CN106612495A - 一种基于传播损耗学习的室内定位方法及系统 - Google Patents

Abstract

本发明公开了一种基于传输损耗学习的室内定位方法，包括：移动终端对室内的所有wifi信号进行实时扫描，为所述实时扫描的结果建立对数化“距离-损耗”模型；利用历史数据对“距离-损耗”模型进行学习，建立机器学习模型；然后基于历史数据生成训练样本集，对所建立的机器学习模型加以训练，得到用于生成wifi的信号传输衰减预测值的SVM回归预测函数；基于移动终端的实时扫描结果，结合SVM回归预测方程与对数化“距离-损耗”模型，计算所述移动终端的准确的位置坐标。

Description

一种基于传播损耗学习的室内定位方法及系统

技术领域

本发明属于信息技术、自动控制和电子技术领域，具体涉及采用支持向量机方法对wifi信号的传输损耗特性进行学习，同时利用学习结果实现在线位置估计的方法。

背景技术

随着位置数据业务的不断发展，室内定位在机场、商场、停车场、矿井等领域取得了广泛的应用。但由于室内定位环境的复杂性，其在定位精度方面还难以满足实际要求。一方面，由于不同室内环境下，室内整体结构、材料、物品位置等都会导致信号传输存在较大损耗和波动，另一方面，室内存在的反射、绕射等现象，会产生严重的多径效应，极大增加了定位难度。虽然，许多学者在室内定位方式、定位算法等都开展了许多研究，目前已经提出的室内定位算法包括三角定位、强度法、指纹法等多种方法，取得了许多重要研究成果，但由于实际环境的复杂性，室内定位精度仍难以令人满意，定位精度还亟待进一步提高。

发明内容

为了克服已有的室内定位方法定位精度有限的缺陷，本发明提供一种能够有效提高室内定位精度的定位方法及系统。

为了实现上述目的，本发明提供了一种基于传输损耗学习的室内定位方法，包括：

步骤1)、移动终端对室内的所有wifi信号进行实时扫描，为所述实时扫描的结果建立对数化“距离-损耗”模型；其中，所述“距离-损耗”模型的表达式为：

其中，P_i为第i个wifi接收的信号强度，i＝1,2,…,I，I为所有wifi的总数量，ξ_i表示对于位置(x,y)处第i个wifi信标的信号传输衰减因子，(a_i,b_i,c_i)为第i个wifi的坐标；ε_i表示第i个wifi在传输过程中的其他误差；

步骤2)、利用历史数据对“距离-损耗”模型进行学习，建立机器学习模型；然后基于历史数据生成训练样本集，对所建立的机器学习模型加以训练，得到用于生成wifi的信号传输衰减预测值的SVM回归预测函数；

步骤3)、基于步骤1)中移动终端的实时扫描结果，结合步骤2)所建立的SVM回归预测方程与步骤1)所建立的对数化“距离-损耗”模型，计算所述移动终端的准确的位置坐标。

上述技术方案中，所述步骤1)进一步包括：

步骤1-1)、移动终端在时刻t对周围的所有wifi信号进行扫描，并记录每个wifi的强度信息；

步骤1-2)、上传并存储各个移动终端所记录的wifi信号的强度信息；

步骤1-3)、为各个移动终端对所有wifi信号的扫描结果建立对数化“距离-损耗”模型。

上述技术方案中，所述步骤2)进一步包括：

步骤2-1)、将整个待定位区域划分为J×K个网格，每个网格的坐标点记为j＝1,2,…,J，k＝1,2,…,K；

步骤2-2)、基于历史数据对每个位置点的wifi信号强度进行采集，在坐标点处第i个wifi采集信号强度记为对“距离-损耗”模型进行变换，得到该坐标点对应的信号传输衰减因子为：

其中，(a_i,b_i,c_i)为第i个wifi的坐标，其为已知值；P_i0表示1米时的信号强度，其为已知值；

步骤2-3)、以每个网格点的坐标作为输入点，以解算的信号传输衰减因子作为输出样本，构成对第i个wifi信标的训练样本集；所述第i个wifi信标的训练样本集的表达式为：

输入特征集：

输出目标集：f＝[ξ_i11,ξ_i12,…,ξ_iJK]；

步骤2-4)、采用步骤2-3)所得到的训练样本集对支持向量机进行训练，利用训练样本集给出的输入特征集和输出目标集，对SVM按如下步骤进行训练，得到用于生成wifi的信号传输衰减预测值的SVM回归预测函数：

步骤2-4-1)、利用二次规划算法，求解最优化问题：

s.t.

其中，ε为一给定的参数值，α_m ^*、α_m为训练求取的参数，f_m为训练输出集的第m个目标输出值，X_m为输入特征集的第m个样本，K(X_m,X_n)为径向基函数核函数，其形式为：

其中，γ为高斯核函数宽度参数；

步骤2-4-2)、训练完成后，建立SVM回归预测函数为：

其中：b为训练得到的阈值，α_m ^*、α_m为训练求取的参数；X＝(x,y)^T为给定的待预测样本特征矢量；为对第i个wifi的信号传输衰减预测值。

上述技术方案中，所述步骤3)进一步包括：

步骤3-1)、联立步骤2)所得到的所有wifi信号建立的SVM回归预测方程和步骤1)所得到的对数化“距离-损耗”模型：

步骤3-2)、构造函数组：

令：

其中表示求导；

步骤3-3)、由步骤3-2)得到的参数A、F构造迭代求解方程式：

其中，上标(k)表示第k次迭代，上标T表示转置，X＝(x,y)^T为待求位置坐标；

步骤3-4)、当迭代求解方程组的迭代次数达到设定的次数或连续两次迭代获得的位置坐标的差||X^(k+1) -X^k||小于某一阈值时，迭代终止；

步骤3-5)、迭代终止时所得到的优化后的坐标X＝(x,y)^T即为所要求解的移动终端的实时的准确的位置坐标。

上述技术方案中，在所述步骤3-4)中，所述迭代的设定次数在10次-200次之间，所述某一阈值的大小在0.05-0.5之间。

本发明还提供了一种基于传输损耗学习的室内定位系统，包括：

实时扫描与建模模块，该模块采用移动终端对室内的所有wifi信号进行实时扫描，为所述实时扫描的结果建立对数化“距离-损耗”模型；其中，所述“距离-损耗”模型的表达式为：

其中，P_i为第i个wifi接收的信号强度，i＝1,2,…,I，I为所有wifi的总数量，ξ_i表示对于位置(x,y)处第i个wifi信标的信号传输衰减因子，(a_i,b_i,c_i)为第i个wifi的坐标；ε_i表示第i个wifi在传输过程中的其他误差；

预测模块，该模块利用历史数据对“距离-损耗”模型进行学习，建立机器学习模型；然后基于历史数据生成训练样本集，对所建立的机器学习模型加以训练，得到用于生成wifi的信号传输衰减预测值的SVM回归预测函数；

位置计算模块，该模块基于实时扫描与建模模块中移动终端的实时扫描结果，结合预测模块所建立的SVM回归预测方程与实时扫描与建模模块所建立的对数化“距离-损耗”模型，计算所述移动终端的准确的位置坐标。

本发明的优点在于：

本发明通过利用室内有限位置点上的测量值，实现对整个空间的传输损耗值拟合，由于位置解算过程中考虑了不同位置点传输损耗的差异，相比于不考虑损耗或将整个空间损耗值作为一个特定值的方法，本发明具有更高的定位精度。

附图说明

图1是本发明的室内定位方法的流程图。

具体实施方式

下面结合附图对本发明做进一步的说明。

本发明的室内定位方法用于实现对移动终端的定位，该方法基于信号传播损耗学习实现，参考图1，其包括以下步骤：

步骤1)、移动终端对室内的所有wifi信号进行实时扫描，根据扫描结果建立对数化“距离-损耗”模型。该步骤进一步包括：

步骤1-1)、移动终端在时刻t对周围的所有wifi信号进行扫描，并记录每个wifi的强度信息；

在本步骤中，所述移动终端可按照固定的频率对其周围所有的wifi信号进行扫描。移动终端在室内位置坐标假设为(x,y,0)。

步骤1-2)、上传并存储各个移动终端所记录的wifi信号的强度信息；

各个移动终端所记录的wifi信号的强度信息可上传到一服务器中，若由于信号太弱导致信号无法被服务器所接收时，将数据置为100(表示信号非常弱，无法接收到信号)。

步骤1-3)、为各个移动终端对所有wifi信号的扫描结果建立对数化“距离-损耗”模型，该模型的表达式如下：

其中，P_i为第i个wifi接收的信号强度，i＝1,2,…,I，I为所有wifi的总数量，ξ_i表示对于位置(x,y)处第i个wifi信标的信号传输衰减因子，(a_i,b_i,c_i)为第i个wifi的坐标；ε_i表示第i个wifi在传输过程中的其他误差。

步骤2)、利用历史数据对距离-损耗模型进行学习，建立机器学习模型；然后基于历史数据生成训练样本集，从而对所建立的机器学习模型加以训练，得到用于生成wifi的信号传输衰减预测值的SVM回归预测函数。

该步骤可进一步包括：

步骤2-1)、将整个待定位区域划分为J×K个网格，每个网格的坐标点记为j＝1,2,…,J，k＝1,2,…,K；

步骤2-2)、基于历史数据对每个位置点的wifi信号强度进行采集，在坐标点处第i个wifi采集信号强度记为对“距离-损耗”模型进行变换，可得到该坐标点对应的信号传输衰减因子为：

其中，(a_i,b_i,c_i)为第i个wifi的坐标，其为已知值；P_i0表示1米时的信号强度，其为已知值。

本申请中所涉及的历史数据是指本发明的方法运行之前一段时间内所采集的关于多个位置点上各个wifi信号强度的数据。

步骤2-3)、以每个网格点的坐标作为输入点，以解算的信号传输衰减因子作为输出样本，构成对第i个wifi信标的训练样本集；所述第i个wifi信标的训练样本集的表达式为：

输入特征集：

输出目标集：f＝[ξ_i11,ξ_i12,…,ξ_iJK]。

步骤2-4)、采用步骤2-3)所得到的训练样本集对支持向量机(SVM)进行训练，利用训练样本集给出的输入特征集和输出目标集，对SVM按如下步骤进行训练，得到用于生成wifi的信号传输衰减预测值的SVM回归预测函数：

步骤2-4-1)、利用二次规划算法，求解最优化问题：

s.t.

其中，ε为一给定的参数值，α_m ^*、α_m为训练求取的参数，f_m为训练输出集的第m个目标输出值，X_m为输入特征集的第m个样本，K(X_m,X_n)为径向基函数核函数，其形式为：

其中，γ为高斯核函数宽度参数；

步骤2-4-2)、训练完成后，建立SVM回归预测函数为：

其中：b为训练得到的阈值，α_m ^*、α_m为训练求取的参数；X＝(x,y)^T为给定的待预测样本特征矢量；为对第i个wifi的信号传输衰减预测值。

步骤3)、基于步骤1)中移动终端的实时扫描结果，结合步骤2)所建立的SVM回归预测方程与步骤1)所建立的对数化“距离-损耗”模型，计算所述移动终端的准确的位置坐标。

该步骤中，采用迭代方法获得移动终端的准确的位置坐标。

该步骤包括：

步骤3-1)、联立步骤2)所得到的所有wifi信号建立的SVM回归预测方程和步骤1)所得到的对数化“距离-损耗”模型：

步骤3-2)、构造函数组：

令：

其中表示求导；

步骤3-3)、由步骤3-2)得到的参数A、F构造迭代求解方程式：

其中，上标(k)表示第k次迭代，上标T表示转置，X＝(x,y)^T为待求位置坐标；

步骤3-4)、当迭代求解方程组的迭代次数达到设定的次数或连续两次迭代获得的位置坐标的差||X^(k+1) -X^k||小于某一阈值时，迭代终止；

其中，迭代终止条件中的次数值需要根据迭代时间与计算精度综合而定，若迭代次数多，则迭代时间长，消耗的资源大，若迭代次数少，则计算精度会受影响。因此，需要在两者间找到一个平衡点。一般在10次-200次之间，在本实施例中为20次。所述阈值一般在0.05-0.5之间，在本实施例中为0.1。

步骤3-5)、迭代终止时所得到的优化后的坐标X＝(x,y)^T即为所要求解的移动终端在时刻t的准确的位置坐标。

本发明还提供了一种基于传输损耗学习的室内定位系统，包括：

实时扫描与建模模块，该模块采用移动终端对室内的所有wifi信号进行实时扫描，为所述实时扫描的结果建立对数化“距离-损耗”模型；其中，所述“距离-损耗”模型的表达式为：

其中，P_i为第i个wifi接收的信号强度，i＝1,2,…,I，I为所有wifi的总数量，ξ_i表示对于位置(x,y)处第i个wifi信标的信号传输衰减因子，(a_i,b_i,c_i)为第i个wifi的坐标；ε_i表示第i个wifi在传输过程中的其他误差；

预测模块，该模块利用历史数据对“距离-损耗”模型进行学习，建立机器学习模型；然后基于历史数据生成训练样本集，对所建立的机器学习模型加以训练，得到用于生成wifi的信号传输衰减预测值的SVM回归预测函数；

位置计算模块，该模块基于实时扫描与建模模块中移动终端的实时扫描结果，结合预测模块所建立的SVM回归预测方程与实时扫描与建模模块所建立的对数化“距离-损耗”模型，计算所述移动终端的准确的位置坐标。

最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (6)

1.一种基于传输损耗学习的室内定位方法，包括：

步骤1)、移动终端对室内的所有wifi信号进行实时扫描，为所述实时扫描的结果建立对数化“距离-损耗”模型；其中，所述“距离-损耗”模型的表达式为：

$P_i=P_{i0}+10{\mathrm{\ξ}}_i\lg \left(\sqrt{{(x-a_i)}^2+{(y-b_i)}^2+{c_i}^2}\right)+{\mathrm{\ϵ}}_i;$

其中，P_i为第i个wifi接收的信号强度，i＝1,2,…,I，I为所有wifi的总数量，ξ_i表示对于位置(x,y)处第i个wifi信标的信号传输衰减因子，(a_i,b_i,c_i)为第i个wifi的坐标；ε_i表示第i个wifi在传输过程中的其他误差；

步骤2)、利用历史数据对“距离-损耗”模型进行学习，建立机器学习模型；然后基于历史数据生成训练样本集，对所建立的机器学习模型加以训练，得到用于生成wifi的信号传输衰减预测值的SVM回归预测函数；

步骤3)、基于步骤1)中移动终端的实时扫描结果，结合步骤2)所建立的SVM回归预测方程与步骤1)所建立的对数化“距离-损耗”模型，计算所述移动终端的准确的位置坐标。

2.根据权利要求1所述的基于传输损耗学习的室内定位方法，其特征在于，所述步骤1)进一步包括：

步骤1-1)、移动终端在时刻t对周围的所有wifi信号进行扫描，并记录每个wifi的强度信息；

步骤1-2)、上传并存储各个移动终端所记录的wifi信号的强度信息；

步骤1-3)、为各个移动终端对所有wifi信号的扫描结果建立对数化“距离-损耗”模型。

3.根据权利要求1所述的基于传输损耗学习的室内定位方法，其特征在于，所述步骤2)进一步包括：

步骤2-1)、将整个待定位区域划分为J×K个网格，每个网格的坐标点记为j＝1,2,…,J，k＝1,2,…,K；

步骤2-2)、基于历史数据对每个位置点的wifi信号强度进行采集，在坐标点处第i个wifi采集信号强度记为对“距离-损耗”模型进行变换，得到该坐标点对应的信号传输衰减因子为：

${\mathrm{\ξ}}_{ijk}=\frac{{\hat{P}}_{ijk}-P_{i0}}{10\lg \left(\sqrt{{({\hat{x}}_j-a_i)}^2+{({\hat{y}}_k-b_i)}^2+{c_i}^2}\right)}$

其中，(a_i,b_i,c_i)为第i个wifi的坐标，其为已知值；P_i0表示1米时的信号强度，其为已知值；

步骤2-3)、以每个网格点的坐标作为输入点，以解算的信号传输衰减因子作为输出样本，构成对第i个wifi信标的训练样本集；所述第i个wifi信标的训练样本集的表达式为：

输入特征集： $X=\[({\hat{x}}_1,{\hat{y}}_1),({\hat{x}}_1,{\hat{y}}_2),...,({\hat{x}}_J,{\hat{y}}_K)\];$

输出目标集：f＝[ξ_i11,ξ_i12,…,ξ_iJK]；

步骤2-4)、采用步骤2-3)所得到的训练样本集对支持向量机进行训练，利用训练样本集给出的输入特征集和输出目标集，对SVM按如下步骤进行训练，得到用于生成wifi的信号传输衰减预测值的SVM回归预测函数：

步骤2-4-1)、利用二次规划算法，求解最优化问题：

$\underset{\mathrm{\α},{\mathrm{\α}}^{*}}{max}\{-\mathrm{\ϵ}\underset{m=1}{\overset{J\×K}{\Σ}}({{\mathrm{\α}}_m}^{*}+{\mathrm{\α}}_m)+\underset{m=1}{\overset{J\×K}{\Σ}}{f}_m({{\mathrm{\α}}_m}^{*}-{\mathrm{\α}}_m)-\frac{1}{2}\underset{m=1}{\overset{J\×K}{\Σ}}\underset{n=1}{\overset{J\×K}{\Σ}}{({{\mathrm{\α}}_m}^{*}-{\mathrm{\α}}_m)}^{T}K(X_m,X_n)({{\mathrm{\α}}_n}^{*}-{\mathrm{\α}}_n)\}$

s.t.

$\underset{m=1}{\overset{J\×K}{\Σ}}({\mathrm{\α}}_m-{{\mathrm{\α}}_m}^{*})=0,0\≤{\mathrm{\α}}_m,{{\mathrm{\α}}_m}^{*}\≤C,m=1,2,...,J\×K$

其中，ε为一给定的参数值，α_m ^*、α_m为训练求取的参数，f_m为训练输出集的第m个目标输出值，X_m为输入特征集的第m个样本，K(X_m,X_n)为径向基函数核函数，其形式为：

$K(X_m,X_n)=\exp (-\frac{\left|\right|X_m-X_n|{|}^2}{2{\mathrm{\γ}}^2})$

其中，γ为高斯核函数宽度参数；

步骤2-4-2)、训练完成后，建立SVM回归预测函数为：

${\hat{y}}_i\left(x\right)=\underset{m=1}{\overset{J\×K}{\Σ}}({{\mathrm{\α}}_m}^{*}-{\mathrm{\α}}_m)K(X_m,X)+b$

其中：b为训练得到的阈值，α_m ^*、α_m为训练求取的参数；X＝(x,y)^T为给定的待预测样本特征矢量；为对第i个wifi的信号传输衰减预测值。

4.根据权利要求3所述的基于传输损耗学习的室内定位方法，其特征在于，所述步骤3)进一步包括：

步骤3-1)、联立步骤2)所得到的所有wifi信号建立的SVM回归预测方程和步骤1)所得到的对数化“距离-损耗”模型：

${\hat{y}}_i\left(x\right)=\underset{m=1}{\overset{J\×K}{\Σ}}({{\mathrm{\α}}_m}^{*}-{\mathrm{\α}}_m)K(X_m,X)+b;$

$P_i=P_{i0}+10{\mathrm{\ξ}}_i\lg \left(\sqrt{{(x-a_i)}^2+{(y-b_i)}^2+{c_i}^2}\right),i=1,2,...,I;$

步骤3-2)、构造函数组：

$\left\{\begin{array}{c}{F}_1\left(X\right)=P_1-P_{10}-10\left(\underset{m=1}{\overset{J\×K}{\Σ}}\left({{\mathrm{\α}}_m}^{*}-{\mathrm{\α}}_m\right)K\left(X_m,\left(x,y\right)\right)+b\right)\lg (\sqrt{{\left(x-a_1\right)}^2+{\left(y-b_1\right)}^2+{c_1}^2}=0\\ F_2\left(X\right)=P_2-P_{20}-10\left(\underset{m=1}{\overset{J\×K}{\Σ}}\left({{\mathrm{\α}}_m}^{*}-{\mathrm{\α}}_m\right)K\left(X_m,\left(x,y\right)\right)+b\right)\lg (\sqrt{{\left(x-a_2\right)}^2+{\left(y-b_2\right)}^2+{c_2}^2}=0\\ \begin{array}{c}.\\ .\\ .\end{array}\\ F_I\left(X\right)=P_I-P_{I0}-10\left(\underset{m=1}{\overset{J\×K}{\Σ}}\left({{\mathrm{\α}}_m}^{*}-{\mathrm{\α}}_m\right)K\left(X_m,\left(x,y\right)\right)+b\right)\lg (\sqrt{{\left(x-a_I\right)}^2+{\left(y-b_I\right)}^2+{c_I}^2}=0\end{array}\right.$

令：

$A=\left[\begin{array}{cc}\frac{\∂F_1\left(X\right)}{\∂x}& \frac{\∂F_1\left(X\right)}{\∂y}\\ \frac{\∂F_2\left(X\right)}{\∂x}& \frac{\∂F_2\left(X\right)}{\∂y}\\ \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}.\\ .\\ .\end{array}\\ \frac{\∂F_I\left(X\right)}{\∂x}& \frac{\∂F_I\left(X\right)}{\∂y}\end{array}\right],$ $F=\left[\begin{array}{c}{F}_1\left(X\right)\\ F_2\left(X\right)\\ .\\ .\\ .\\ F_I\left(X\right)\end{array}\right],$ 其中表示求导；

步骤3-3)、由步骤3-2)得到的参数A、F构造迭代求解方程式：

X^(k+1)＝X^(k)+(A^(k)TA^(k))A^(k)TF^(k)

其中，上标(k)表示第k次迭代，上标T表示转置，X＝(x,y)^T为待求位置坐标；

步骤3-4)、当迭代求解方程组的迭代次数达到设定的次数或连续两次迭代获得的位置坐标的差||X^(k+1)-X^k||小于某一阈值时，迭代终止；

步骤3-5)、迭代终止时所得到的优化后的坐标X＝(x,y)^T即为所要求解的移动终端的实时的准确的位置坐标。

5.根据权利要求3所述的基于传输损耗学习的室内定位方法，其特征在于，在所述步骤3-4)中，所述迭代的设定次数在10次-200次之间，所述某一阈值的大小在0.05-0.5之间。

6.一种基于传输损耗学习的室内定位系统，其特征在于，包括：

实时扫描与建模模块，该模块采用移动终端对室内的所有wifi信号进行实时扫描，为所述实时扫描的结果建立对数化“距离-损耗”模型；其中，所述“距离-损耗”模型的表达式为：

$P_i=P_{i0}+10{\mathrm{\ξ}}_i\lg \left(\sqrt{{(x-a_i)}^2+{(y-b_i)}^2+{c_i}^2}\right)+{\mathrm{\ϵ}}_i;$

其中，P_i为第i个wifi接收的信号强度，i＝1,2,…,I，I为所有wifi的总数量，ξ_i表示对于位置(x,y)处第i个wifi信标的信号传输衰减因子，(a_i,b_i,c_i)为第i个wifi的坐标；ε_i表示第i个wifi在传输过程中的其他误差；

预测模块，该模块利用历史数据对“距离-损耗”模型进行学习，建立机器学习模型；然后基于历史数据生成训练样本集，对所建立的机器学习模型加以训练，得到用于生成wifi的信号传输衰减预测值的SVM回归预测函数；

位置计算模块，该模块基于实时扫描与建模模块中移动终端的实时扫描结果，结合预测模块所建立的SVM回归预测方程与实时扫描与建模模块所建立的对数化“距离-损耗”模型，计算所述移动终端的准确的位置坐标。