基于自适应贝叶斯综合学习粒子群优化的WLAN指纹定位方法技术

本发明专利技术公开基于自适应贝叶斯综合学习粒子群优化的WLAN指纹定位方法，包括相似性度量和最优位置预测计算：1)使用双面板均匀性模型计算查询指纹与训练指纹的相关性和余弦距离；2)建立定位模型适应度函数；3)采用自适应贝叶斯综合学习粒子群优化算法计算最优适应值的参数并得到最优预测位置。该方法可高效准确地进行室内定位，采用双面板指纹均匀性模型来衡量定位指纹的相似性，利用相关性来测量指纹之间的匹配度，并引入余弦距离来反映指纹在方向上的差异，提高定位模块的多样性和鲁棒性；采用自适应贝叶斯综合学习粒子群优化算法进行参数寻优，自适应机制采用区间划分来选择粒子的综合学习概率水平，提高粒子群优化算法性能。系统更具鲁棒性，可提高定位精度。可提高定位精度。可提高定位精度。

【技术实现步骤摘要】
基于自适应贝叶斯综合学习粒子群优化的WLAN指纹定位方法


[0001]本专利技术涉及室内定位技术和优化算法领域，具体是基于自适应贝叶斯综合学习粒子群优化的WLAN指纹定位方法。

技术介绍

[0002]随着室内定位系统在现代社会的需求越来越强烈，许多技术(如超宽带UWB、惯性传感器IMU、蓝牙Bluetooth、地磁传感器、激光等)被研究和发展的同时，基于WiFi的室内定位技术以其信号范围宽、部署成本低、无需额外硬件部署、不受非视距影响等优点得到学术研究和工程应用等方面的关注。位置指纹定位法作为WiFi室内定位方法之一，通常以WiFi信号来表征位置信息，信号强度RSS、信噪比及信道状态信息被主要研究和用以作为位置辨识指纹，由于RSS易于在普通商用WiFi设备上直接获取，基于RSS指纹的定位方法成为WiFi室内定位中的主流。
[0003]定位的准确性和稳定性是定位服务终端用户最关注或唯一关注的指标，然而，由于无线信号在复杂多变的室内环境中容易受到外部因素的影响，信号接受强度RSS具有敏感和多变的特性，基于RSS的指纹在空间辨识率和时间稳定性方面并不显著。
[0004]随着越来越多的机器学习算法的研究，基于粒子滤波器(PF)、支持向量机(SVM)、神经网络(NN)、分类算法等方法被引入到室内定位，许多定位模型被广泛提出并在一定程度上改进了基于WiFi指纹的室内定位。而现有算法的精度有限和性能不稳定成为推广WiFi室内定位技术的制约因素，许多系统的定位模型鲁棒性不足，平均误差在实践中通常较大。
[0005]粒子群优化PSO算法作为一种生物进化算法，在最优化问题上体现出了较好的性能。许多学者在之基础上研究了不同参数配置对PSO算法的影响、粒子学习策略等。基于贝叶斯迭代方法的综合学习粒子群优化方法(BCLPSO)中，粒子以基于贝叶斯公式的后验概率最大的粒子位置作为学习样本，能有效地避免粒子陷入局部优化、遗漏潜在的全局最优解，在基于WiFi指纹的室内定位技术中具有较好的适用性。

技术实现思路

[0006]本专利技术的目的是针对现有技术的不足，提供了基于自适应贝叶斯综合学习粒子群优化的WLAN指纹定位方法。该方法利用相关性来测量指纹之间的匹配度，并引入余弦距离来反映指纹在方向上的差异，提高定位模块的多样性和鲁棒性；采用自适应贝叶斯综合学习粒子群优化算法进行参数寻优，使系统更具鲁棒性，可提高定位精度。
[0007]为了实现上述目的，本专利技术所提供的技术方案为以下步骤：
[0008]基于自适应贝叶斯综合学习粒子群优化的WLAN指纹定位方法，该方法包括采用双面板均匀性模型进行指纹相似性度量、采用自适应贝叶斯综合学习粒子群优化算法进行定位参数寻优与位置预测，具体如下：
[0009]假设在室内环境中有M个信号接入点AP，并均匀选择N个物理位置作为参考点RP。设和分别表示AP和RP的集合。设
表示第i(i＝1,2,
…
,N)个RP的位置坐标，s
ij
表示该位置处第j个AP的RSS。定义第i个RP位置相应的指纹(RSS向量)为综上所述，定位环境中参考点RP的训练指纹集可以表示为：
[0010][0011]设表示移动设备在在线阶段收集的、用于移动设备定位的RSS向量。如果有多个用户进行定位查询，则将指纹集表示为：
[0012][0013]其中Γ为查询指纹的数量。若定位中无法检测到第j个AP，则为s
ij
赋值以一个非常小的值。
[0014]1.指纹相似性度量
[0015]采用双面板指纹均匀性图表示方法来衡量不同指纹的相似性。
[0016]1)对于第一个面板，使用相关性来评估不同指纹的相似性。对于指纹1)对于第一个面板，使用相关性来评估不同指纹的相似性。对于指纹计算二者之间的相关性：
[0017]cor(u,v)＝1
‑
r(u,v)
ꢀꢀ
(10)
[0018][0019]其中,和分别为的平均值和标准差，和分别为的平均值和标准差。
[0020]根据等式(1)选择h个与相关性最高的指纹，表示为：
[0021][0022]其中，表示第q个相似指纹，与中的训练指纹组成第一个面板图的边。
[0023]2)对于第二个面板，对于指纹计算二者之间的余弦距离(反映指纹向量在方向性方面的散度)：
[0024][0025]类似地，将第二个面板上h个的最相似指纹表示为：
[0026][0027]其中，表示第二个面板中第q'个相似指纹，和中的训练指纹组成第二个面板图的边。
[0028]3)对于在面板指纹图上的相应的位置系数根据相似性确定，表示为示为然后，利用softmax函数计算中的所有指纹系数，使其累积量等于1。整合两个面板的结果，得到的最优预测位置表示：
[0029][0030]2.采用自适应贝叶斯综合学习粒子群优化算法计算最优预测位置
[0031]1)首先初始化粒子群(ps个粒子)，将式(6)作为适应度函数，每个粒子位置向量可表示为具有d＝3维度的粒子位置向量X
n
＝(x
n
,y
n
,h
n
)，n＝1,2,3,...ps。计算每个粒子的初始适应值，并对每个粒子随机分配一个水平的综合学习(CL)概率。
[0032]2)划分后验概率区间自适应确定综合学习概率：迭代计算中，使用贝叶斯定理计算第t次迭代的粒子后验概率p
t
，将p
t
划分为L个区间，子区间定义为：
[0033][0034][0035][0036]其中为第t次迭代的第L
i
个子区间；和分别为后验概率向量的最大值和最小值。Δp
t
为后验概率的偏差区间；和分别为子区间的下界和上界。是第η个子区间的CL概率。
[0037]所有的粒子的后验概率都根据等式(7)被划分为子区间S
I
，每个区间的CL概率为区间的中值。当一个粒子的CL概率需要更新时，自适应机制采用区间划分来选择该粒子的CL概率水平，实现综合学习CL概率的自适应并确定粒子学习样本。
[0038]3)最后更新粒子的速度、位置、适应值等完成迭代，若迭代次数t达到设定的最大迭代次数T，则停止迭代。取粒子群最终的最优位置作为式(6)的最优解，相应的(x,y)作为定位的最优预测位置。
附图说明
[0039]图1为本专利技术定位模型与算法示意图；
[0040]图2为本专利技术实施例中测试环境示意图；
具体实施方式
[0041]下面将结合实施例及附图对本专利技术做进一步阐述，所描述的实施例仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0042]实施例：
[0043]基于自适应贝叶斯综合学习粒子群优本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于自适应贝叶斯综合学习粒子群优化的WLAN指纹定位方法，其特征在于，包含建立双面板均匀性度量模型计算指纹间的相似性及自适应贝叶斯综合学习粒子群优化算法计算最优预测位置，在双面板均匀性度量模型计算指纹间的相似性部分，采用相关性和余弦距离分别进行指纹相似性度量，并将二者结合用于权利要求2中的最优预测位置计算，具体如下：假设在室内环境中有M个信号接入点AP，并均匀选择N个物理位置作为参考点RP；设和分别表示AP和RP的集合；设表示第i(i＝1,2,
…
,N)个RP的位置坐标，s
ij
表示该位置处第j个AP的RSS；定义第i个RP位置相应的指纹(RSS向量)为综上所述，定位环境中参考点RP的训练指纹集可以表示为：设S
query
＝[s
query1
,s
query2
,
…
,s
queryM
]
T
表示移动设备在在线阶段收集的、用于移动设备定位的RSS向量；如果有多个用户进行定位查询，则将指纹集表示为：其中Γ为查询指纹的数量；若定位中无法检测到第j个AP，则为s
ij
赋值以一个非常小的值；1)对于第一个面板，使用相关性来评估不同指纹的相似性；对于指纹1)对于第一个面板，使用相关性来评估不同指纹的相似性；对于指纹计算二者之间的相关性：cor(u,v)＝1
‑
r(u,v)
ꢀꢀꢀꢀ
(1)其中，和分别为的平均值和标准差，和分别为的平均值和标准差；根据等式(1)选择h个与相关性最高的指纹，表示为：其中，表示第q个相似指纹，与中的训练指纹组成第一个面板图的边；2)对于第二个面板，对于指纹计算二者之间的余弦距离(反映指纹向量在方向性方面的散度)：
类似地，将第二个面板上h个的最相似指纹表示为：其中，表示第二个面板中第q'个相似指纹，和中的训练指纹组成第二个面板图的边；3)对于...

【专利技术属性】
技术研发人员：孙炜，李凯龙，张星，邹群鑫，
申请(专利权)人：湖南大学，
类型：发明
国别省市：