CN105872981B - 基于信号合成和人工神经网络的室内定位方法 - Google Patents

Abstract

本发明提供一种基于信号合成和人工神经网络的室内定位方法，其包括（1）Wi‑Fi热点设置，（2）参考点选择，（3）信号合成，（4）人工神经网络训练，（4）在线定位的步骤，获取待测点的信号强度RSS值，通过信号合成算法得到该待测点的合成信号矢量，输入到训练好的人工神经网络中，获得待测点的位置坐标，实现定位功能。本发明可以利用Wi‑Fi信号强度实现室内定位，其具有定位准确、适应性好、便于用户使用等优点，可以充分利用室内环境的Wi‑Fi热点，不需要额外硬件投资；相对于目前的GPS导航系统，能打破室内应用的限制，有更强的实用性。

Description

基于信号合成和人工神经网络的室内定位方法

技术领域

本发明属于Wi-Fi、人工神经网络、室内定位技术领域，是Wi-Fi信号检测与神经网络的应用，特别涉及的是一种基于信号合成和人工神经网络的室内定位方法。

背景技术

近年来，Wi-Fi技术以其覆盖范围大、无需布线、传输速度快、发射功率小等优点迅猛发展。笔记本电脑、Pad、智能手机等迅速普及，大都支持Wi-Fi技术；同时大型室内场所内的Wi-Fi网络正逐步部署；运用Wi-Fi信号采集和人工神经网络技术，可以弥补GPS应用范围的限制，同时提高定位精度，增加效率，充分利用智能终端，方便快速，便于普及，成本低。但目前使用的室内定位方法并没有充分发挥无线定位的功能，产生定位误差大、不准确的缺陷。

发明内容

为克服现有技术上的不足，本发明目的是提供一种基于信号合成和人工神经网络的室内定位方法，可将误差控制在很小的范围内，大大提高了室内定位的精度和准确性，降低了神经网络的训练时间，提高了训练效率；

为实现上述发明目的的技术方案是：一种基于信号合成和人工神经网络的室内定位方法，包括如下步骤：

(1)、室内环境布置M个Wi-Fi热点，编号为0,1,...,M-1，确保所述室内环境中任意一个位置点能被两个或两个以上的Wi-Fi热点发出的信号覆盖；其中，M≥2；

(2)、在室内环境中设置N个参考点，选取其中任意一个参考点作为坐标原点并建立直角坐标系，计算N个参考点和M个热点在直角坐标系中的坐标位置；其中，N≥2；

(3)、在每一个参考点位置，利用信号接收器采集来自每一个Wi-Fi热点的信号强度RSS值，通过信号合成算法得到合成信号矢量；

(4)、将N个参考点的合成信号矢量及其对应的位置坐标，组成训练样本集导入到人工神经网络中进行训练，其中合成信号矢量作为人工神经网络的输入，对应位置坐标作为人工神经网络的期望输出；

(5)、获取待测点的信号强度RSS值，通过信号合成算法得到该点的合成信号矢量，输入到训练好的人工神经网络中，获得待测点的位置坐标，实现定位功能；

所述步骤(2)中的在室内环境中设置N个参考点，选取其中任意一个参考点作为坐标原点并建立直角坐标系，计算N个参考点和M个热点在直角坐标系中的坐标位置是指：

(2a)、在室内环境设置N个参考点，应满足其中，ρ为建筑物每一个楼层的参考点密度，d为Wi-Fi在室内的传输距离，以保证参考点选取具有普遍性和较低的冗余度；

(2b)、在N个参考点中选取任意一点为坐标原点，将其坐标设为P₀(0,0,0)，并建立直角坐标系；

(2c)、根据参考点与坐标原点的相对距离，计算其他N-1个参考点在直角坐标系中的坐标位置，用P表示，即第i个参考点的坐标为P_i(x_i,y_i,z_i)，其中x_i,y_i,z_i分别代表了该点在长、宽和高三个方向的坐标；

(2d)、根据Wi-Fi热点与坐标原点的相对距离，计算M个Wi-Fi热点在直角坐标系中的坐标位置，用Q表示，即第j个Wi-Fi热点的坐标为Q_j(x_j,y_j,z_j)，其中x_j,y_j,z_j分别代表了该点在长、宽和高三个方向的坐标；

所述步骤(3)中的在每一个参考点位置，利用信号接收器采集来自每一个Wi-Fi热点的信号强度RSS值，通过信号合成算法得到合成信号矢量是指：

(3a)、计算得到每一个Wi-Fi热点的矢量。每一个Wi-Fi热点矢量的方向为由坐标原点指向对应Wi-Fi热点坐标的方向，其大小为rMax，其中rMax为信号接收器在任意位置能获取Wi-Fi热点的最大信号强度。即第j个Wi-Fi热点的矢量定义为方向为由坐标原点指向第j个Wi-Fi热点的方向，其大小为rMax；

(3b)、在每一个参考点位置，利用信号接收器采集来自每一个Wi-Fi热点的信号强度。例如在第i个参考点处，采集到第j个Wi-Fi热点的信号强度RSS值为r_i,j；

(3c)、针对每一个参考点，分别计算来自不同Wi-Fi热点的信号强度矢量。以计算第i个参考点采集到的第j个Wi-Fi热点的信号强度矢量为例，根据信号强度r_i,j、原点坐标P₀(0,0,0)和Wi-Fi热点坐标Q_j(x_j,y_j,z_j)，其信号强度矢量的大小为其矢量方向与相同。

(3d)、根据矢量加法运算的平行四边形法则，将每个参考点采集到的信号强度转换成信号强度矢量后，分别进行加法运算，得到N个合成信号矢量。例如，在第i个参考点处，合成信号矢量为R_i(x_i,y_i,z_i)。

所述步骤(4)中的将N个参考点的合成信号矢量及其对应的位置坐标，组成训练样本集导入到人工神经网络中进行训练，其中合成信号矢量作为人工神经网络的输入，对应位置坐标作为人工神经网络的期望输出是指：

(4a)、建立人工神经网络模型。所采用的人工神经网络为三层神经网络，该网络的输出个数为3，每层网络的节点数量均为3，输出层的传递函数采用S形传递函数，隐含层和输出层采用线性函数；

(4b)、获取训练样本集。计算N个参考点的坐标，即P＝{P₀,P₁,...,P_N-1}；计算N个参考点位置的合成信号强度矢量，即R＝(R₀,R₁,...,R_N-1}，组成训练样本集{R,P}；

(4c)将训练样本集导入到人工神经网络中，其中R为网络输入，P为期望输出；

(4d)、训练人工神经网络，确定人工神经网络的连接权值。采用BP算法的反向传播反复调整网络权值，直到误差控制到一定范围内，其中，设定偏差为E＝1e^-5；

所述步骤(5)中的获取待测点的信号强度RSS值，通过信号合成算法得到该点的合成信号矢量，输入到训练好的人工神经网络中，获得待测点的位置坐标，实现定位功能是指：

(5a)、在待定位点，利用信号采集工具采集来自各个Wi-Fi热点的信号强度，并通过信号合成算法得到合成信号矢量；

(5b)、将获得的合成信号矢量输入到训练好的人工神经网络中计算，得到输出，即待定位点的位置坐标。

本发明与现有技术相比具有以下优点：

(1)、本发明采用了神经网络技术，可将误差控制在很小的范围内，大大提高了室内定位的精度和准确性；

(2)、本发明利用了信号合成算法，大大减少了神经网络的输入个数，降低了神经网络的训练时间，提高了训练效率；

(3)、本发明利用Wi-Fi信号采集技术，充分利用了智能终端的优势，利于用户接受和使用。

(4)本发明具有定位准确、适应性好、便于用户使用等优点，可以充分利用室内环境的Wi-Fi热点，不需要额外硬件投资；相对于目前的GPS导航系统，能打破室内应用的限制，有更强的实用性。

附图说明

图1为本发明的室内定位流程图；

图2为本发明的信号合成算法的示意图；

图3为本发明的神经网络结构图。

具体实施方式

为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。

如附图1所示，本发明是由离线训练和在线定位两个阶段组成。离线训练阶段，首先在室内环境中布置M个Wi-Fi热点，选取N个参考点，确定原点并建立坐标系；然后在每一个参考点位置，利用信号采集器采集信号强度RSS值，通过合成信号算法得到合成信号矢量；最后将N个参考点的合成信号矢量及其对应坐标组成神经网络训练样本集，输入到神经网络中进行训练直到达到满意条件。在线定位阶段，在待定位点位置采集信号强度RSS值，计算得到合成信号矢量，再输入到训练好的神经网络中，得到输出即为待测点坐标位置。

如附图2所示，本发明的信号合成算法示意图，其中，五角星为原点，圆形为Wi-Fi热点，三角形表示待定位点。待定位点位置利用信号接收器采集到来自Wi-Fi热点Q_i和Q_j的信号，强度分别为r_i和r_j。建立信号强度矢量，方向分别与 相同，大小分别为和根据矢量加减的平行四边形法则，将两个信号强度矢量进行加法运算，得到最后合成信号矢量R_i(x_i,y_i,z_i)。

如附图3所示是本发明的神经网络结构，该图神经网络共有3层。合成信号强度R作为输入，对应坐标位置P作为期望输出，根据基本BP算法，采用误差反向传播反复调整网络权值，直到误差控制到的范围内为止。

本实施利用Wi-Fi信号合成矢量强度和人工神经网络的室内定位方法的意思，其具体流程如附图1所示，包括如下步骤：

(1)、Wi-Fi热点设置；室内环境布置M个Wi-Fi热点，编号为0,1,...,M-1，确保所述室内环境中任意一个位置点能被两个或两个以上的Wi-Fi热点发出的信号覆盖；

(2)、选择参考点；在室内环境中设置N个参考点，选取其中任意一个参考点作为坐标原点并建立直角坐标系，计算N个参考点和M个热点在直角坐标系中的坐标位置；其具体方法包括如下：

(2a)、在室内环境设置N个参考点，应满足其中，ρ为建筑物每一个楼层的参考点密度，d为Wi-Fi在室内的传输距离，以保证参考点选取具有普遍性和较低的冗余度；

(2b)、在N个参考点中选取任意一点为坐标原点，将其坐标设为P₀(0,0,0)，并建立直角坐标系；

(2c)、根据参考点与坐标原点的相对距离，计算其他N-1个参考点在直角坐标系中的坐标位置，用P表示，即第i个参考点的坐标为P_i(x_i,y_i,z_i)，其中x_i,y_i,z_i分别代表了该点在长、宽和高三个方向的坐标；

(2d)、根据Wi-Fi热点与坐标原点的相对距离，计算M个Wi-Fi热点在直角坐标系中的坐标位置，用Q表示，即第j个Wi-Fi热点的坐标为Q_j(x_j,y_j,z_j)，其中x_j,y_j,z_j分别代表了该点在长、宽和高三个方向的坐标；

(3)、信号合成；在每一个参考点位置，利用信号接收器采集来自每一个Wi-Fi热点的信号强度RSS值，通过信号合成算法得到合成信号矢量；其具体步骤如下：

(3a)、计算得到每一个Wi-Fi热点的矢量。每一个Wi-Fi热点矢量的方向为由坐标原点指向对应Wi-Fi热点坐标的方向，其大小为rMax，其中rMax为信号接收器在任意位置能获取Wi-Fi热点的最大信号强度。即第j个Wi-Fi热点的矢量定义为方向为由坐标原点指向第j个Wi-Fi热点的方向，其大小为rMax；

(3b)、在每一个参考点位置，利用信号接收器采集来自每一个Wi-Fi热点的信号强度。例如在第i个参考点处，采集到第j个Wi-Fi热点的信号强度RSS值为r_i,j；

(3c)、针对每一个参考点，分别计算来自不同Wi-Fi热点的信号强度矢量。以计算第i个参考点采集到的第j个Wi-Fi热点的信号强度矢量为例，根据信号强度r_i,j、原点坐标P₀(0,0,0)和Wi-Fi热点坐标Q_j(x_j,y_j,z_j)，其信号强度矢量的大小为其矢量方向与相同。

(3d)、根据矢量加法运算的平行四边形法则，将每个参考点采集到的信号强度转换成信号强度矢量后，分别进行加法运算，得到N个合成信号矢量。例如，在第i个参考点处，合成信号矢量为R_i(x_i,y_i,z_i)。

(4)、人工神经网络训练；将N个参考点的合成信号矢量及其对应的位置坐标，组成训练样本集导入到人工神经网络中进行训练，其中合成信号矢量作为人工神经网络的输入，对应位置坐标作为人工神经网络的期望输出；

(4a)、建立人工神经网络模型。所采用的人工神经网络为三层神经网络，该网络的输出个数为3，每层网络的节点数量均为3，输出层的传递函数采用S形传递函数，隐含层和输出层采用线性函数；

(4b)、获取训练样本集。计算N个参考点的坐标，即P＝{P₀,P₁,...,P_N-1}；计算N个参考点位置的合成信号强度矢量，即R＝(R₀,R₁,...,R_N-1}，组成训练样本集{R,P}；

(4c)将训练样本集导入到人工神经网络中，其中R为网络输入，P为期望输出；

(4d)、训练人工神经网络，确定人工神经网络的连接权值。采用BP算法的反向传播反复调整网络权值，直到误差控制到一定范围内，其中，设定偏差为E＝1e^-5。

(5)、在线定位；获取待测点的信号强度RSS值，通过信号合成算法得到该点的合成信号矢量，输入到训练好的人工神经网络中，获得待测点的位置坐标，实现定位功能；其具体方法如下：

(5a)、在待定位点，利用信号采集工具采集来自各个Wi-Fi热点的信号强度，并通过信号合成算法得到合成信号矢量；

(5b)、将获得的合成信号矢量输入到训练好的人工神经网络中计算，得到输出，即待定位点的位置坐标。

基于上述，本发明属于Wi-Fi、人工神经网络、室内定位技术领域，是Wi-Fi信号检测与神经网络的应用，特别是设计以Wi-Fi信号强度实现室内定位的系统设计方法，其可将误差控制在很小的范围内，大大提高了室内定位的精度和准确性，其具有定位准确、适应性好、便于用户使用等优点，可以充分利用室内环境的Wi-Fi热点，不需要额外硬件投资；相对于目前的GPS导航系统，能打破室内应用的限制，有更强的实用性。。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (4)

1.基于信号合成和人工神经网络的室内定位方法，其特征在于：包括如下步骤：

(1)、Wi-Fi热点设置；室内环境布置M个Wi-Fi热点，编号为0,1,...,M-1，确保所述室内环境中任意一个位置点能被两个或两个以上的Wi-Fi热点发出的信号覆盖；其中M≥2；

(2)、参考点选择；在室内环境中设置N个参考点，选取其中任意一个参考点作为坐标原点并建立直角坐标系，计算N个参考点和M个热点在直角坐标系中的坐标位置；其中，N≥2；

(3)、信号合成；在每一个参考点位置，利用信号接收器采集来自每一个Wi-Fi热点的信号强度RSS值，通过信号合成算法得到合成信号矢量；

(4)、人工神经网络训练；将N个参考点的合成信号矢量及其对应的位置坐标，组成训练样本集导入到人工神经网络中进行训练，其中合成信号矢量作为人工神经网络的输入，对应位置坐标作为人工神经网络的期望输出；

(5)、在线定位；获取待测点的信号强度RSS值，通过信号合成算法得到该待测点的合成信号矢量，输入到训练好的人工神经网络中，获得待测点的位置坐标，实现定位功能；

所述步骤(3)中，通过信号合成算法得到合成信号矢量的具体方法如下：

(3a)、计算得到每一个Wi-Fi热点的矢量；每一个Wi-Fi热点矢量的方向为由坐标原点指向对应Wi-Fi热点坐标的方向，其大小为rMax，其中rMax为信号接收器在任意位置能获取Wi-Fi热点的最大信号强度；即第j个Wi-Fi热点的矢量定义为方向为由坐标原点指向第j个Wi-Fi热点的方向，第j个Wi-Fi热点的大小为rMax；

(3b)、在每一个参考点位置，利用信号接收器采集来自每一个Wi-Fi热点的信号强度；

(3c)、针对每一个参考点，分别计算来自不同Wi-Fi热点的信号强度矢量；设在第i个参考点处，采集到第j个Wi-Fi热点的信号强度RSS值为r_i,j，根据信号强度r_i,j、原点坐标P₀(0,0,0)和Wi-Fi热点坐标Q_j(x_j,y_j,z_j)，其信号强度矢量的大小为其矢量方向与相同；

(3d)、根据矢量加法运算的平行四边形法则，将每个参考点采集到的信号强度转换成信号强度矢量后，分别进行加法运算，得到N个合成信号矢量；则在第i个参考点处，合成信号矢量为R_i(x_i,y_i,z_i)。

2.根据权利要求1所述的基于信号合成和人工神经网络的室内定位方法，其特征在于：所述步骤(2)中，计算N个参考点和M个热点在直角坐标系中的坐标位置，该具体计算方法如下：

(2a)、在室内环境设置N个参考点，应满足其中，ρ为建筑物每一个楼层的参考点密度，d为Wi-Fi在室内的传输距离；

(2b)、在N个参考点中选取任意一点为坐标原点，将其坐标设为P₀(0,0,0)，并建立直角坐标系；

(2c)、根据参考点与坐标原点的相对距离，计算其他N-1个参考点在直角坐标系中的坐标位置，用P表示，即第i个参考点的坐标为P_i(x_i,y_i,z_i)，其中x_i,y_i,z_i分别代表了该点在长、宽和高三个方向的坐标；

(2d)、根据Wi-Fi热点与坐标原点的相对距离，计算M个Wi-Fi热点在直角坐标系中的坐标位置，用Q表示，即第j个Wi-Fi热点的坐标为Q_j(x_j,y_j,z_j)，其中x_j,y_j,z_j分别代表了该点在长、宽和高三个方向的坐标。

3.根据权利要求1所述的基于信号合成和人工神经网络的室内定位方法，其特征在于：所述步骤(4)的具体方法如下：

(4a)、建立人工神经网络模型；所采用的人工神经网络为三层神经网络，该网络的输出个数为3，每层网络的节点数量均为3，输出层的传递函数采用S形传递函数，隐含层和输出层采用线性函数；

(4b)、获取训练样本集；计算N个参考点的坐标，即P＝{P₀,P₁,...,P_N-1}；计算N个参考点位置的合成信号强度矢量，即R＝(R₀,R₁,...,R_N-1}，组成训练样本集{R,P}；

(4c)将训练样本集导入到人工神经网络中，其中R为网络输入，P为期望输出；

(4d)、训练人工神经网络，确定人工神经网络的连接权值；采用BP算法的反向传播反复调整网络权值，直到误差控制到一定范围内，其中，设定偏差为E＝1e^-5。

4.根据权利要求1所述的基于信号合成和人工神经网络的室内定位方法，其特征在于：所述步骤(5)中获得待测点的位置坐标，实现定位功能的具体方法如下：

(5a)、在待定位点，利用信号采集工具采集来自各个Wi-Fi热点的信号强度，并通过信号合成算法得到合成信号矢量；

(5b)、将获得的合成信号矢量输入到训练好的人工神经网络中计算，得到输出，即待定位点的位置坐标。