CN103945533A

CN103945533A - 基于大数据的无线实时位置定位方法

Info

Publication number: CN103945533A
Application number: CN201410205616.2A
Authority: CN
Inventors: 张伟; 刘侃; 田天; 宫世杰
Original assignee: JINAN JIAKE ELECTRONIC TECHNOLOGY Co Ltd
Current assignee: JINAN JIAKE ELECTRONIC TECHNOLOGY Co Ltd
Priority date: 2014-05-15
Filing date: 2014-05-15
Publication date: 2014-07-23
Anticipated expiration: 2034-05-15
Also published as: CN103945533B

Abstract

本发明公开了基于大数据的无线实时位置定位方法，步骤如下：将被定位的检测区域网格化，设置在检测区域内的若干无线路由器发射无线信号，在网格化后区域的每个方格内用无线信号接收器多次采集无线路由器的无线信号的信息，将采集的无线信号信息组成大数据集无线信号指纹库；信号预处理；参数训练：训练深度神经网络DNN；基于训练的深度神经网络DNN的信号特征提取和特征分类；基于隐马尔科夫模型HMM的位置估计。本发明在不影响实时定位速度的情况下提升定位结果的准确性，成功将定位问题融入到大数据的背景中，并有效的利用大数据的优势来提高实时定位系统的性能。

Description

基于大数据的无线实时位置定位方法

技术领域

本发明通常涉及无线定位技术，尤其涉及基于大数据的无线实时位置定位方法。

背景技术

目前在世界范围内的定位技术主要有GPS定位、Wi-Fi定位、蓝牙定位等，GPS定位主要应用于室外，Wi-Fi、蓝牙定位既可用于室内，也可用于室外。GPS定位由于其特殊的工作方式，与本发明的具体实现相差较远。本定位技术适用但不限于Wi-Fi、蓝牙等定位方式。由于Wi-Fi定位相对成熟，下面以Wi-Fi定位技术为背景来介绍本发明的具体内容。

随着无线路由器的普及，目前大部分公共区域都已经实现十几个甚至几十个Wi-Fi信号覆盖，而且这些路由器在向四周传播Wi-Fi信号的同时，也不停的发送其物理地址与信号强度等信息，只要在其信号覆盖范围内，即使不知道Wi-Fi的密码，也同样能获得这些信息。Wi-Fi定位技术正是充分利用了这类公共的信息，从而实现实时定位。

Wi-Fi定位技术包括硬件与软件两部分，硬件包括无线信号发射器(如无线路由器)、信号接收器(如手机)、定位显示终端(如显示屏)等，软件主要实现用采集到的信号判断位置等功能。其中传统的定位方式有两种：一种是基于硬件的定位，该定位方式利用硬件测到的物理量(如信号传送时间，达到角度等)确定位置，对硬件要求比较高；一种是基于指纹的定位，该定位过程大体上分两个阶段，首先在采集阶段收集定位区域的无线信号作为指纹，然后在定位阶段利用目标对象当前获得的无线信号与这些指纹进行匹配并定位。随着软件算法的越来越成熟，基于指纹算法的定位方式越来越普及。指纹算法的大致流程如图1所示。

目前国内外相关的无线定位研究包括，芬兰Ekahau公司成立于2000年，提供以Wi-Fi技术为基础的实时定位系统。江苏苏州的优频科技有限公司从事无线网络芯片及相关产品研发设计，如基于无线局域网(Wi-Fi)的物联网系统，包括无线定位模块、定位卡或腕带等。上海锐帆信息科技有限公司从事有源RFID、RTLS实时定位系统等安全产品的研究。

现有的与定位相关专利主要有，芬兰Ekahau公司的专利[1Sequence-based positioningtechnique，申请号/专利号EP1532465A1，发明设计人：Pauli Misikangas；Petri]和[2基于序列的定位技术，申请号/专利号03815410.2，发明设计人：P·米西坎加斯；P·米吕迈基]等。他们在专利中提出，用隐马尔可夫模型对位置序列进行建模，采用双向递推的方法用观测结果序列来求取最佳的定位位置。其公式如下：

P (q_{t} | o_{1}^{T}) = P (o_{1}^{t}, q_{t}) P (o_{t + 1}^{T} | q_{t}) / P (o_{1}^{T}) - - - (1)

P (o_{1}^{t}, q_{t}) = P (o_{t} | q_{t}) \underset{q_{t - 1}}{Σ} P (q_{t} | q_{t - 1}) P (o_{1}^{t - 1}, q_{t - 1}) - - - (2)

P (o_{t + 1}^{T} | q_{t}) = \underset{q_{t + 1}}{Σ} P (o_{t + 1} | q_{t + 1}) P (q_{t + 1} | q_{t}) P (o_{t + 2}^{T} | q_{t + 1}) - - - (3)

其中，o_t(1≤t≤T,T为总观测次数)为第t次观测到的信号强度，(1≤i≤j≤T)为第i到j次观测到的信号强度序列，q_t(1≤t≤T)为第t次实际的位置，将公式(2)和(3)带入公式(1)中就能得到第t次的位置分布。虽然上述专利中没有提及观测概率是如何获得的，但是在无线定位问题中，本领域技术人员均知道，由于信号波动性较大，同一位置的信号强度随着时间的改变而不断变化，通过对各个观测位置的每个信号强度建立相应的概率分布模型，直观地从波动的无线信号中获得信号的观测概率，在实际定位中是个比较麻烦的过程。

大数据时代的到来，给基于指纹算法的无线定位系统带来了机遇，但其中也存在一些挑战。随着存储和运算能力的提升及采集信号手段的改进，无线信号数据库中的样本更加丰富，使得基于指纹信号样本的无线定位系统，可以在诸如商场、学校、医院等领域发挥更好的定位效果。但是，采用什么样的算法，才能有效地从这些大量的数据中提取到所需要的特征进行定位，是亟待解决的问题。

现有的基于指纹的无线定位算法主要是通过手工的方式来提取无线信号的特征，比如K近邻(KNN)[3一种实时室内Wifi定位方法，申请号/专利号CN103313387A，发明设计人：汪德嘉]、支持向量机(SVM)与主成分分析(PCA)[4Wi-Fi室内定位方法，申请号/专利号CN103096466A，发明设计人：张中兆；莫云；马琳；栾斌；徐玉滨；崔扬]等，但这些算法均针对少量样本的指纹数据库，在每次进行位置定位时都需要将指纹数据库中的样本信号拿出来进行计算，当采用含有大量样本的指纹数据库进行定位时，会对定位的速度有一定程度的影响。而且这些算法采用的浅层学习结构，对信号特征的提取方式上简陋而粗糙，从而会丢失部分有效的信号强度信息，导致最终定位的结果难以达到理想效果。

而在[5一种改进的基于分簇神经网络的室内指纹定位方法，申请号/专利号：CN102932738A，发明设计人：丁根明；谈振辉；张金宝；张令文；陈铭珅；白嗣东]中，提出了采用浅层神经网络进行无线定位的方法。然而，浅层神经网络由于层数太少，对特征提取能力较差，无法有效挖掘出无线信号和实际位置之间的关系。而且由于信号的不稳定性，神经网络的定位结果也会存在一定的波动，如何消除这种波动也有待解决。

为了提升定位精度，使大数据背景下的定位系统能有一个不错的表现，提出本发明中的深度神经网络-隐马尔可夫模型(DNN-HMM)的指纹定位算法。这个算法模型曾被运用在自然语言处理[6George E.Dahl,Dong Yu,Li Deng,and Alex Acero：“context-dependent Pre-TrainedDeep Neural Networks for Large-Vocabulary Speech Recognition”，IEEE TRANSACTIONS ONAUDIO,SPEECH,AND LANGUAGE PROCESSING，January2012]等领域，表现出不错的性能。

发明内容

本发明的目的就是为了解决上述问题，提供一种基于大数据的无线实时位置定位方法，本发明所阐述的定位算法主要是定位精度的提升，利用含有大量样本的指纹数据库，在不影响定位速度的情况下提升定位结果的准确性，成功将定位问题融入到大数据的背景中，并有效的利用大数据的优势来提高实时定位系统的性能。

为了实现上述目的，本发明采用如下技术方案：

基于大数据的无线实时位置定位方法，包括如下步骤：

首先，将被定位的检测区域网格化，设置在检测区域内的若干无线路由器发射无线信号，在网格化后区域的每个方格内用无线信号接收器多次采集无线路由器的无线信号的信息，将采集的无线信号信息组成大数据集无线信号指纹库；

信号预处理：将大数据集无线指纹库中的无线信号数据或者无线接收器所观测到的信号向量进行归一化处理；

参数训练：采用受限玻尔兹曼机RBM(Restricted Boltzmann Machine)训练和误差反向传播BP(Back Proprgation)训练相结合的方式对深度神经网络DNN的参数进行学习，训练深度神经网络DNN；

基于训练的深度神经网络DNN的信号特征提取和特征分类：所述特征提取是提取当前时刻所观测到的无线信号的特征，利用训练的深度神经网络DNN对归一化处理后的输入向量进行非线性变换，将输入向量投影到合适的空间；所述特征分类是将提取到的特征进行分类，从而实现对当前实际位置所对应的方格进行实时位置估计；

最后，基于隐马尔科夫模型HMM的位置估计：利用所估计位置在时间上连续性，将深度神经网络DNN的多个输出转换为隐马尔科夫序列，采用隐马尔科夫模型HMM对隐马尔科夫序列进行实时位置估计，从而得到最佳的实时定位位置。

所述无线信号信息包括无线信号自身的物理地址与无线信号强度信息。

所述信号预处理的具体步骤为：输入为一组无线信号向量，对该无线信号向量而言，每一个元素代表了一个无线信号发射器在同一观测位置上的信号强度；对于每一个无线信号发射器而言，在由近及远的无线信号接收器上所观测到的无线信号发射器所发出的无线信号强度由-30向-100递减；故采用公式v＝(R+100)/70将信号向量归一化到[0 1]范围内；

其中，R表示某观测位置所观测到各信号发射器所发出的信号强度组成的向量，v表示预处理后的结果，同时也是深度神经网络的输入。如果一观测点未能观测到某信号发射器所发出的无线信号，则令该观测点上的这个信号发射器的信号强度为-100，转化为神经网络输入向量的元素后即为0值。

所述特征提取的具体步骤为：采用深度神经网络DNN来提取特征向量，所述特征提取是由底层输入层经过中间隐藏层往最上层隐藏层传递的过程，层与层之间的传递包括线性变换公式(4)和非线性变换公式(5)：

θ＝Wv+b (4)

h = \frac{1}{1 + e^{- θ}} - - - (5)

其中，W为层间神经元之间的权重系数，b为神经元的偏置，θ为线性变换结果；h为神经元被激活的概率，其值为θ的sigmoid函数。

所述特征分类的具体步骤为：引入Softmax回归模型实现对输入的无线信号向量的分类：由于最上层隐藏层的状态为深度神经网络提取出来的无线信号向量的特征，因此在最上层隐藏层之上，放置一个Softmax回归模型，连接至顶层输出层，即对最上层隐藏层神经元进行分类，从而得到对位置的估计结果；

所述Softmax回归模型如下

y = \frac{e^{x}}{Σ_{x} e^{x}} - - - (6)

其中，y表示输出层的结果，即深度神经网络的输出，x表示最上层隐藏层的状态。

将采集到的信号归一化预处理后输入DNN，通过底层输入层传递到最上层隐藏层，提取得到信号的特征，再通过Softmax回归模型在输出层得到估计结果y，其中第i个元素y_i表示输入信号向量R的实际位置l位于各个方格l_i的概率P(l＝l_i|R)，从而实现对信号实际位置的预估计。

所述参数训练的具体步骤为：

参数预训练：先采用无位置信息的无线信号向量，用无监督的方法，逐层对深度神经网络进行RBM预训练，完成DNN神经网络的参数初始化；

参数预训练完成后：再采用有位置信息的信号向量，用有监督的方法，通过BP(误差反向传播)训练，用输出结果和预期结果的误差来反向调整网络参数，实现对参数的进一步调整，使深度神经网络最终能实现特征提取和分类；

所述预训练是逐层进行的，先用输入层数据来训练输入层神经元和第一层隐藏层神经元的之间的权重系数及这两层神经元的偏置，并获得第一层隐藏层的神经元状态；

再用第一层隐藏层的神经元状态来训练第一层隐藏层神经元和第二层隐藏层神经元之间的权重系数及这两层神经元的偏置；

以此类推，直到训练完除顶层输出层外的其他神经元权重系数和偏置；此时完成了DNN神经网络的参数预训练。

完成了网络参数的逐层预训练后，需要用随机取值的方法对最上层隐藏层与顶层输出层之间的权重系数进行初始化，才能接下来对整个网络进行全局BP训练。

所述BP训练中，采用有监督的全局参数训练的方法：已知无线信号强度向量的实际位置属于某个方格，通过不断调整网络参数使得网络的输出和真实的结果相同。

BP训练过程可采用随机梯度下降、批梯度下降和共轭梯度下降等方法。

基于隐马尔科夫模型HMM的位置估计的具体步骤为：

通过深度神经网络计算1到T时间段内时刻t观测到的信号向量R_t属于方格l_i的概率P(l_i|R_t)，其中1≤t≤T；因此在1-T时间段内，对于这个概率序列，利用HMM来推断序列中某个信号R_t对应的位置。

令HMM模型为θ＝(L,R,A,B,π)，其中L为状态量，L中第i个元素l_i(1≤i≤N，N为定位区域的网格数)表示定位区域中的第i个方格；R为观测量，R中第t个元素R_t(1≤t≤T，T为观测序列的长度)表示t时刻观测到的无线信号强度向量；A为状态转移矩阵，A中第i行第j列的元素a_ij(1≤i,j≤N)表示当前时刻实际位置l在方格l_i的情况下，下一时刻实际位置l′在方格l_j的转移概率P(l′＝l_j|l＝l_i)；B为观测矩阵，B中第j行第t列的元素b_jt(1≤j≤N,1≤t≤T)表示在方格l_j观测到信号R_t的观测概率P(R_t|l＝l_j)；π为初始状态矩阵，π中第i个元素π_i(1≤i≤N)表示初始时刻实际位置l⁰为方格l_i的初始概率P(l⁰＝l_i)。那么有

α_{t} (i) = P (R_{1} R_{2} \cdot \cdot \cdot R_{t}, l = l_{i} | θ) = [Σ_{i = 1}^{N} α_{t - 1} (i) a_{ij}] b_{jt} - - - (7)

β_{t} (i) = P (R_{t + 1} R_{t + 2} \cdot \cdot \cdot R_{T} | l = l_{i}, θ) = Σ_{j = 1}^{N} β_{t + 1} (j) a_{ij} b_{j (t + 1)} - - - (8)

\begin{matrix} α_{t} (i) * β_{t} (i) = P (R_{1} \cdot \cdot \cdot R_{t} | l = l_{i}, θ) P (l = l_{i} | θ) P (R_{t + 1} \cdot \cdot \cdot R_{T} | l = l_{i}, θ) \\ = P (R_{1} R_{2} \cdot \cdot \cdot R_{T} | l = l_{i}, θ) P (l = l_{i} | θ) \\ = P (R_{1} R_{2} \cdot \cdot \cdot R_{T}, l = l_{i} | θ) \end{matrix} - - - (9)

\begin{matrix} p_{t} (i) = \frac{α_{t} (i) β_{t} (i)}{\underset{i}{Σ} α_{t} (i) β_{t} (i)} = \frac{P (R_{1} R_{2} \cdot \cdot \cdot R_{T}, l = l_{i} | θ)}{P (R_{1} R_{2} \cdot \cdot \cdot R_{T} | θ)} \\ = P (l = l_{i} | R_{1} R_{2} \cdot \cdot \cdot R_{T}, θ) \end{matrix} - - - (10)

其中，

α_t(i)表示给定模型θ情况下，时刻t处在位置l_i且部分观测信号序列为R₁R₂…R_t的概率；

β_t(i)表示给定模型θ且时刻t处在位置l_i的情况下，部分观测信号序列为R_t+1R_t+2…R_T的概率；

p_t(i)表示给定模型θ且观测信号序列为R₁R₂…R_T的情况下，时刻t处在位置l_i的概率。

α_t(i)和β_t(i)分别由前向算法公式(7)和后向算法公式(8)可以求出。

因此，基于信号强度向量序列的特性，通过HMM推测出时刻t定位对象处在各个位置的概率，用这些概率作为各个位置的权重并求和，从而估计出时刻t定位对象所在的位置。

本发明的有益效果：

1与之前提到的其他定位算法相比，本发明所阐述的实时定位算法主要是定位精度的提升，在面对大量信号样本的情况下，采用DNN-HMM算法，有效的将全部的信号样本进行结合，充分挖掘这些样本信号背后的有效特征和信息，利用提取到的有效特征进行实时定位，提升定位结果的准确性，一定程度上发挥出大数据的优势。

2采用了深度神经网络结构进行信号特征提取和分类，弥补了浅层学习结构对特征提取能力的不足，提升了模型的学习能力，降低了错误定位发生的概率；针对深度神经网络结构采用了RBM逐层学习和BP误差反向传播的参数训练方式，使得网络参数容易训练且更接近最优值。

3采用了隐马尔可夫模型对深度神经网络的输出进行序列估计与实时定位，从理论上更符合定位结果属于序列变化的这一客观事实，同时也进一步提升了实时定位结果的准确性和可靠性；理论上分析了深度神经网络的输出作为隐马尔可夫模型的输入的正确性，并在实验中进一步证明了两个模型结合的有效性。

4采用了深度神经网络有效的将指纹数据库与定位过程分离，在定位前先用数据库中的信号样本完毕神经网络的参数训练，定位时只需要用训练好的参数对当前的无线信号向量进行计算，使得实时定位速度不受数据库信号样本数量的影响，从而在大数据背景下实现实时定位。

5采用了深度神经网络有效的把数据库中位置已知和位置未知的样本信号结合起来，利用无监督方式预训练参数，利用有监督方式调整参数，从而提高这种实时定位算法的运用场合，也进一步提高了算法的准确性和可操作性。

附图说明

图1为现有技术的常规工作流程；

图2为本发明的流程图；

图3(a)为深度神经网络参数预训练示意图；

图3(b)为深度神经网络参数预训练示意图；

图3(c)为深度神经网络参数预训练示意图；

图3(d)为深度神经网络参数预训练示意图；

图4为本发明应用在某室外花园无线定位时的定位区域网格图；

图5为本发明应用在某室内楼层无线定位时的定位区域网格图。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

基于大数据的无线实时位置定位方法，首先将被定位的区域网格化(如2m*2m)，在每个方格内用无线接收器(如手机)多次采集这些Wi-Fi信号所包含的物理地址与信号强度等信息，将足够多的这些信息(如每个方格采集100次)组成指纹数据库。然后利用含有大量样本的无线信号指纹库训练深度神经网络DNN，并利用该网络提取当前实际位置所观测到的无线信号的特征，依据提取到的无线信号特征对当前实际位置所对应的方格进行实时估计。最后依据隐马尔科夫模型HMM，将某时间段的预估计结果组成序列，对这个时间段内某时刻的位置进行计算，从而得到最佳的实时定位位置。

如图2所示，基于大数据的无线实时位置定位方法，包括如下步骤：

信号预处理：将指纹库中的无线信号数据或者定位对象所观测到的信号向量进行归一化处理；

参数训练：采用受限玻尔兹曼机RBM(Restricted Boltzmann Machine)训练和误差反向传播BP(Back Proprgation)训练相结合的方式对深度神经网络DNN的参数进行学习，训练深度神经网络；

基于深度神经网络DNN(Deep Neural Net)的信号特征提取和特征分类：所述特征提取是利用深度神经网络DNN对归一化后的输入向量进行非线性变换，将输入向量投影到合适的空间；所述特征分类是将提取到的特征进行分类，对该信号所对应的方格进行实时估计；

基于隐马尔科夫模型HMM的位置估计：利用位置序列的连续性，将连续的深度神经网络DNN的输出转换为序列，采用隐马尔科夫模型HMM对序列进行实时位置估计。

所述信号预处理的具体步骤为：定位系统的输入为一组无线信号向量，对该向量而言，每一个元素代表了一个无线信号发射器在同一观测位置上的信号强度。对于每一个信号发射器而言，在由近及远的观测点上所观测到的该发射器所发出的无线信号强度由-30向-100递减；故这里采用公式v＝(R+100)/70将信号向量归一化到[0 1]范围内；其中，R表示某观测位置所观测到各信号发射器所发出的信号强度组成的向量，v表示预处理后的结果，同时也是神经网络的输入。如果一观测点未能观测到某信号发射器所发出的无线信号，则令该观测点上的这个信号发射器的信号强度为-100，转化为神经网络输入向量的元素后即为0值。

θ＝Wv+b (4)

h = \frac{1}{1 + e^{- θ}} - - - (5)

所述特征分类的具体步骤为：引入分类器实现对输入的无线信号向量的分类：由于最上层隐藏层的状态为深度神经网络提取出来的无线信号向量的特征，因此在最上层隐藏层之上，放置一个Softmax回归模型，连接至顶层输出层，即可将这些特征进行分类，从而得到对位置的实时估计结果；

所述Softmax回归模型如下

y = \frac{e^{x}}{Σ_{x} e^{x}} - - - (6)

其中，y表示输出层的结果，即深度神经网络的输出，输出层第i个神经元的值用y_i表示，x表示最上层隐藏层的状态。

将采集到的信号归一化预处理后输入DNN，通过底层输入层传递到最上层隐藏层，提取得到信号的特征，再通过分类器在输出层得到估计结果y_i，即信号向量R的实际位置l位于各个方格l_i的概率P(l＝l_i|R)，从而实现对信号位置的预估计。

所述参数训练的具体步骤为：

为了训练网络参数，先采用无位置信息的无线信号向量，用无监督的方法，逐层对深度神经网络进行RBM预训练，完成DNN神经网络的参数初始化，使得神经网络的参数在后面的BP训练中更接近全局最优解。参数预训练完成后，再采用有位置信息的信号向量，用有监督的方法，通过BP(误差反向传播)训练来实现对参数的进一步调整，使深度神经网络最终能实现有效的特征提取和分类功能。

所述预训练是逐层进行的，先用输入层数据来训练输入层神经元和第一层隐藏层神经元的之间的权重系数及这些神经元的偏置，并获得第一层隐藏层的神经元状态，如图3(a)所示。再用第一层隐藏层的神经元状态来训练该层隐藏层神经元和第二层隐藏层神经元之间的权重系数及这些神经元的偏置，如图3(b)所示；以此类推，直到训练完除顶层输出层外的其他神经元权重系数和偏置；此时完成了DNN神经网络的参数预训练，如图3(c)所示。

完成了网络参数的逐层预训练后，需要用随机取值的方法对最上层隐藏层与顶层输出层之间的权重系数进行初始化，才能接下来对整个网络进行全局BP调整，如图3(d)所示。

所述BP训练中，采用有监督的全局参数训练的方法：已知无线信号强度向量的实际位置属于某个方格，通过不断调整网络参数使得网络的输出和真实的结果相同。BP训练过程可采用随机梯度下降、批梯度下降和共轭梯度下降等方法。

基于隐马尔科夫模型HMM的位置估计的具体步骤为：

通过深度神经网络计算1-T时间段内时刻t观测到的信号向量R_t属于方格l_i的概率P(l_i|R_t)，其中1≤t≤T；因此在1-T时间段内，对于这个概率序列，可以利用HMM来推断序列中某个信号R_t对应的位置。

令HMM模型为θ＝(L,R,A,B,π)，其中L为状态量，L中第i个元素l_i(1≤i≤N，N为定位区域的网格数)表示定位区域中的方格i；R为观测量，R中第t个元素R_t(1≤t≤T，T为观测序列的长度)表示t时刻观测到的无线信号强度向量；A为状态转移矩阵，A中第i行第j列的元素a_ij(1≤i,j≤N)表示当前时刻实际位置l在方格l_i的情况下，下一时刻实际位置l′在方格l_j的转移概率P(l′＝l_j|l＝l_i)；B为观测矩阵，B中第j行第t列的元素b_jt(1≤j≤N,1≤t≤T)表示在方格l_j观测到信号R_t的观测概率P(R_t|l＝l_j)；π为初始状态矩阵，π中第i个元素π_i(1≤i≤N)表示初始时刻实际位置l⁰为方格l_i的初始概率P(l⁰＝l_i)。那么有

α_{t} (i) = P (R_{1} R_{2} \cdot \cdot \cdot R_{t}, l = l_{i} | θ) = [Σ_{i = 1}^{N} α_{t - 1} (i) a_{ij}] b_{jt} - - - (7)

β_{t} (i) = P (R_{t + 1} R_{t + 2} \cdot \cdot \cdot R_{T} | l = l_{i}, θ) = Σ_{j = 1}^{N} β_{t + 1} (j) a_{ij} b_{j (t + 1)} - - - (8)

\begin{matrix} α_{t} (i) * β_{t} (i) = P (R_{1} \cdot \cdot \cdot R_{t} | l = l_{i}, θ) P (l = l_{i} | θ) P (R_{t + 1} \cdot \cdot \cdot R_{T} | l = l_{i}, θ) \\ = P (R_{1} R_{2} \cdot \cdot \cdot R_{T} | l = l_{i}, θ) P (l = l_{i} | θ) \\ = P (R_{1} R_{2} \cdot \cdot \cdot R_{T}, l = l_{i} | θ) \end{matrix} - - - (9)

\begin{matrix} p_{t} (i) = \frac{α_{t} (i) β_{t} (i)}{\underset{i}{Σ} α_{t} (i) β_{t} (i)} = \frac{P (R_{1} R_{2} \cdot \cdot \cdot R_{T}, l = l_{i} | θ)}{P (R_{1} R_{2} \cdot \cdot \cdot R_{T} | θ)} \\ = P (l = l_{i} | R_{1} R_{2} \cdot \cdot \cdot R_{T}, θ) \end{matrix} - - - (10)

其中，

如图2所示，本发明所提出的实时定位算法主要包括信号预处理、基于DNN的信号特征提取和分类、参数训练、基于HMM的位置估计四个部分。

信号预处理：将指纹库中的信号数据或者定位对象所采集的信号向量，转换成数值在0到1之间的向量，即归一化处理信号向量，每个信号的方差，以使随后的神经网络能够对输入量进行有效的处理。

基于DNN的信号特征提取和特征分类：所述特征提取是利用深度神经网络对归一化后的输入向量进行非线性变换，将输入向量投影到合适的空间；所述特征分类是将提取到的有效的特征进行分类，对该信号所对应的实际位置进行预估计。

参数训练：深度神经网络要实现特征提取和分类，必须求解其结构中的大量的参数，例如层间神经元权重系数，层神经元偏置等。这里采用受限玻尔兹曼机(RBM)逐层训练和误差反向传播(BP)整体训练相结合的方式。

基于HMM的位置估计：位置序列是一个连续的状态变化过程，因此前后时刻的位置是有一定关系的，这里采用HMM估计位置，利用了序列的连续性，更能保证定位结果的准确性。

信号预处理

一般而言，深度神经网络的输入为一组向量。在实际的定位系统中，输入为一组无线信号强度向量。对于该向量而言，每一个元素代表了一个热点(AP)的在该采集点的信号强度。那么在运算前需要对这些原始特征进行归一化，以防止某些因数值低而被忽略。对于一个热点(AP)的信号来说，其强度范围在[-100 -30]。因此原始信号向量中每个信号强度都有相同的上限与下限。在预处理时，需要将这些信号强度归一化到[0 1]范围内，即

v＝(R+100)/70

其中R表示采集的原始无线信号强度，v表示预处理后的神经网络输入。如果一个信号未出现在采集点，则令该采集点的这个信号强度为-100，转化为神经网络输入向量的元素后即为0值。

参数训练

无线信号特征提取的好坏，取决于DNN参数训练的情况。所以，参数训练的结果对定位结果有非常大的影响。参数训练的越好，DNN提取到的无线信号特征也就越容易实现分类。不然，想从不太理想的特征中实现分类是非常困难的。

深度神经网络的参数训练是一个比较棘手的问题，因为其网络深，参数多，BP训练容易收敛到局部最优值。

为了初始化网络参数，这里先采用大量无需其位置信息的无线信号向量，用无监督的方法，逐层对深度神经网络进行预训练。预训练是逐层进行的，换句话说，先用输入层数据来训练输入层和第一层隐藏层的之间的权重系数和它们的偏置，并获得该隐藏层的神经元状态。再用这层隐藏层的神经元状态来训练它和它上一层之间的权重系数和它们的偏置。以此类推，直到训练完全部的隐藏层神经元。此时就完成了DNN神经网络的参数初始化。

顶层隐藏层到输出层之间的权重系数这里采用随机取值的方法对其初始化。

完成了网络参数初始化后，接下来的处理就是BP训练。在BP训练中，采用有有监督的训练方法，即已知无线信号强度向量的实际位置属于哪个方格，通过不断调整网络参数使得网络的输出和真实的结果相同。训练过程采用随机梯度下降的方法。

基于DNN的信号特征提取和分类

在信号强度归一化后，采用神经网络来提取其特征和估计位置。神经网络中对于输入向量的特征提取，是由底层经过中间隐藏层往顶层传递的一个过程。层与层之间的传递包含了线性变换和非线性变换。

θ＝Wv+b (4)

h = \frac{1}{1 + e^{- θ}} - - - (5)

如上式(4)为线性变换v到θ，W为层间神经元之间的权重系数，b为神经元的偏置，θ为线性变换结果。式(5)为非线性变换，h为隐藏层神经元激活概率，其值为θ的sigmoid函数。理论上，当神经网络层数和神经元个数足够多，可以拟合任意的非线性函数。

一般而言，深度神经网络的层数越多，提取的特征越抽象。层数太少，特征提取不充分，使得分类的效果不太理想。层数过多，分类结果的好坏难以提升，反而增加了的训练时间和计算量。

要能实现对输入的无线信号向量的分类，还需要引入分类器。由于最上层隐藏层的状态为神经网络自动提取出来的无线信号向量的特征，因此在最上层隐藏层之上，放置一个Softmax回归分类器，从而得到估计的结果。Softmax回归模型如下

y = \frac{e^{x}}{Σ_{x} e^{x}}

将采集到的信号归一化预处理后输入DNN，通过底层输入层传递到最上层隐藏层，提取得到信号的特征，再通过分类器在输出层得到估计结果y，其第i个元素y_i表示输入信号向量R的实际位置l位于各个方格l_i的概率P(l＝l_i|R)，从而实现对信号实际位置的预估计。

基于HMM的位置预测

通过深度神经网络计算1-T时间段内时刻t观测到的信号向量R_t属于方格l_i的概率P(l_i|R_t)，其中1≤t≤T；因此在1-T时间段内，对于这个概率序列，利用HMM来推断序列中某个信号R_t对应的位置。

α_{t} (i) = P (R_{1} R_{2} \cdot \cdot \cdot R_{t}, l = l_{i} | θ) = [Σ_{i = 1}^{N} α_{t - 1} (i) a_{ij}] b_{jt} - - - (7)

β_{t} (i) = P (R_{t + 1} R_{t + 2} \cdot \cdot \cdot R_{T} | l = l_{i}, θ) = Σ_{j = 1}^{N} β_{t + 1} (j) a_{ij} b_{j (t + 1)} - - - (8)

\begin{matrix} α_{t} (i) * β_{t} (i) = P (R_{1} \cdot \cdot \cdot R_{t} | l = l_{i}, θ) P (l = l_{i} | θ) P (R_{t + 1} \cdot \cdot \cdot R_{T} | l = l_{i}, θ) \\ = P (R_{1} R_{2} \cdot \cdot \cdot R_{T} | l = l_{i}, θ) P (l = l_{i} | θ) \\ = P (R_{1} R_{2} \cdot \cdot \cdot R_{T}, l = l_{i} | θ) \end{matrix} - - - (9)

\begin{matrix} p_{t} (i) = \frac{α_{t} (i) β_{t} (i)}{\underset{i}{Σ} α_{t} (i) β_{t} (i)} = \frac{P (R_{1} R_{2} \cdot \cdot \cdot R_{T}, l = l_{i} | θ)}{P (R_{1} R_{2} \cdot \cdot \cdot R_{T} | θ)} \\ = P (l = l_{i} | R_{1} R_{2} \cdot \cdot \cdot R_{T}, θ) \end{matrix} - - - (10)

其中，

在无线信号定位运用里，可以将定位问题看作是一个分类问题，即把定位的区域划分为许多小方格，每个方格对应一个位置。在室外实验中，定位区域及空间划分如图4所示，定位区域为某露天花园走廊区域，被划分为105个方格，每个方格为边长2m的正方形，定位系统在全部方格组成的区域内采集信号向量，并以每秒钟采集一次实时信号向量的频率进行记录，用来构建指纹数据库和生成测试数据集。在室内实验中，定位区域及空间划分如图5所示，定位区域为某室内楼层三楼走廊区域，被划分为91个方格，每个方格为边长1.8m的正方形。信号向量由该环形区域内存在的无线信号的强度构成，由于有些无线信号无法实现对该环形区域的完全覆盖，因此未观测到的信号默认其信号强度为最小值-100。每个信号向量都对应一组x，y坐标，根据这组坐标我们可以判断该信号向量属于定位区域中的哪个方格。

为了让室外与室内的实验中使用的数据尽可能的反应真实的信号特性，我们分别在5个不同时间段内对定位区域进行采样，每次采样在全部方格中进行，每个方格中取4个测样点共记录20次信号样本。每个样本是由当前位置的各无线发射器信号强度构成的向量(未观测到的信号强度则默认为-100)，同时记录下当前观测点所对应方格编号。最后将这些样本分成两部分，一部分构建指纹数据库以训练参数，另一部分作为测试数据，以进行定位结果的比较。在DNN-HMM算法中，DNN采用3层隐藏层，每层神经元数为100，室外实验中共采集到359个热点(AP)信号，故其输入神经元数为359，为了实现105个位置的预估计，室外定位的深度神经网络的输出层由105个神经元组成。室内实验中共采集到163个热点(AP)信号，故其输入神经元数为163，室内定位的深度神经网络的输出层由91个神经元组成。HMM的状态转移概率由平面图确定，即实际相邻的方格之间的转移概率相等，而不相邻的方格之间转移概率为零。HMM的信号观测序列的长度为13，其中前向观测序列为7，后向观测序列为6，即进行连续13次的信号采样，估计第7次观测到的信号的实际位置。

在实验中将每个方格的100个信号样本随机抽取其中80个组成信号指纹数据库，用来训练参数，剩余20个组成测试数据用来计算实时定位结果的正确率。实时定位正确率由正确的定位结果数除以测试数据总数得到，用来评判定位结果好坏，其中实时定位结果的正确性以定位位置是否在实际方格内为标准。室外和室内的实验结果分别如表1、表2所示：

表1室外定位结果

算法	DNN-HMM	DNN	KNN-HMM	KNN
					正确率	93.87％	85.99％	71.78％	43.43％

表2室内定位结果

算法	DNN-HMM	DNN	KNN-HMM	KNN
					正确率	96.86％	86.63％	78.32％	57.23％

由表1与表2可以很容易看出，在室外和室内的定位实验中，DNN-HMM的正确率远远高于算法KNN与KNN-HMM，同时也高于只用DNN进行定位的结果。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims

1.基于大数据的无线实时位置定位方法，其特征是，包括如下步骤：

首先，将被定位的检测区域网格化，设置在检测区域内的无线路由器发射无线信号，在网格化后区域的每个方格内用无线信号接收器多次采集无线路由器的无线信号的信息，将采集的无线信号信息组成大数据集无线信号指纹库；

参数训练：采用受限玻尔兹曼机RBM训练和误差反向传播BP训练相结合的方式对深度神经网络DNN的参数进行学习，训练深度神经网络；

2.如权利要求1所述的基于大数据的无线实时位置定位方法，其特征是，所述无线信号信息包括无线信号自身的物理地址与无线信号强度信息。

3.如权利要求1所述的基于大数据的无线实时位置定位方法，其特征是，所述信号预处理的具体步骤为：输入为一组无线信号向量，对该无线信号向量而言，每一个元素代表了一个无线信号发射器在同一观测位置上的信号强度；对于每一个无线信号发射器而言，在由近及远的无线信号接收器上所观测到的该发射器所发出的无线信号强度由-30向-100递减；故采用公式v＝(R+100)/70将信号向量归一化到[0 1]范围内；其中，R表示某观测位置所观测到各信号发射器所发出的信号强度组成的向量，v表示预处理后的结果，同时也是神经网络的输入。

4.如权利要求1所述的基于大数据的无线实时位置定位方法，其特征是，所述特征提取的具体步骤为：采用深度神经网络DNN来提取特征向量，所述特征提取是由底层输入层经过中间隐藏层往最上层隐藏层传递的过程，层与层之间的传递包括线性变换公式(4)和非线性变换公式(5)：

θ＝Wv+b (4)

h = \frac{1}{1 + e^{- θ}} - - - (5)

5.如权利要求1所述的基于大数据的无线实时位置定位方法，其特征是，所述特征分类的具体步骤为：

引入分类器实现对输入的无线信号向量的分类：将采集到的信号归一化预处理后输入DNN，通过底层输入层传递到最上层隐藏层，提取得到信号的特征，再通过分类器在输出层得到估计结果y_i，即输入信号向量R的实际位置l位于各个方格l_i的概率P(l＝l_i|R)，从而实现对信号实际位置的预估计。

6.如权利要求1所述的基于大数据的无线实时位置定位方法，其特征是，所述参数训练的具体步骤为：

参数预训练完成后：再采用有位置信息的信号向量，用有监督的方法，通过BP训练，用输出结果和预期结果的误差来反向调整网络参数，实现对参数的进一步调整，使深度神经网络最终能实现特征提取和分类；

以此类推，直到训练完除顶层输出层外的其他神经元权重系数和偏置；此时完成了DNN神经网络的参数预训练；

7.如权利要求6所述的基于大数据的无线实时位置定位方法，其特征是，所述BP训练中，采用有监督的全局参数训练的方法：已知无线信号强度向量的实际位置属于某个方格，通过不断调整网络参数使得网络的输出和真实的结果相同。

8.如权利要求1所述的基于大数据的无线实时位置定位方法，其特征是，基于隐马尔科夫模型HMM的位置估计的具体步骤为：

通过深度神经网络计算1-T时间段内时刻t观测到的信号向量R_t属于方格l_i的概率P(l_i|R_t)，其中1≤t≤T；因此在1-T时间段内，对于这个概率序列，利用HMM来推断序列中某个信号R_t对应的位置；

令HMM模型为θ＝(L,R,A,B,π)，其中L为状态量，L中第i个元素l_i(1≤i≤N，N为定位区域的网格数)表示定位区域中的方格i；R为观测量，R中第t个元素R_t(1≤t≤T，T为观测序列的长度)表示t时刻观测到的无线信号强度向量；A为状态转移矩阵，A中第i行第j列的元素a_ij(1≤i,j≤N)表示当前时刻实际位置l在方格l_i的情况下，下一时刻实际位置l′在方格l_j的转移概率P(l′＝l_j|l＝l_i)；B为观测矩阵，B中第j行第t列的元素b_jt(1≤j≤N,1≤t≤T)表示在方格l_j观测到信号R_t的观测概率P(R_t|l＝l_j)；π为初始状态矩阵，π中第i个元素π_i(1≤i≤N)表示初始时刻实际位置l⁰为方格l_i的初始概率P(l⁰＝l_i)；那么有

α_{t} (i) = P (R_{1} R_{2} \cdot \cdot \cdot R_{t}, l = l_{i} | θ) = [Σ_{i = 1}^{N} α_{t - 1} (i) a_{ij}] b_{jt} - - - (7)

β_{t} (i) = P (R_{t + 1} R_{t + 2} \cdot \cdot \cdot R_{T} | l = l_{i}, θ) = Σ_{j = 1}^{N} β_{t + 1} (j) a_{ij} b_{j (t + 1)} - - - (8)

\begin{matrix} α_{t} (i) * β_{t} (i) = P (R_{1} \cdot \cdot \cdot R_{t} | l = l_{i}, θ) P (l = l_{i} | θ) P (R_{t + 1} \cdot \cdot \cdot R_{T} | l = l_{i}, θ) \\ = P (R_{1} R_{2} \cdot \cdot \cdot R_{T} | l = l_{i}, θ) P (l = l_{i} | θ) \\ = P (R_{1} R_{2} \cdot \cdot \cdot R_{T}, l = l_{i} | θ) \end{matrix} - - - (9)

\begin{matrix} p_{t} (i) = \frac{α_{t} (i) β_{t} (i)}{\underset{i}{Σ} α_{t} (i) β_{t} (i)} = \frac{P (R_{1} R_{2} \cdot \cdot \cdot R_{T}, l = l_{i} | θ)}{P (R_{1} R_{2} \cdot \cdot \cdot R_{T} | θ)} \\ = P (l = l_{i} | R_{1} R_{2} \cdot \cdot \cdot R_{T}, θ) \end{matrix} - - - (10)

其中，

p_t(i)表示给定模型θ且观测信号序列为R₁R₂…R_T的情况下，时刻t处在位置l_i的概率；

α_t(i)和β_t(i)分别由前向算法公式(7)和后向算法公式(8)求出；

因此，基于信号强度向量序列的特性，通过HMM推测出时刻t定位对象处在各个位置的概率，用这些概率作为各个位置的权重并求和，从而实时估计出时刻t定位对象所在的位置。