CN107727095B - 基于谱聚类和加权反向传播神经网络的3d室内定位方法 - Google Patents

Abstract

本发明属于无线通信与室内定位技术领域，公开了一种基于谱聚类和加权反向传播神经网络的3D室内定位方法，其分为线下阶段与线上阶段：线下阶段用谱聚类将参考点分成N_C个簇，在每个簇中，用接收信号强度和相应的位置信息训练一个反向传播神经网络模型；线上阶段采用加权BPNN算法估计待测点的位置，确定待测点指纹在每个簇中的权重，利用训练好的N_C个BPNN模型得到N_C个坐标，用N_C个坐标加权估计待测点的位置。本发明降低了设备复杂度以及布设成本；提供更高的定位精度与定位稳定度，减少了训练时间。

Description

基于谱聚类和加权反向传播神经网络的3D室内定位方法

技术领域

本发明属于无线通信与室内定位技术领域，尤其涉及一种基于谱聚类和加权反向传播神经网络的3D室内定位方法。

背景技术

近年来，随着室内定位服务需求的激增，大量的室内定位技术涌现。与此同时，随着第五代(5G)网络中网络基础设施的密集部署，例如，小型基站和Wi-Fi接入点，室内定位技术可以利用丰富的锚节点来精确跟踪和估计目标位置。目前的室内定位技术可以分为两种：基于几何的室内定位方法和基于位置指纹的室内定位方法。然而只有当待测点和锚节点之间仅存在视距(line-of-sight，LOS)时，待测点的位置才可以用基于几何的室内定位方法精确估计。然而实际的室内环境复杂且变化多端，存在非视距(nonline-of-sight，NLOS)传播，导致的多径效应会造成基于几何方法的定位精度急剧下降。相比之下，基于位置指纹的定位方法可以应用于视距或非视距环境中并且能够有效地映射待测点的指纹特征与位置之间的非线性关系。近几年来，出现大量基于机器学习的位置指纹定位方法，包括k-近邻(k-nearest neighbor，KNN)方法，加权k-近邻(weighted k-nearest neighbor，WKNN)和神经网络(neural network，NN)方法等。基于KNN的方法能够通过对k个最邻近指纹的位置平均以有效地估计待测点的位置。同时，基于神经网络的方法具有很强的非线性映射能力和泛化能力，能够显著提高室内定位精度。现有的大量室内定位方法基本上是为2D场景设计的。然而，许多应用，例如虚拟现实和灾难等应用，对3D场景下室内定位技术的需求不断增加。虽然，一些现有的基于3D场景的室内定位技术可以达到一个很好的定位精度，但是其中大多数可能需要借助昂贵且复杂的设备。此外，某些技术可能需要收集并存储大量的图像数据以建立指纹库。例如，一种使用RGB-D相机的新型的3D即时定位与地图构建(simultaneous localization and mapping，SLAM)系统，虽然该技术可以达到一个很好的定位精度，但是需要借助机器人设备收集与存储大量的图像数据作为指纹库数据。另外，某些技术虽然采用了价格低廉的设备并减少了指纹库的数据量，但由于没有考虑无线信道相关性，从而导致定位精度不能满足一些应用需求。例如，一种新的基于RFID的3D室内定位系统结合了两种方法：场景分析技术和人工神经网络。其中，采用RFID构建指纹库的设备价格低廉并且人工神经网络能够提供更高的定位精度与定位稳定度。但是由于没有考虑无线信道相关性，从而导致定位精度较低。

综上所述，现有技术存在的问题是：现有的一些基于3D场景的室内定位技术存在需要借助昂贵且复杂的设备，存储大量的图像数据以建立指纹库。一些基于3D场景的室内定位技术虽然采用的设备价格低廉，但是没有考虑无线信道相关性，从而导致定位精度较低。

发明内容

针对现有技术存在的问题，本发明提供了一种基于谱聚类和加权反向传播神经网络的3D室内定位方法。

本发明是这样实现的，一种基于谱聚类和加权反向传播神经网络的3D室内定位方法，所述基于谱聚类和加权反向传播神经网络的3D室内定位方法包括线下阶段和线上阶段；

所述线下阶段用谱聚类将参考点分成N_C个簇，在每个簇中，用接收信号强度和相应的位置信息训练一个反向传播神经网络模型；

所述线上阶段采用加权BPNN算法估计待测点的位置，确定待测点指纹在每个簇中的权重，利用训练好的N_C个BPNN模型得到N_C个坐标，用N_C个坐标加权估计待测点的位置。

进一步，所述线下阶段包括建立指纹库，用谱聚类将参考点分簇和训练反向传播神经网络模型。

进一步，所述线下阶段具体包括如下步骤：

(1)建立指纹库：

在定位场景中，建立的指纹库表示为

其中

表示选取的N_RP个参考点建立的指纹矩阵，P为所有参考点的坐标集合，ID为N_AP个AP的BSSID集合：

N_RP个参考点的指纹矩阵为：

其中

表示第j个参考点接收到第i个AP的接收信号强度值；

表示第j个参考点接收到所有AP的接收信号强度值向量；

P＝{p_j＝(x_j,y_j,z_j),j＝1,2,...,N_RP}，其中p_j表示第j个参考点的坐标；

其中ID_i表示第i个AP的BSSID；

(2)用谱聚类将参考点分簇：

将参考点分为N_C个簇；

(3)训练N_C个BPNN模型：选择三层的BPNN模型，其中包括一个输入层，一个隐藏层和一个输出层；隐藏层的神经元个数取决于输入层与输出层神经元个数之和；隐藏层与输出层的神经元的激励函数可以为sigmoid函数，purelin函数和tanh函数；每个簇中参考点的接收信号强度指纹为一个BPNN模型的输入，相应的坐标为输出，以最小真实坐标与预测坐标的欧氏距离为目标训练BPNN模型；记录保存真实反映接收信号强度指纹与坐标间关系的模型。

进一步，所述谱聚类的具体步骤如下：

(a)构造一个加权的无向图G＝{φ,E,S}，其中

表示无向图中所有顶点的集合，

表示第j个顶点；

表示无向图中所有边的集合；

为一个N_RP×N_RP的矩阵，表示所有边的权重，其中s_i,j≥0(i,j＝1,...,N_RP)表示第i个参考点和第j个参考点的余弦相似度，采用如下公式计算：

(b)计算一个N_RP×N_RP的对角矩阵D，其对角线的元素分别为S中的每一行元素相加，并计算归一化的拉普拉斯矩阵

(c)计算L_norm矩阵中N_C个最大的特征值及其特征向量并用N_C个特征向量形成一个N_RP×N_C的特征矩阵，记为Q；

(d)对特征矩阵Q做k-means聚类，得到一个N_RP维的向量

(e)C中的第j个元素代表第j个参考点所属的簇。

进一步，所述线上阶段具体包括如下步骤：

(1)处理待测点收集的接收信号强度数据：

依据线下阶段中建立指纹库的步骤处理线上待测位置收集的接收信号强度数据；记作Υ_n＝[r_n,ID_n]；

(2)获得N_C个预测坐标：

将r_n作为N_C个已训练好的BPNN模型的输入，得到N_C个预测坐标，记作p_i(i＝1,...,N_C)；

(3)计算每个预测坐标相应的权重；

(3a)计算r_n与指纹库中每个参考点指纹的余弦相似度并以降序的方式排序；

(3b)取前N_K个余弦相似度对应参考点的聚类标签并记作集合Ω。统计Ω中属于第i(i＝1,...,N_C)个簇对应的参考点个数记作N_i，则p_i相应的权重

(4)估计待测位置的坐标：

进一步，所述线上阶段(3)与(4)中，依据线下阶段中的参考点聚类结果以及线上待测点与参考点余弦相似度为每个预测坐标确定一个权重，得到待测点的加权平均预测坐标。

本发明的另一目的在于提供一种利用所述基于谱聚类和加权反向传播神经网络的3D室内定位方法的3D室内定位系统。

本发明的优点及积极效果为：充分考虑无线信道的相关性的特点，采用谱聚类将参考点分成N_C个簇，在每个簇中，用接收信号强度和相应的位置信息训练一个反向传播神经网络模型。线上阶段采用加权BPNN算法估计待测点的位置。确定待测点指纹在每个簇中的权重，利用训练好的N_C个BPNN模型得到N_C个坐标，最后，采用N_C个坐标加权估计待测点的位置，提高了定位精度。

同时，由于N_C个BPNN模型可以并行训练，减少了训练时间。采用接收信号强度建立指纹库，无需额外的设备，降低了设备复杂度以及布设成本。由于BPNN能够提供更高的定位精度与定位稳定度，本发明采用BPNN模型映射RSS与坐标间关系。

此外，实验结果显示在中值误差方面，SWBN的性能优于KNN，WKNN和BPNN。具体地说，与KNN(K＝5)，WKNN(K＝5)和BPNN相比，SWBN的中值误差分别降低了36.21％，36.48％和11.9％。此外，与BPNN算法相比，训练时间显著减少了41.48％。

附图说明

图1是本发明实施例提供的基于谱聚类和加权反向传播神经网络的3D室内定位方法流程图。

图2是本发明实施例提供的基于谱聚类和加权反向传播神经网络的3D室内定位方法实现流程图。

图3是本发明实施例提供的定位精度性能的实验结果示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明采用接收信号强度值建立指纹库以减少设备复杂度，根据无线信道的相关性利用谱聚类对参考点聚类并采用加权的反向传播神经网络(backpropagation neuralnetworks，BPNN)算法以提高定位精度并减少训练时间。

下面结合附图对本发明的应用原理作详细的描述。

如图1所示，本发明实施例提供的基于谱聚类和加权反向传播神经网络的3D室内定位方法包括以下步骤：

S101：考虑无线信道相关性，用谱聚类将参考点分成N_C个簇；在每个簇中，用接收信号强度和相应的位置信息训练一个反向传播神经网络模型；

S102：采用加权BPNN算法估计待测点的位置，确定待测点指纹在每个簇中的权重，利用训练好的N_C个BPNN模型得到N_C个坐标，用N_C个坐标加权估计待测点的位置。

下面结合附图对本发明的应用原理作进一步的描述。

如图2所示，本发明实施例提供的基于谱聚类和加权反向传播神经网络的3D室内定位方法包括线下阶段与线上阶段。

步骤1，线下阶段。

线下阶段首先建立指纹库，然后考虑空间信道相关性，用谱聚类将参考点分成N_C个簇。在每个簇中，用接收信号强度和相应的位置信息训练一个BPNN模型。具体的过程：

第一步，建立指纹库。

在定位场景中，本发明建立的指纹库表示为

其中

表示选取的N_RP个参考点建立的指纹矩阵，P为所有参考点的坐标集合，ID为N_AP个AP的BSSID(basic serviceset identifier)集合。具体如下：

N_RP个参考点的指纹矩阵为：

其中

表示第j个参考点接收到第i个AP的接收信号强度值。此外，

表示第j个参考点接收到所有AP的接收信号强度值向量。

P＝{p_j＝(x_j,y_j,z_j),j＝1,2,...,N_RP}，其中p_j表示第j个参考点的坐标。

其中ID_i表示第i个AP的BSSID。

第二步，用谱聚类将参考点分簇。

在3D室内环境中，接收信号强度的特征与无线信道的相关性有关。采用基于图论的聚类方法，即谱聚类，将参考点分为N_C个簇。谱聚类的具体步骤如下：

(2a)构造一个加权的无向图G＝{φ,E,S}，其中

表示无向图中所有顶点的集合，

表示第j个顶点；

表示无向图中所有边的集合；

为一个N_RP×N_RP的矩阵，表示所有边的权重，其中s_i,j≥0(i,j＝1,...,N_RP)表示第i个参考点和第j个参考点的余弦相似度，采用如下公式计算：

(2b)计算一个N_RP×N_RP的对角矩阵D，其对角线的元素分别为S中的每一行元素相加，并计算归一化的拉普拉斯矩阵

(2c)计算L_norm矩阵中N_C个最大的特征值及其特征向量并用N_C个特征向量形成一个N_RP×N_C的特征矩阵，记为Q。

(2d)对特征矩阵Q做k-means聚类，得到一个N_RP维的向量C＝[c₁,...,c_j,...,c_NRP]。

(2e)C中的第j个元素代表第j个参考点所属的簇。

第三步，训练N_C个BPNN模型。

(3a)选择三层的BPNN模型，其中包括一个输入层，一个隐藏层和一个输出层。隐藏层的神经元个数取决于输入层与输出层神经元个数之和。本发明的实验中，隐藏层与输出层的神经元的激励函数选取为sigmoid函数。

(3b)每个簇中参考点的接收信号强度指纹为一个BPNN模型的输入，相应的坐标为输出，以最小真实坐标与预测坐标的欧氏距离为目标训练BPNN模型。训练过程包括前向传输与后向传输：前向传输中，接收信号强度指纹通过模型得到预测结果；后向传输中，利用随机梯度下降算法更新模型中参数以达到最小化真实坐标与预测坐标的欧氏距离。

(3c)记录保存能够真实反映接收信号强度指纹与坐标间关系的模型。

步骤2，线上阶段。

本发明的线上阶段具体实现包括如下步骤：

(1)处理待测点收集的接收信号强度数据：

依据线下阶段中建立指纹库的步骤处理线上待测位置收集的接收信号强度数据。记作Υ_n＝[r_n,ID_n]。

(2)获得N_C个预测坐标：

将r_n作为N_C个已训练好的BPNN模型的输入，进而得到N_C个预测坐标，记作p_i(i＝1,...,N_C)。

(3)计算每个预测坐标相应的权重：

(3a)计算r_n与指纹库中每个参考点指纹的余弦相似度并以降序的方式排序。

(3b)取前N_K个余弦相似度对应参考点的聚类标签并记作集合Ω。统计Ω中属于第i(i＝1,...,N_C)个簇对应的参考点个数记作N_i，则p_i相应的权重

(4)估计待测位置的坐标：

下面结合实验对本发明的应用效果作详细的描述。

图3的实验结果显示本发明在3D室内环境中具有较高的定位精度。实验场景是西安电子科技大学实验楼的一个16m(长)×7.76m(宽)×3.25m(高)的会议室。在高度为0.85，1.7和2.55m处总共选取204个参考点和27个待测点。在每个参考点处，采集150个接收信号强度样本并取其平均值作为指纹。由于收集的接收信号强度样本数目的限制，实验中采用谱聚类将所有的参考点分为两个簇。然后用每个簇中的参考点训练一个BPNN模型。线上阶段采用加权BPNN算法精确地估计待测点的位置。实验结果显示在中值误差方面，SWBN的性能优于KNN，WKNN和BPNN。具体来说，与KNN(K＝5)，WKNN(K＝5)和BPNN相比，SWBN的中值误差分别降低了36.21％，36.48％和11.9％。此外，与BPNN算法相比，训练时间显著减少了41.48％。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于谱聚类和加权反向传播神经网络的3D室内定位方法，其特征在于，所述基于谱聚类和加权反向传播神经网络的3D室内定位方法包括线下阶段和线上阶段；

所述线下阶段用谱聚类将参考点分成N_C个簇，在每个簇中，用接收信号强度和相应的位置信息训练一个反向传播神经网络模型；

所述线上阶段采用加权BPNN算法估计待测点的位置，确定待测点指纹在每个簇中的权重，利用训练好的N_C个BPNN模型得到N_C个坐标，用N_C个坐标加权估计待测点的位置；

所述线下阶段包括建立指纹库，用谱聚类将参考点分簇和训练反向传播神经网络模型；

所述线下阶段具体包括如下步骤：

(1)建立指纹库：

在定位场景中，建立的指纹库表示为

其中

表示选取的N_RP个参考点建立的指纹矩阵，P为所有参考点的坐标集合，ID为N_AP个AP的BSSID集合：

N_RP个参考点的指纹矩阵为：

其中

表示第j个参考点接收到第i个AP的接收信号强度值；

表示第j个参考点接收到所有AP的接收信号强度值向量；

P＝{p_j＝(x_j,y_j,z_j),j＝1,2,...,N_RP}，其中p_j表示第j个参考点的坐标；

其中ID_i表示第i个AP的BSSID；

(2)用谱聚类将参考点分簇：

将参考点分为N_C个簇；

(3)训练N_C个BPNN模型：选择三层的BPNN模型，其中包括一个输入层，一个隐藏层和一个输出层；隐藏层的神经元个数取决于输入层与输出层神经元个数之和；隐藏层与输出层的神经元的激励函数可以为sigmoid函数，purelin函数和tanh函数；每个簇中参考点的接收信号强度指纹为一个BPNN模型的输入，相应的坐标为输出，以最小真实坐标与预测坐标的欧氏距离为目标训练BPNN模型；记录保存真实反映接收信号强度指纹与坐标间关系的模型。

2.如权利要求1所述的基于谱聚类和加权反向传播神经网络的3D室内定位方法，其特征在于，所述谱聚类的具体步骤如下：

(a)构造一个加权的无向图G＝{φ,E,S}，其中

表示无向图中所有顶点的集合，φ_j表示第j个顶点；E＝{(φ_i,φ_j)|φ_i,φ_j∈φ}表示无向图中所有边的集合；

为一个N_RP×N_RP的矩阵，表示所有边的权重，其中s_i,j≥0(i,j＝1,...,N_RP)表示第i个参考点和第j个参考点的余弦相似度，采用如下公式计算：

(b)计算一个N_RP×N_RP的对角矩阵D，其对角线的元素分别为S中的每一行元素相加，并计算归一化的拉普拉斯矩阵

(c)计算L_norm矩阵中N_C个最大的特征值及其特征向量并用N_C个特征向量形成一个N_RP×N_C的特征矩阵，记为Q；

(d)对特征矩阵Q做k-means聚类，得到一个N_RP维的向量

(e)C中的第j个元素代表第j个参考点所属的簇。

3.如权利要求1所述的基于谱聚类和加权反向传播神经网络的3D室内定位方法，其特征在于，所述线上阶段具体包括如下步骤：

(1)处理待测点收集的接收信号强度样本：

依据线下阶段中建立指纹库的步骤处理线上待测位置收集的接收信号强度样本，记作Υ_n＝[r_n,ID_n]；

(2)获得N_C个预测坐标：

将r_n作为N_C个已训练好的BPNN模型的输入，得到N_C个预测坐标，记作p_i(i＝1,...,N_C)；

(3)计算每个预测坐标相应的权重；

(3a)计算r_n与指纹库中每个参考点指纹的余弦相似度并以降序的方式排序；

(3b)取前N_K个余弦相似度对应参考点的聚类标签并记作集合Ω；统计Ω中属于第i(i＝1,...,N_C)个簇对应的参考点个数记作N_i，则p_i相应的权重

(4)估计待测位置的坐标：

4.如权利要求1所述的基于谱聚类和加权反向传播神经网络的3D室内定位方法，其特征在于，依据线下阶段中的参考点聚类结果以及线上待测点与参考点余弦相似度为每个预测坐标确定一个权重，得到待测点的加权平均预测坐标。

5.一种利用权利要求1～4任意一项所述基于谱聚类和加权反向传播神经网络的3D室内定位方法的3D室内定位系统。

Images