2]组成，b
[2]∈R2×1为输出层阈值向量；
[0021]S223：计算输出层输出矩阵表达式为Α
[2]＝LeakyReLU(Z
[2])。
[0022]进一步，步骤S23中，利用正向传播得到的输出矩阵A
[2]和理想输出矩阵Y构造代价函数，具体包括以下步骤：
[0023]S231：计算代价函数，表达式为：
[0024][0025]其中，矩阵N＝[1 1]T
，下标“(n)”表示矩阵第n(n＝1,...,N
f
)个列向量；
[0026]S232：若一个神经网络的代价函数值很小，则说明该网络接近于真实模型，将每次计算所得代价函数C的值与规定阈值τ相比较来判断算法收敛与否；
[0027]S233：当C＞τ时未达到收敛要求，则进行误差反向传播，更新权值和阈值后，再次进行正向传播，循环往复直至收敛。
[0028]进一步，步骤S24中，在反向传播过程中引入梯度下降法，根据误差矩阵来反向计算每个权值和阈值的梯度，根据梯度下降法的原理，朝着梯度的反方向更新参数；通过不断地调整权值和阈值最终使得神经网络正向传播的结果接近于理想结果，也就等价于代价函数值尽量变小，具体包括以下步骤：
[0029]S241：在反向传播的过程中，通过计算代价函数C对正向传播得到的输出矩阵A
[2]中各元素的偏导数来构造代价函数的梯度矩阵表达式为：
[0030][0031]S242：根据代价函数的梯度矩阵计算得到输出层的误差矩阵表达式为其中，符号
“⊙”
表示按位乘积，即矩阵对应元素相乘，运算后维度不变，LeakyReLU函数的导数定义为
[0032]S243本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的室内指纹定位方法，其特征在于，该方法具体包括以下步骤：S1：采集室内多个参考点处的信道状态信息(Channel State Information，CSI)位置指纹和位置坐标，用于构造神经网络的输入矩阵和理想输出矩阵；S2：训练阶段：S21：初始化权值和阈值，将输入矩阵代入神经网络进行正向传播，得到隐藏层输入矩阵；S22：选择LeakyReLU函数作为激活函数，再进行正向传播得到神经网络的输出矩阵；S23：利用正向传播得到的输出矩阵和理想输出矩阵构造代价函数；S24：在反向传播过程中引入梯度下降法，根据误差矩阵来反向计算每个权值和阈值的梯度，根据梯度下降法的原理，朝着梯度的反方向更新参数，直至收敛；S3：测试阶段：将测试样本构成的输入矩阵代入神经网络进行正向传播，得到输出层输出矩阵，即实际的位置信息。2.根据权利要求1所述的室内指纹定位方法，其特征在于，步骤S1具体包括：在某一室内区域内，采集L
f
个参考点处的CSI位置指纹Finger
n
＝{a
1n
，...，a
mn
}用于构造神经网络的输入矩阵，其中n＝1，...，L
f
；L
f
个参考点的位置坐标(y
1n
，y
2n
)用于构造神经网络的理想输出矩阵，根据CSI位置指纹和位置坐标的形式将输入层和输出层的神经元个数分别设置为m个和2个，隐藏层的神经元个数设置为输入层和输出层神经元个数乘积的算术平方根即个，再将这L
f
＝N
f
+M
f
个指纹样本分为两个部分，其中N
f
个训练样本用于训练神经网络，剩余M
f
个测试样本用于测试神经网络。3.根据权利要求2所述的室内指纹定位方法，其特征在于，步骤S21具体包括：初始化权值和阈值为区间[
‑
0.5，0.5]内的随机数，将输入矩阵代入神经网络进行正向传播，得到隐藏层输入矩阵表达式为Z
[1]
＝W
[1]
·
A
[0]
+B
[1]
，其中，B
[1]
＝[b
[1]
，...，b
[1]
]由N
f
个列向量b
[1]
组成，为隐藏层阈值向量，为输入层
‑
隐藏层权值矩阵。4.根据权利要求3所述的室内指纹定位方法，其特征在于，步骤S22中，选择LeakyReLU函数作为激活函数，再进行正向传播得到神经网络的输出矩阵，具体包括以下步骤：S221：计算隐藏层输出矩阵表达式为A
[1]
＝LeakyReLU(Z
[1]
)，其中，S222：计算输出层输入矩阵表达式为Z
[2]
＝w
[2]
·
A
[1]
+B
...

【专利技术属性】
技术研发人员：周牧，龙玥辛，蒲巧林，杨小龙，李耀华，曹静阳，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：