CN106154221A - 一种基于wlan的半监督定位方法 - Google Patents

Abstract

本发明提供了一种半监督定位方法，涉及室内定位技术领域。所述方法包括：步骤1：建立初始标记数据集；步骤2：通过快速搜索和查找分类聚类所述初始标记数据集，并标记所述初始标记数据集的聚类中心缺失的位置信息；步骤3：通过极限学习机训练所述初始标记数据集；步骤4：通过所述步骤2和步骤3的数据结果以配置扩充所述初始标记数据集，以得到扩充标记数据集；步骤5：用换位思想评估所述扩充标记数据集的正确性，并输出定位结果。本发明提高了定位准确率，且运行时间短。

Description

一种基于WLAN的半监督定位方法

技术领域

本发明涉及室内定位技术领域，特别是涉及一种基于WLAN的半监督定位方法。

背景技术

室内定位是一种用于获取室内目标物体位置信息的技术，在民用和军用领域具有广泛的应用前景。常见的定位算法主要基于接收信号强度指示(Received SignalStrength Indication,RSSI)、到达时间(Time of Arrival,TOA)、到达时间差(TimeDifference of Arrival,TDOA)、到达角度(Angle of Arrival,AOA)等技术。其中，基于RSSI的定位算法具有低功耗，低成本且易实现的优点，被广泛应用于无线室内定位。

使用RSSI的定位算法通常分为：基于信号传播模型的定位算法和基于指纹模型的定位算法。传统的基于信号传播模型的定位算法主要通过获取大量的样本数据，利用传统路径损耗模型建立接收信号强度指示(RSSI)和节点间距离的函数关系，然后估计出目标的位置信息。由于无线信号在传播过程中较易受室内环境变化的影响，导致RSSI值具有明显的波动性，同时传统路径损耗模型中路径衰减指数以及环境因子难以确定，这些因素将影响模型的测距精度，进而导致定位误差增大。基于指纹模型的定位方法是在标记数据的基础上根据统计分析方法建立定位模型，具有定位精度高，充分利用现有设施，升级和维护对用户影响小等优点，得到了广泛应用，位置指纹定位算法主要分为离线采集阶段和在线定位阶段。然而，该方法的定位精度取决于标记数据是否充足，然而由于室内环境复杂、区域较大等因素，较难获取大量标记数据且耗费人力物力。

在先，有人提出了一种基于极端学习机的半监督学习方法，采用输出阈值向量和“换位”思想扩充标记数据，提高了半监督方法的学习速度并减少对标记数据的依赖。也有人提出了一种新的半监督学习方法，并应用于稀疏校准位置估计。上述方法需事先假设任意类别中至少有一个标记数据，然而有限的标记数据不能涵盖所有类别，使假设难以满足。

发明内容

本发明的一个目的是要提供一种半监督定位方法，能够对初始标记数据进行扩充，有效提高定位准确率的同时，且运行时间较短。

特别地，本发明提供了一种半监督定位方法(SLACE)，包括：

步骤1：建立初始标记数据集；

步骤2：通过快速搜索和查找分类(CFSFDP)聚类所述初始标记数据集，并标记所述初始标记数据集的聚类中心缺失的位置信息；

步骤3：通过极限学习机(ELM)训练所述初始标记数据集；

步骤4：通过所述步骤2和步骤3的数据结果以配置扩充所述初始标记数据集，以得到扩充标记数据集；

步骤5：用换位思想评估所述扩充标记数据集的正确性，并输出定位结果。

对于上述技术方案，发明人还提供了进一步的优化实施方案。

优选地，所述步骤2中，选取所述初始标记数据集的一个位置点作为坐标原点建立二维直角坐标系，获得N个参考点在该二维直角坐标系中的坐标位置，并在每个参考点上利用移动设备对每个AP节点采集k次信号强度，构建对应每个参考点的信号强度矩阵，进而构建用于聚类所述初始标记数据集的指纹数据库。

进一步地，在所述步骤2中，通过计算所述初始标记数据集中各数据的局部密度和距离，配置所述局部密度和所述距离的决策图，选取聚类中心，如所述聚类中心为未标记数据，则根据路径损耗模型标记所述聚类中心，并将与所述聚类中心截断距离内的数据添加至所述初始标记数据集。

优选地，所述步骤3中，利用极限学习机训练所述初始标记数据集S，配置并保存输入权值矩阵W、隐层偏置向量B、权值矩阵β₀以及输出阈值向量θ。

进一步地，所述步骤3中，配置所述输入权值矩阵W、隐层偏置向量B、权值矩阵β₀以及输出阈值向量θ的步骤如下：

步骤C1：随机初始化输入权值矩阵W＝{w._i}和隐层偏置向量B＝{b_i}，i＝1，…，M；

步骤C2：计算所述初始标记数据集S的隐层输出矩阵H(W,B,S)；

步骤C3：计算权值矩阵β₀；

步骤C4：计算S的输出矩阵O，

式中：N_S为S的数据总数；

步骤C5：计算输出阈值向量θ，

$\mathrm{\θ}=\left\{{\mathrm{\θ}}_k\right|{\mathrm{\θ}}_k=\frac{1}{N_k}\underset{j=1}{\overset{N}{\Σ}}{o}_{jk}\mathrm{\δ}\left(o_{jk}\right)-\mathrm{\Δ};k=1,\mathrm{...},C\},$

式中：θ_k为类别k的输出阈值，N_k为S中类别k的数据个数，o_jk为O中第j行第k列的值，Δ为[0,1]的随机数，函数δ(o_jk)定义如下：

$\mathrm{\δ}\left(o_{jk}\right)=\left\{\begin{array}{cc}1& if{o}_{jk}=\max \{o_{j1},\mathrm{...},o_{jk},\mathrm{...},o_{jC}\}\\ 0& else\end{array}\right.$

步骤C6：保存W、B、β₀、θ。

进一步，所述步骤4中，所述扩充标记数据集S_e的配置步骤如下：

步骤D1：利用所述步骤3中保存的参数W、B、β₀、θ，计算未标记数据集U₀的输出矩阵O_U，具体计算公式如下，式中：H(W,B,U₀)为U₀的隐层输出矩阵，O_u为U₀的输出矩阵，N_u为U₀的数据总数；

步骤D2：对于U₀的输出矩阵O_u，若o_ujk等于并且o_ujk大于等于θ_k(o_ujk∈O_u,θ_k∈θ)，则将未标记数据的位置标记为类别k，并加入所述扩充标记数据集S_e。

进一步，所述步骤5中，用换位思想评估所述扩充标记数据集，将所述扩充标记数据集S_e和所述初始标记数据集S进行交换，评判所述扩充标记数据集S_e的正确性。

进一步，所述步骤5中，评判所述扩充标记数据集S_e的正确性的步骤如下：

步骤E1：将所述扩充标记数据集S_e作为训练数据集，计算权值矩阵β_e；

步骤E2：将所述初始标记数据集S作为测试数据集，通过公式检验所述扩充标记数据集S_e，

如果步骤E2中的公式成立，则输出定位结果；否则清空所述扩充标记数据集S_e，并扩大所述输出阈值向量θ，θ＝{θ_k|θ_k＝θ_k+η；0＜η＜1}同时转步骤4重新扩充所述扩充标记数据集S_e。

进一步，所述步骤E2中的公式成立，所述输出定位结果为所述极限学习机的参数W、B和β₁，所述初始标记数据集S和所述扩充标记数据集S_e以所述输入权值矩阵W、隐层偏置向量B计算输出权值矩阵β₁，计算公式如下：

如果||β₁-β₀||>ε(ε>0)，则令β₀＝β₁，并清空S_e，转所述步骤3；否则，输出并保存W、B以及β₁，定位结束。

与现有技术相比较，本发明的优点在于：

本发明所公开的半监督定位算法，针对室内环境复杂，难以获取足够多的有效标记数据，主要解决的是利用较少的标记数据在室内中精确的获取目标位置。本发明利用快速搜索与密度峰值聚类数据集，并标记聚类中心缺失的位置信息，扩充初始标记数据；利用极限学习机训练初始标记数据，根据输出阈值向量和“换位”思想扩充标记数据，提高定位准确率。实验表明：在标记数据个数相同时，该算法较ELM算法、BP算法而言，定位准确率明显提高且运行时间短。

根据下文结合附图对本发明具体实施例的详细描述，本领域技术人员将会更加明了本发明的上述以及其他目的、优点和特征。

附图说明

后文将参照附图以示例性而非限制性的方式详细描述本发明的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解，这些附图未必是按比例绘制的。附图中：

图1是根据本发明一个实施例的定位方法的流程图。

具体实施方式

图1是根据本实施例的半监督定位方法的方法流程图。下面将结合图1对本实施例进行详细阐述。

本实施例描述了一种半监督定位方法(SLACE)，包括：

步骤1：建立初始标记数据集；

步骤2：通过快速搜索和查找分类(CFSFDP)聚类所述初始标记数据集，并标记所述初始标记数据集的聚类中心缺失的位置信息；

步骤3：通过极限学习机(ELM)训练所述初始标记数据集；

步骤4：通过所述步骤2和步骤3的数据结果以配置扩充所述初始标记数据集，以得到扩充标记数据集；

步骤5：用换位思想评估所述扩充标记数据集的正确性，并输出定位结果。

在步骤2中，选取一个位置点作为坐标原点建立二维直角坐标系，获得N个参考点在该二维直角坐标系中的坐标位置，并在每个参考点上利用移动设备采集k次AP节点的信号强度，每秒一次，具体如下：

步骤B1：在每个参考点接收每一个AP节点的信号强度RSS值，构成D维信号向量RSS^D；每个参考点采集k次信号强度值，构成了k*D的信号强度矩阵，其矩阵的第i行第j列表示第i次采集中接收第j个AP节点的信号强度RSS值；i为小于或等于k的正整数；j为小于或等于D的正整数；

RSS^D＝(rss₁,rss₂,rss₃,…,rss_D)

式中：rss_i∈[-100,0]表示位置点A处接收到第i个AP节点的信号强度。

步骤B2：构建指纹数据库,训练数据集中包含N条记录，每条记录可表示为向量X，向量中包含可用AP节点的信号强度和采样点的位置：

$X_i=({\mathrm{RSS}}_i^D,L_i)=({\mathrm{rss}}_{i1},{\mathrm{rss}}_{i2},{\mathrm{rss}}_{i3},\mathrm{...},{\mathrm{rss}}_{iD},L_i)$

式中：D表示AP节点的个数，L_i表示对应于RSS向量的位置标签。若移动设备未接收到某AP节点的信号，默认使用-100填充该AP节点信号强度值。移动设备未接收到某AP节点信号的原因有以下两点：一是该AP节点出现故障；二是该AP节点受到障碍物的遮挡。

步骤B3：假设数据集S＝{X₁,X₂,…,X_N}，对应指标集I_s＝{1,2,…,N}，数据X_i与X_j之间信号强度的Euclidean距离为d_ij，计算各数据的距离向量D，递增排序D，取d_c为D的第q％位置的距离值。

步骤B4：计算各数据的局部密度ρ和距离ξ，画出ρ与ξ的决策图，选取聚类中心。

数据X_i的局部密度ρ_i表示以X_i为中心，截断距离d_c为半径的圆区域内的数据个数，定义如下：

${\mathrm{\ρ}}_i=\underset{1\≤j\≠i\≤N}{\Σ}\mathrm{\χ}(d_{ij}-d_c),1\≤i\≤N$

其中

$\mathrm{\&chi;}\left(t\right)=\left\{\begin{array}{cc}1& t<0\\ 0& else\end{array}\right.$

数据X_i的距离ξ_i表示X_i与其他密度高于ρ_i的数据之间的最小距离，定义如下：

步骤B5、若聚类中心为未标记数据，则根据路径损耗模型标记该聚类中心。

步骤B6、根据聚类中心划分S∪U。

步骤B7、将与聚类中心距离小于d的数据添加至标记数据集S。

进一步地，在所述步骤2中，通过计算所述初始标记数据集中各数据的局部密度和距离，配置所述局部密度和所述距离的决策图，选取聚类中心，如所述聚类中心为未标记数据，则根据路径损耗模型标记所述聚类中心，并将与所述聚类中心截断距离内的数据添加至所述初始标记数据集。

优选地，所述步骤3中，利用极限学习机训练所述初始标记数据集S，配置并保存输入权值矩阵W、隐层偏置向量B、权值矩阵β₀以及输出阈值向量θ。

进一步地，所述步骤3中，配置所述输入权值矩阵W、隐层偏置向量B、权值矩阵β₀以及输出阈值向量θ的步骤如下：

步骤C1：随机初始化输入权值矩阵W＝{w._i}和隐层偏置向量B＝{b_i}，i＝1，…，M；

步骤C2：计算所述初始标记数据集S的隐层输出矩阵H(W,B,S)；

步骤C3：计算权值矩阵β₀；

步骤C4：计算S的输出矩阵O，

式中：N_S为S的数据总数；

步骤C5：计算输出阈值向量θ，

$\mathrm{\&theta;}=\left\{{\mathrm{\&theta;}}_k\right|{\mathrm{\&theta;}}_k=\frac{1}{N_k}\underset{j=1}{\overset{N}{\&Sigma;}}{o}_{jk}\mathrm{\&delta;}\left(o_{jk}\right)-\mathrm{\&Delta;};k=1,\mathrm{...},C\},$

式中：θ_k为类别k的输出阈值，N_k为S中类别k的数据个数，o_jk为

O中第j行第k列的值，Δ为[0,1]的随机数，函数δ(o_jk)定义如下：

$\mathrm{\&delta;}\left(o_{jk}\right)=\left\{\begin{array}{cc}1& if{o}_{jk}=\max \{o_{j1},\mathrm{...},o_{jk},\mathrm{...},o_{jC}\}\\ 0& else\end{array}\right.$

步骤C6：保存W、B、β₀、θ。

进一步，所述步骤4中，所述扩充标记数据集S_e的配置步骤如下：

步骤D1：利用所述步骤3中保存的参数W、B、β₀、θ，计算未标记数据集U₀的输出矩阵O_U，具体计算公式如下，式中：H(W,B,U₀)为U₀的隐层输出矩阵，O_u为U₀的输出矩阵，N_u为U₀的数据总数；

步骤D2：对于U₀的输出矩阵O_u，若o_ujk等于并且o_ujk大于等于θ_k(o_ujk∈O_u,θ_k∈θ)，则将未标记数据的位置标记为类别k，并加入所述扩充标记数据集S_e。

进一步，所述步骤5中，用换位思想评估所述扩充标记数据集，将所述扩充标记数据集S_e和所述初始标记数据集S进行交换，评判所述扩充标记数据集S_e的正确性。

进一步，所述步骤5中，评判所述扩充标记数据集S_e的正确性的步骤如下：

步骤E1：将所述扩充标记数据集S_e作为训练数据集，计算权值矩阵β_e；

步骤E2：将所述初始标记数据集S作为测试数据集，通过公式检验所述扩充标记数据集Se，

如果步骤E2中的公式成立，则输出定位结果；否则清空所述扩充标记数据集Se，并扩大所述输出阈值向量θ，θ＝{θ_k|θ_k＝θ_k+η；0＜η＜1}同时转步骤4重新扩充所述扩充标记数据集S_e。

进一步，所述步骤E2中的公式成立，所述输出定位结果为所述极限学习机的参数W、B和β₁，所述初始标记数据集S和所述扩充标记数据集S_e以所述输入权值矩阵W、隐层偏置向量B计算输出权值矩阵β₁，计算公式如下：

如果||β₁-β₀||>ε(ε>0)，则令β₀＝β₁，并清空S_e，转所述步骤3；否则，输出并保存W、B以及β₁，定位结束。

以具体实验为例，针对一长约12.8m，宽约12.5m，高约3m的综合实验室，室内设有工位、电脑等办公用品，在实验室内周边设有9个AP节点，高度保持1.6m，将实验室内区域划分为若干个2m×2m的小区域，以小区域中心为信号强度采集点。该实验共收集7200条数据，包含标记数据和未标记数据。算法中参数q＝2，d＝0.14，ɑ＝0.21，ε＝0.1，M＝10。以这一实验室的半监督定位为例，针对各步骤进行实例分析。

针对步骤2，进行实例分析：

在每个参考点接收每一个AP节点的信号强度RSS值，构成9维信号向量RSS⁹；每个参考点采集600次信号强度值，构成了600*9的信号强度矩阵，其矩阵的第i行第j列表示第i次采集中接收第j个AP节点的信号强度RSS值；i为小于或等于600的正整数；j为小于或等于9的正整数；

RSS₉＝(rss₁,rss₂,rss₃,…,rss₉)

式中：rss_i∈[-100,0]表示位置点A处接收到第i个AP节点的信号强度。

构建指纹数据库,训练数据集中包含N条记录，每条记录可表示为向量X_i，向量中包含可用AP节点的信号强度和采样点的位置：

X_i＝(RSS_i,L_i)＝(rss_i1,rss_i2,rss_i3,…,rss_i9,L_i)

建立的指纹数据库如下表所示：

L1	rss1	……	rss9
				……	……	……	……
LN	rss1	……	rss9

其中，L₁到L_N是选取的N个参考点，每个参考点的信息包括位置信息和9个AP的RSS值。

计算每条记录之间信号强度的Euclidean距离，例如数据记录X_i＝(rss_i1,rss_i2,rss_i3,…,rss_i9,L_i)和X_j＝(rss_j1,rss_j2,rss_j3,…,rss_j9,L_j),X_i和X_j之间的Euclidean距离d_ij，如下式所示：

d_ij＝sqrt((rss_i1-rss_j1)²+(rss_i2-rss_j2)²+...+(rss_i9-rss_j9)²)0≤i_,j≤N (18)

根据上式计算数据记录之间的信号强度的距离，获取距离向量D，将D进行递增排序，取d_c为D的第q％位置的距离值；利用公式(3)(5)计算各数据记录的局部密度ρ和距离ξ，画出ρ与ξ的决策图，选取聚类中心；判断聚类中心是否为未标记数据，若是，则根据路径损耗模型标记该聚类中心；根据标记的聚类中心，划分S∪U；最后选取与聚类中心距离小于d的数据记录添加至标记数据集S。

针对步骤3，进行实例分析：

利用ELM模型训练初始数据集，所采用的ELM模型由输入层、隐含层和输出层组成，各层数分别为9，10，36；随机初始化输入权值矩阵W＝{w._i}和隐层偏差向量B＝{b_i}，i＝1，…，M；计算S的隐层输出矩阵H(W,B,S)；根据式(8)计算权值矩阵β₀；根据式(9)计算S的输出矩阵O。

根据计算的输出矩阵O，利用式(10)计算输出阈值向量θ，最后保存ELM模型的参数W、B、β₀、θ。

针对步骤4，进行实例分析：

利用步骤3中保存的参数，根据式(12)计算U₀输出矩阵O_u；对于输出矩阵O_u，若o_ujk等于并且o_ujk大于等于θ_k(o_ujk∈O_u,θ_k∈θ)，则将未标记数据的位置标记为类别k，并加入扩充标记数据集S_e。

针对步骤5，进行实例分析：

将S_e作为训练数据集，计算权值矩阵β_e；将S作为测试数据集，通过式间接检验S_e的正确性；若上式成立，转步骤5，否则清空S_e，并根据式θ＝{θ_k|θ_k＝θ_k+η；0＜η＜1}扩大θ，同时转步骤3重新扩充S_e。

针对步骤五，进行实例分析：

S和S_e以W为输入权值矩阵、B为隐层偏置向量，根据式(15)计算输出权值矩阵β₁；若||β₁-β₀||>ε(ε>0)，则令β₀＝β₁，并清空S_e，转步骤2；否则，输出并保存W、B以及β₁，定位算法结束。

至此，本领域技术人员应认识到，虽然本文已详尽示出和描述了本发明的多个示例性实施例，但是，在不脱离本发明精神和范围的情况下，仍可根据本发明公开的内容直接确定或推导出符合本发明原理的许多其他变型或修改。因此，本发明的范围应被理解和认定为覆盖了所有这些其他变型或修改。

Claims (9)

1.一种基于WLAN的半监督定位方法，其特征在于，包括：

步骤1：建立初始标记数据集；

步骤2：通过快速搜索和查找分类聚类所述初始标记数据集，并标记所述初始标记数据集的聚类中心缺失的位置信息；

步骤3：通过极限学习机训练所述初始标记数据集；

步骤4：通过所述步骤2和步骤3的数据结果以配置扩充所述初始标记数据集，以得到扩充标记数据集；

步骤5：用换位思想评估所述扩充标记数据集的正确性，并输出定位结果。

2.根据权利要求1所述的基于WLAN的半监督定位方法，其特征在于，所述步骤2中，选取所述初始标记数据集的一个位置点作为坐标原点建立二维直角坐标系，获得N个参考点在该二维直角坐标系中的坐标位置，并在每个参考点上利用移动设备对每个AP节点采集k次信号强度，构建对应每个参考点的信号强度矩阵，进而构建用于聚类所述初始标记数据集的指纹数据库。

3.根据权利要求2所述的基于WLAN的半监督定位方法，其特征在于，在所述步骤2中，通过计算所述初始标记数据集中各数据的局部密度和距离，配置所述局部密度和所述距离的决策图，选取聚类中心，如所述聚类中心为未标记数据，则根据路径损耗模型标记所述聚类信心，并将与所述聚类中心截断距离内的数据添加至所述初始标记数据集。

4.根据权利要求1所述的基于WLAN的半监督定位方法，其特征在于，所述步骤3中，利用极限学习机训练所述初始标记数据集S，配置并保存输入权值矩阵W、隐层偏置向量B、权值矩阵β₀以及输出阈值向量θ。

5.根据权利要求4所述的基于WLAN的半监督定位方法，其特征在于，所述步骤3中，配置所述输入权值矩阵W、隐层偏置向量B、权值矩阵β₀以及输出阈值向量θ的步骤如下：

步骤C1：随机初始化输入权值矩阵W＝{w._i}和隐层偏置向量B＝{b_i}，i＝1，…，M；

步骤C2：计算所述初始标记数据集S的隐层输出矩阵H(W,B,S)；

步骤C3：计算权值矩阵β₀；

步骤C4：计算S的输出矩阵O，

式中：N_S为S的数据总数；

步骤C5：计算输出阈值向量θ，

式中：θ_k为类别k的输出阈值，N_k为S中类别k的数据个数，o_jk为O中第j行第k列的值，Δ为[0,1]的随机数，函数δ(o_jk)定义如下：

步骤C6：保存W、B、β₀、θ。

6.根据权利要求5所述的基于WLAN的半监督定位方法，其特征在于，所述步骤4中，所述扩充标记数据集S_e的配置步骤如下：

步骤D1：利用所述步骤3中保存的参数W、B、β₀、θ，计算未标记数据集U₀的输出矩阵O_U，具体计算公式如下，式中：H(W,B,U₀)为U₀的隐层输出矩阵，O_u为U₀的输出矩阵，N_u为U₀的数据总数；

步骤D2：对于U₀的输出矩阵O_u，若o_ujk等于并且o_ujk大于等于θ_k(o_ujk∈O_u,θ_k∈θ)，则将未标记数据的位置标记为类别k，并加入所述扩充标记数据集S_e。

7.根据权利要求6所述的基于WLAN的半监督定位方法，其特征在于，所述步骤5中，用换位思想评估所述扩充标记数据集，将所述扩充标记数据集S_e和所述初始标记数据集S进行交换，评判所述扩充标记数据集S_e的正确性。

8.根据权利要求7所述的基于WLAN的半监督定位方法，其特征在于，所述步骤5中，评判所述扩充标记数据集S_e的正确性的步骤如下：

步骤E1：将所述扩充标记数据集S_e作为训练数据集，计算权值矩阵β_e；

步骤E2：将所述初始标记数据集S作为测试数据集，通过公式检验所述扩充标记数据集S_e，

如果步骤E2中的公式成立，则输出定位结果；否则清空所述扩充标记数据集S_e，并扩大所述输出阈值向量θ，θ＝{θ_k|θ_k＝θ_k+η；0<η<1}同时转步骤4重新扩充所述扩充标记数据集S_e。

9.根据权利要求8所述的基于WLAN的半监督定位方法，其特征在于， 所述步骤E2中的公式成立，所述输出定位结果为所述极限学习机的参数W、B和β₁，所述初始标记数据集S和所述扩充标记数据集S_e以所述输入权值矩阵W、隐层偏置向量B计算输出权值矩阵β₁，计算公式如下：如果||β₁-β₀||>ε(ε>0)，则令β₀＝β₁，并清空S_e，转所述步骤3；否则，输出并保存W、B以及β₁，定位结束。