本发明专利技术提供了一种蓝牙室内定位方法，主要包括以下步骤：采集蓝牙的到达角信息和接收信号强度指示；对到达角信息和接收信号强度指示进行预处理，得到定位指纹的训练数据；利用卷积层进行特征提取和特征拼接后，通过Softmax层进行分类学习，得到蓝牙位置定位模型；测量蓝牙的到达角信息和接收信号强度指示，对到达角信息和接收信号强度指示进行预处理；将预处理后的到达角信息和接收信号强度指示带入蓝牙位置定位模型，得到目标的位置估计结果。本发明专利技术综合利用到达角信息与接收信号强度指示数据，利用深度学习网络进行的特征提取和分类学习，具有实现简单，复杂度低，定位性能高等优点。点。点。
【技术实现步骤摘要】
蓝牙室内定位方法
[0001]本专利技术涉及一种蓝牙室内定位方法，属于定位导航与机器学习应用领域。
技术介绍
[0002]现代社会，人们每天大概有80％的时间是在室内度过的，为了满足人们对于学习、工作和生活的需求，室内定位技术顺势而生。近年来，随着物联网和无线网络的发展，室内定位技术受到了广泛关注。传统技术包括红外信标定位、超声波定位和基于光学的定位。然而，这些解决方案的性能受到多径效应的影响，运行成本也很高。因此，基于射频的室内定位，如射频识别(RFID)、紫蜂(ZigBee)、无线网络(Wi
‑
Fi)、蓝牙低功耗(BLE)和超宽带(UWB)已成为研究热点。基于BLE的室内定位技术具有适用性强、功耗低、成本低、覆盖范围广等优点，已成为最可靠的基于射频的室内定位解决方案。
[0003]作为物联网应用中常用的低功耗无线协议，BLE发射机通过天线广播调制信号传递其独特的身份。在接收器处，通过扫描和解析身份，可以获得发射机的位置信息。目前接收信号强度指示(RSSI)、到达角(AOA)和到达时间(TOA)是三种主要的定位测量。对于RSSI测量，它面临着易受衍射和障碍物反射影响的挑战。基于AOA的定位可以表述为一个非线性估计问题，它通过天线阵列(如开关天线阵列)中入射射频波的传播方向来确定位置。BLE AOA测量可以通过非线性谱估计(如最大熵算法)和空间谱估计算法(如多信号分类算法)进行估计。然而，随着蓝牙技术的发展，蓝牙5.1标准规范包含了基于恒定音调扩展(CTE)的AOA，这为AOA估计提供了新的思路。发射信号采用高斯频移键控(GFSK)调制，接收机通过解调获得一段时间内采样信号的I/Q值，经过计算就可以得到入射角。RSSI测量值是从MAC层获取的，它反映了BLE链路的质量，并显示了接收信号的平均功率。
[0004]相对于传统的定位方法，单一地使用AOA或者RSSI定位都存在精度低、易受干扰的问题，而卷积神经网络技术可以提供更广泛的潜在预测变量和更丰富的功能形式规格。正是这种灵活性推动了无线室内定位的前沿，学术界对低功耗蓝牙室内定位的深度学习方法的兴趣得到了提高。在深度学习各项技术中，深度神经网络用于统计预测的各种高维模型增加了数据预测的灵活性，这种灵活性可以更好地逼近室内目标在不同点位的数据变化。但是，随着灵活性的提高，出现过拟合数据的可能性更高。为了解决过拟合问题，一些正则化模型被提出，它是在损失函数中引入模型复杂度指标，利用给网络层参数做加权，弱化训练数据中的噪声。最后，为了网络在训练数据集上更好收敛，加入动态可调的学习率方法，有助于模型求出最优解。
[0005]有鉴于此，确有必要提出一种蓝牙室内定位方法，以解决上述问题。
技术实现思路
[0006]本专利技术的目的在于提供一种蓝牙室内定位方法，本专利技术综合利用了接收信号强度指示信息和到达角信息，结合深度学习的方法，实现了对于室内目标的准确定位，显著地提升了定位精度、缩短了定位时间、降低了定位过程的复杂度。
[0007]为实现上述目的，本专利技术提供了一种蓝牙室内定位方法，主要包括以下步骤：
[0008]步骤1、设置接收端和发射端，将目标分别位于定位区域的每个参考点上，采集蓝牙的到达角信息和接收信号强度指示；
[0009]步骤2、对到达角信息和接收信号强度指示进行预处理，得到定位指纹的训练数据；
[0010]步骤3、利用卷积层进行特征提取和特征拼接后，通过Softmax层进行分类学习，得到蓝牙位置定位模型；
[0011]步骤4、测量蓝牙的到达角信息和接收信号强度指示，对到达角信息和接收信号强度指示进行与步骤2相同的预处理；
[0012]步骤5、将预处理后的到达角信息和接收信号强度指示带入蓝牙位置定位模型，得到目标的位置估计结果。
[0013]作为本专利技术的进一步改进，包括离线阶段和在线阶段，其中步骤1
‑
步骤3在离线阶段完成，步骤4和步骤5在在线阶段完成。
[0014]作为本专利技术的进一步改进，步骤1中，到达角信息的计算方法，包括如下步骤：
[0015](1)计算入射波的相位
[0016][0017][0018]其中，接收信号的幅度为A，接收信号的相位为θ；
[0019](2)计算前后入射波的相位差
[0020][0021](3)估计到达角，入射波与天线阵列之间的角度为
[0022][0023]其中，d是前后天线之间的距离，r是入射波到达前后天线之间的距离，r等于输入信号的波长λ与天线阵列相位差Δθ的乘积，即r＝λΔθ/2π。
[0024]作为本专利技术的进一步改进，步骤2具体包括以下步骤：
[0025]步骤21、利用主成分分析法对接收信号强度指示进行数据降维；
[0026]步骤22、利用卡尔曼滤波器对到达角信息进行平滑处理后，通过数据复制方法，将单个到达角信息变成到达角信息向量，向量长度等于经过主成分分析法降维后的接收信号强度指示维度；
[0027]步骤23、对接收信号强度指示和到达角信息进行归一化处理，形成训练数据指纹。
[0028]作为本专利技术的进一步改进，在步骤21中，所述主成分分析法包括如下步骤：
[0029](1)标准化RSSI指纹库，RSSI指纹库数据组成N
×
M的矩阵D
R
的均值以及标准差矩阵可以分别表示为
[0030][0031][0032]其中，N代表数据的数量，取13230，M代表数据的维度，取37；
[0033]根据和S得到标准化的DR，其中第n个样本表示为
[0034][0035](2)计算D
R
协方差矩阵的特征值与特征向量，D
R
的协方差矩阵C为
[0036][0037](3)选取K行特征向量得到降维后的RSSI指纹库，经过降维后的RSSI指纹库为R
P
，其中第n个样本为
[0038][0039](4)选择K值的大小；
[0040][0041]其中，γ取0.99，K值取25。
[0042]作为本专利技术的进一步改进，在步骤22中，卡尔曼滤波器的平滑处理包括如下步骤：
[0043](1)计算卡尔曼增益K
k
，估计误差初值为p0，估计误差为p
k
，测量误差为R，卡尔曼增益K
k
为
[0044][0045](2)计算到达角估计值x
k
，到达角估计初值为x0，测量值为z
k
，到达角估计值x
k
为
[0046]x
k
＝x
k
‑1+K
k
*(z
k
‑
x
k
‑1).
[0047](3)更新估计误差p
k
；
[0048]p
k+1
＝(1
‑
K
本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种蓝牙室内定位方法，其特征在于，主要包括以下步骤：步骤1、设置接收端和发射端，将目标分别位于定位区域的每个参考点上，采集蓝牙的到达角信息和接收信号强度指示；步骤2、对到达角信息和接收信号强度指示进行预处理，得到定位指纹的训练数据；步骤3、利用卷积层进行特征提取和特征拼接后，通过Softmax层进行分类学习，得到蓝牙位置定位模型；步骤4、测量蓝牙的到达角信息和接收信号强度指示，对到达角信息和接收信号强度指示进行与步骤2相同的预处理；步骤5、将预处理后的到达角信息和接收信号强度指示带入蓝牙位置定位模型，得到目标的位置估计结果。2.根据权利要求1所述的蓝牙室内定位方法，其特征在于：包括离线阶段和在线阶段，其中步骤1
‑
步骤3在离线阶段完成，步骤4和步骤5在在线阶段完成。3.根据权利要求1所述的蓝牙室内定位方法，其特征在于，步骤1中，到达角信息的计算方法，包括如下步骤：(1)计算入射波的相位(1)计算入射波的相位其中，接收信号的幅度为A，接收信号的相位为θ；(2)计算前后入射波的相位差(3)估计到达角，入射波与天线阵列之间的角度为其中，d是前后天线之间的距离，r是入射波到达前后天线之间的距离，r等于输入信号的波长λ与天线阵列相位差Δθ的乘积，即r＝λΔθ/2π。4.根据权利要求1所述的蓝牙室内定位方法，其特征在于，步骤2具体包括以下步骤：步骤21、利用主成分分析法对接收信号强度指示进行数据降维；步骤22、利用卡尔曼滤波器对到达角信息进行平滑处理后，通过数据复制方法，将单个到达角信息变成到达角信息向量，向量长度等于经过主成分分析法降维后的接收信号强度指示维度；步骤23、对接收信号强度指示和到达角信息进行归一化处理，形成训练数据指纹。5.根据权利要求4所述的蓝牙室内定位方法，其特征在于，在步骤21中，所述主成分分析法包括如下步骤：
(1)标准化RSSI指纹库，RSSI指纹库数据组成N
×
M的矩阵D
R
的均值以及标准差矩阵可以分别表示为分别表示为其中，N代表数据的数量，取13230，M代表数据的维度，取37；根据和S得到标准化的D
R
，其中第n个样本表示为(2)计算D
R
协方差矩阵的特征值与特征向量，D
R
的协方差矩阵C为(3)选取K行特征向量得到降维后的RSSI指纹库，经过降维后的RSSI指纹库为R
P
【专利技术属性】
技术研发人员：颜俊，朱德康，曹艳华，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。