CN106125044B - 基于梯度下降的离线定位方法 - Google Patents

Abstract

本发明提供的一种基于梯度下降的离线定位方法，其通过持续测量用户所在位置各个WiFi接入点的信号强度，运用梯度滤波算法对测量的RSS进行滤波处理，滤去非正常变化的RSSI值，再使用这些处理过的RSSI值应用梯度下降算法得到用户的位置，能够提高定位精度。

Description

基于梯度下降的离线定位方法

技术领域

本发明涉及通信、导航定位技术领域，具体地，涉及一种基于梯度下降的离线定位方法。

背景技术

WiFi和BLE(低功耗蓝牙)目前是无线网络的重要组成部分。在家庭和公共场合，越来越多的WiFi热点出现在人们的智能设备里。BLE虽然至今未被普及，但是凭借着其低功耗的特点，将来的发展前景同样很好，在室内的定位方面有着广泛的应用。WiFi和BLE本身并不具备定位功能，但是通过收集室内各个WiFi和BLE的信号强度、传播时间等数据，理论上只需要三个接入点，通过信号的传输模型进行计算，得到与对应AP(无线访问接入点)的相对距离，应用传统的三角定位技术，就可以定位用户的位置。

但是传统的离线定位算法存在两点问题：一是传统的三角定位算法，由于是采用通过得到的与AP的相对距离，再以各AP为圆心，相对距离为半径作圆，通过三圆的交点得到定位的位置。但是三个圆的交点并不是一定存在，同时在AP数目大于3的情况下传统的三点定位就不再有效。另一个不足之处在于，WiFi信号和BLE信号的传播受到环境的影响较大，比如在传播的路径上有人的经过，收到的RSSI值就会出现明显的变化。同时在同一个位置上的信号强度呈现高斯分布，信号强度的变化就会影响相对距离的计算，导致定位的误差。

现在的离线定位技术并没有考虑到对于信号的波动的处理，仅仅是简单的直接对RSSI值进行计算，本发明对于离线定位算法进行了改进，先通过滤波器对于获得的RSSI值进行处理，滤去非正常变化的值，减少环境的干扰，再对于处理过的RSSI值使用梯度下降的算法进行定位，是一种有效的离线定位算法，有利于提高定位精度。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于梯度下降的离线定位方法。本发明通过用户持续检测的RSSI值运用梯度滤波算法筛除异常值，再将筛选后的RSSI值转换为距离，运用梯度下降算法确定用户所在位置。

根据本发明提供的一种基于梯度下降的离线定位方法，包括：

步骤一，获取已确定的AP接入点的相对位置；

步骤二，针对每一个AP接入点，用户持续测量自身所在位置处AP接入点的RSSI值，根据已测RSSI值序列得到各个时刻的RSSI预测值，将属于异常值的RSSI预测值筛除后更新已测RSSI值序列；

步骤三，将用户新测量到的当前时刻各个AP接入点的RSSI测量值转换为距离向量；

步骤四，根据距离向量得到定位位置。

优选地，所述步骤二包括：

将偏离第k时刻最终滤波值x_k的程度超过阈值的第k时刻的RSSI预测值判定为异常值；其中，假设已测RSSI值序列x为x＝[x₀,x₁,......,x_n]，则第k时刻最终滤波值x_k及第k时刻的RSSI预测值的计算方式如下：

其中，x_k表示第k时刻最终滤波值，表示第k时刻的RSSI预测值，表示将x_k-1与的差值代入sign函数，sign函数为符号函数，x_k-1表示第k时刻的前一时刻最终滤波值，表示计算x_k-1与的标准差，表示已测RSSI值序列x在单位时间t内的平均梯度，Δt表示第k时刻的RSSI预测值所在的时刻与x₀所在时刻的差值，表示在单位时间t内相邻RSSI值之间的梯度，表示x_k+1与x_k的RSSI差值，表示x_k+1与x_k的时间差值。

优选地，阈值为30％，若则判定第k时刻的RSSI预测值偏离第k时刻最终滤波值x_k的程度超过阈值。

优选地，所述步骤二中更新已测RSSI值序列的步骤包括：

若第k时刻的RSSI预测值不是异常值，即第k时刻的RSSI预测值为正常值，则将第k时刻的RSSI预测值加入已测RSSI值序列x的队列开头位处，并将已测RSSI值序列x的队列末尾的元素出队；

若第k时刻的RSSI预测值为异常值，则将第k时刻最终滤波值x_k加入已测RSSI值序列x的队列开头处，并将已测RSSI值序列x的队列末尾的元素出队；

其中，队列末尾的元素是指已测RSSI值序列x中对应时刻最早的元素。

优选地，所述步骤三包括：

计算用户自身所在位置与第i个AP接入点的距离r_i：

其中，RSSI_0i表示在第i个AP接入点的基准距离r₀处测得的基准RSSI值，RSSI_i表示用户自身所在位置处测量得到的当前时刻第i个AP接入点的RSSI测量值；i＝1,2,……,m；m表示AP接入点的数量；

得到距离向量r为r＝[r₀,r₁,.....,r_m]。

优选地，所述步骤四包括：

根据已确定的AP接入点的相对位置，确定相对于AP接入点的相对直角坐标系，并随机取一点θ，θ＝(θ₁,θ₂),则点θ与各个AP接入点的距离为：

其中，h_θ(x⁽ⁱ⁾)表示点θ与第i个AP接入点的距离，θ₁表示相对直角坐标系中点θ的横坐标，θ₂表示相对直角坐标系中点θ的纵坐标，x₁ ⁽ⁱ⁾表示相对直角坐标系中第i个AP接入点的横坐标，x₂ ⁽ⁱ⁾表示相对直角坐标系中第i个AP接入点的纵坐标；

持续改变当前点θ坐标(θ₁，θ₂)，使点θ到各个AP接入点的距离与距离向量之间误差的平方和最小，计算公式为：

其中，J(θ)表示点θ到各个AP接入点的距离与距离向量r之间误差的平方和，y⁽ⁱ⁾表示当前时刻测得的与第i个接入点之间的距离向量；m表示AP接入点的数量；

反复迭代以下公式，直到收敛或者迭代次数超过设定值后，将点θ作为定位位置：迭代后的θ_j等于迭代前的θ_j减

其中，α为梯度下降的步长，θ_j表示相对直角坐标系中点θ的第j维坐标，表示相对直角坐标系中第i个AP接入点的第j维坐标。

与现有技术相比，本发明具有如下的有益效果：

本发明通过持续测量用户所在位置各个WiFi接入点的信号强度，运用梯度滤波算法对测量的RSS进行滤波处理，滤去非正常变化的RSSI值，再使用这些处理过的RSSI值应用梯度下降算法得到用户的位置，提高定位精度。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为本发明所提供方法的步骤流程图。

图2为本发明优选例中的原理示意图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。

本发明提供了一种基于梯度下降的离线定位方法，包括如下步骤：系统通过本地数据库确定附近AP接入点(ACCESS POINT)的相对位置；用户持续检测所在位置处各个AP接入点的RSSI(Received Signal Strength Indication接收的信号强度指示)值；系统根据梯度滤波算法筛除异常值；更新本地已测RSSI值数据库；根据各AP一定距离处的基准RSSI值，系统将当前RSSI值转换为距离向量；通过梯度下降算法确定当前最优位置，并将结果返回给用户。本算法在脱离在线数据库的情况下，通过筛除RSSI值波动带来的异常数据，利用梯度下降算法进行最优化处理，得到相对精确的定位效果。

本实例基于梯度下降的离线定位方法，在用户无法连接网络，无法利用在线数据库的情况下，利用测量得到的RSSI值，通过一定的滤波算法来剔除其中因为波动而导致的异常数据，通过信号衰减公式得到距离，利用梯度下降算法进行最优化处理，得到定位位置，进一步减小定位误差，得到相对精确的定位效果。

根据本发明提供的一种基于梯度下降的离线定位方法，包括：

步骤一，获取已确定的AP接入点的相对位置；

步骤二，针对每一个AP接入点，用户持续测量自身所在位置处AP接入点的RSSI值，根据已测RSSI值序列得到各个时刻的RSSI预测值，将属于异常值的RSSI预测值筛除后更新已测RSSI值序列；

步骤三，将用户新测量到的当前时刻各个AP接入点的RSSI测量值转换为距离向量；

步骤四，根据距离向量得到定位位置。

所述步骤二包括：

将偏离第k时刻最终滤波值x_k的程度超过阈值的第k时刻的RSSI预测值判定为异常值；其中，假设已测RSSI值序列x为x＝[x₀,x₁,......,x_n]，则第k时刻最终滤波值x_k及第k时刻的RSSI预测值的计算方式如下：

其中，x_k表示第k时刻最终滤波值，表示第k时刻的RSSI预测值，表示将x_k-1与的差值代入sign函数，sign函数为符号函数，x_k-1表示第k时刻的前一时刻最终滤波值，表示计算x_k-1与的标准差，表示已测RSSI值序列x在单位时间t内的平均梯度，Δt表示第k时刻的RSSI预测值所在的时刻与x₀所在时刻的差值，表示在单位时间t内相邻RSSI值之间的梯度，表示x_k+1与x_k的RSSI差值，表示x_k+1与x_k的时间差值。

阈值为30％，若则判定第k时刻的RSSI预测值偏离第k时刻最终滤波值x_k的程度超过阈值。

所述步骤二中更新已测RSSI值序列的步骤包括：

若第k时刻的RSSI预测值不是异常值，即第k时刻的RSSI预测值为正常值，则将第k时刻的RSSI预测值加入已测RSSI值序列x的队列开头位处，并将已测RSSI值序列x的队列末尾的元素出队；

若第k时刻的RSSI预测值为异常值，则将第k时刻最终滤波值x_k加入已测RSSI值序列x的队列开头处，并将已测RSSI值序列x的队列末尾的元素出队；

其中，队列末尾的元素是指已测RSSI值序列x中对应时刻最早的元素。例如，对于已测RSSI值序列x＝[x₀,x₁,......,x_n]，则队列末尾的元素是x₀。存储更新后的已测RSSI值序列用来判断下一次或下一时刻RSSI测量值是否是异常值。

所述步骤三包括：

计算用户自身所在位置与第i个AP接入点的距离r_i：

其中，RSSI_0i表示在第i个AP接入点的基准距离r₀处测得的基准RSSI值，RSSI_i表示用户自身所在位置处测量得到的当前时刻第i个AP接入点的RSSI测量值；i＝1,2,……,m；m表示AP接入点的数量；

得到距离向量r为r＝[r₀,r₁,.....,r_m]。

所述步骤四包括：

根据已确定的AP接入点的相对位置，确定相对于AP接入点的相对直角坐标系，并随机取一点θ，θ＝(θ₁,θ₂),则点θ与各个AP接入点的距离为：

其中，h_θ(x⁽ⁱ⁾)表示点θ与第i个AP接入点的距离，θ₁表示相对直角坐标系中点θ的横坐标，θ₂表示相对直角坐标系中点θ的纵坐标，x₁ ⁽ⁱ⁾表示相对直角坐标系中第i个AP接入点的横坐标，x₂ ⁽ⁱ⁾表示相对直角坐标系中第i个AP接入点的纵坐标；

持续改变点θ的位置，使点θ到各个AP接入点的距离与距离向量之间误差的平方和最小，计算公式为：

其中，J(θ)表示点θ到各个AP接入点的距离与距离向量r之间误差的平方和，y⁽ⁱ⁾表示当前时刻测得的与第i个接入点之间的距离向量；m表示AP接入点的数量；

反复迭代以下公式，直到收敛或者迭代次数超过设定值后，将点θ作为定位位置：迭代后的θ_j等于迭代前的θ_j减

其中，α为梯度下降的步长，θ_j表示相对直角坐标系中点θ的第j维坐标，表示相对直角坐标系中第i个AP接入点的第j维坐标。

所述步骤一中，所述AP接入点的相对位置是在环境搭建中已经获得的确定的参数，在之后的步骤四中需要运用这些相对位置计算出用户所处的位置。

所述步骤二中，用户通过手机上的软件持续检测各个AP接入点的信号强度，在固定的时间间隔(单位时间)之内对于每个AP接入点的RSSI值进行取样记录，并保存在本地中。每一次检测到的每一个的RSSI值都会滤去异常值，所述异常值是指周围环境变化引起的RSSI值非正常变化或者是RSS自身的波动。

在一个优选的实施例中的环境参数：

4m*4m的室内环境，布置了四个BLE设备，如图2为该定位系统的实验环境。本实验选择的是一段连续的空间。由于BLE设备信号的覆盖范围在四米左右，为了保证区域内每个点都能测得四个BLE设备的信号强度，同时满足通过离线定位的要求，将BLE设备布置间隔取为4m。

移动终端设备：一部Android智能手机，型号为三星i9300，配置是1.4GHz三星Exynos 4412cpu和1G RAM，手机的操作系统是android 4.4。这部手机用来测试用户实际离线定位操作。

BLE设备：富士康inFocus低功耗蓝牙

本实施例包括如下具体步骤：

步骤一、在所选定的区域中，合理布置定位所用的BLE蓝牙，记录它们的相对位置，建立合适的坐标系。然后，对每个蓝牙BLE在基准点r₀(本次实例时为1m)处的RSSI值(约-95dB左右，每个BLE之间存在一定的差异)进行定标。

步骤二、RSSI值的采样间隔为1s,在所选定的区域内，测试人员在初始位置，经过一段时间的初始数据的积累，以常规步速沿着一定的轨迹出发移动，这样手机终端会不停地测量各个蓝牙BLE反馈来的RSSI值。

步骤三、预设进行滤波处理时存储在本地的RSSI数组容量为20(可进行人为调整),对步骤二测量得到的RSSI值进行梯度滤波处理，实时更新RSSI数组。

步骤三、将经过滤波比对后的RSSI值代入衰减公式，计算出当前位置对于每个BLE的相对距离，得到x＝[x₀,x₁,x₂,x₃]

步骤四、利用梯度下降算法，将预估位置进行反复迭代，直到达到最优解或者迭代次数到达一定的上限。

步骤五、得出用户所在位置，并将结果返回值用户端。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (2)

1.一种基于梯度下降的离线定位方法，其特征在于，包括：

步骤一，获取已确定的AP接入点的相对位置；

步骤二，针对每一个AP接入点，用户持续测量自身所在位置处AP接入点的RSSI值，根据已测RSSI值序列得到各个时刻的RSSI预测值，将属于异常值的RSSI预测值筛除后更新已测RSSI值序列；

步骤三，将用户新测量到的当前时刻各个AP接入点的RSSI测量值转换为距离向量；

步骤四，根据距离向量得到定位位置；

所述步骤四包括：

根据已确定的AP接入点的相对位置，确定相对于AP接入点的相对直角坐标系，并随机取一点θ，θ＝(θ₁,θ₂),则点θ与各个AP接入点的距离为：

其中，h_θ(x⁽ⁱ⁾)表示点θ与第i个AP接入点的距离，θ₁表示相对直角坐标系中点θ的横坐标，θ₂表示相对直角坐标系中点θ的纵坐标，x₁ ⁽ⁱ⁾表示相对直角坐标系中第i个AP接入点的横坐标，x₂ ⁽ⁱ⁾表示相对直角坐标系中第i个AP接入点的纵坐标；

持续改变当前点θ坐标(θ₁，θ₂)，使点θ到各个AP接入点的距离与距离向量之间误差的平方和最小，计算公式为：

其中，J(θ)表示点θ到各个AP接入点的距离与距离向量r之间误差的平方和，y⁽ⁱ⁾表示当前时刻测得的与第i个接入点之间的距离向量；m表示AP接入点的数量；

反复迭代以下公式，直到收敛或者迭代次数超过设定值后，将点θ作为定位位置：

迭代后的θ_j等于迭代前的θ_j减

其中，α为梯度下降的步长，θ_j表示相对直角坐标系中点θ的第j维坐标，表示相对直角坐标系中第i个AP接入点的第j维坐标。

2.根据权利要求1所述的基于梯度下降的离线定位方法，其特征在于，所述步骤三包括：

计算用户自身所在位置与第i个AP接入点的距离r_i：

其中，RSSI_0i表示在第i个AP接入点的基准距离r₀处测得的基准RSSI值，RSSI_i表示用户自身所在位置处测量得到的当前时刻第i个AP接入点的RSSI测量值；i＝1,2,……,m；m表示AP接入点的数量；

得到距离向量r为r＝[r₀,r₁,.....,r_m]。