CN104066178B - 一种基于人工神经元网络的室内无线定位指纹生成方法 - Google Patents

Abstract

本发明是一种基于人工神经元网络的室内无线定位指纹生成方法，属于无线通信技术领域，具体涉及一种基于人工神经元网络的室内无线定位指纹生成方法。本发明解决的技术问题是：提供一种基于人工神经元网络的室内无线定位指纹生成方法，该方法利用在定位区域内选取的若干勘测点所采集的数据，生成一个径向基函数网络，实现对定位区域目标点坐标到接入点AP的信号强度值RSSI的映射，并由此映射计算指纹数据。从而在较少勘测数据的情况下，利用径向基函数网络生成其它指纹数据，以提高指纹库的形成效率。

Description

一种基于人工神经元网络的室内无线定位指纹生成方法

技术领域

本发明属于无线通信技术领域，具体涉及一种基于人工神经元网络的室内无线定位指纹生成方法。

背景技术

基于WIFI的室内定位技术，很大程度上依赖其指纹库的建立。目前，建立指纹库主要包括基于信号传播模型和实地勘测两种，其中：

(1)基于信号传播模型方法利用信号在空气中进行传播所统计出来的模型及相应参数，对定位区域中每一坐标，计算出某接入点(Access Point，AP)到该坐标的信号强度指示(Received Signal Strength Indicator，RSSI)值。但是由于室内各种影响信号传播的因素存在(例如各种厚度的墙、带门或门洞的墙、及家具等)，需要考虑做特殊处理的情况很多。此外，无线信号在经过反射、衍射、散射后，简单的传播模型很难将这些情况描述清楚。

(2)实地勘测方法基于实地勘测信号强度值构建指纹库，是不需要室内传播模型的，也不需要对传播模型的参数进行估计。但在实时定位前需要对定位区域进行离线阶段的实地信号勘测，采集定位区域选取的各个参考点位置上的RSSI强度值作为指纹特征。当采用通常的指纹比对方法进行定位时，选取参考点的密度对定位精度有很大影响。但一旦勘测点增加，其工程量和复杂度都相应增加。

由此可见，基于信号传播模型的方法和指纹现场勘测方法在实际使用中均存在一定缺点。

发明内容

本发明解决的技术问题是：提供一种基于人工神经元网络的室内无线定位指纹生成方法，该方法利用在定位区域内选取的若干勘测点所采集的数据，生成一个径向基函数网络，实现对定位区域目标点坐标到接入点AP的信号强度值RSSI的映射，并由此映射计算指纹数据。从而在较少勘测数据的情况下，利用径向基函数网络生成其它指纹数据，以提高指纹库的形成效率。

为便于叙述，我们假设定位区域内可探测到的AP个数为M。一般地，我们可以设想定位区域内目标点坐标与编号为m的AP的信号强度值RSSI的关系是一个函数f，

f_m(x，y)＝rssi_m， 1≤m≤M

要求得这个未知函数f，难度很大。但是我们可以构造径向基函数(Radial BasisFunction，简称RBF)网络，使其无限接近函数f，即(f-RBF)²极小。因而在现实当中，可用该RBF网络代替函数f。

径向基函数网络属于人工神经元网络的一种，因其激活函数采用径向基函数而得名。RBF网络的结构通常为3层：第一层为输入层，第二层为以RBF为激活函数的隐藏层，第三层为输出层。RBF网络是一个前馈网络。我们采用高斯核函数作为径向基函数，

其中c为核函数中心，σ为函数的宽度参数；运算符||...||表示Norm运算，即取向量的“度量”，二维空间下即为距离。

RBF网络可描述为，

其中，

其中K_m为第m个AP的RBF网络隐藏层单元数；

C_m和σ_m分别为径向基函数网络隐藏层的RBF函数的中心向量和宽度参数向量；

W_m为RBF网络输出层的权值向量。

将RBF网络作为勘测点坐标到RSSI勘测值的映射(见图1)，其中x为勘测点坐标向量(x，y)，h_m(x)为第m个AP的RSSI勘测值。

我们将(1)式以矩阵形式表示。我们记

(x_m，i，y_m，i)，i＝1，...，L

为勘测数据元组，其中x_m，i为勘测点坐标向量，y_m，i为RSSI勘测值，L为勘测点总数；这样

Y_m＝(y_m，1，y_m，2，...，y_m，L)

Y_m为勘测得到的RSSI值向量；同时记

H_m是L×K_m矩阵。因此，(1)式可以记为

当RBF网络的所有参数(C_m，σ_m，W_m)都确定后，即确定了RBF网络，此后即可生成所需的所有指纹数据。

附图说明

图1为适用于本发明的RBF网络结构图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本发明的具体实施包括构造RBF网络和生成指纹数据。由勘测数据构造RBF网络的过程通常称为训练过程或学习过程，即确定RBF网络的所有参数(C_m，σ_m，W_m)的过程。

具体实施步骤如下。

步骤1：现场勘测

在定位区域内指根据室内拓扑结构和布置选取若干勘测点采集数据。采集数据包括：勘测点坐标(x，y)，及勘测点处无线信号强度数据

(rssi₁，rssi₂，...，rssi_M)

步骤2：求径向基函数网络隐藏层的RBF函数的中心向量

对每一AP，对勘测数据采用聚类算法(例如k-means，gmm等)求出其径向基函数网络隐藏层的RBF函数的中心向量

K_m为第m个AP的RBF网络隐藏层单元数。一般来说，隐藏层单元数越多，构造出的RBF网络就越接近未知函数f。但隐藏层单元数越多，计算量就越大。根据AP在定位区域覆盖范围的大小，和定位区域拓扑结构的复杂程度，可以将隐藏层单元数确定在10-40之间。

步骤3：求径向基函数网络隐藏层的RBF函数的宽度参数向量

对第m个AP的每一中心c_mj，其距其它中心最小的距离可作为它的宽度参数σ_mj，

σ_mj＝min{||c_mi-c_mj||，i≠j，i＝1，...，K_m}

步骤4：求RBF网络输出层的权值向量

由(2)式，第m个AP的RBF网络输出层的权值向量W_m可由下式求出，

其中矩阵是H_m的伪逆矩阵。

步骤5：生成指纹数据

将所有确定需要生成指纹数据的坐标点的坐标向量逐一作为构造出的RBF网络的输入，经计算得到输出的RSSI值。

在本说明书的描述中，尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同限定。

Claims (1)

1.一种基于人工神经元网络的室内无线定位指纹生成方法，其特征在于，所述人工神经元网络即径向基函数(Radial Basis Function，简称RBF)网络可描述为，

将RBF网络作为勘测点坐标到接收信号强度指示(Received Signal StrengthIndicator，RSSI)的映射，则在(1)式中，M为定位区域内可探测到的无线接入点(AccessPoint，AP)个数；x为勘测点坐标向量(x，y)；K_m为第m个AP的RBF网络隐藏层单元数；并且有以下高斯核函数，

在(2)式中，c_mj为核函数中心；σ_mj为函数的宽度参数；运算符||...||表示Norm运算，即求向量的“度量”，在二维空间下即为求距离的运算；

我们记

(x_m，i，y_m，i)，i＝1，...，L

为勘测数据元组，其中x_m，i为勘测点坐标向量，y_m，i为RSSI勘测值，L为勘测点总数；这样

Y_m＝(y_m，1，y_m，2，...，y_m，L)

Y_m为勘测得到的RSSI值向量；同时记

H_m是L×K_m矩阵；因此，(1)式可以以矩阵形式表示，

$Y_m^T=H_m{W}_m^T---\left(3\right)$

其中T为转置符号；

基于人工神经元网络的室内无线定位指纹的生成方法包括以下步骤：

步骤1：现场勘测

在定位区域内根据室内拓扑结构和布置选取若干勘测点采集数据；采集数据包括：勘测点坐标(x，y)，及勘测点处无线信号强度数据

(rssi₁，rssi₂，...，rssi_M)；

步骤2：求径向基函数网络隐藏层的RBF函数的中心向量

对每一AP，对勘测数据采用聚类算法求出其径向基函数网络隐藏层的RBF函数的中心向量

$C_m=(c_{m1},c_{m2},\mathrm{...},c_{{\mathrm{mK}}_m}),1\≤m\≤M$

步骤3：求径向基函数网络隐藏层的RBF函数的宽度参数向量

对第m个AP的每一中心c_mj，其距离其它中心最小的距离可作为它的宽度参数σ_mj，

σ_mj＝min{||c_mi-c_mj||，i≠j，i＝1，...，K_m}；

步骤4：求RBF网络输出层的权值向量

第m个AP的RBF网络输出层的权值向量W_m可由下式求出，

$W_m=H_m^{+}{Y}_m$

其中矩阵H_m ⁺是H_m的伪逆矩阵；

步骤5：生成指纹数据

将所有确定需要生成指纹数据的坐标点的坐标向量逐一作为构造出的RBF网络的输入，即代入(1)式，经计算得到输出的RSSI值；

其中所述的步骤2-4，生成一个径向基函数网络，实现由定位区域目标点坐标到接入点AP的信号强度值RSSI的映射的过程，确定径向基函数网络的所有参数，包括：

(1)由勘测数据求径向基函数网络隐藏层的RBF函数的中心向量

$C_m=(c_{m1},c_{m2},\mathrm{...},c_{{\mathrm{mK}}_m});$

(2)由中心向量求径向基函数网络隐藏层的RBF函数的宽度参数向量

${\mathrm{\σ}}_m=({\mathrm{\σ}}_{m1},{\mathrm{\σ}}_{m2},\mathrm{...},{\mathrm{\σ}}_{{\mathrm{mK}}_m});$

(3)由中心向量和宽度参数向量求RBF网络输出层的权值向量

$W_m=(w_{m1},w_{m2},\mathrm{...},w_{{\mathrm{mK}}_m}).$