CN103561463A - 一种基于样本聚类的rbf神经网络室内定位方法 - Google Patents

Abstract

本发明是基于样本聚类的RBF神经网络室内定位方法，该方法以不同发射功率下信号丢包率为基础数据，采用聚类算法筛选出具有相似特征点的训练样本集，然后通过RBF神经网络来对这个样本集进行训练，最终达到预测未知移动节点的位置坐标。由通讯距离与信号丢包率的关系，本发明的样本集信息丰富，可以更好的刻画信号与距离的关系；同时采用聚类算法筛选位置相似特征点以及RBF神经网络训练数据，使大规模、大范围情况下收集数据方便简单，真正达到实用的地步，同时算法具有收敛速度快、定位精确等优点。

Description

一种基于样本聚类的RBF神经网络室内定位方法

技术领域

本发明属于射频通信技术领域，涉及一种室内定位方法，具体是一种基于样本聚类的RBF神经网络室内定位方法的设计。

背景技术

定位技术是现今最重要的信息技术之一，大到关乎国家安全的国防军事，小到平常百姓的日常生活，都需要很多位置信息的辅助。传统的定位技术都是一些大型的定位系统，一般用于室外环境，例如美国的GPS和中国的北斗卫星导航系统。然而对于很多结构复杂的室内环境，这些定位系统信号被墙体等障碍物阻隔，无法对室内提供定位，所以室内定位技术很好的补充了大型室外定位系统的不足。

室内定位技术在商业、公共安全等方面的应用前景非常广阔。在商业应用上，室内定位系统可以用来跟踪定位有特殊需求的人、远离视线监管的小孩，给盲人导航，在医院内定位需要用到的仪器设备，大型仓库中的调度等；在公共安全方面，室内定位系统可以用来跟踪监狱犯人，导航警察、消防员等以完成他们在室内的任务。

现阶段常用的室内定位方法一般分为基于基础设施和无基础设施。基于基础设施的方法有的是在通信节点上安装红外或超声波传感器，例如Active Bad_ge和Cricket系统。但由于传输距离和视距的限制，这种系统使用范围很有限，而且定位精度依赖节点密集度。另外还有的基于基础设施的使用测角度的传感器阵列和高精度的定时器，例如到达角度定位（An_gleof Arrival，AOA），到达时间定位（Time of Arrival，TOA）等方法，这类方法的定位系统造价昂贵，而且定位精度往往不理想。无基础设施的方法就是直接使用定位节点通信使用的射频信号强度RSS定位。传统的RSS定位方式一般使用距离-损耗模型，在多径传播效应，以及信号衰减规律异常复杂的室内环境下，精度很不稳定。基于RSS指纹数据库的定位方法，可有效避免多径和非视距等对定位精度的影响，并且无需额外设施支持，降低了定位算法复杂度和定位系统成本，常用的算法有最近邻法、K近邻法定位算法，但是基于RSS指纹数据库的定位方法同样存在的问题还是定位精度不高。

发明内容

本发明所要解决的技术问题是针对上述现有技术中室内定位方法精度不高的问题而提出一种基于样本聚类的RBF神经网络室内定位方法。

本发明解决其技术问题采用的技术方案是：基于样本聚类的RBF神经网络室内定位方法，具体包括：

S1、在室内定位环境中设置信标节点，记录其位置坐标，在各个信标节点处安装信号接收设备，接收信号源信号；

S2、在室内定位环境中选择参考点，记录其位置坐标，在各个参考点处放置信号发射设备，所述信号发射设备以不同的信号发射功率分别向信标节点发送固定数目的定位数据包，记录信标节点处的不同功率数据包的丢包率，构成样本集Q；

S3、在样本集Q中，对同一参考点在不同信标节点处的不同发射功率的丢包率进行筛选，每个参考点处选择k个信标节点的数据作为特征数据，构成训练样本集R；

S4、利用步骤S3建立的训练样本集R训练RBF神经网络，得到定位模型；

S5、采集待定位目标的不同发射功率的丢包率信息，对不同信标节点的丢包率信息进行筛选，选择k个信标节点的数据，利用步骤S4训练得到的定位模型预测待定位目标的位置坐标。

进一步的，所述步骤S3中参考点特征数据筛选算法的具体过程为：

S31、利用K均值聚类算法将同一参考点在不同信标节点处的不同发射功率的丢包率分成K组；

S32、分别计算步骤S31的k个分组的全局最近点，即选择k个信标节点分组的代表；

S33、由步骤S32得到的k个信标节点代表对应的不同发射功率丢包率信息构成该参考点的特征数据。

更进一步的，所述步骤S32中计算全局最近点的具体方法为：由式计算出点i与点集中m个点的距离和D_i，再由式min(D₁,D₂,…,D_m)计算出距离其它点最近的点作为该点集中的全局最近点。

进一步的，所述步骤S4中的RBF神经网络包括输入层、隐含层以及输出层，其中网络可识别的类别数目由隐含层单元数决定，隐含层单元的传递函数为径向基函数。

本发明的有益效果：本发明基于样本聚类的RBF神经网络室内定位方法，通过将RSSI值换算成信号的丢包率，并且利用不同的发射功率分别计算丢包率信息，然后通过RBF神经网络来预测移动节点的位置；选择神经网络的训练样本集，不是采用传统的单一发射功率的信号RSSI值，而是采用不同发射功率的信号丢包率信息，由距离与信号的关系可知，本发明算法的样本集信息更加丰富，可以更好的刻画信号RSSI值与距离的关系，并且采用RBF神经网络，更具有简单、收敛速度快等优点。

附图说明

图1为本发明实施例的基于样本聚类的RBF神经网络室内定位方法的定位算法流程图；

图2为本发明实施例的基于样本聚类的RBF神经网络室内定位方法的定位系统拓扑图；

图3为本发明实施例的基于样本聚类的RBF神经网络室内定位方法的参考点特征数据筛选算法流程图；

图4为本发明实施例的基于样本聚类的RBF神经网络室内定位方法的信号强度与距离关系图；

图5为本发明实施例的基于样本聚类的RBF神经网络室内定位方法的BRF神经网络拓扑图；

图6为本发明实施例的基于样本聚类的RBF神经网络室内定位方法的定位环境图；

图7为本发明实施例的基于样本聚类的RBF神经网络室内定位方法的参考点分布图；

图8为本发明实施例的基于样本聚类的RBF神经网络室内定位方法的算法累积误差分布图。

具体实施方式

下面结合附图和具体的实施例对本发明作进一步的阐述。

如图1所示为本发明实施例的基于样本聚类的RBF神经网络室内定位方法的流程框图，其具体包括，

S1、设置室内信标节点位置，记录相应的位置坐标，在各信标节点处安装信号接收设备；

S2、选择参考点，记录参考点位置坐标，在各参考点处放置信号发射器，所述信号发射器以不同的信号发射功率分别向信标节点发送固定数目的定位数据包，记录信标节点处的不同功率数据包的丢包率，构成样本集Q；如图2所示为信标节点和参考点构成的定位系统的网络拓扑图。

S3、在样本集Q中，对同一参考点在不同信标节点处的不同发射功率的丢包率进行筛选，每个参考点处选择k个信标节点的数据作为特征数据，构成训练样本集R；

S4、利用步骤S3建立的训练样本集R训练RBF神经网络，得到定位模型；

S5、采集待定位目标的实时定位包丢包率信息，对不同信标节点的丢包率信息进行筛选，选择k个信标节点的数据，利用步骤S4训练得到的定位模型预测其位置坐标。

其中，如图3所示为所述步骤S3中参考点特征数据筛选算法的流程框图，其具体过程为：

S31、利用K均值聚类算法将同一参考点在不同信标节点处的不同发射功率的丢包率分成k组；

S32、分别计算步骤S31的k个分组的全局最近点，即选择k个信标节点分组的代表；

S33、由步骤S32得到的k个信标节点代表对应的不同发射功率丢包率信息构成该参考点的特征数据。

本发明申请方案中通过测量不同发射功率的信号的丢包率再由训练过后的RBF神经网络进行室内待测目标的定位，代替了现有技术中通过测量不同发射功率的信号的RSSI值，由实际的实验可知，信号的RSSI值和丢包率之间存在固定的关系，可以通过一个单调的函数来刻画，由测量固定数目的数据包的丢包率来反映信号的RSSI值，可以更加清晰、准确的描述信号强度与距离的关系。在本发明实施例中暂定每个功率发送20个短的定位数据包，包中的数据为当前的发射功率大小。并且所述样本集Q由在不同信标节点处测量的信号发射设备的不同功率信号的丢包率组成，较一般算法中的样本集丰富，因为由信号强度与距离的关系：

可知，在同一点处测量的不同发射功率的信号RSSI值携带的信息量是不同的，当信号发射功率小时，测量得到的信号强度RSSI值意义更大，因为此时的RSSI值对距离的变化更为敏感，如图4所示为信号强度与距离关系图，其中圆1、圆2、圆3信号发射功率依次增加3dBm；而在一般的算法中，只是测量单一发射功率的信号RSSI值；其中，P(d)是一给定移动站MS接收到的功率，功率以dBm为单位,其与一给定信号发射设备或无线接入点AP的距离为d，d₀是相对发射设备的参考距离，P(d₀)是该参考点处的信号功率，参数n表示路径损耗随着距离d的增加而增加的速率，一般为2到4。

在所述步骤S3中，本发明对同一参考点的不同信标节点处的不同功率的丢包率信息做了筛选处理，每个参考点处选取最具代表性的k个信标节点的数据作为其特征值。因为，在实际的定位环境中，信标节点个数可能比较大，如果将所有的信标节点数据都作为特征数据，显然数据量太大，算法的复杂度太高，收敛的速度慢。本发明实施例使用K均值聚类算法对同一参考点的不同信标节点的数据进行分类，分为k组，其中k值可以根据实际的环境选择，然后在每组内选择为全局最近点的信标节点作为代表，由于k个信标节点代表分属不同组，所以彼此之间的差异度比较大，可以很好的描述整个数据集的特点，因此可以由这k个信标节点代表的数据构成该参考点的特征数据。

K均值聚类算法是一种典型的划分聚类算法，给定一个数据点集合和需要的聚类数目k，k由用户指定，K均值算法根据某个距离函数反复把数据分入k个聚类中，算法简洁，而且效率高，得到了广泛的使用，属于本领域技术人员的公知技术，在本发明申请方案中不再详细描述具体步骤。

全局最近点是图论中的一个概念，是在一个点集中距离其他点最近的点，其计算方法为：由式

计算出点i与点集中m个点的距离和D_i，再由式min(D₁,D₂,…,D_m)计算出距离其它点最近的点作为该点集中的全局最近点。

在所述步骤S4中，在定位模型阶段采用RBF神经网络对模型进行训练，优化模型参数，使算法参数的选择更加符合实际的定位环境，也有效避免了由于非视距传输效应、多径传播效应和RSSI衰减规律异常的情况下对定位精度的影响。

其中，RBF神经网络是一种3层前馈网络,一般由输入层、隐含层和输出层构成，如图5所示为RBF神经网络的拓扑图，网络可识别的类别数目由隐含层单元数决定，隐含单元的传递函数为径向基函数。输入层神经元个数与参考点的信标节点代表的个数和信号源的不同发射功率数有关，假设信标节点的代表个数为k，功率数为n，则输入神经元个数为k*n+2*k，可以分别为(x₁,_y1,Plr₁₁,Plr₁₂,…,Plr_1n)、…、(x_k,y_k,Plr_k1,Plr_k2,…,Plr_kn)，其中x_k，y_k表示选取的k个信标节点的坐标值，Plr表示选取的k个信标节点不同功率的丢包率值，隐含层神经元个数与输入层相同，输出层神经元个数为未知节点位置坐标的维数，在本实施例中为(x₀，y₀)。

在本发明实施中，径向基函数采用高斯对称函数：

式中，uj是第j个隐节点的输出，σ_j是第j个隐节点的标准化常数，X=[X₁，X₂，……，X_m]’是输入样本；C_j是第j个隐节点高斯函数的中心向量，此向量是一个与输入样本x的维数相同的列向量，即C_j=[C_j1，C_j2，……，C_jM]’。

而隐含层到输出层的映射是线性的，及网络的输出是隐节点输出的线性加权和，映射关系为：

式中，u_i是隐含层第i个节点的输出，Yk是输出层第k个节点的输出，Wki是隐藏层到输出层的加权系数，θ_k是隐含层的阀值；q是隐含层节点数。

RBF网络的学习过程分为两个阶段：第一个阶段是无教师学习，是根据所有的输入样本决定隐含层各节点的高斯函数的中心向量Cj和标准化常数σ_j；第二个阶段是有教师的学习，在决定好隐含层的参数后，根据样本，利用最小二乘法原则，求出隐藏层和输出层的权值Wki。在完成第二阶段的学习后，再根据样本信息，同时校正隐含层和输出层的参数，以进一步提高网络的精度。

为了本领域技术人员能够理解并且实施本发明申请方案，下面结合具体的应用环境作为定位实例进行说明：

具体的应用环境如图6所示，是一个有两个房间和一个过道的大小为15m×10m的室内环境，共设置了5个信标节点，分别采用BP1、BP2、BP3、BP4、BP5表示；分别在两个房间和过道布置了网状分布的56个参考点，参考点之间的横向距离为2m，纵向距离为1m，过道中的参考点距墙0.5m。如图7所示为分布的网状参考点，在每个参考点处，用RSSI信号发射器在距地面1m的高度依功率1,2,3,4,5依次发送定位数据包。数据包的内容为当前的发送功率，每个功率持续发送20个定位包，发送周期为10s；利用安装在不同信标节点处的信号接收器采集不同功率的数据包的丢包率信息，通过参考点特征数据筛选算法选择不同参考点的特征数据，构成神经网络训练样本集，部分数据如表1所示，每个参考点的信标节点代表个数为3，即K均值聚类算法中k=3。

表1部分训练样本集数据

其中如图7所示，在“+”处采集的实时丢包率信息为(0.6,0.4,0.1,0,0),利用本发明算法估计位置坐标为“*”处。采集1600个待定位点不同功率的丢包率信息，估计其坐标，得到的累计误差结果如图8所示，可以看出约82%的待定位点的定位误差在2m内，约37%的待定位点的定位误差在1m内。

Claims (4)

1.基于样本聚类的RBF神经网络室内定位方法，其特征在于，具体包括：

S1、在室内定位环境中设置信标节点，记录其位置坐标，在各个信标节点处安装信号接收设备，接收信号源信号；

S2、在室内定位环境中选择参考点，记录其位置坐标，在各个参考点处放置信号发射设备，所述信号发射设备以不同的信号发射功率分别向信标节点发送固定数目的定位数据包，记录信标节点处的不同功率数据包的丢包率，构成样本集Q；

S3、在样本集Q中，对同一参考点在不同信标节点处的不同发射功率的丢包率进行筛选，每个参考点处选择k个信标节点的数据作为特征数据，构成训练样本集R；

S4、利用步骤S3建立的训练样本集R训练RBF神经网络，得到定位模型；

S5、采集待定位目标的不同发射功率的丢包率信息，对不同信标节点的丢包率信息进行筛选，选择k个信标节点的数据，利用步骤S4训练得到的定位模型预测待定位目标的位置坐标。

2.如权利要求1所述的基于样本聚类的RBF神经网络室内定位方法，其特征在于，所述步骤S3中参考点特征数据筛选算法的具体过程为：

S31、利用K均值聚类算法将同一参考点在不同信标节点处的不同发射功率的丢包率分成k组；

S32、分别计算步骤S31的k个分组的全局最近点，即选择k个信标节点分组的代表；

S33、由步骤S32得到的k个信标节点代表对应的不同发射功率丢包率信息构成该参考点的特征数据。

3.如权利要求2所述的基于样本聚类的RBF神经网络室内定位方法，其特征在于，所述步骤S32中计算全局最近点的具体方法为：由式

计算出点i与点集中m个点的距离和D_i，再由式min(D₁,D₂,…,D_m)计算出距离其它点最近的点作为该点集中的全局最近点。

4.如权利要求1至3任一项所述的基于样本聚类的RBF神经网络室内定位方法，其特征在于，所述步骤S4中的RBF神经网络包括输入层、隐含层以及输出层，其中网络可识别的类别数目由隐含层单元数决定，隐含层单元的传递函数为径向基函数。

Images