CN108303672B - 基于位置指纹的wlan室内定位误差修正方法及系统 - Google Patents

基于位置指纹的wlan室内定位误差修正方法及系统 Download PDF

Info

Publication number
CN108303672B
CN108303672B CN201711437260.5A CN201711437260A CN108303672B CN 108303672 B CN108303672 B CN 108303672B CN 201711437260 A CN201711437260 A CN 201711437260A CN 108303672 B CN108303672 B CN 108303672B
Authority
CN
China
Prior art keywords
training
positioning
rss
layer
input
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
Application number
CN201711437260.5A
Other languages
English (en)
Other versions
CN108303672A (zh
Inventor
刘芬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Creative Sky Information Technology Co ltd
Original Assignee
Wuhan Creative Sky Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan Creative Sky Information Technology Co ltd filed Critical Wuhan Creative Sky Information Technology Co ltd
Priority to CN201711437260.5A priority Critical patent/CN108303672B/zh
Publication of CN108303672A publication Critical patent/CN108303672A/zh
Application granted granted Critical
Publication of CN108303672B publication Critical patent/CN108303672B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01S5/0205—Details
    • G01S5/021—Calibration, monitoring or correction
    • 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

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Image Analysis (AREA)
  • Collating Specific Patterns (AREA)

Abstract

一种基于位置指纹的WLAN室内定位误差修正方法，其包括如下步骤：S1、在位置指纹图已经建立后，选取预设数量的训练点并记录其位置坐标，在训练点上采集RSS样本建立训练点数据库；利用近邻选择算法将RSS样本和静态位置指纹图匹配计算定位结果，并利用训练点的位置坐标计算定位误差；并利用人工神经网络ANN融合训练点的RSS样本和定位坐标作为ANN的输入数据，将训练点的定位误差作为其输出数据建立输入与输出之间的非线性映射关系；S2、在线定位时，当用户接收到来自各个AP的RSS样本时，利用近邻选择算法计算定位坐标，然后将在线RSS样本和定位坐标输入到在离线阶段训练的ANN模型中估计定位误差。

Description

基于位置指纹的WLAN室内定位误差修正方法及系统
技术领域
本发明涉及室内定位技术领域，特别涉及一种基于位置指纹的WLAN室内定位误差修正方法及系统。
背景技术
现有技术利用在线RSS均值样本计算定位结果的位置指纹定位算法，相关参考点RSS变化没有引入相关系数，导致定位精度不理想。
发明内容
有鉴于此，本发明提出一种基于位置指纹的WLAN室内定位误差修正方法及系统。
一种基于位置指纹的WLAN室内定位误差修正方法，其包括如下步骤：
S1、在位置指纹图已经建立后，选取预设数量的训练点并记录其位置坐标，在训练点上采集RSS样本建立训练点数据库；利用近邻选择算法将RSS样本和静态位置指纹图匹配计算定位结果，并利用训练点的位置坐标计算定位误差；并利用人工神经网络ANN融合训练点的RSS样本和定位坐标作为ANN的输入数据，将训练点的定位误差作为其输出数据建立输入与输出之间的非线性映射关系；利用遗传算法优化ANN的初始权值和阈值并利用反向传播算法迭代更新权值和阈值使误差平方和最小；
S2、在线定位时，当用户接收到来自各个AP的RSS样本时，利用近邻选择算法计算定位坐标，然后将在线RSS样本和定位坐标输入到在离线阶段训练的ANN模型中估计定位误差；根据所估计的定位误差修正定位结果，以减少静态位置指纹图和参考点分布等因素对定位精度的影响。
在本发明所述的基于位置指纹的WLAN室内定位误差修正方法中，
所述步骤S1中ANN构建方式如下：
令室内环境中AP的数量和用于定位的在线RSS样本数量分别为M和N，将每一个RSS样本中的数值都输入三层感知器时，则该网络共有M×N+2个输入，包括M×N个RSS数值输入和2个分别为X轴和Y轴定位坐标的输入；
当用户接收到N个M维的RSS样本时，将这N个M维的RSS样本合并为一个维度为1行M×N列的向量
Figure GDA0003273875090000021
作为三层感知器输入的一部分，其中
Figure GDA0003273875090000022
将RSS向量和定位坐标
Figure GDA0003273875090000023
作为三层感知器的输入，定位误差(δx，δy)作为网络的输出，因此网络输入和输出之间的非线性关系通过如下函数F(·)表示：
Figure GDA0003273875090000024
当将第k个输入向量输入到所构建的三层感知器中时，三层感知器各层的输出如下：
Figure GDA0003273875090000025
其中
Figure GDA0003273875090000026
表示来自第(l-1)层的第i个神经元的输入，
Figure GDA0003273875090000027
表示第l层第j个神经元的输出；
Figure GDA0003273875090000031
表示从(l-1)层第i个神经元到第l个神经元的权值；
Figure GDA0003273875090000032
表示第l层第j个神经元的阈值；f(·)表示三层感知器的传递函数；
在该三层感知器的离线训练阶段，当输出层的误差被计算后，反向传播更新三层感知器的所有权值和阈值，更新过程如下：
Figure GDA0003273875090000033
其中dj，k为第j个神经元的期望输出；α和β分别表示三层感知器权值
Figure GDA0003273875090000034
和阈值
Figure GDA0003273875090000035
更新的学习率。
在本发明所述的基于位置指纹的WLAN室内定位误差修正方法中，
当位置指纹图建立完成且未实时更新时，
利用基于ANN的EC算法离线标记预设数量的训练点，并记录训练点的坐标和在训练点采集到的预设数量RSS样本；
然后利用近邻选择算法将训练点的RSS样本和静态位置指纹图中的RSS样本相匹配计算定位坐标，在训练点的坐标已知的情况下计算出定位误差，获得训练三层感知器的输入和输出数据，并利用遗传算法和反向传播算法优化三层感知器的权值和阈值。
在本发明所述的基于位置指纹的WLAN室内定位误差修正方法中，当位置指纹图建立完成且未实时更新时，
利用基于ANN的EC算法离线标记预设数量的训练点，并记录训练点的坐标和在训练点采集到的预设数量RSS样本；
然后利用近邻选择算法将训练点的RSS样本和静态位置指纹图中的RSS样本相匹配计算定位坐标，在训练点的坐标已知的情况下计算出定位误差，获得训练三层感知器的输入和输出数据，并利用遗传算法和反向传播算法优化三层感知器的权值和阈值包括：
在EC算法的离线阶段，标记预设数量的训练点，在训练点上采集RSS样本；
令
Figure GDA0003273875090000041
表示RSS训练样本，
Figure GDA0003273875090000042
表示训练点的位置坐标，i＝1，2，…，Q，其中Q表示RSS训练样本和训练点位置坐标的数量；
Figure GDA0003273875090000043
表示第i个训练样本中第N个RSS样本；第i个训练样本
Figure GDA0003273875090000044
首先被近邻选择算法用来计算训练点的定位结果
Figure GDA0003273875090000045
则训练点的定位误差
Figure GDA0003273875090000046
通过如下公式获取：
Figure GDA0003273875090000047
当计算出三层感知器的所有输入和输出后，由函数F(·)获得，利用Q对输入和输出训练样本训练该非线性关系；利用遗传算法搜索最优初始权值和阈值，利用反向传播算法优化和更新各层的权值和阈值，获得优化的用于估计定位误差的三层感知器。
在本发明所述的基于位置指纹的WLAN室内定位误差修正方法中，
所述步骤S2中在线定位时，当用户接收到N个RSS样本
Figure GDA0003273875090000051
利用近邻算法计算用户的定位坐标
Figure GDA0003273875090000052
将获得的定位坐标
Figure GDA0003273875090000053
与在线接收的RSS样本
Figure GDA0003273875090000054
融合成一个三层感知器的输入向量，并将
Figure GDA0003273875090000055
输入的离线阶段训练的三层感知器后获得定位误差
Figure GDA0003273875090000056
修正后的定位结果
Figure GDA0003273875090000057
通过如下公式获得：
Figure GDA0003273875090000058
本发明还提供一种基于位置指纹的WLAN室内定位误差修正系统，其包括如下单元：
离线单元，用于在位置指纹图已经建立后，选取预设数量的训练点并记录其位置坐标，在训练点上采集RSS样本建立训练点数据库；利用近邻选择算法将RSS样本和静态位置指纹图匹配计算定位结果，并利用训练点的位置坐标计算定位误差；并利用人工神经网络ANN融合训练点的RSS样本和定位坐标作为ANN的输入数据，将训练点的定位误差作为其输出数据建立输入与输出之间的非线性映射关系；利用遗传算法优化ANN的初始权值和阈值并利用反向传播算法迭代更新权值和阈值使误差平方和最小；
在线单元，用于在线定位时，当用户接收到来自各个AP的RSS样本时，利用近邻选择算法计算定位坐标，然后将在线RSS样本和定位坐标输入到在离线阶段训练的ANN模型中估计定位误差；根据所估计的定位误差修正定位结果，以减少静态位置指纹图和参考点分布等因素对定位精度的影响。
在本发明所述的基于位置指纹的WLAN室内定位误差修正系统中，
所述离线单元中ANN构建方式如下：
令室内环境中AP的数量和用于定位的在线RSS样本数量分别为M和N，将每一个RSS样本中的数值都输入三层感知器时，则该网络共有M×N+2个输入，包括M×N个RSS数值输入和2个分别为X轴和Y轴定位坐标的输入；
当用户接收到N个M维的RSS样本时，将这N个M维的RSS样本合并为一个维度为1行M×N列的向量
Figure GDA0003273875090000061
作为三层感知器输入的一部分，其中
Figure GDA0003273875090000062
将RSS向量和定位坐标
Figure GDA0003273875090000063
作为三层感知器的输入，定位误差(δx，δy)作为网络的输出，因此网络输入和输出之间的非线性关系通过如下函数F(·)表示：
Figure GDA0003273875090000064
当将第k个输入向量输入到所构建的三层感知器中时，三层感知器各层的输出如下：
Figure GDA0003273875090000071
其中
Figure GDA0003273875090000072
表示来自第(l-1)层的第i个神经元的输入，
Figure GDA0003273875090000073
表示第l层第j个神经元的输出；
Figure GDA0003273875090000074
表示从(l-1)层第i个神经元到第l个神经元的权值；
Figure GDA0003273875090000075
表示第l层第j个神经元的阈值；f(·)表示三层感知器的传递函数；
在该三层感知器的离线训练阶段，当输出层的误差被计算后，反向传播更新三层感知器的所有权值和阈值，更新过程如下：
Figure GDA0003273875090000076
其中
Figure GDA0003273875090000077
为第j个神经元的期望输出；α和β分别表示三层感知器权值
Figure GDA0003273875090000081
和阈值
Figure GDA0003273875090000082
更新的学习率。
在本发明所述的基于位置指纹的WLAN室内定位误差修正系统中，
当位置指纹图建立完成且未实时更新时，
利用基于ANN的EC算法离线标记预设数量的训练点，并记录训练点的坐标和在训练点采集到的预设数量RSS样本；
然后利用近邻选择算法将训练点的RSS样本和静态位置指纹图中的RSS样本相匹配计算定位坐标，在训练点的坐标已知的情况下计算出定位误差，获得训练三层感知器的输入和输出数据，并利用遗传算法和反向传播算法优化三层感知器的权值和阈值。
在本发明所述的基于位置指纹的WLAN室内定位误差修正系统中，当位置指纹图建立完成且未实时更新时，
利用基于ANN的EC算法离线标记预设数量的训练点，并记录训练点的坐标和在训练点采集到的预设数量RSS样本；
然后利用近邻选择算法将训练点的RSS样本和静态位置指纹图中的RSS样本相匹配计算定位坐标，在训练点的坐标已知的情况下计算出定位误差，获得训练三层感知器的输入和输出数据，并利用遗传算法和反向传播算法优化三层感知器的权值和阈值包括：
在EC算法的离线阶段，标记预设数量的训练点，在训练点上采集RSS样本；
令
Figure GDA0003273875090000083
表示RSS训练样本，
Figure GDA0003273875090000084
表示训练点的位置坐标，i＝1，2，…，Q，其中Q表示RSS训练样本和训练点位置坐标的数量；
Figure GDA0003273875090000085
表示第i个训练样本中第N个RSS样本；第i个训练样本
Figure GDA0003273875090000086
首先被近邻选择算法用来计算训练点的定位结果
Figure GDA0003273875090000091
则训练点的定位误差
Figure GDA0003273875090000092
通过如下公式获取：
Figure GDA0003273875090000093
当计算出三层感知器的所有输入和输出后，由函数F(·)获得，利用Q对输入和输出训练样本训练该非线性关系；利用遗传算法搜索最优初始权值和阈值，利用反向传播算法优化和更新各层的权值和阈值，获得优化的用于估计定位误差的三层感知器。
在本发明所述的基于位置指纹的WLAN室内定位误差修正系统中，
所述在线单元中在线定位时，当用户接收到N个RSS样本
Figure GDA0003273875090000094
利用近邻算法计算用户的定位坐标
Figure GDA0003273875090000095
将获得的定位坐标
Figure GDA0003273875090000096
与在线接收的RSS样本
Figure GDA0003273875090000097
融合成一个三层感知器的输入向量，并将
Figure GDA0003273875090000098
输入的离线阶段训练的三层感知器后获得定位误差
Figure GDA0003273875090000099
修正后的定位结果
Figure GDA00032738750900000910
通过如下公式获得：
Figure GDA00032738750900000911
实施本发明提供的基于位置指纹的WLAN室内定位误差修正方法及系统与现有技术相比具有以下有益效果：
本发明利用多层感知器融合RSS样本和定位坐标两种不同的数据，建立它们与定位误差之间的非线性关系，然后利用这种非线性关系在线估计定位误差，从而修正定位结果，提高定位精度。
附图说明
图1是本发明实施例的基于位置指纹的WLAN室内定位误差修正方法流程图；
图2是基于人工神经网络的定位误差修正定位过程示意图；
图3是用于定位误差估计的三层感知器结构图；
图4是用于误差估计的ANN离线训练示意图；
图5是ANN在线误差修正过程示意图。
具体实施方式
如图1所示，一种基于位置指纹的WLAN室内定位误差修正方法，其包括如下步骤：
S1、在位置指纹图已经建立后，选取预设数量的训练点并记录其位置坐标，在训练点上采集RSS样本建立训练点数据库；利用近邻选择算法将RSS样本和静态位置指纹图匹配计算定位结果，并利用训练点的位置坐标计算定位误差；并利用人工神经网络ANN融合训练点的RSS样本和定位坐标作为ANN的输入数据，将训练点的定位误差作为其输出数据建立输入与输出之间的非线性映射关系；利用遗传算法优化ANN的初始权值和阈值并利用反向传播算法迭代更新权值和阈值使误差平方和最小；
S2、在线定位时，当用户接收到来自各个AP的RSS样本时，利用近邻选择算法计算定位坐标，然后将在线RSS样本和定位坐标输入到在离线阶段训练的ANN模型中估计定位误差；根据所估计的定位误差修正定位结果，以减少静态位置指纹图和参考点分布等因素对定位精度的影响。
当位置指纹图已经建立后，室内无线传播环境发生变化但位置指纹图并未实时更新时，利用该位置指纹图定位会增大位置指纹定位算法的定位误差。首先需要离线采集RSS数据并建立一个训练点数据库，然后利用该数据库训练ANN误差估计函数。因此，基于ANN的EC算法分为两个阶段：离线阶段和在线阶段，其定位过程如图2所示。在位置指纹图已经建立后，EC算法需要离线采集训练点数据，即首先选取一定数量的训练点并记录其位置坐标，在训练点上采集少量的RSS样本建立训练点数据库。然后利用近邻选择算法将这些RSS样本和静态位置指纹图匹配计算定位结果，并利用训练点的位置坐标计算定位误差。实验证明，由于参考点分布、室内布局等的影响，定位结果和定位误差之间存在一定的相关性。因此，利用ANN融合训练点的RSS样本和定位坐标作为ANN的输入数据，将训练点的定位误差作为其输出数据建立输入与输出之间的非线性映射关系。在这个过程中，利用遗传算法优化ANN的初始权值和阈值并利用反向传播算法迭代更新权值和阈值使误差平方和最小，从而提高ANN的定位误差估计性能。
在线定位时，当用户接收到来自各个AP的RSS样本时，首先利用近邻选择算法计算定位坐标，然后将在线RSS样本和定位坐标输入到在离线阶段训练的ANN模型中估计定位误差。最后，根据所估计的定位误差修正定位结果，减少静态位置指纹图和参考点分布等因素对定位精度的影响，获得更精确的定位结果。由上述过程可知，训练数据也需要根据室内无线传播环境变化而更新以调整ANN定位误差估计模型。但是如图2所示，所需训练点RSS样本数量相比位置指纹图中的RSS样本要少得多，更容易被更新。所以，该算法可以有效降低RSS样本采集工作量，为位置指纹图的更新和维护提供了一种切实可行的解决方案。
在本发明所述的基于位置指纹的WLAN室内定位误差修正方法中，
所述步骤S1中ANN构建方式如下：
令室内环境中AP的数量和用于定位的在线RSS样本数量分别为M和N，将每一个RSS样本中的数值都输入三层感知器时，三层感知器的示意图如图3所示，则该网络共有M×N+2个输入，包括M×N个RSS数值输入和2个分别为X轴和Y轴定位坐标的输入；
当用户接收到N个M维的RSS样本时，将这N个M维的RSS样本合并为一个维度为1行M×N列的向量
Figure GDA0003273875090000121
作为三层感知器输入的一部分，其中
Figure GDA0003273875090000122
将RSS向量和定位坐标
Figure GDA0003273875090000123
作为三层感知器的输入，定位误差(δx，δy)作为网络的输出，因此网络输入和输出之间的非线性关系通过如下函数F(·)表示：
Figure GDA0003273875090000124
当将第k个输入向量输入到所构建的三层感知器中时，三层感知器各层的输出如下：
Figure GDA0003273875090000125
其中
Figure GDA0003273875090000126
表示来自第(l-1)层的第i个神经元的输入，
Figure GDA0003273875090000127
表示第l层第j个神经元的输出；
Figure GDA0003273875090000128
表示从(l-1)层第i个神经元到第l个神经元的权值；
Figure GDA0003273875090000131
表示第l层第j个神经元的阈值；f(·)表示三层感知器的传递函数；
在该三层感知器的离线训练阶段，当输出层的误差被计算后，反向传播更新三层感知器的所有权值和阈值，更新过程如下：
Figure GDA0003273875090000132
其中dj，k为第j个神经元的期望输出；α和β分别表示三层感知器权值
Figure GDA0003273875090000133
和阈值
Figure GDA0003273875090000134
更新的学习率。
学习率通常被自适应调整，使其在保证所构建的三层感知器稳定性的同时，减少所需要的训练时间。
在本发明所述的基于位置指纹的WLAN室内定位误差修正方法中，
当位置指纹图建立完成且未实时更新时，
利用基于ANN的EC算法离线标记预设数量的训练点，并记录训练点的坐标和在训练点采集到的预设数量RSS样本；
然后利用近邻选择算法将训练点的RSS样本和静态位置指纹图中的RSS样本相匹配计算定位坐标，在训练点的坐标已知的情况下计算出定位误差，获得训练三层感知器的输入和输出数据，并利用遗传算法和反向传播算法优化三层感知器的权值和阈值。
在本发明所述的基于位置指纹的WLAN室内定位误差修正方法中，当位置指纹图建立完成且未实时更新时，
利用基于ANN的EC算法离线标记预设数量的训练点，并记录训练点的坐标和在训练点采集到的预设数量RSS样本；
然后利用近邻选择算法将训练点的RSS样本和静态位置指纹图中的RSS样本相匹配计算定位坐标，在训练点的坐标已知的情况下计算出定位误差，获得训练三层感知器的输入和输出数据，并利用遗传算法和反向传播算法优化三层感知器的权值和阈值包括：
在EC算法的离线阶段，标记预设数量的训练点，在训练点上采集RSS样本；
令
Figure GDA0003273875090000141
表示RSS训练样本，
Figure GDA0003273875090000142
表示训练点的位置坐标，i＝1，2，…，Q，其中Q表示RSS训练样本和训练点位置坐标的数量；
Figure GDA0003273875090000143
表示第i个训练样本中第N个RSS样本；第i个训练样本
Figure GDA0003273875090000144
首先被近邻选择算法用来计算训练点的定位结果
Figure GDA0003273875090000145
则训练点的定位误差
Figure GDA0003273875090000146
通过如下公式获取：
Figure GDA0003273875090000147
当计算出三层感知器的所有输入和输出后，由函数F(·)获得，利用Q对输入和输出训练样本训练该非线性关系；利用遗传算法搜索最优初始权值和阈值，利用反向传播算法优化和更新各层的权值和阈值，获得优化的用于估计定位误差的三层感知器。图4描述了图2所示定位框图的离线阶段部分。
在本发明所述的基于位置指纹的WLAN室内定位误差修正方法中，
所述步骤S2中在线定位时，当用户接收到N个RSS样本
Figure GDA0003273875090000151
利用近邻算法计算用户的定位坐标
Figure GDA0003273875090000152
将获得的定位坐标
Figure GDA0003273875090000153
与在线接收的RSS样本
Figure GDA0003273875090000154
融合成一个三层感知器的输入向量，并将
Figure GDA0003273875090000155
输入的离线阶段训练的三层感知器后获得定位误差
Figure GDA0003273875090000156
修正后的定位结果
Figure GDA0003273875090000157
通过如下公式获得：
Figure GDA0003273875090000158
在线定位误差修正过程如图5所示。
本发明还提供一种基于位置指纹的WLAN室内定位误差修正系统，其包括如下单元：
离线单元，用于在位置指纹图已经建立后，选取预设数量的训练点并记录其位置坐标，在训练点上采集RSS样本建立训练点数据库；利用近邻选择算法将RSS样本和静态位置指纹图匹配计算定位结果，并利用训练点的位置坐标计算定位误差；并利用人工神经网络ANN融合训练点的RSS样本和定位坐标作为ANN的输入数据，将训练点的定位误差作为其输出数据建立输入与输出之间的非线性映射关系；利用遗传算法优化ANN的初始权值和阈值并利用反向传播算法迭代更新权值和阈值使误差平方和最小；
在线单元，用于在线定位时，当用户接收到来自各个AP的RSS样本时，利用近邻选择算法计算定位坐标，然后将在线RSS样本和定位坐标输入到在离线阶段训练的ANN模型中估计定位误差；根据所估计的定位误差修正定位结果，以减少静态位置指纹图和参考点分布等因素对定位精度的影响。
在本发明所述的基于位置指纹的WLAN室内定位误差修正系统中，
所述离线单元中ANN构建方式如下：
令室内环境中AP的数量和用于定位的在线RSS样本数量分别为M和N，将每一个RSS样本中的数值都输入三层感知器时，则该网络共有M×N+2个输入，包括M×N个RSS数值输入和2个分别为X轴和Y轴定位坐标的输入；
当用户接收到N个M维的RSS样本时，将这N个M维的RSS样本合并为一个维度为1行M×N列的向量
Figure GDA0003273875090000161
作为三层感知器输入的一部分，其中
Figure GDA0003273875090000162
将RSS向量和定位坐标
Figure GDA0003273875090000163
作为三层感知器的输入，定位误差(δx，δy)作为网络的输出，因此网络输入和输出之间的非线性关系通过如下函数F(·)表示：
Figure GDA0003273875090000164
当将第k个输入向量输入到所构建的三层感知器中时，三层感知器各层的输出如下：
Figure GDA0003273875090000171
其中
Figure GDA0003273875090000172
表示来自第(l-1)层的第i个神经元的输入，
Figure GDA0003273875090000173
表示第l层第j个神经元的输出；
Figure GDA0003273875090000174
表示从(l-1)层第i个神经元到第l个神经元的权值；
Figure GDA0003273875090000175
表示第l层第j个神经元的阈值；f(·)表示三层感知器的传递函数；
在该三层感知器的离线训练阶段，当输出层的误差被计算后，反向传播更新三层感知器的所有权值和阈值，更新过程如下：
Figure GDA0003273875090000176
其中dj，k为第j个神经元的期望输出；α和β分别表示三层感知器权值
Figure GDA0003273875090000181
和阈值
Figure GDA0003273875090000182
更新的学习率。
在本发明所述的基于位置指纹的WLAN室内定位误差修正系统中，
当位置指纹图建立完成且未实时更新时，
利用基于ANN的EC算法离线标记预设数量的训练点，并记录训练点的坐标和在训练点采集到的预设数量RSS样本；
然后利用近邻选择算法将训练点的RSS样本和静态位置指纹图中的RSS样本相匹配计算定位坐标，在训练点的坐标已知的情况下计算出定位误差，获得训练三层感知器的输入和输出数据，并利用遗传算法和反向传播算法优化三层感知器的权值和阈值。
在本发明所述的基于位置指纹的WLAN室内定位误差修正系统中，当位置指纹图建立完成且未实时更新时，
利用基于ANN的EC算法离线标记预设数量的训练点，并记录训练点的坐标和在训练点采集到的预设数量RSS样本；
然后利用近邻选择算法将训练点的RSS样本和静态位置指纹图中的RSS样本相匹配计算定位坐标，在训练点的坐标已知的情况下计算出定位误差，获得训练三层感知器的输入和输出数据，并利用遗传算法和反向传播算法优化三层感知器的权值和阈值包括：
在EC算法的离线阶段，标记预设数量的训练点，在训练点上采集RSS样本；
令
Figure GDA0003273875090000183
表示RSS训练样本，
Figure GDA0003273875090000184
表示训练点的位置坐标，i＝1，2，…，Q，其中Q表示RSS训练样本和训练点位置坐标的数量；
Figure GDA0003273875090000185
表示第i个训练样本中第N个RSS样本；第i个训练样本
Figure GDA0003273875090000186
首先被近邻选择算法用来计算训练点的定位结果
Figure GDA0003273875090000191
则训练点的定位误差
Figure GDA0003273875090000192
通过如下公式获取：
Figure GDA0003273875090000193
当计算出三层感知器的所有输入和输出后，由函数F(·)获得，利用Q对输入和输出训练样本训练该非线性关系；利用遗传算法搜索最优初始权值和阈值，利用反向传播算法优化和更新各层的权值和阈值，获得优化的用于估计定位误差的三层感知器。
在本发明所述的基于位置指纹的WLAN室内定位误差修正系统中，
所述在线单元中在线定位时，当用户接收到N个RSS样本
Figure GDA0003273875090000194
利用近邻算法计算用户的定位坐标
Figure GDA0003273875090000195
将获得的定位坐标
Figure GDA0003273875090000196
与在线接收的RSS样本
Figure GDA0003273875090000197
融合成一个三层感知器的输入向量，并将
Figure GDA0003273875090000198
输入的离线阶段训练的三层感知器后获得定位误差
Figure GDA0003273875090000199
修正后的定位结果
Figure GDA00032738750900001910
通过如下公式获得：
Figure GDA00032738750900001911
实施本发明提供的基于位置指纹的WLAN室内定位误差修正方法及系统与现有技术相比具有以下有益效果：
本发明利用多层感知器融合RSS样本和定位坐标两种不同的数据，建立它们与定位误差之间的非线性关系，然后利用这种非线性关系在线估计定位误差，从而修正定位结果，提高定位精度。
可以理解的是，对于本领域的普通技术人员来说，可以根据本发明的技术构思做出其它各种相应的改变与变形，而所有这些改变与变形都应属于本发明权利要求的保护范围。

Claims (10)

1.一种基于位置指纹的WLAN室内定位误差修正方法，其特征在于，其包括如下步骤：
S1、在位置指纹图已经建立后，选取预设数量的训练点并记录其位置坐标，在训练点上采集RSS样本建立训练点数据库；利用近邻选择算法将RSS样本和静态位置指纹图匹配计算定位结果，并利用训练点的位置坐标计算定位误差；并利用人工神经网络ANN融合训练点的RSS样本和定位坐标作为ANN的输入数据，将训练点的定位误差作为其输出数据建立输入与输出之间的非线性映射关系；利用遗传算法优化ANN的初始权值和阈值并利用反向传播算法迭代更新权值和阈值使误差平方和最小；
S2、在线定位时，当用户接收到来自各个AP的RSS样本时，利用近邻选择算法计算定位坐标，然后将在线RSS样本和定位坐标输入到在离线阶段训练的ANN模型中估计定位误差；根据所估计的定位误差修正定位结果，以减少静态位置指纹图和参考点分布对定位精度的影响。
2.如权利要求1所述的基于位置指纹的WLAN室内定位误差修正方法，
所述步骤S1中ANN构建方式如下：
令室内环境中AP的数量和用于定位的在线RSS样本数量分别为M和N，将每一个RSS样本中的数值都输入三层感知器时，则该网络共有M×N+2个输入，包括M×N个RSS数值输入和2个分别为X轴和Y轴定位坐标的输入；
当用户接收到N个M维的RSS样本时，将这N个M维的RSS样本合并为一个维度为1行M×N列的向量
Figure FDA0003273875080000011
作为三层感知器输入的一部分，其中
Figure FDA0003273875080000012
将RSS向量和定位坐标
Figure FDA0003273875080000013
作为三层感知器的输入，定位误差(δx，δy)作为网络的输出，因此网络输入和输出之间的非线性关系通过如下函数F(·)表示：
Figure FDA0003273875080000021
当将第k个输入向量输入到所构建的三层感知器中时，三层感知器各层的输出如下：
Figure FDA0003273875080000022
其中
Figure FDA0003273875080000023
表示来自第(l-1)层的第i个神经元的输入，
Figure FDA0003273875080000024
表示第l层第j个神经元的输出；
Figure FDA0003273875080000025
表示从(l-1)层第i个神经元到第j个神经元的权值；
Figure FDA0003273875080000026
表示第l层第j个神经元的阈值；f(·)表示三层感知器的传递函数；
在该三层感知器的离线训练阶段，当输出层的误差被计算后，反向传播更新三层感知器的所有权值和阈值，更新过程如下：
Figure FDA0003273875080000031
其中dj，k为第j个神经元的期望输出；α和β分别表示三层感知器权值
Figure FDA0003273875080000032
和阈值
Figure FDA0003273875080000033
更新的学习率。
3.如权利要求2所述的基于位置指纹的WLAN室内定位误差修正方法，其特征在于，
当位置指纹图建立完成且未实时更新时，
利用基于ANN的EC算法离线标记预设数量的训练点，并记录训练点的坐标和在训练点采集到的预设数量RSS样本；
然后利用近邻选择算法将训练点的RSS样本和静态位置指纹图中的RSS样本相匹配计算定位坐标，在训练点的坐标已知的情况下计算出定位误差，获得训练三层感知器的输入和输出数据，并利用遗传算法和反向传播算法优化三层感知器的权值和阈值。
4.如权利要求3所述的基于位置指纹的WLAN室内定位误差修正方法，其特征在于，当位置指纹图建立完成且未实时更新时，
利用基于ANN的EC算法离线标记预设数量的训练点，并记录训练点的坐标和在训练点采集到的预设数量RSS样本；
然后利用近邻选择算法将训练点的RSS样本和静态位置指纹图中的RSS样本相匹配计算定位坐标，在训练点的坐标已知的情况下计算出定位误差，获得训练三层感知器的输入和输出数据，并利用遗传算法和反向传播算法优化三层感知器的权值和阈值包括：
在EC算法的离线阶段，标记预设数量的训练点，在训练点上采集RSS样本；
令
Figure FDA0003273875080000041
表示RSS训练样本，
Figure FDA0003273875080000042
表示训练点的位置坐标，i＝1，2，...，Q，其中Q表示RSS训练样本和训练点位置坐标的数量；
Figure FDA0003273875080000043
表示第i个训练样本中第N个RSS样本；第i个训练样本
Figure FDA0003273875080000044
首先被近邻选择算法用来计算训练点的定位结果
Figure FDA0003273875080000045
则训练点的定位误差
Figure FDA0003273875080000046
通过如下公式获取：
ei Tr＝ti Tr-pi Tr，i＝1，2，…，Q；
当计算出三层感知器的所有输入和输出后，由函数F(·)获得，利用Q对输入和输出训练样本训练该非线性关系；利用遗传算法搜索最优初始权值和阈值，利用反向传播算法优化和更新各层的权值和阈值，获得优化的用于估计定位误差的三层感知器。
5.如权利要求4所述的基于位置指纹的WLAN室内定位误差修正方法，其特征在于，
所述步骤S2中在线定位时，当用户接收到N个RSS样本
Figure FDA0003273875080000047
利用近邻选择算法计算用户的定位坐标
Figure FDA0003273875080000048
将获得的定位坐标
Figure FDA0003273875080000049
与在线接收的RSS样本
Figure FDA0003273875080000051
融合成一个三层感知器的输入向量，并将
Figure FDA0003273875080000052
输入的离线阶段训练的三层感知器后获得定位误差
Figure FDA0003273875080000053
修正后的定位结果
Figure FDA0003273875080000054
通过如下公式获得：
Figure FDA0003273875080000055
6.一种基于位置指纹的WLAN室内定位误差修正系统，其特征在于，其包括如下单元：
离线单元，用于在位置指纹图已经建立后，选取预设数量的训练点并记录其位置坐标，在训练点上采集RSS样本建立训练点数据库；利用近邻选择算法将RSS样本和静态位置指纹图匹配计算定位结果，并利用训练点的位置坐标计算定位误差；并利用人工神经网络ANN融合训练点的RSS样本和定位坐标作为ANN的输入数据，将训练点的定位误差作为其输出数据建立输入与输出之间的非线性映射关系；利用遗传算法优化ANN的初始权值和阈值并利用反向传播算法迭代更新权值和阈值使误差平方和最小；
在线单元，用于在线定位时，当用户接收到来自各个AP的RSS样本时，利用近邻选择算法计算定位坐标，然后将在线RSS样本和定位坐标输入到在离线阶段训练的ANN模型中估计定位误差；根据所估计的定位误差修正定位结果，以减少静态位置指纹图和参考点分布对定位精度的影响。
7.如权利要求6所述的基于位置指纹的WLAN室内定位误差修正系统，
所述离线单元中ANN构建方式如下：
令室内环境中AP的数量和用于定位的在线RSS样本数量分别为M和N，将每一个RSS样本中的数值都输入三层感知器时，则该网络共有M×N+2个输入，包括M×N个RSS数值输入和2个分别为X轴和Y轴定位坐标的输入；
当用户接收到N个M维的RSS样本时，将这N个M维的RSS样本合并为一个维度为1行M×N列的向量
Figure FDA0003273875080000061
作为三层感知器输入的一部分，其中
Figure FDA0003273875080000062
将RSS向量和定位坐标
Figure FDA0003273875080000063
作为三层感知器的输入，定位误差(δx，δy)作为网络的输出，因此网络输入和输出之间的非线性关系通过如下函数F(·)表示：
Figure FDA0003273875080000064
当将第k个输入向量输入到所构建的三层感知器中时，三层感知器各层的输出如下：
Figure FDA0003273875080000065
其中
Figure FDA0003273875080000066
表示来自第(l-1)层的第i个神经元的输入，
Figure FDA0003273875080000067
表示第l层第j个神经元的输出；
Figure FDA0003273875080000068
表示从(l-1)层第i个神经元到第j个神经元的权值；
Figure FDA0003273875080000071
表示第l层第j个神经元的阈值；f(·)表示三层感知器的传递函数；
在该三层感知器的离线训练阶段，当输出层的误差被计算后，反向传播更新三层感知器的所有权值和阈值，更新过程如下：
Figure FDA0003273875080000072
其中dj，k为第j个神经元的期望输出；α和β分别表示三层感知器权值
Figure FDA0003273875080000073
和阈值
Figure FDA0003273875080000074
更新的学习率。
8.如权利要求7所述的基于位置指纹的WLAN室内定位误差修正系统，其特征在于，
当位置指纹图建立完成且未实时更新时，
利用基于ANN的EC算法离线标记预设数量的训练点，并记录训练点的坐标和在训练点采集到的预设数量RSS样本；
然后利用近邻选择算法将训练点的RSS样本和静态位置指纹图中的RSS样本相匹配计算定位坐标，在训练点的坐标已知的情况下计算出定位误差，获得训练三层感知器的输入和输出数据，并利用遗传算法和反向传播算法优化三层感知器的权值和阈值。
9.如权利要求8所述的基于位置指纹的WLAN室内定位误差修正系统，其特征在于，当位置指纹图建立完成且未实时更新时，
利用基于ANN的EC算法离线标记预设数量的训练点，并记录训练点的坐标和在训练点采集到的预设数量RSS样本；
然后利用近邻选择算法将训练点的RSS样本和静态位置指纹图中的RSS样本相匹配计算定位坐标，在训练点的坐标已知的情况下计算出定位误差，获得训练三层感知器的输入和输出数据，并利用遗传算法和反向传播算法优化三层感知器的权值和阈值包括：
在EC算法的离线阶段，标记预设数量的训练点，在训练点上采集RSS样本；
令
Figure FDA0003273875080000081
表示RSS训练样本，
Figure FDA0003273875080000082
表示训练点的位置坐标，i＝1，2，…，Q，其中Q表示RSS训练样本和训练点位置坐标的数量；
Figure FDA0003273875080000083
表示第i个训练样本中第N个RSS样本；第i个训练样本
Figure FDA0003273875080000084
首先被近邻选择算法用来计算训练点的定位结果
Figure FDA0003273875080000085
则训练点的定位误差
Figure FDA0003273875080000086
通过如下公式获取：
ei Tr＝ti Tr-pi Tr，i＝1，2，…，Q；
当计算出三层感知器的所有输入和输出后，由函数F(·)获得，利用Q对输入和输出训练样本训练该非线性关系；利用遗传算法搜索最优初始权值和阈值，利用反向传播算法优化和更新各层的权值和阈值，获得优化的用于估计定位误差的三层感知器。
10.如权利要求9所述的基于位置指纹的WLAN室内定位误差修正系统，其特征在于，
所述在线单元中在线定位时，当用户接收到N个RSS样本
Figure FDA0003273875080000091
利用近邻选择算法计算用户的定位坐标
Figure FDA0003273875080000092
将获得的定位坐标
Figure FDA0003273875080000093
与在线接收的RSS样本
Figure FDA0003273875080000094
融合成一个三层感知器的输入向量，并将
Figure FDA0003273875080000095
输入的离线阶段训练的三层感知器后获得定位误差
Figure FDA0003273875080000096
修正后的定位结果
Figure FDA0003273875080000097
通过如下公式获得：
Figure FDA0003273875080000098
CN201711437260.5A 2017-12-26 2017-12-26 基于位置指纹的wlan室内定位误差修正方法及系统 Active CN108303672B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711437260.5A CN108303672B (zh) 2017-12-26 2017-12-26 基于位置指纹的wlan室内定位误差修正方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711437260.5A CN108303672B (zh) 2017-12-26 2017-12-26 基于位置指纹的wlan室内定位误差修正方法及系统

Publications (2)

Publication Number Publication Date
CN108303672A CN108303672A (zh) 2018-07-20
CN108303672B true CN108303672B (zh) 2021-12-24

Family

ID=62867477

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711437260.5A Active CN108303672B (zh) 2017-12-26 2017-12-26 基于位置指纹的wlan室内定位误差修正方法及系统

Country Status (1)

Country Link
CN (1) CN108303672B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109348403B (zh) * 2018-10-08 2020-07-07 内蒙古大学 一种异构网络环境中面向指纹定位的基站部署优化方法
CN109413578B (zh) * 2018-11-02 2020-10-23 桂林电子科技大学 一种基于wifi与pdr融合的室内定位方法
CN110225460B (zh) * 2019-06-05 2021-03-23 三维通信股份有限公司 一种基于深度神经网络的室内定位方法及装置
CN111239715B (zh) * 2020-01-13 2023-04-04 哈尔滨工业大学 一种联合灰色关联和神经网络的指纹定位方法
CN111885699B (zh) * 2020-05-21 2022-09-30 北京嘀嘀无限科技发展有限公司 一种确定用户当前位置的方法和系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2442950A1 (en) * 2003-09-26 2005-03-26 Chahe Nerguizian Method and system for indoor geolocation using an impulse response fingerprinting technique
WO2005032189A1 (en) * 2003-09-26 2005-04-07 Universite Du Quebec En Abitibi-Temiscamingue (Uqat) Method and system for indoor geolocation using an impulse response fingerprinting technique
CN101639527A (zh) * 2009-09-03 2010-02-03 哈尔滨工业大学 基于rss-p的k近邻模糊聚类wlan室内定位方法
CN103476118A (zh) * 2013-09-29 2013-12-25 哈尔滨工业大学 一种用于实时监控的wlan室内位置指纹定位方法
CN103945332A (zh) * 2014-04-28 2014-07-23 清华大学 一种接收信号强度和多径信息联合神经网络室内定位方法
CN106482738A (zh) * 2016-11-09 2017-03-08 江南大学 基于在线增量超限学习机的室内指纹定位算法
CN107396312A (zh) * 2017-07-18 2017-11-24 浪潮天元通信信息系统有限公司 基于神经网络的用户位置精准识别方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2442950A1 (en) * 2003-09-26 2005-03-26 Chahe Nerguizian Method and system for indoor geolocation using an impulse response fingerprinting technique
WO2005032189A1 (en) * 2003-09-26 2005-04-07 Universite Du Quebec En Abitibi-Temiscamingue (Uqat) Method and system for indoor geolocation using an impulse response fingerprinting technique
CN101639527A (zh) * 2009-09-03 2010-02-03 哈尔滨工业大学 基于rss-p的k近邻模糊聚类wlan室内定位方法
CN103476118A (zh) * 2013-09-29 2013-12-25 哈尔滨工业大学 一种用于实时监控的wlan室内位置指纹定位方法
CN103945332A (zh) * 2014-04-28 2014-07-23 清华大学 一种接收信号强度和多径信息联合神经网络室内定位方法
CN106482738A (zh) * 2016-11-09 2017-03-08 江南大学 基于在线增量超限学习机的室内指纹定位算法
CN107396312A (zh) * 2017-07-18 2017-11-24 浪潮天元通信信息系统有限公司 基于神经网络的用户位置精准识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Application of backpropagation neural networks to both stages of fingerprinting based WIPS;Zhou Caifa,etc;《IEEE UPINLBS 2016》;20161231;第207-217页 *
基于多层神经网络的室内定位算法研究;葛柳飞;《中国优秀硕士学位论文全文数据库信息科技辑》;20170215;I140-343 *

Also Published As

Publication number Publication date
CN108303672A (zh) 2018-07-20

Similar Documents

Publication Publication Date Title
CN108303672B (zh) 基于位置指纹的wlan室内定位误差修正方法及系统
CN111590581B (zh) 机器人的定位补偿方法及装置
CN108255791B (zh) 基于分布式传感器一致性的机动目标跟踪方法
JP6616170B2 (ja) コアシートの積層動作を学習する機械学習器、積層コア製造装置、積層コア製造システムおよび機械学習方法
CN108804784A (zh) 一种基于贝叶斯高斯混合模型的即时学习软测量建模方法
Zhang et al. An effective LS-SVM-based approach for surface roughness prediction in machined surfaces
CN110377969B (zh) 一种基于elm的区域电离层延迟实时建模方法
CN108764107A (zh) 基于人体骨架序列的行为与身份联合识别方法及装置
CN106912105A (zh) 基于pso_bp神经网络的三维定位方法
CN105260532B (zh) 基于序列近似优化的薄板拉伸变压边力不确定性设计方法
CN108680177B (zh) 基于啮齿类动物模型的同步定位与地图构建方法及装置
CN114970341B (zh) 基于机器学习的低轨卫星轨道预报精度提升模型建立方法
CN109855623B (zh) 基于Legendre多项式和BP神经网络的地磁模型在线逼近方法
CN112013891B (zh) 用于使用人工神经网络校准多传感器系统的方法
CN107330927A (zh) 机载可见光图像定位方法
CN109993108B (zh) 一种增强现实环境下的手势纠错方法、系统及装置
CN113132931B (zh) 一种基于参数预测的深度迁移室内定位方法
CN108712725B (zh) 一种基于啮齿类动物模型与wifi指纹的slam方法
CN112329571B (zh) 一种基于姿态质量评估的自适应人体姿态优化方法
KR101502235B1 (ko) 지면반력 예측 모델 도출 방법 및 이를 이용한 지면반력 예측 장치
CN111553954B (zh) 一种基于直接法单目slam的在线光度标定方法
CN112333652B (zh) Wlan室内定位方法、装置及电子设备
CN113609999B (zh) 基于姿态识别的人体模型建立方法
CN106803233B (zh) 图像透视变换的优化方法
CN110543919B (zh) 一种机器人定位控制方法、终端设备及存储介质

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