CN107071894B - 一种基于WiFi的室内定位优化算法 - Google Patents
一种基于WiFi的室内定位优化算法 Download PDFInfo
- Publication number
- CN107071894B CN107071894B CN201710084372.0A CN201710084372A CN107071894B CN 107071894 B CN107071894 B CN 107071894B CN 201710084372 A CN201710084372 A CN 201710084372A CN 107071894 B CN107071894 B CN 107071894B
- Authority
- CN
- China
- Prior art keywords
- rssi
- wifi
- neural network
- fingerprint database
- recurrent neural
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 19
- 238000005457 optimization Methods 0.000 title claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 21
- 230000000306 recurrent effect Effects 0.000 claims abstract description 21
- 238000007635 classification algorithm Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000012360 testing method Methods 0.000 claims abstract description 4
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 11
- 239000010410 layer Substances 0.000 description 27
- 230000000694 effects Effects 0.000 description 7
- 238000005259 measurement Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002356 single layer Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
- H04W64/006—Locating users or terminals or network equipment for network management purposes, e.g. mobility management with additional information processing, e.g. for direction or speed determination
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0252—Radio frequency fingerprinting
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本文公开一种基于WiFi的室内定位优化算法,为解决现有的WiFi室内定位方法的信号噪声问题,通过对原始RSSI指纹库的重新编码,减少噪声在RSSI信号数据中的影响,能适应具有大量噪声的实际环境,从而提高了WiFi定位的精度。该算法的实现过程分为两个阶段:训练阶段:线下采集RSSI数据,将其转换成RSSI指纹库;将RSSI指纹库的与x、y坐标值部分分离;构造一个非递归神经网络不断训练RSSI值部分,得到一个新的数据集,形成新的RSSI指纹库;测试阶段:将给出的某一位置RSSI指纹,经过与训练阶段同样的非递归神经网络,通过KNN分类算法进行指纹库匹配分别对x坐标值和y坐标值分类,得出最终定位结果。
Description
技术领域
本发明涉及室内定位领域,更具体地,涉及一种基于WiFi的室内定位优化算法。
背景技术
随着无线局域网络在世界的飞速发展和移动终端设备的广泛普及,近年来出现了很多的室内定位相关技术和应用。目前WiFi室内定位方法根据网络中是否需要测量节点之间的真实距离,可分为基于测距的方法和非测距的方法。前者测量时利用节点之间的距离或者角度等信息实现节点自身定位,典型的算法有:到达时间差(Time Difference ofArrival)和到达时间(Time of Arrival)等,非测距方法主要是基于在接收信号强度指示RSSI(Received Signal Strength Indicator)信号强度值来计算的。
基于RSSI强度值的定位算法分为两种:一种是基于RSSI信号的衰减模型,通过建模找出一个非线性方程来描述单个的接收信号强度指示值与测量物体和发射机之间距离的关系,再依据信号强度与传播距离损耗测算距离,通过多边测量、圆周或双曲线函数定位节点位置,具体实施过程一般分为测距阶段和计算坐标阶段。另外一种是基于RSSI指纹库的定位方法,也是本文中采用的方法,由于无线信号在传播中会受反射、绕射和散射的影响,使得接收节点接收到的信号不是来自于单一路径,而是多个路径多个信号的叠加,并且由于电磁波通过的路径距离不同,到达节点时间也不尽相同,存在相位差。但是对每个位置而言,信道的多径结构都是唯一的,我们可以把在这个位置收到的所有的RSSI信号与其对应的发射源统称为RSSI位置指纹,然后根据这个指纹库来进行定位。
在实际环境中,WiFi信号传播会受到多径效应、阴影效应和非直达波传播等的影响,同时室内坏境存在着其他的无线信号干扰,特别是频率为2.4GHZ的信号。在室内环境应用基于WiFi的定位系统时,无论是在线阶段还是离线阶段采集的数据,都会受到噪声的影响,这对定位效果有很大的影响,所以尽可能消除噪声对信号的影响成为定位中的关键点。
发明内容
本发明为克服上述现有技术所述的至少一种缺陷,提供一种基于WiFi的室内定位优化算法,能适应具有大量噪声的实际环境,提高室内WiFi定位精度。
为解决上述技术问题,本发明的技术方案如下:
一种基于WiFi的室内定位优化算法,包括以下步骤:
训练阶段:
S1:线下采集RSSI数据,并将所采集的RSSI数据转换成RSSI指纹库,记为F;
S2:将RSSI指纹库的RSSI值部分与x、y坐标值部分分离;其中,RSSI值部分记为数据集X,x、y坐标值部分记为Y1、Y2;
S3:将数据集X经过自动编码器进行自学习,构造一个非递归神经网络hw,b;
S4:将数据集X经过非递归神经网络hw,b通过不断训练得到一个新的数据集X',使得hw,b(X)≈X';
S5:将新的数据集X'与其对应的x、y坐标值部分结合起来,形成新的RSSI指纹库,记为F';
测试阶段:
S6:将给出的某一位置RSSI指纹f,经过与训练阶段同样的非递归神经网络hw,b转换为新的模式f',其中hw,b(f)≈f';
S7:通过分类算法进行新指纹库匹配分别对x坐标值和y坐标值分类,得出最终定位结果。
在一种优选的方案中,步骤S3中自动编码器编码是通过降维或升维学习一组数据的表现形式。
在一种优选的方案中,步骤S3中非递归神经网络hw,b有多个神经元层,包括输入层、隐藏层和输出层。
在一种优选的方案中,所述非递归神经网络hw,b每层的维度数没有限制,为D1,D2,...,Dn。
在一种优选的方案中,步骤S5中新的RSSI指纹库F'是原始RSSI指纹库F的另外一种表现形式,能完全代表F。
在一种优选的方案中,步骤S7中的分类算法为k最近邻(k-Nearest Neighbor,kNN)分类算法。
与现有技术相比,本发明技术方案的有益效果是:自动编码方法是人工神经网络用于学习高效编码的一种算法,本发明通过构建非递归神经网络自学习得到新的RSSI指纹库是原始RSSI指纹库的另一种表示方法,完全能够代表原始RSSI指纹库,通过对原始RSSI指纹库的重新编码,减少噪声在RSSI信号数据中的影响,能适应具有大量噪声的实际环境,从而提高了WiFi定位的精度。
附图说明
图1为基于WiFi的室内定位优化算法流程图示。
图2为实施例1的基于WiFi的室内定位优化算法隐藏层为一层时信号损耗图示。
图3为实施例1的基于WiFi的室内定位优化算法隐藏层为两层时信号损耗图示。
图4为基于WiFi的室内定位优化算法效果图示。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1所示为算法流程图,包括以下步骤:
训练阶段:
S1:线下采集RSSI数据,并将所采集的RSSI数据转换成RSSI指纹库,记为F;
S2:将RSSI指纹库的RSSI值部分与x、y坐标值部分分离;其中,RSSI值部分记为数据集X,x、y坐标值部分记为Y1、Y2;
S3:将数据集X经过自动编码器进行自学习,构造一个非递归神经网络hw,b;
S4:将数据集X经过非递归神经网络hw,b通过不断训练得到一个新的数据集X',使得hw,b(X)≈X';
S5:将新的数据集X'与其对应的x、y坐标值部分结合起来,形成新的RSSI指纹库,记为F';
测试阶段:
S6:将给出的某一位置RSSI指纹f,经过与训练阶段同样的非递归神经网络hw,b转换为新的模式f',其中hw,b(f)≈f';
S7:通过分类算法进行新指纹库匹配分别对x坐标值和y坐标值分类,得出最终定位结果。
在具体实施过程中,步骤S3中自动编码器编码是通过降维或升维学习一组数据的表现形式。在结构上,其最简单的形式是前馈、类似于多层感知器的非递归神经网络。
在具体实施过程中,步骤S3中非递归神经网络hw,b有多个神经元层,包括输入层、隐藏层和输出层。
在具体实施过程中,所述非递归神经网络hw,b每层的维度数没有限制,为D1,D2,...,Dn。
在具体实施过程中,步骤S5中新的RSSI指纹库F'是原始RSSI指纹库F的另外一种表现形式,能完全代表F。
在具体实施过程中,步骤S7中的分类算法为kNN分类算法。
实施例2
通过使用专门的app进行人工采集RSSI值,采集密度大约为每一平方米一个点,采集到的每组数据格式为{[RSSI1,AP1,手机MAC地址1,时间1],[RSSI2,AP2,手机MAC地址1,时间1]...},在一个位置点击一次默认一次发送5组数据到服务器端,这五组数据的时间不同;
由于同一时间可能有多台手机在进行数据采集,因此,根据时间+手机MAC地址为依据,将数据格式转换为指纹库形式{RSSI1,RSSI2,RSSI3,...,RSSI5,x,y},x,y为位置坐标,该指纹库记为F,其中{RSSI1,RSSI2,RSSI3,...,RSSI5}为分类特征,记为X,x坐标、y坐标为分类的类别,分别记为Y1、Y2。
将X数据进行中值滤波,减少信号波动引发的极端RSSI信号值对定位的影响;
将指纹库F的X与Y1、Y2分离开,;
构造一个非递归神经网络hw,b,该非递归神经网络是n层,且每层的维度数记为D1,D2,...,Dn。将数据X经过hw,b进行自学习,通过i次迭代,比较经过hw,b的X'’与X之间的差距,若差距已足够小,则停止迭代,这里i取15000,得到X';使用kNN分类算法根据X'进行Y1、Y2的分类,得出定位结果。
如图2所示,当隐藏层为一层,L1层维度数为28时,信号损耗最小,其次是维度数为50与维度数为40。
如图3所示,当隐藏层为两层,L1层维度数为40,L2层维度数为35时,信号损耗最小,效果最好。
如图4所示,比较不经过自动编码、单层隐藏层自动编码和两层隐藏层自动编码的定位效果比较,从图中可看出,经过两层的自动编码后的定位效果明显由于单层自动编码和不经过自动编码的情况。
相同或相似的标号对应相同或相似的部件;
附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制;
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (5)
1.一种基于WiFi的室内定位优化算法,其特征在于,包括以下步骤:
训练阶段:
S1:线下采集RSSI数据,并将所采集的RSSI数据转换成RSSI指纹库,记为F;
S2:将RSSI指纹库的RSSI值部分与x、y坐标值部分分离;其中,RSSI值部分记为数据集X,x、y坐标值部分记为Y1、Y2;
S3:将数据集X经过自动编码器进行自学习,构造一个非递归神经网络hw,b;
S4:将数据集X经过非递归神经网络hw,b通过不断训练得到一个新的数据集X',使得hw,b(X)≈X';
S5:将新的数据集X'与其对应的x、y坐标值部分结合起来,形成新的RSSI指纹库,记为F';新的RSSI指纹库F'是原始RSSI指纹库F的另外一种表现形式,能完全代表F;
测试阶段:
S6:将给出的某一位置RSSI指纹f,经过与训练阶段同样的非递归神经网络hw,b转换为新的模式f',其中hw,b(f)≈f';
S7:通过分类算法进行指纹库匹配分别对x坐标值和y坐标值分类,得出最终定位结果。
2.根据权利要求1所述的基于WiFi的室内定位优化算法,其特征在于,步骤S3中,自动编码器编码是通过降维或升维学习一组数据的表现形式。
3.根据权利要求1所述的基于WiFi的室内定位优化算法,其特征在于,步骤S3中,非递归神经网络hw,b有多个神经元层,包括输入层、隐藏层和输出层。
4.根据权利要求2所述的基于WiFi的室内定位优化算法,其特征在于,所述非递归神经网络hw,b每层的维度数没有限制。
5.根据权利要求1所述的基于WiFi的室内定位优化算法,其特征在于,步骤S7中的分类算法为k最近邻分类算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710084372.0A CN107071894B (zh) | 2017-02-16 | 2017-02-16 | 一种基于WiFi的室内定位优化算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710084372.0A CN107071894B (zh) | 2017-02-16 | 2017-02-16 | 一种基于WiFi的室内定位优化算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107071894A CN107071894A (zh) | 2017-08-18 |
CN107071894B true CN107071894B (zh) | 2020-04-24 |
Family
ID=59621453
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710084372.0A Active CN107071894B (zh) | 2017-02-16 | 2017-02-16 | 一种基于WiFi的室内定位优化算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107071894B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108668254B (zh) * | 2018-05-15 | 2022-01-04 | 福州大学 | 基于改进BP神经网络的WiFi信号特征的区域定位方法 |
CN109743683B (zh) * | 2018-12-03 | 2020-08-07 | 北京航空航天大学 | 一种采用深度学习融合网络模型确定手机用户位置的方法 |
CN110572875B (zh) * | 2019-09-16 | 2021-02-02 | 南京邮电大学 | 一种基于改进的机器学习算法的无线定位方法 |
CN110933631B (zh) * | 2019-12-03 | 2021-03-16 | 浙江科技学院 | 基于wifi位置指纹的室内定位方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105101408A (zh) * | 2015-07-23 | 2015-11-25 | 常熟理工学院 | 基于分布式ap选择策略的室内定位方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102111784B1 (ko) * | 2013-07-17 | 2020-05-15 | 현대모비스 주식회사 | 차량 위치 인식 장치 및 방법 |
-
2017
- 2017-02-16 CN CN201710084372.0A patent/CN107071894B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105101408A (zh) * | 2015-07-23 | 2015-11-25 | 常熟理工学院 | 基于分布式ap选择策略的室内定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107071894A (zh) | 2017-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107071894B (zh) | 一种基于WiFi的室内定位优化算法 | |
CN109525935B (zh) | 一种针对普适室内环境的智能楼层感知方法及控制系统 | |
Masood et al. | A machine learning based 3D propagation model for intelligent future cellular networks | |
CN111123257B (zh) | 基于图时空网络的雷达动目标多帧联合检测方法 | |
CN105960021A (zh) | 一种改进的位置指纹室内定位方法 | |
WO2021171341A1 (ja) | 通信品質を予測するシステム、装置、方法及びプログラム | |
CN111935629B (zh) | 一种基于环境特征迁移的自适配定位方法 | |
CN108171119B (zh) | 基于残差网络的sar图像变化检测方法 | |
CN107817466B (zh) | 基于堆叠受限玻尔兹曼机和随机森林算法的室内定位方法 | |
CN106997476A (zh) | 多源无标签数据学习建模的传动系统性能退化评估方法 | |
Zheng et al. | Intelligent learning approach for UHF partial discharge localisation in air‐insulated substations | |
KR20210086786A (ko) | 미세먼지 및 악취 예측 시스템 및 방법 | |
Cui et al. | Improved genetic algorithm to optimize the Wi-Fi indoor positioning based on artificial neural network | |
CN113779247A (zh) | 基于意图驱动的网络故障诊断方法及系统 | |
Ye et al. | Wireless localization based on deep learning: state of art and challenges | |
Turgut et al. | Performance analysis of machine learning and deep learning classification methods for indoor localization in Internet of things environment | |
CN114363949A (zh) | 一种用于uwb定位系统的异常数据检测方法 | |
CN110426671B (zh) | Wsn中基于模型概率实时修正的imm目标跟踪方法及装置 | |
CN110011847B (zh) | 一种传感云环境下的数据源质量评估方法 | |
Abdullah et al. | Deep learning-based device-free localization in wireless sensor networks | |
CN114218978A (zh) | 一种嵌入式轻量化的毫米波雷达目标识别方法 | |
CN112469072B (zh) | 基于贝塞尔曲线更新的节点行为监测时长自适应调整方法 | |
CN110691336A (zh) | 一种基于集成学习和相对定位的双尺度定位算法 | |
KR101232365B1 (ko) | 무선센서 네트워크에서의 다중 이동체 위치추적장치 및 그 방법 | |
CN113645565B (zh) | 一种基于六方最密堆积结构的室内定位方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |