一种狭长空间中的定位方法技术

本发明专利技术提供了一种狭长空间中的定位方法，分为两个阶段，离线阶段和在线阶段。为方便表述，以狭长空间较窄的方向为x方向，以较长的方向为y方向。离线阶段负责指纹数据采集和处理,分别构建x方向和y方向模型，在线阶段先进行x坐标估计,然后判断x坐标与y方向上哪个模型间的距离最短，并以此模型估计y坐标。对窄方向上的指纹特征利用降噪自动编码器辅助的卷积神经网络进行深度挖掘，对长方向上的指纹特征利用改进粒子群优化的支持向量回归算法进行高维空间建模，并按照一定的策略进行定位估计，能够大幅提高定位精度。能够大幅提高定位精度。能够大幅提高定位精度。

【技术实现步骤摘要】
一种狭长空间中的定位方法


[0001]本专利技术涉及一种狭长空间中的定位方法，属于空间定位


技术介绍

[0002]指纹定位方法是最常见的室内定位技术之一，通过离线构建指纹库和在线匹配定位实现位置估计。常用的算法有K近邻、贝叶斯推理、神经网络、支持向量机和深度学习等，定位精度约为2
‑
5米，严重阻碍了室内定位技术的快速发展和推广应用。
[0003]狭长空间广泛存在于地下空间、GNSS信号拒止环境和室内场景，且具有独特的空间几何特性（即长度较长，宽度较小）。现有室内指纹定位方法多通过地图匹配或路径约束对指纹定位结果进行约束优化，然而由于指纹定位误差较大，此类方法对定位精度的改善并不明显。此外，一些学者利用卷积神经网络对所有方向上的指纹特征进行深度挖掘，但在某一方向上容易产生过拟合现象导致泛化性能较差。上述指纹定位研究都忽略了狭长空间本身的几何特性，没有充分利用各方向上的指纹特征，导致定位误差较大。

技术实现思路

[0004]本专利技术目的是提供了一种狭长空间中的定位方法，充分利用各方向上的指纹特征，大幅提高定位精度。
[0005]本专利技术为实现上述目的，通过以下技术方案实现：步骤1：将空间延伸窄的方向作为x方向，将空间延伸长的方向作为y方向，根据x方向和y方向对空间进行网格化，将网格的每个交汇点作为参考点；在同一y方向上所有参考点构成一条路径。
[0006]步骤2：沿着每条路径分别在每个参考点处采集一定时间内的指纹信息，并同时保存参考点坐标和路径，未探测到的指纹特征赋值为一个极小的数值，所述极小数值为小于
‑
120的任一数值，并对每个参考点处的指纹信息进行均值处理，对指纹特征数据进行归一化，所述归一化具体公式如下：其中，为第i个特征，表示对应的归一化后数值，取值范围为[0,1]，表示特征数据，和分别表示最小值和最大值函数。
[0007]步骤3：选取指纹特征与x方向坐标构建和训练x方向降噪自动编码器卷积神经网络模型。
[0008]步骤3
‑
1：将指纹特征添加高斯白噪声得到的新指纹特征作为x方向降噪自动编码器卷积神经网络模型输入，具体公式如下：
表示高斯白噪声，是取值范围为[
‑
1,1]的正态分布随机数，β为正整数，取值范围为[1,5]。
[0009]步骤3
‑
2：通过卷积层最小化输入与重构信号之间的误差对网络参数进行调整，并使编码器得到抗干扰的特征。
[0010]步骤3
‑
4：将特征输入卷积神经网络，所述卷积神经网络包括Dropout层、池化层、全连接层、Softmax层和输出层；所述抽象特征通过Dropout层处理忽略部分特征，然后依次经过卷积层与池化层处理，压缩数据和减少参数数量；再通过全连接层进行特征图处理，全连接层中的每个神经元与前一层的所有神经元进行全连接，每个神经元的激活函数均为ReLu函数；最后通过Softmax回归输出x坐标。
[0011]步骤4：选取每条路径上对应的指纹特征与y方向坐标，构建y方向粒子群优化的支持向量回归模型，每个路径对应着一个y方向粒子群优化的支持向量回归模型。
[0012]步骤4
‑
1：所述y方向粒子群优化的支持向量回归模型采用ε
‑
SVR，具体公式如下：其中，和是拉格朗日乘子，取值范围为[0,C]，C为大于0的惩罚系数表示第i个样本指纹特征，表示第j个样本指纹特征，b表示位移，表示核函数，具体为径向基函数，所述径向基函数的核宽为。
[0013]步骤4
‑
2：通过拉格朗日函数和卡罗需
‑
库恩
‑
塔克条件约束模型参数，使接近y坐标，并最小化损失函数和最大化超平面间隔；具体公式如下：其中，是SVR超平面的法向量，和是松弛变量，为支持向量回归模型ε
‑
SVR的容忍值，取值范围为[0.01,0.3]。
[0014]步骤4
‑
3：采用粒子群优化算法计算参数；具体公式如下：其中，M为粒子群中粒子数目，和表示第i个粒子的参数值，和表示第i个
粒子参数的速度值，和表示粒子的最大速度，和表示粒子的最大位置，和表示最小位置；并且；表示取值为[0,1]的随机函数，取值为[
‑
1,1]的随机函数。
[0015]步骤4
‑
4：将步骤4
‑
3中得到的代入支持向量回归模型得到yPSOSVR模型。
[0016]步骤5：在空间任意位置实时采集数据，未探测到的数据赋为一个极小的数值，所述极小数值为小于
‑
120的任一数值，构成一组对n维指纹特征，根据步骤2的归一化公式对其进行归一化。
[0017]步骤6：利用x方向降噪自动编码器卷积神经网络模型和归一化的n维指纹特征进行x坐标估计，并限制其Dropout层不作用。
[0018]步骤7：根据得到的x坐标分别计算其到各路径的距离，具体公式如下所示：式中，为估算的坐标，为第i条路径的坐标。
[0019]步骤8：筛选出最小对应的第i条路径的模型yPSOSVR；利用筛选得到的模型yPSOSVR和归一化的n维指纹特征进行y坐标估计，最终输出估计位置的x和y坐标。
[0020]优选的，所述x方向降噪自动编码器卷积神经网络模型其结构依次包含特征数据和噪声、输入层、两个卷积层、抽象特征、两个卷积层和抗噪声干扰的特征数据。
[0021]优选的，所述x方向降噪自动编码器卷积神经网络模型的卷积层中每个卷积单元参数通过反向传播算法最佳化得到，每个卷积单元都设置有ReLU激活函数，所述ReLU激活函数具体如下：其中，表示输入的特征。
[0022]优选的，所述参数还可以使用改进的粒子群优化算法计算，具体方式如下：步骤1：设定粒子群中粒子数目M、最大迭代次数T，以均方误差作为适应度函数，计算第i个粒子第t次迭代的适应度函数值；根据适应度函数值计算每一次迭代中的局部最佳适应度函数值和对应的位置，其中，为第i个粒子第t次迭代的位置。
[0023]根据适应度函数值计算全局最佳适应度函数值和对应的位置，
其中，为小于的第t次迭代中粒子的索引，为第个粒子第t次迭代的位置。
[0024]步骤2：判断迭代次数是否大于设定的最大迭代次数T，如果符合，则将当前计算得到的作为最终输出的结果；如果不符合，则使用反比例函数和随机函数获得非线性随机衰减惯性权重，并继续步骤3；其中，是非线性随机衰减惯性权重，和的取值范围为[0.4,0.9]；步骤3：利用得到的惯性权重值、局部最佳适应度函数值对应的位置和全局最佳适应度函数值对应的位置进行粒子更新，即更新粒子的位置和速度，迭代至迭代次数大于设定的最大迭代次数T，输出当前的位置。
[0025]其中，和表示学习率，取值范围为[0,4]。
[0026]优选的，所述粒子数目和最大迭代次数满足如下关系：。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种狭长空间中的定位方法，其特征在于，包括以下步骤：步骤1：将空间延伸窄的方向作为x方向，将空间延伸长的方向作为y方向，根据x方向和y方向对空间进行网格化，将网格的每个交汇点作为参考点；在同一y方向上所有参考点构成一条路径；步骤2：沿着每条路径分别在每个参考点处采集一定时间内的指纹信息，并同时保存参考点坐标和路径，未探测到的指纹特征赋值为一个极小的数值，所述极小数值为小于
‑
120的任一数值，并对每个参考点处的指纹信息进行均值处理，对指纹特征数据进行归一化，所述归一化具体公式如下：其中，为第i个特征，表示对应的归一化后数值，取值范围为[0,1]，表示特征数据，和分别表示最小值和最大值函数；步骤3：选取指纹特征与x方向坐标构建和训练x方向降噪自动编码器卷积神经网络模型；步骤3
‑
1：将指纹特征添加高斯白噪声得到的新指纹特征作为x方向降噪自动编码器卷积神经网络模型输入，具体公式如下：卷积神经网络模型输入，具体公式如下：表示高斯白噪声，是取值范围为[
‑
1,1]的正态分布随机数，β为正整数，取值范围为[1,5]；步骤3
‑
2：通过卷积层最小化输入与重构信号之间的误差对网络参数进行调整，并使编码器得到抗干扰的特征；步骤3
‑
4：将特征输入卷积神经网络，所述卷积神经网络包括Dropout层、池化层、全连接层、Softmax层和输出层；所述抽象特征通过Dropout层处理忽略部分特征，然后依次经过卷积层与池化层处理，压缩数据和减少参数数量；再通过全连接层进行特征图处理，全连接层中的每个神经元与前一层的所有神经元进行全连接，每个神经元的激活函数均为ReLu函数；最后通过Softmax回归输出x坐标；步骤4：选取每条路径上对应的指纹特征与y方向坐标，构建y方向粒子群优化的支持向量回归模型，每个路径对应着一个y方向粒子群优化的支持向量回归模型；步骤4
‑
1：所述y方向粒子群优化的支持向量回归模型采用ε
‑
SVR，具体公式如下：其中，和是拉格朗日乘子，取值范围为[0,C]，C为大于0的惩罚系数表示第i个样本指纹特征，表示第j个样本指纹特征，b表示位移，表示核函数，具体为径向基函数，所述径向基函数的核宽为；
步骤4
‑
2：通过拉格朗日函数和卡罗需
‑
库恩
‑
塔克条件约束模型参数，使接近y坐标，并最小化损失函数和最大化超平面间隔；具体公式如下：其中，是SVR超平面的法向量，和是松弛变量，为支持向量回归模型ε
‑
SVR的容忍值，取值范围为[0.01,0.3]；步骤4
‑
3：采用粒子群优化算法计算参数；具体公式如下：...

【专利技术属性】
技术研发人员：毕京学，姚国标，曹鸿基，苏飞，刘耀辉，郑国强，
申请(专利权)人：山东建筑大学，
类型：发明
国别省市：