CN101815308B - 神经网络区域训练的wlan室内定位方法 - Google Patents

Abstract

神经网络区域训练的WLAN室内定位方法，它涉及室内定位领域。它解决了现有室内神经网络定位方法中地理环境不规则所带来的定位误差大和冗余开销大的问题，本发明首先针对室内环境布置接入点AP，然后在室内环境中设置参考点，接下来利用每一个参考点的信号强度RSS值的强弱确定对该参考点定位信息影响最大的两个接入点AP，再根据调整因子μ得到神经网络的区域训练样本集，进而利用所述区域训练样本集训练神经网络，获得满足神经网络要求的神经网络结构，最后将待测点的信号强度RSS值导入神经网络结构，获得待测点的定位坐标。本发明的方法用于复杂系统中定位。

Description

神经网络区域训练的WLAN室内定位方法

技术领域

本发明涉及室内定位领域，具体涉及神经网络区域训练的WLAN室内定位方法。

背景技术

目前，随着无线网络的发展，出现了许多与室内定位相关的技术和应用，特别是在环境感知应用方面，由于环境的动态性，复杂的多径效应和严重的信号衰减，传统的信号传播模型法不适合用于高精度的室内定位系统。由于基于WLAN(无线局域网)技术的室内定位系统不仅成本低，而且可以使用免注册的2.4GHz ISM频段和免费的无线许可证802.11b/g议定，因而已经十分的受重视。

在WLAN环境下，通过测量来自接入点AP(access point)的信号强度RSS值获得相应位置信息，使得WLAN具有数据通信和导航的综合功能。利用信号强度RSS值来构成语言变量是受人脑评估方法的启发而发明的。神经网络是非线性输入输出映射最有效的方法，可以逼近任意复杂的非线性关系，并具有强大的学习能力、记忆能力和计算能力，在不同程度和层次上模仿人脑神经系统的信息处理、存储和检索。因此，将神经网络应用于WLAN室内定位中取得了较理想的定位精度。

但是，神经网络的映射区域是矩形的，对于室内构造各个不同，形状不规则的复杂的室内环境，它同样将映射区域处理成最长长度，最宽宽度的矩形。由于神经网络的数据融合能力和全局信号分布信息处理特性，它将对一些离测试点较远、信号特征与测试点的相关性很小的参考点误判为有效相关参考点，并对被误判的参考点进行调整或修正。这些地理位置较远的被误判的参考点参与了定位过程，从而增加了测试点的定位误差，即对不规则的室内环境定位时，不仅可能将测试点定位到实际空间根本不存在的地理位置，而且也大大增加了神经网络训练所有参考点的存储开销和学习时间。

发明内容

为了解决现有室内神经网络定位方法中地理环境不规则所带来的定位误差大和冗余开销大的问题，本发明提供一种神经网络区域训练的WLAN室内定位方法。

本发明的神经网络区域训练的WLAN室内定位方法的定位过程为：

步骤一：针对室内环境布置max(AP)个接入点AP，确保所述环境中任意一点被两个或两个以上的接入点AP发出的信号覆盖；

步骤二：在室内环境中均匀设置N个参考点，选取一个参考点为原点建立直角坐标系，获得N个参考点在该直角坐标系中的坐标位置，并在每个参考点上利用信号接收机采集来自每一个接入点AP的信号强度RSS值；

步骤三：分别获得每一个参考点的有效相关定位数据，并将所有参考点的有效相关定位数据组成神经网络方法的区域训练样本集：

获得每一个参考点的有效相关定位数据的过程为：

步骤三一：读取参考点获取的来自每一个接入点AP的信号强度RSS值，获得所述信号强度RSS值中的最大信号强度RSS值和次最大信号强度RSS值，所述最大信号强度RSS值和次最大信号强度RSS值分别来自第m接入点APm和第n接入点APn，则参考点的位置在第m接入点APm和第n接入点APn之间，其中m，n∈{1，2，…，max(AP)}；

步骤三二：在第m接入点APm和第n接入点APn之间选取与参考点相应的有效相关定位数据；

步骤四：用神经网络方法的区域训练样本集训练神经网络进而获得满足神经网络要求的神经网络结构；

步骤五：将待测点获取的信号强度RSS值导入神经网络结构，获得所述待测点的定位坐标，实现对待测点的定位。

本发明的有益效果为：本发明通过充分利用具有强相关性的参考点信号特征和有效避免神经网络对远距离位置误判点进行调整或修正的不合理处理方法，提高了整个WLAN室内定位系统的有效性和可靠性。

附图说明

图1是本发明的神经网络区域训练的WLAN室内定位方法的流程图；图2是本发明的具体实施方式三中所述的室内场景示意图。

具体实施方式

具体实施方式一：根据说明书附图1具体说明本实施方式，本实施方式所述的神经网络区域训练的WLAN室内定位方法的定位过程为：

步骤一：针对室内环境布置max(AP)个接入点AP，确保所述环境中任意一点被两个或两个以上的接入点AP发出的信号覆盖；

步骤二：在室内环境中均匀设置N个参考点，选取一个参考点为原点建立直角坐标系，获得N个参考点在该直角坐标系中的坐标位置，并在每个参考点上利用信号接收机采集来自每一个接入点AP的信号强度RSS值；

步骤三：分别获得每一个参考点的有效相关定位数据，并将所有参考点的有效相关定位数据组成神经网络方法的区域训练样本集：

获得每一个参考点的有效相关定位数据的过程为：

步骤三一：读取参考点获取的来自每一个接入点AP的信号强度RSS值，获得所述信号强度RSS值中的最大信号强度RSS值和次最大信号强度RSS值，所述最大信号强度RSS值和次最大信号强度RSS值分别来自第m接入点APm和第n接入点APn，则参考点的位置在第m接入点APm和第n接入点APn之间，其中m，n∈{1，2，…，max(AP)}；

步骤三二：在第m接入点APm和第n接入点APn之间选取与参考点相应的有效相关定位数据；

步骤四：用神经网络方法的区域训练样本集训练神经网络进而获得满足神经网络要求的神经网络结构；

步骤五：将待测点获取的信号强度RSS值导入神经网络结构，获得所述待测点的定位坐标，实现对待测点的定位。

本实施方式中所述待测点为N个参考点之一。

具体实施方式二：本实施方式是对具体实施方式一所述的神经网络区域训练的WLAN室内定位方法的进一步说明，具体实施方式一中步骤三二所述的在第m接入点APm和第n接入点APn之间选取与参考点相应的有效相关定位数据的具体步骤为：

步骤A：以每一个参考点分别获取的来自所有接入点AP的信号强度RSS值为行，建立N×max(AP)维参考点矩阵，所述矩阵中第X行第Y列交叉获得的元素4Py_x表示第x参考点获得的来自第y接入点AP的信号强度RSS值，x为自然数，且1＜x＜N，y为自然数，且1＜y＜max(AP)，从所述参考点矩阵的第m列和第n列中分别选取出第m列最大信号强度RSS值max(APmx)和第n列最大信号强度RSS值max(APnx)；

步骤B：计算第j个参考点获取的第m列信号强度RSS值APm_j占参考点矩阵U第m列最大信号强度RSS值max(APmx)的百分比p_j，m，

同时计算第j个参考点获取的第n列信号强度RSS值APn_j占参考点矩阵第n列最大信号强度RSS值max(APnx)的百分比p_j，n，

步骤C：首先根据调整因子μ获得信号强度阈值p_{threshold，k}，所述调整因子μ为公式二所示，所述信号强度阈值p_{threshold，k}为公式三所示：

公式二： $\mathrm{\&mu;}=\left\{\begin{array}{cc}\frac{\max \left(\mathrm{APkx}\right)-{\mathrm{APk}}_j}{\max \left(\mathrm{APkx}\right)-\mathrm{mean}\left(\mathrm{APkx}\right)}& {\mathrm{APk}}_j\&GreaterEqual;\mathrm{mean}\left(\mathrm{APkx}\right)\\ \frac{\mathrm{mean}\left(\mathrm{APkx}\right)-{\mathrm{APk}}_j}{\max \left(\mathrm{APkx}\right)-\mathrm{mean}\left(\mathrm{APkx}\right)}& {\mathrm{APk}}_j<\mathrm{mean}\left(\mathrm{APkx}\right)\end{array}\right.$

公式三：p_{(threshold，k)}＝p_(j，k)×μ

其中，mean(APkx)表示参考点矩阵中第k列平均信号强度RSS值，k分别取值m和n，即p_(j，k)相应为p_j，m和p_j，n，然后判断参考点矩阵的第k列信号强度RSS值是否大于或等于阈值max(APkx)×p_{threshold，k}，当判断结果为否，则丢弃所述信号强度RSS值，当判断结果为是，则保存所述信号强度RSS值及与之相应的参考点坐标作为有效相关定位数据。

本实施方式引入调整因子μ有效获得了神经网络区域训练样本集，并通过所选取的神经网络区域训练样本集训练神经网络，有效保证了训练样本数量和强相关性，降低了定位误差，提高了定位精度，且节省了神经网络的存储开销和学习时间。

具体实施方式三：本实施方式是对具体实施方式一所述的神经网络区域训练的WLAN室内定位方法的进一步说明，具体实施方式一中步骤四所述的用神经网络方法的区域训练样本集训练神经网络进而获得满足神经网络要求的神经网络结构的具体过程为：

步骤D1：向神经网络输入区域训练样本集中的信号强度RSS值及与之相应的参考点坐标，所述参考点坐标为与参考点实际位置相应的实际坐标，通过神经网络自学习获取与所述信号强度RSS值相应的实验坐标；

步骤D2：根据BP-ANN方法获得神经网络负梯度方向修正权值，所述根据BP-ANN方法获得神经网络负梯度方向修正权值的具体过程为：

根据负梯度方向修正神经网络权值，所述神经网络权值即为目标函数，所述目标函数如公式四所示：

公式四： $E_p=\frac{1}{2}\underset{j}{\mathrm{\&Sigma;}}{(t_{\mathrm{pj}}-O_{\mathrm{pj}})}^2$

其中，E_p为第p个输入神经网络的信号强度RSS值的目标函数，t_pj为第p个输入神经网络的信号强度RSS值所对应的实际坐标，O_pj为第p个输入神经网络的信号强度RSS值所对应的实验坐标，

根据公式五： $\frac{{\&PartialD;E}_p}{{\&PartialD;W}_{\mathrm{ji}}}=\frac{{\&PartialD;E}_p}{{\&PartialD;\mathrm{net}}_{\mathrm{pj}}}\frac{{\&PartialD;\mathrm{net}}_{\mathrm{pj}}}{{\&PartialD;W}_{\mathrm{ji}}}=\frac{{\&PartialD;E}_p}{{\&PartialD;\mathrm{net}}_{\mathrm{pj}}}\frac{\&PartialD;}{{\&PartialD;W}_{\mathrm{ji}}}\mathrm{\&Sigma;}{W}_{\mathrm{jk}}{O}_{\mathrm{pk}}=\frac{{\&PartialD;E}_p}{{\&PartialD;\mathrm{net}}_{\mathrm{pj}}}{O}_{\mathrm{pi}}$

令 ${\mathrm{\&delta;}}_{\mathrm{pj}}=-\frac{{\&PartialD;E}_p}{{\&PartialD;\mathrm{net}}_{\mathrm{pj}}},$

获得公式六：ΔW_ji＝η·δ_pj·O_pi

其中，net_pj为神经网络在第p个输入的信号强度方向上的调整量，δ_pj为第p个神经网络的输出量对网络调整量的偏导数，W_ji表示第j个神经元和第i个神经元的连接权重，W_jk表示第j个神经元和第k个神经元的连接权重，O_pk表示第p个输入神经网络的信号强度在第k个神经元处的输出量，O_pi表示第p个输入神经网络的信号强度在第i个神经元处的输出量，η为学习速度，取η＞0，

公式六中 ${\mathrm{\&delta;}}_{\mathrm{pj}}=-\frac{{\&PartialD;E}_p}{{\&PartialD;\mathrm{net}}_{\mathrm{pj}}}=-\frac{{\&PartialD;E}_p}{{\&PartialD;O}_{\mathrm{pj}}}\frac{{\&PartialD;O}_{\mathrm{pj}}}{{\&PartialD;\mathrm{net}}_{\mathrm{pj}}}=\frac{{\&PartialD;E}_p}{{\&PartialD;O}_{\mathrm{pj}}}{f}_j^{\&prime;}\left({\mathrm{net}}_{\mathrm{pj}}\right),$ 定义其为公式七，f′_j(net_pj)

为激发函数，对公式七进行复合求导，将目标函数变形为公式八，

$\frac{{\&PartialD;E}_p}{{\&PartialD;O}_{\mathrm{pj}}}=-(t_{\mathrm{pj}}-O_{\mathrm{pj}})$

公式八： $=\underset{k}{\mathrm{\&Sigma;}}\frac{{\&PartialD;E}_p}{{\&PartialD;\mathrm{net}}_{\mathrm{pk}}}\frac{{\&PartialD;\mathrm{net}}_{\mathrm{pk}}}{{\&PartialD;O}_{\mathrm{pj}}}=\underset{k}{\mathrm{\&Sigma;}}\frac{{\&PartialD;E}_p}{{\&PartialD;\mathrm{net}}_{\mathrm{pk}}}\frac{\&PartialD;}{{\&PartialD;O}_{\mathrm{pj}}}\underset{i}{\mathrm{\&Sigma;}}{W}_{\mathrm{ki}}{O}_{\mathrm{pi}}$

$=\underset{k}{\mathrm{\&Sigma;}}\frac{{\&PartialD;E}_p}{{\&PartialD;\mathrm{net}}_{\mathrm{pk}}}{W}_{\mathrm{kj}}=-\underset{k}{\mathrm{\&Sigma;}}{\mathrm{\&delta;}}_{\mathrm{pk}}{W}_{\mathrm{kj}}$

对公式八进行推导并结合公式六获得神经网络负梯度方向修正权值，如公式九所示：

公式九： $\left\{\begin{array}{c}{\mathrm{\&Delta;W}}_{\mathrm{ji}}=\mathrm{\&eta;}\&CenterDot;{\mathrm{\&delta;}}_{\mathrm{pj}}\&CenterDot;O_{\mathrm{pi}}\\ {\mathrm{\&delta;}}_{\mathrm{pj}}=\left\{\begin{array}{c}(O_{\mathrm{pj}}-t_{\mathrm{pj}})\&CenterDot;f_j^{\&prime;}\left({\mathrm{net}}_{\mathrm{pj}}\right)\\ -f_j^{\&prime;}\left({\mathrm{net}}_{\mathrm{pj}}\right)\underset{k}{\mathrm{\&Sigma;}}{\mathrm{\&delta;}}_{\mathrm{pk}}{W}_{\mathrm{kj}}\end{array}\right.\end{array}\right.$

其中，δ_pj＝(O_pj-t_pj)·f′_j(net_j)表示在神经网络的输出层，

表示在神经网络的隐藏层；

步骤D3：判断目标函数的训练误差是否满足神经网络要求，当判断结果为否时，返回步骤D2调整神经网络权值重新获得神经网络负梯度方向修正权值，当判断结果为是时，停止训练，保存神经网络结构。

针对本实施方式，进行实例分析：

在图2所示的室内场景中进行实验，该实验场景尺寸面积为66.43×24.9m²，高度3m，且拥有19个实验室，1个会议室和1个乒乓球室，其中1201-1227分别表示房间，1203、1204、1209、1210、1218、1219、1225和1224表示老师办公室，其余19个号码表示19个实验室，

表示电梯，墙的材料是砖块，铝合金窗户和金属门，各接入点AP为D-linkDWL-2100接入点AP，且用第一接入点AP1，第二接入点AP2，…，第九接入点AP9标示，各接入点AP固定在距地面2m高度的位置，支持IEEE 802.11g标准，传输速率54Mbps，信号接收机离地面1.2m，图中箭头标志为1至9号接入点AP放置的位置，圆形标志●为参考点，相邻参考点之间间隔为1m，共89个参考点，本试验中的坐标系以第17点参考点做为原点，以使各参考点位置取整数坐标，三角标志▲为待测点，共15个；使用IntelPRO/Wireless 3945ABG network connection的无线网卡连接入网，在Windows XP操作系统下收集来自9个D-link DWL-2100接入点AP的信号强度RSS值；选择走廊(室内场景)作为实验场所，所述实验场景(定位区域)不规则，使用NetStumbler信号采集软件对各参考点和待测点接收的信号强度RSS值进行轮询采集，且对与各参考点相连接的每一个接入点AP采集3分钟数据，每秒采样两次。对与待测点相连接的每一个接入点AP，进行1分钟的WLAN信号采集，每秒采样两次。

本方法获得了在15个测试点处的平均定位误差距离，其相应的最小定位误差为0.34m，最大定位误差为4.43m，平均定位误差为1.88m。

相对于原始的单一神经网络法获得的在15个待测点处的平均定位误差距离，其相应的最小定位误差为0.92m，最大定位误差为7.74m，平均定位误差为3.37m，本方法在最小定位误差、最大定位误差以及平均定位误差方面，都有很大的优势。

Claims (2)

1.神经网络区域训练的WLAN室内定位方法，其特征在于它的定位过程为：

步骤一：针对室内环境布置max(AP)个接入点AP，确保所述环境中任意一点被两个或两个以上的接入点AP发出的信号覆盖；

步骤二：在室内环境中均匀设置N个参考点，选取一个参考点为原点建立直角坐标系，获得N个参考点在该直角坐标系中的坐标位置，并在每个参考点上利用信号接收机采集来自每一个接入点AP的信号强度RSS值；

步骤三：分别获得每一个参考点的有效相关定位数据，并将所有参考点的有效相关定位数据组成神经网络方法的区域训练样本集：

获得每一个参考点的有效相关定位数据的过程为：

步骤三一：读取参考点获取的来自每一个接入点AP的信号强度RSS值，获得所述信号强度RSS值中的最大信号强度RSS值和次最大信号强度RSS值，所述最大信号强度RSS值和次最大信号强度RSS值分别来自第m接入点APm和第n接入点APn，则参考点的位置在第m接入点APm和第n接入点APn之间，其中m，n∈{1，2，…，max(AP)}；

步骤三二：在第m接入点APm和第n接入点APn之间选取与参考点相应的有效相关定位数据，其具体步骤为：

步骤A：以每一个参考点分别获取的来自所有接入点AP的信号强度RSS值为行，建立N×max(AP)维参考点矩阵，所述矩阵中第X行第Y列交叉获得的元素APy_x表示第x参考点获得的来自第y接入点AP的信号强度RSS值，x为自然数，且1＜x＜N，y为自然数，且1＜y＜max(AP)，从所述参考点矩阵的第m列和第n列中分别选取出第m列最大信号强度RSS值max(APmx)和第n列最大信号强度RSS值max(APnx)；

步骤B：计算第j个参考点获取的第m列信号强度RSS值APm_j占参考点矩阵U第m列最大信号强度RSS值max(APmx)的百分比p_j，m， 

同时计算第j个参考点获取的第n列信号强度RSS值APn_j占参考点矩阵第n列最大信号强度RSS值max(APnx)的百分比p_j，n， 

步骤C：首先根据调整因子μ获得信号强度阈值p_{threshold，k}，所述调整因子μ为公式二所 示，所述信号强度阈值p_{threshold，k}为公式三所示：

公式二：

公式三：p_{(threshold，k)}＝p_(j，k)×μ

其中，mean(APkx)表示参考点矩阵中第k列平均信号强度RSS值，k分别取值m和n，即p_(j，k)相应为p_j，m和p_j，n，然后判断参考点矩阵的第k列信号强度RSS值是否大于或等于阈值max(APkx)×p_{threshold，k}，当判断结果为否，则丢弃所述信号强度RSS值，当判断结果为是，则保存所述信号强度RSS值及与之相应的参考点坐标作为有效相关定位数据；

步骤四：用神经网络方法的区域训练样本集训练神经网络进而获得满足神经网络要求的神经网络结构；

步骤五：将待测点获取的信号强度RSS值导入神经网络结构，获得所述待测点的定位坐标，实现对待测点的定位。

2.根据权利要求1所述的神经网络区域训练的WLAN室内定位方法，其特征在于步骤四所述的用神经网络方法的区域训练样本集训练神经网络进而获得满足神经网络要求的神经网络结构的具体过程为：

步骤D1：向神经网络输入区域训练样本集中的信号强度RSS值及与之相应的参考点坐标，所述参考点坐标为与参考点实际位置相应的实际坐标，通过神经网络自学习获取与所述信号强度RSS值相应的实验坐标；

步骤D2：根据BP-ANN方法获得神经网络负梯度方向修正权值，所述根据BP-ANN方法获得神经网络负梯度方向修正权值的具体过程为：

根据负梯度方向修正神经网络权值，所述神经网络权值即为目标函数，所述目标函数如公式四所示：

公式四：

其中，E_p为第p个输入神经网络的信号强度RSS值的目标函数，t_pj为第p个输入神经网络的信号强度RSS值所对应的实际坐标，O_pj为第p个输入神经网络的信号强度RSS值所对应的实验坐标， 

根据公式五：

令

获得公式六：ΔW_ji＝η·δ_pj·O_pi

其中，net_pj为神经网络在第p个输入的信号强度方向上的调整量，δ_pj为第p个神经网络的输出量对网络调整量的偏导数，W_ji表示第j个神经元和第i个神经元的连接权重，W_jk表示第j个神经元和第k个神经元的连接权重，O_pk表示第p个输入神经网络的信号强度在第k个神经元处的输出量，O_pi表示第p个输入神经网络的信号强度在第i个神经元处的输出量，η为学习速度，取η＞0，

公式六中

定义其为公式七，f′_j(net_pj)为激发函数，对公式七进行复合求导，将目标函数变形为公式八，

公式八：

其中，net_pk为神经网络在第p个输入的信号强度在第k个神经元方向上的调整量；O_pj表示第p个输入神经网络的信号强度在第j个神经元处的输出量；W_kj表示第k个神经元和第j个神经元的连接权重；δ_pk为第p个神经网络的输出量在第k个神经元处对网络调整量的偏导数；

对公式八进行推导并结合公式六获得神经网络负梯度方向修正权值，如公式九所示：

公式九：

其中，δ_pj＝(O_pj-t_pj)·f′_j(net_j)表示在神经网络的输出层， 

表示在神经网络的隐藏层；

步骤D3：判断目标函数的训练误差是否满足神经网络要求，当判断结果为否时，返回步骤D2调整神经网络权值重新获得神经网络负梯度方向修正权值，当判断结果为是时，停止训练，保存神经网络结构。 

Images