CN107817466B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN107817466B CN107817466B CN201710464400.1A CN201710464400A CN107817466B CN 107817466 B CN107817466 B CN 107817466B CN 201710464400 A CN201710464400 A CN 201710464400A CN 107817466 B CN107817466 B CN 107817466B
- Authority
- CN
- China
- Prior art keywords
- data
- random forest
- indoor positioning
- boltzmann machine
- positioning
- 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
Images
Classifications
-
- 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
-
- 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
- G01S5/10—Position of receiver fixed by co-ordinating a plurality of position lines defined by path-difference measurements, e.g. omega or decca systems
Abstract
本发明公开一种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。利用深度学习方法学习信号强度数据的深层次的、抽象的特征,自主挖掘数据间内在的某种不易为人们感知的关联,再利用深度学习得到的特征来做定位,其目的是解决WIFI室内定位过程中,减小对于不同接收设备和其他环境因素所带来的采集信号误差,使最终定位获取更大精度的问题。
Description
技术领域
本发明涉及无线通信技术和数据挖掘技术,属于无线通信大数据的室内定位方法,包括无监督深度学习特征提取方法和有监督机器学习定位方法,其中特征提取方法采用深度学习中的堆叠受限玻尔兹曼机算法,利用无监督的学习过程来提取原始数据中的深层次抽象特征,再采用机器学习中的随机森林算法训练室内定位模型。
背景技术
定位技术,通常是指在某一空间中事先测得一组参考点的位置,然后通过这些已知参考点的位置来估算该空间内未知的移动终端的位置的过程。其在日常生活和生产以及公共事业和商务应用等许多领域都有着广泛的应用背景。但是用于室内定位时,由于建筑物对卫星信号的影响,定位能力受到很大的限制,相反,基于无线网络技术的定位系统进行室内定位时,定位效果明显提高。WLAN技术因其在室内布设简单、部署广泛、价格低廉等特性更加适用于室内定位,而其中利用位置指纹库实现的定位技术因为其实现简单,定位精度高受到了较高的关注。
在现有的位置指纹库室内定位模型中,大部分采用的是主成分分析(PCA)来进行数据特征提取,但主成分分析法只能提取数据间的线性特征,而忽略了数据间高于二阶的关系,限制了非线性特征的提取,针对于此,有些人提出了基于核函数的主成分分析(KPCA)法来进行特征提取,这种方法可以有效提取数据间的非线性特征。但利用坐标变换方式提取特征可能会导致数据之间深层次的特征丢失,从而影响后面模型定位的准确性。
本文的模型优势在于采用堆叠受限玻尔兹曼机提取特征,直接从原始信号数据中学习深度特征,再带入到后面的随机森林模型训练,确保学习到特征的有效性,避免了一些有效信息的丢失,提高了定位精度。
发明内容
本发明旨在利用深度学习方法学习信号强度数据的深层次的、抽象的特征,自主挖掘数据间内在的某种不易为人们感知的关联,再利用深度学习得到的特征来做定位,其目的是解决WIFI室内定位过程中,减小对于不同接收设备和其他环境因素所带来的采集信号误差,使最终定位获取更大精度的问题。
一种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,其特征在于:
通过步骤1~4获得基于WLAN信号强度的室内定位模型:
1)在所述室内定位运用场景中,布置M个参考节点(Reference Point,RP)和N个接入节点(Access Point,AP),在Q个时刻,获取每个参考节点所接收到的接入节点(需要接收全部接入点的信号,如果收不到某个接入点信号,则用0表示)的信号强度数据,形成数据样本集C={C1、C2、……CQ},
2)将步骤1获取的数据样本集C进行归一化处理,得到数据C*。
3)深度特征提取:
基于受限玻尔兹曼机算法构建一个含有多个隐藏层的深度特征学习模型,预训练原始数据;深度学习网络每一层的权重分别为W1、W2…Wf,特征集为hf;
具体步骤如下:
3-1)确定该深度学习网络的结构,设定其总共有f+1层,包括1个输入层,f-1个隐藏层和1个输出层,并确定每层的单元数g(1),g(2)…g(f+1);
3-2)将步骤2所得的n维数据样本集C*作为输入层。
3-3)设定该层的初始权重W,采用对比散度算法进行训练,得到训练结果h1。
3-4)将训练结果h1作为其下一层的输入,并重复上一步骤,得到训练结果h2。
3-5)重复步骤3-3),3-4)f次,得到第f+1层的输出结hf和该深度学习网络每一层的权重W1,W2…Wf,训练结束。
4)将深度学习提取到的特征集hf作为定位输入数据集,利用随机森林算法进行训练建模,得到随机森林模型;
定位时,通过步骤A~D,获得待定位点的位置信息:
A)采用与步骤1)相同的方法,记录室内定位场景中的某个待定位点在当前时刻所能接收到的接入节点的信号强度数据,并保存到向量E中,E=[a1a2a3…aN];an某个待定位点处检测到的第n个接入节点的信号强度数据,n=1、2……N;如果接收不到信号,则用0表示信号强度;
B)采用与步骤2)相同的归一化方法和规则,将矩阵E归一化处理,得到向量F;
C)设定堆叠受限玻尔兹曼机网络的层数为f+1层,每层的权重采用步骤3所得到的权重W1,W2…Wf,再将处理后的矩阵F作为该神经网络的输入,得到输出结果U(f)。
D)将步骤C得到的数据集U(f)作为输入,代入由步骤4所训练得到的随机森林模型中,其输出值对应到步骤1中所设置的n个参考节点之一。
具体内容可表现为:
,其中a1,a2,a3…aN为某待定位节点所测得的各个接入节点的信号强度,不同待定位节点所得到的a1,a2,a3…aN是不一样的,而b1,b2,b3…bn为已经确定了的某个固定数值,比如20dB,11dB等。
附图说明
图1.室内环境节点布置图
图2.本发明的方法流程
图3.堆叠限制玻尔兹曼机网络特征提取示意图
图4.单层限制玻尔兹曼机特征映射结构图
图5.误差距离为1.5m时随接入节点(AP)数量变化的定位准确率对比图。
具体实施方式
下面结合实施例对本发明作进一步说明,但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下,做出各种替换和变更,均应包括在本发明的保护范围内。
一种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,其特征在于:
通过步骤1~4获得基于WLAN信号强度的室内定位模型:
1)在所述室内定位运用场景中,布置M个参考节点(Reference Point,RP)和N个接入节点(Access Point,AP),在Q个时刻,获取每个参考节点所接收到的接入节点(需要接收全部接入点的信号,如果收不到某个接入点信号,则用0表示)的信号强度数据,形成数据样本集C={C1、C2、……CQ},
3)深度特征提取:
基于受限玻尔兹曼机算法构建一个含有多个隐藏层的深度特征学习模型,预训练原始数据;深度学习网络每一层的权重分别为W1、W2…Wf,特征集为hf;
具体步骤如下:
3-1)确定该深度学习网络的结构,设定其总共有f+1层,包括1个输入层,f-1个隐藏层和1个输出层,并确定每层的单元数N(1),N(2)…N(f+1);
3-2)将步骤2所得的n维数据样本集C*作为输入层。
具体地:
选定数据集x1作为第一层的输入变量,其形式为:
3-3)设定该层的初始权重W,采用对比散度算法进行训练,得到训练结果h1。
其输出为:
其中N(2)为第1层隐含层单元数。
3-4)将训练结果h1作为其下一层的输入,并重复上一步骤,得到训练结果h2。
其中N(3)为第2层隐含层单元数。
3-5)重复步骤3-3),3-4)f次,得到第f+1层的输出结hf和该深度学习网络每一层的权重W1,W2…Wf,训练结束。
hf为:
其中N((f+1)为第f层隐含层单元数。
4)将深度学习提取到的特征集hf作为定位输入数据集,利用随机森林算法进行训练建模,得到随机森林模型;
定位时,通过步骤A~D,获得待定位点的位置信息:
A)采用与步骤1)相同的方法,记录室内定位场景中的某个待定位点在当前时刻所能接收到的接入节点的信号强度数据,并保存到向量E中,E=[a1a2a3…aN];an某个待定位点处检测到的第n个接入节点的信号强度数据,n=1、2……N;如果接收不到信号,则用0表示信号强度;
B)采用与步骤2)相同的归一化方法和规则,将矩阵E归一化处理,得到向量F=[b1b2b3…bN];
C)设定堆叠受限玻尔兹曼机网络的层数为f+1层,每层的权重采用步骤3所得到的权重W1,W2…Wf,再将处理后的矩阵F作为该神经网络的输入,得到输出结果U(f)。
D)将步骤C得到的数据集U(f)作为输入,代入由步骤4所训练得到的随机森林模型中,其输出值对应到步骤1中所设置的n个参考节点之一。
具体内容可表现为:
,其中a1,a2,a3…aN为某待定位节点所测得的各个接入节点的信号强度,不同待定位节点所得到的a1,a2,a3…aN是不一样的,而b1,b2,b3…bn为已经确定了的某个固定数值,比如20dB,11dB等。
Claims (1)
1.一种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,其特征在于:
通过步骤1)~4)获得基于WLAN信号强度的室内定位模型:
1)在室内定位运用场景中,布置M个参考节点(Reference Point,RP)和N个接入节点(Access Point,AP),在Q个时刻,获取每个参考节点所接收到的接入节点的信号强度数据,形成数据样本集C={C1、C2、......CQ},
2)将步骤1)获取的数据样本集C进行归一化处理,得到数据C*,
3)深度特征提取:
基于受限玻尔兹曼机算法构建一个含有多个隐藏层的深度特征学习模型,预训练数据C*;深度学习网络每一层的权重分别为W1、W2…Wf,特征集为hf;
4)将深度学习提取到的特征集hf作为定位输入数据集,利用随机森林算法进行训练建模,得到随机森林模型,
定位时,通过步骤A)~D),获得待定位点的位置信息:
A)采用与步骤1)相同的方法,记录室内定位场景中的某个待定位点在当前时刻所能接收到的接入节点的信号强度数据,并保存到向量E中,E=[a1a2a3...aN];an为某个待定位点处检测到的第n个接入节点的信号强度数据,n=1、2……N;
B)采用与步骤2)相同的归一化方法和规则,将向量E归一化处理,得到向量F;
C)设定堆叠受限玻尔兹曼机网络的层数为f+1层,每层的权重采用步骤3)所得到的权重W1,W2…Wf,再将处理后的向量F作为神经网络的输入,得到输出结果U(f),
D)将步骤C)得到的数据集U(f)作为输入,代入由步骤4)所训练得到的随机森林模型中,其输出值对应到步骤1)中所设置的N个参考节点之一。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710464400.1A CN107817466B (zh) | 2017-06-19 | 2017-06-19 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710464400.1A CN107817466B (zh) | 2017-06-19 | 2017-06-19 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107817466A CN107817466A (zh) | 2018-03-20 |
CN107817466B true CN107817466B (zh) | 2021-02-19 |
Family
ID=61600845
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710464400.1A Active CN107817466B (zh) | 2017-06-19 | 2017-06-19 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107817466B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108828519B (zh) * | 2018-05-24 | 2022-08-09 | 桂林电子科技大学 | 一种基于机器学习的高精度室内可见光定位方法 |
CN109168177B (zh) * | 2018-09-19 | 2022-01-04 | 广州丰石科技有限公司 | 基于软采信令的经纬度回填方法 |
CN110349628B (zh) * | 2019-06-27 | 2021-06-15 | 广东药科大学 | 一种蛋白质磷酸化位点识别方法、系统、装置及存储介质 |
CN110334869A (zh) * | 2019-08-15 | 2019-10-15 | 重庆大学 | 一种基于动态群优化算法的红树林生态健康预测训练方法 |
CN111654818A (zh) * | 2020-06-29 | 2020-09-11 | 青岛歌尔智能传感器有限公司 | 蓝牙定位方法、移动终端及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103945533A (zh) * | 2014-05-15 | 2014-07-23 | 济南嘉科电子技术有限公司 | 基于大数据的无线实时位置定位方法 |
US9059802B2 (en) * | 2011-11-09 | 2015-06-16 | At&T Mobility Ii Llc | Received signal strength indicator snapshot analysis |
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 |
CN106211084A (zh) * | 2016-09-07 | 2016-12-07 | 中国人民解放军国防科学技术大学 | 基于gsm信号的环境感知方法 |
CN106358154A (zh) * | 2016-09-07 | 2017-01-25 | 中国人民解放军国防科学技术大学 | 一种模块化的可扩展室内外无缝定位方法 |
CN106604228A (zh) * | 2016-12-23 | 2017-04-26 | 大连理工大学 | 一种基于lte信令数据的指纹定位方法 |
CN106790256A (zh) * | 2017-01-24 | 2017-05-31 | 浙江中都信息技术有限公司 | 用于危险主机检测的主动机器学习系统 |
-
2017
- 2017-06-19 CN CN201710464400.1A patent/CN107817466B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9059802B2 (en) * | 2011-11-09 | 2015-06-16 | At&T Mobility Ii Llc | Received signal strength indicator snapshot analysis |
CN103945533A (zh) * | 2014-05-15 | 2014-07-23 | 济南嘉科电子技术有限公司 | 基于大数据的无线实时位置定位方法 |
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 |
CN106211084A (zh) * | 2016-09-07 | 2016-12-07 | 中国人民解放军国防科学技术大学 | 基于gsm信号的环境感知方法 |
CN106358154A (zh) * | 2016-09-07 | 2017-01-25 | 中国人民解放军国防科学技术大学 | 一种模块化的可扩展室内外无缝定位方法 |
CN106604228A (zh) * | 2016-12-23 | 2017-04-26 | 大连理工大学 | 一种基于lte信令数据的指纹定位方法 |
CN106790256A (zh) * | 2017-01-24 | 2017-05-31 | 浙江中都信息技术有限公司 | 用于危险主机检测的主动机器学习系统 |
Non-Patent Citations (4)
Title |
---|
Wi-Fi Positioning Based on Deep Learning;Wei Zhang,et al;《Proceeding of the IEEE International Conference on Information and Automation》;20140731;全文 * |
一种基于受限玻尔兹曼机的说话人特征提取算法;酆勇等;《仪器仪表学报》;20160228;全文 * |
基于深度信念网络的入侵检测算法研究;逯玉婧;《中国优秀硕士学位论文全文数据库 信息科技辑》;20160815;全文 * |
基于深度学习的WIFI定位算法;覃玉清;《中国优秀硕士学位论文全文数据库 信息科技辑》;20150315;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN107817466A (zh) | 2018-03-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Zhang et al. | DeepPositioning: Intelligent fusion of pervasive magnetic field and WiFi fingerprinting for smartphone indoor localization via deep learning | |
JP6045747B2 (ja) | 重複ニューラルネットワークに基づいたスケーラブルなリアルタイム位置検出 | |
US20200142045A1 (en) | Fingerprint positioning method and system in smart classroom | |
CN109165660A (zh) | 一种基于卷积神经网络的显著物体检测方法 | |
US20170200274A1 (en) | Human-Shape Image Segmentation Method | |
CN107784276B (zh) | 微震事件识别方法和装置 | |
CN109151995B (zh) | 一种基于信号强度的深度学习回归融合定位方法 | |
CN103400143A (zh) | 一种基于多视角的数据子空间聚类方法 | |
CN111366820A (zh) | 局部放电信号的模式识别方法、装置、设备及存储介质 | |
CN108171119B (zh) | 基于残差网络的sar图像变化检测方法 | |
CN115018021A (zh) | 基于图结构与异常注意力机制的机房异常检测方法及装置 | |
CN103268607A (zh) | 一种弱监督条件下的共同对象检测方法 | |
CN113095370A (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN112508105A (zh) | 一种采油机故障检测与检索方法 | |
CN103440500A (zh) | 高光谱遥感图像分类与识别方法 | |
CN106897683B (zh) | 一种遥感图像的地物检测方法及系统 | |
CN113469111A (zh) | 图像关键点检测方法及系统、电子设备、存储介质 | |
CN112801268A (zh) | 基于图卷积和多层感知机混合网络的定位方法 | |
CN109379713B (zh) | 基于集成极限学习机和主成分分析的楼层预测方法 | |
CN104268217A (zh) | 一种用户行为时间相关性的确定方法及装置 | |
CN114692694B (zh) | 一种基于特征融合和集成聚类的设备故障诊断方法 | |
CN113079468B (zh) | 一种基于Wifi信号RSSI特征的室内定位方法、系统 | |
CN115801152A (zh) | 基于层次化transformer模型的WiFi动作识别方法 | |
CN112738714B (zh) | 楼宇的楼层识别方法、电子设备及计算机可读存储介质 |
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 |