CN108668254B - 基于改进BP神经网络的WiFi信号特征的区域定位方法 - Google Patents

基于改进BP神经网络的WiFi信号特征的区域定位方法 Download PDF

Info

Publication number
CN108668254B
CN108668254B CN201810460982.0A CN201810460982A CN108668254B CN 108668254 B CN108668254 B CN 108668254B CN 201810460982 A CN201810460982 A CN 201810460982A CN 108668254 B CN108668254 B CN 108668254B
Authority
CN
China
Prior art keywords
neural network
layer
improved
algorithm
function
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
CN201810460982.0A
Other languages
English (en)
Other versions
CN108668254A (zh
Inventor
郭文忠
贺国荣
张笑宇
董晨
陈明志
陈景辉
叶尹
张凡
吴勇
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.)
Fuzhou University
Original Assignee
Fuzhou University
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 Fuzhou University filed Critical Fuzhou University
Priority to CN201810460982.0A priority Critical patent/CN108668254B/zh
Publication of CN108668254A publication Critical patent/CN108668254A/zh
Application granted granted Critical
Publication of CN108668254B publication Critical patent/CN108668254B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
    • 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
    • G01S5/0278—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 involving statistical or probabilistic considerations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/80—Services using short range communication, e.g. near-field communication [NFC], radio-frequency identification [RFID] or low energy communication
    • 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

Abstract

本发明涉及一种基于改进BP神经网络的WiFi信号特征的区域定位方法，其特征在于：将WiFi特征信号进行预处理转换成四层改进的BP神经网络，再利用蚁群算法对改进后的神经网络权值进行优化，并在权值更新公式中加入动量项因子，进而提高定位方法的收敛速度与分类精度。本发明实用性高，应用性强，成本低，预测分类精度高，计算过程处理简洁，稳定性强，可靠性高，可以基本实现短距离区域的高效分类。

Description

基于改进BP神经网络的WiFi信号特征的区域定位方法
技术领域
本发明涉及一种基于改进BP神经网络的WiFi信号特征的区域定位方法。
背景技术
随着移动互联网的高速发展，人们对位置信息感知的需求日益增多，GPS可以很好的满足室外坏境的定位需求，但在相对封闭或复杂的环境中，比如大型建筑物内、车站、购物中心、地下停车场等，GPS定位通常不能获得很好的效果甚至无法进行正常区域定位。也正因为如此，室内区域定位技术在应用上被给予更多的关注，它不但可以进行定位和导航，也可以在此基础上开发出更多的增值服务。目前，区域定位方式有很多，其中WiFi信号特征定位法定位精度高，建设费用低，实用性强，适用于人群密集的区域，具有广泛的应用前景。但是基于WiFi的定位方式容易受到环境的干扰以及移动智能设备的异构性等因素的影响，定位误差较大，其定位精度在1～5米范围内波动。
WiFi信号特征的不稳定性主要是环境的复杂性和动态性引起的，一般情况下多楼层环境比单楼层环境更加复杂，WiFi信号的反射、折射、衰减或者被吸收，直接造成WiFi信号的接受强度出现明显波动。并且，环境温度、时间都会影响WiFi信号特征的采集。因此，传统基于WiFi信号特征的区域定位方式对采集信号的设备硬件要求条件很高，且需要很长的时间测量采集信号，适用范围不够广泛，时间开销大但效率不高。
目前，基于WiFi信号特征的区域定位技术已经很普遍，部分方法也很成熟，可以达到一定的高精度要求。比如，WiFi信号三角形定位法，WiFi信号强度直方图定位法。但是优秀的算法也不可避免存在局限性，通常情况下传统基于WiFi信号特征的区域定位技术在同楼层定位精度较稳定，但在多楼层的室内环境，区域定位会受到影响，定位会产生误判。
采用人工智能思路去改进传统WiFi信号特征的区域定位技术，以寻找一种计算复杂度低、实行性好、健壮且适用范围广的补偿技术将成为一种趋势。
发明内容
有鉴于此，本发明的目的在于提供一种基于改进BP神经网络的WiFi信号特征的区域定位方法，用以改进传统WiFi信号特征的区域定位技术。
为实现上述目的，本发明采用如下技术方案：
一种基于改进BP神经网络的WiFi信号特征的区域定位方法，其特征在于：
步骤S1：使用传感器采集待测区域的多个WiFi特征数据；
步骤S2：对获取到的特征数据进行预处理；
步骤S3：构建四层的BP神经网络结构，传递函数通过分析数据间的误差函数得到；
步骤S4：使用蚁群优化算法寻找最佳权值，将BP神经网络的误差函数设为蚁群算法的目标函数，将优化后的权值赋值给BP神经网络；
步骤S5:将动量因子加入BP神经网络中，得到改进的BP神经网络；
步骤S6:对改进的BP神经网络进行训练，并将预处理后的特征数据作为训练好的改进BP神经网络的输入参数；
步骤S7：通过训练好的改进BP神经网络计算输出结果，输出的结果为待测区域WIFI信号果最佳的区域位置分类,根据区域位置分类可以得到WiFi信号的最佳区域定位。
进一步的，所述四层的BP神经网络结构具体包括单层输入层，两层隐含层，单层输出层。
进一步的，所述BP神经网络采用双隐含层网络结构，其神经元的节点数为
Figure BDA0001660881700000031
其中n为输入层的神经元节点数，m为输出层的神经元节点数，a为调节常数；且输入层与隐含层、输出层与隐含层以及双隐含层之间的信息由逻辑函数S型函数负责传递：其中，A，B为s型激活函数的调节参数：
Figure BDA0001660881700000032
进一步的，所述BP算法的误差函数为：
Figure BDA0001660881700000041
其中d为预测值，y为真实值,w,b分表表示权值和阈值。
进一步的，所述将动量因子加入BP神经网络具体为：
wij＝wij-η1·xi+αΔwij
(3)
其中，α为动量因子，η为算法学习速率，Wij表示神经网络权值。
进一步的，所述步骤S6具体为：
步骤S61：随机选取特征数据的总样本中70％作为训练样本，其余30％作为测试样本；
步骤S62:通过BP算法训练神经网络
其中输入层到隐含层和隐含层层间BP算法公式为：
Figure BDA0001660881700000042
Figure BDA0001660881700000043
Figure BDA0001660881700000044
隐含层到输出层的BP算法传递公式为：
Figure BDA0001660881700000051
Figure BDA0001660881700000052
Figure BDA0001660881700000053
其中：f(Sj)为s型函数的输出值,δ为学习规则；
步骤S63:将将预处理后的特征数据输入到训练好的改进BP神经网络。
本发明与现有技术相比具有以下有益效果：
1、本发明改进BP神经网络结构相对于标准传统的神经网络结构提高了网络的收敛速度，大大缩减了用算法运行时间，减轻了系统的数据处理负担，从而提高了区域定位技术的处理速度。
2、本发明利用蚁群优化算法改进BP神经网络，克服了BP神经网络容易陷入局部最小值的缺陷，从而提高了神经网络的权值精度，同时加快算法收敛速度，缩减了系统的数据处理量。
3、本发明提出的基于改进BP神经网络的WiFi信号特征区域定位方法是一种自适应非线性动态系统，相较于传统的WiFi信号特征区域定位技术，该方法属于确定性WiFi特征匹配算法，系统本身具有更好的鲁棒性，对噪声抵抗性强。
4、本发明应用性强，实时性高，可靠性强，成本低，定位效率高，算法处理简洁同时定位精度较高。
附图说明
图1是本发明整体流程图；
图2是本发明BP神经网络的网络结构图；
图3是本发明蚁群优化算法的原理框图；
图4是本发明算法流程图；
图5是本发明一实施例中仿真图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1，一种基于改进BP神经网络的WiFi信号特征的区域定位方法，其特征在于：
步骤S1：使用传感器采集待测区域的多个WiFi特征数据；
步骤S2：对获取到的特征数据进行预处理；
步骤S3：构建四层的BP神经网络结构，传递函数通过分析数据间的误差函数得到；
步骤S4：使用蚁群优化算法寻找最佳权值，将BP神经网络的误差函数设为蚁群算法的目标函数，将优化后的权值赋值给BP神经网络；
步骤S5:将动量因子加入BP神经网络中，得到改进的BP神经网络；
步骤S6:对改进的BP神经网络进行训练，并将预处理后的参数作为训练好的改进BP神经网络的输入参数；
步骤S7：通过训练好的改进BP神经网络计算输出结果，输出的结果为待测区域WIFI信号果最佳的区域位置分类,根据区域位置分类可以得到WiFi信号的最佳区域定位。
在本发明一实施例中，进一步的，所述四层的BP神经网络结构具体包括单层输入层，两层隐含层，单层输出层。其中输入层由代表输入变量的神经元组成，隐含层由代表中间变量的神经元组成，输出层由代表输出结果的神经元组成。
在本发明一实施例中，进一步的，通过蚁群算法更新选取输入层与隐含层之间连接的初始权值，初始化种群数为23，适应度函数为BP算法的误差函数，蚁群算法选择单个集合节点的概率公式如下：
Figure BDA0001660881700000071
其中k表示蚁群编号，Ipj表示权值w的可选值集合，
Figure BDA0001660881700000072
是可选值的信息素。信息素更新公式如下：
Figure BDA0001660881700000073
Figure BDA0001660881700000074
Figure BDA0001660881700000075
其中，t+n为每次蚁群搜索迭代次数，
Figure BDA0001660881700000081
表示信息素增量，ant[m].pathAccu表示蚁群所选路径的BP算法的误差，DBQ表示信息素总量，ρ为信息素残留率。
在本发明一实施例中，进一步的，所述BP神经网络采用双隐含层网络结构，其神经元的节点数为
Figure BDA0001660881700000082
其中n为输入层的神经元节点数，m为输出层的神经元节点数，a为调节常数；且输入层与隐含层、输出层与隐含层以及双隐含层之间的信息由逻辑函数S型函数负责传递：其中，A，B为s型激活函数的调节参数：
Figure BDA0001660881700000083
进一步的，所述BP算法的误差函数为：
Figure BDA0001660881700000084
其中d为预测值，y为真实值,w,b分表表示权值和阈值。
进一步的，所述将动量因子加入BP神经网络具体为：
wij＝wij-η1·xi+αΔwij
(3)
其中，α为动量因子，η为算法学习速率，Wij表示神经网络权值。
进一步的，所述步骤S6具体为：
步骤S61：随机选取特征数据的总样本中70％作为训练样本，其余30％作为测试样本；
步骤S62:通过BP算法训练神经网络
其中输入层到隐含层和隐含层层间BP算法公式为：
Figure BDA0001660881700000091
Figure BDA0001660881700000092
Figure BDA0001660881700000093
隐含层到输出层的BP算法传递公式为：
Figure BDA0001660881700000094
Figure BDA0001660881700000095
Figure BDA0001660881700000096
其中：f(Sj)为s型函数的输出值,δ为学习规则；
步骤S63:将将预处理后的特征数据输入到训练好的改进BP神经网络。
实施例一：
本发明对构建好的BP神经网络进行了仿真实验，试验60组WIFI信号对实验个体进行定位预测；预测结果如下：
Figure BDA0001660881700000101
可以得到图5改进BP神经网络的算法仿真图
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (2)

1.一种基于改进BP神经网络的WiFi信号特征的区域定位方法，其特征在于：
步骤S1：使用传感器采集待测区域的多个WiFi特征数据；
步骤S2：对获取到的特征数据进行预处理；
步骤S3：构建四层的BP神经网络结构，传递函数通过分析数据间的误差函数得到；
步骤S4：使用蚁群优化算法寻找最佳权值，将BP神经网络的误差函数设为蚁群算法的目标函数，将优化后的权值赋值给BP神经网络；
步骤S5:将动量因子加入BP神经网络中，得到改进的BP神经网络；
步骤S6:对改进的BP神经网络进行训练，并将预处理后的特征数据作为训练好的改进BP神经网络的输入参数；
步骤S7：通过训练好的改进BP神经网络计算输出结果，输出的结果为待测区域WIFI信号效果最佳的区域位置分类,根据区域位置分类可以得到WiFi信号的最佳区域定位；
所述将动量因子加入BP神经网络具体为：
wij＝wij-η1·xi+αΔwij (3)
其中，α为动量因子，η1为算法学习速率，wij表示神经网络权值；所述步骤S6具体为：
步骤S61：随机选取特征数据的总样本中70％作为训练样本，其余30％作为测试样本；
步骤S62:通过BP算法训练神经网络
其中输入层到隐含层和隐含层层间BP算法公式为：
Figure FDA0003363235440000021
Figure FDA0003363235440000022
Figure FDA0003363235440000023
隐含层到输出层的BP算法传递公式为：
Figure FDA0003363235440000024
Figure FDA0003363235440000025
Figure FDA0003363235440000026
其中：f(Sj)为s型函数的输出值,δ为学习规则；
步骤S63:将预处理后的参数输入到训练好的改进BP神经网络；
所述四层的BP神经网络结构具体包括单层输入层，两层隐含层，单层输出层；
所述BP神经网络采用双隐含层网络结构，其神经元的节点数为
Figure FDA0003363235440000027
其中n为输入层的神经元节点数，m为输出层的神经元节点数，a为调节常数；且输入层与隐含层、输出层与隐含层以及双隐含层之间的信息由逻辑函数S型函数负责传递：其中，A，B为s型激活函数的调节参数：
Figure FDA0003363235440000031
Sigmoid(x)表示s型激活函数。
2.根据权利要求1所述的基于改进BP神经网络的WiFi信号特征的区域定位方法，其特征在于：所述BP算法的误差函数为：
Figure FDA0003363235440000032
其中d为预测值，y为真实值,w,b分别表示权值和阈值，n为输入层的神经元节点数。
CN201810460982.0A 2018-05-15 2018-05-15 基于改进BP神经网络的WiFi信号特征的区域定位方法 Active CN108668254B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810460982.0A CN108668254B (zh) 2018-05-15 2018-05-15 基于改进BP神经网络的WiFi信号特征的区域定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810460982.0A CN108668254B (zh) 2018-05-15 2018-05-15 基于改进BP神经网络的WiFi信号特征的区域定位方法

Publications (2)

Publication Number Publication Date
CN108668254A CN108668254A (zh) 2018-10-16
CN108668254B true CN108668254B (zh) 2022-01-04

Family

ID=63779658

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810460982.0A Active CN108668254B (zh) 2018-05-15 2018-05-15 基于改进BP神经网络的WiFi信号特征的区域定位方法

Country Status (1)

Country Link
CN (1) CN108668254B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109738807B (zh) * 2019-01-03 2021-03-30 温州大学 基于蚁群算法优化后的bp神经网络来估算soc的方法
CN109784318A (zh) * 2019-03-13 2019-05-21 西北工业大学 基于神经网络的Link16数据链信号的识别方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101267374A (zh) * 2008-04-18 2008-09-17 清华大学 基于神经网络和无线局域网基础架构的2.5d定位方法
CN104620079A (zh) * 2012-12-21 2015-05-13 焕发运动科技有限责任公司 使具有两种状态的元件形成图案的方法和系统
CN104636801A (zh) * 2013-11-08 2015-05-20 国家电网公司 一种基于优化bp神经网络的预测输电线路可听噪声方法
CN105357647A (zh) * 2015-10-03 2016-02-24 上海大学 一种在线性不稳定环境下的wifi室内定位方法
CN107071894A (zh) * 2017-02-16 2017-08-18 广东顺德中山大学卡内基梅隆大学国际联合研究院 一种基于WiFi的室内定位优化算法
CN107070687A (zh) * 2016-12-26 2017-08-18 南京理工大学 基于集成神经网络的wifi定位方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6198808B1 (en) * 1997-12-31 2001-03-06 Weblink Wireless, Inc. Controller for use with communications systems for converting a voice message to a text message

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101267374A (zh) * 2008-04-18 2008-09-17 清华大学 基于神经网络和无线局域网基础架构的2.5d定位方法
CN104620079A (zh) * 2012-12-21 2015-05-13 焕发运动科技有限责任公司 使具有两种状态的元件形成图案的方法和系统
CN104636801A (zh) * 2013-11-08 2015-05-20 国家电网公司 一种基于优化bp神经网络的预测输电线路可听噪声方法
CN105357647A (zh) * 2015-10-03 2016-02-24 上海大学 一种在线性不稳定环境下的wifi室内定位方法
CN107070687A (zh) * 2016-12-26 2017-08-18 南京理工大学 基于集成神经网络的wifi定位方法
CN107071894A (zh) * 2017-02-16 2017-08-18 广东顺德中山大学卡内基梅隆大学国际联合研究院 一种基于WiFi的室内定位优化算法

Also Published As

Publication number Publication date
CN108668254A (zh) 2018-10-16

Similar Documents

Publication Publication Date Title
Song et al. A novel convolutional neural network based indoor localization framework with WiFi fingerprinting
CN101778399A (zh) 基于fcm和最小二乘曲面拟合法的wlan室内优化ann定位方法
CN109143408B (zh) 基于mlp的动态区域联合短时降水预报方法
CN108627798B (zh) 基于线性判别分析和梯度提升树的wlan室内定位算法
CN115564114B (zh) 一种基于图神经网络的空域碳排放短期预测方法及系统
CN109978283A (zh) 一种基于分支进化神经网络的光伏发电功率预测方法
CN109814066A (zh) 基于神经网络学习的rssi室内定位测距方法、室内定位平台
CN109151995A (zh) 一种基于信号强度的深度学习回归融合定位方法
Wang et al. Research on indoor positioning algorithm based on SAGA-BP neural network
CN112446559A (zh) 一种基于深度学习的大范围地面沉降时空预测方法和系统
CN105554873A (zh) 一种基于pso-ga-rbf-hop的无线传感器网络定位算法
CN112653991A (zh) 一种基于深度学习的TebNet神经网络模型的WLAN室内定位方法
Okwuashi et al. GIS cellular automata using artificial neural network for land use change simulation of Lagos, Nigeria
CN108668254B (zh) 基于改进BP神经网络的WiFi信号特征的区域定位方法
Cui et al. Improved genetic algorithm to optimize the Wi-Fi indoor positioning based on artificial neural network
CN113516304A (zh) 基于时空图网络的区域污染物时空联合预测方法及装置
CN116721537A (zh) 基于gcn-ipso-lstm组合模型的城市短时交通流预测方法
CN112785029A (zh) 一种基于深度聚类模型的充电站用电量预测方法
CN110072192B (zh) 一种智能手机WiFi室内定位方法
CN115051925A (zh) 一种基于迁移学习的时空序列预测方法
Mantoro et al. Extreme learning machine for user location prediction in mobile environment
Zhang et al. Regional Double-Layer, High-Precision Indoor Positioning System Based on iBeacon Network
CN109379713A (zh) 基于集成极限学习机和主成分分析的楼层预测方法
CN109862625A (zh) 一种基于深度学习的短波测向灵活组网方法
CN116234005A (zh) 一种多建筑物室内定位方法

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