CN109116300A - 一种基于非充分指纹信息的极限学习定位方法 - Google Patents

Abstract

本发明公开了一种基于非充分指纹信息的极限学习定位方法，属于无线传感器网络定位领域。通过在离线阶段提出利用反距离加权插值法扩充指纹库，增加了指纹库的数据量并提高数据平滑性，并利用3σ准则对已扩充的指纹库进行奇异值剔除，提高了指纹库的健壮性；在线匹配阶段利用极限学习机的匹配速度快，精度高的优势进行定位计算；引入遗传算法优化随机初始化权值与偏置过程，提高定位的稳定性；达到了建库简单且提高了在线匹配精度的效率。

Description

一种基于非充分指纹信息的极限学习定位方法

技术领域

本发明涉及一种基于非充分指纹信息的极限学习定位方法，属于无线传感器网络定位领域。

背景技术

随着室内定位技术的迅速发展，指纹定位技术因其低廉的设备成本、广泛的适用性而备受关注。

随着指纹定位算法的应用越来越广泛，定位区域的增大，因此在指纹定位离线阶段，需要相应地增加大量的人力与时间来采集接收信号强度指示(Received SignalStrength Indication，RSSI)值；在指纹定位在线匹配阶段，传统的匹配算法存在着定位时间长，匹配精度低等问题。

为了解决这些问题，RSSI数据采集阶段常用的解决方法有优化访问接入点(Access Point，AP)分布，利用辅助变量加强指纹库的可靠性，同时减少测量工作量；建模部分常用的解决方法有利用K领域法或者神经网络来对输入所得的RSSI值进行匹配定位。但是，上述方法存在着建库困难与在线匹配精度效率低的问题。

发明内容

反距离加权插值法具有针对多维数据进行插值计算的特点，可以针对多维指纹库进行插值运算，增加指纹库的数据量并提高数据平滑性

而极限学习机(Extreme Learning Machine，ELM)作为新型的单层神经网络，不同于经典神经网络采用梯度下降法迭代更新权重偏置的工作原理，而是基于随机初始化输入层的权值和偏置，利用最小二乘法确定输出层权重；因此本发明利用ELM进行建模。

ELM是一种单隐含层的前馈神经网络，相对于BP(Back Propagation)与径向基函数(Radial Basis Function Neural Network，RBF)神经网络，虽然有着更快的训练速度，但容易陷入局部最优状况，并且对隐含层节点个数与学习速率的敏感度较高，因此ELM在指纹定位的过程中稳定性相对于其他机器学习方法较差。而遗传算法(Genetic Algorithm)是模拟物竞天择的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。利用遗传算法(Genetic Algorithm,GA)对ELM的随机初始化的权重w_l与偏置b进行优化，以保证系统可以获得神经网络输出层权值矩阵B的解析解。

针对现有技术中存在的建库困难与在线匹配精度效率低的问题，本发明提出了一种基于非充分指纹信息的极限学习定位方法。

在建库阶段利用反距离加权插值法(Inverse Distance WeightedInterpolation，IDW)，在选取可靠性强的AP的RSSI信号所构建的指纹库的基础上对指纹库数据进行扩充，并利用3σ准则提升指纹库可靠性，尽可能减少前期数据测量工作。

在建模阶段，利用极限学习机的(Extreme Learning Machine，ELM)训练速度快，精度较高的特性进行匹配定位，并引入遗传算法(Genetic Algorithm,GA)优化ELM初始阶段的稳定性。

对于接收到的RSSI信号输入ELL-IF，得到最终的定位坐标。

所述基于非充分指纹信息的极限学习定位方法包括：

步骤1：将定位区域划分成若干个边长为单位距离的正方形网格，根据应用需要定义网格个数与网格边长，并在网格点上进行接收信号强度指示RSSI值采集，由每个网格点上对应的RSSI构成指纹库F_I与每个网格点对应的坐标构成位置信息库P_I：

其中，为原始指纹库F_I对应第i个网格点接收到的第n个访问接入点AP的RSSI值，为F_I的第i组RSSI值对应网格点的x轴坐标为F_I的第i组RSSI值对应网格点的y轴坐标；根据采集的RSSI组数确定M₁值，根据AP的个数确定N值，i＝1,2,…M₁，n＝1,…,N；

步骤2：当指纹库F_I与位置信息库P_I建立完成后，随机生成M₂*N维RSSI值，构建补充指纹库F_Ⅱ；

其中， 与为指纹库F_I中RSSI信号的最小值与最大值，j＝1,2,…M₂，M2根据实际场景大小和对计算机计算量随机设置，M₂≥M₁；

步骤3：利用反距离加权插值法IDW具有进行对多维数据进行插值运算的特点，计算F_II对应的指纹信息库P_II；以确定与F_II相对应的扩充位置信息库P_II；其中为与的欧式距离；

定义位置权值与P_II的对应关系如下：

其中，为随机生成指纹库F_II的第j组随机生成RSSI值对应位置点的x轴坐标，同理，为F_II的第j组随机生成RSSI值对应位置点的y轴坐标；

步骤4：将上述F_I与F_II合并成新的指纹库F_III，P_I与P_II合并成新的位置信息库P_III：

其中，M₃＝M₁+M₂；

步骤5：利用极限学习机ELM对所得到的指纹库F_III进行回归建模；

所述ELM即基于一个单层神经网络，利用对未知位置进行估计，令其输入样本为新的指纹库F_III中的数据输出即为F_III中每组RSSI值对应的定位坐标的估计值其中，k＝1,2,…,M₃；

ELM的结构如(3)所示：

其中，输入层权重w_l＝[w_l1,w_l2,…,w_lN]^T，输出层权重β_l＝[β_lx,β_ly]^T，L为输入层节点数，l＝1,2,…,L,L≥N+1，sig(·)为sigmoid激活函数，b为输入层偏置量；

步骤6：利用步骤5得到的ELM模型，对任意定位区域的未知点所接收到的N维RSSI信号，计算其对应的估计坐标[x_o,y_o]。

可选的，针对所述步骤5，还包括：

利用遗传算法GA对ELM的权重值进行优化；

所述步骤6为利用GA优化权重值后得到的ELM模型，对任意未知位置点所接收到的N维RSSI信号，进行计算，即可获得其对应的估计坐标[x_o,y_o]。

可选的，在所述步骤3中，引入3σ准则的增强判断，以来提高指纹库F_III的平滑性。

可选的，步骤5中，

为使定位坐标的期望值与估计值之间的误差E最小；

其中，

通过结合式(3)和(4)，得

可见，欲使得E最小化，应存在一组β_l,w_l,b使得式(6)成立；

即：

HB＝P_III (7)

其中，

基于极限学习机ELM工作原理，对于任意给定的w_l,b，可求解β_l。

可选的，所述求解β_l的方法包括：

随机设置权值w_l与偏置b，为确定输出层权值β_l，将问题转化成求解线性系统HB＝P_III，从而可得输出权值为

从而，确定当前神经网络的参数β_l，其中是矩阵H的广义逆矩阵。

可选的，所述利用遗传算法GA对ELM的初始化权值进行优化，具体步骤包括：

A步：随机产生L个输入层权值w_l与阈值b，并利用每一个w_l和b进行二进制编码，作为L个初代个体，设置迭代初始次数m＝1，迭代次数上限M；

B步：设置个体筛选轮数p的初始值为p＝2，个体筛选轮数上限P，利用式(8)，计算所有个体的输出层权值β_l，其中，P为大于等于2的偶数；

C步：基于式(5)计算第m代个体的适应度E，并利用每个个体的适应度除以所有个体适应度总和计算生存概率；

D步：利用步骤C得到的每个个体的生存概率来生成轮盘，并基于轮盘选择法对个体进行p轮筛选，p＝2,4,6,…,P；

E步：若p≥P，得到筛选出的p个个体，通过交叉变异生成新个体，；否则，返回步骤D。

F步：若m≥M时，得到当前适应度最高个体的w_l和b，完成对ELM权值的优化；否则，返回B步；

其中，第E步中，交叉概率和变异概率在可根据参与交叉变异的个体数目确定。不失一般性，变异概率在0.1至0.3即可，较差概率在0.9至0.7之间，即在保持绝大多数样本特性的情况下，可得到较优的交叉变异效果。

可选的，所述步骤1之前还包括：

在所需定位区域进行AP布置，并对区域进行以单位距离为边长的正方形网格划分，建立坐标系。

本发明有益效果是：

通过在离线阶段提出利用反距离加权插值法扩充指纹库，增加了指纹库的数据量并提高数据平滑性，并利用3σ准则对已扩充的指纹库进行奇异值剔除，提高了指纹库的健壮性；在线匹配阶段利用极限学习机的匹配速度快，精度高的优势进行定位计算；引入遗传算法优化随机初始化权值与偏置过程,，提高定位的稳定性；达到了建库简单且提高了在线匹配精度的效率。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是针对指纹定位的ELM神经网络模型；

图2是ELL-IF定位系统数据流图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

实施例一：

本实施例提供一种基于非充分指纹信息的极限学习定位方法，参见图1，所述方法包括：

1.1在所需定位区域进行AP点布置，并对区域进行网格划分，建立坐标系。

将定位区域划分成若干个边长为单位距离的正方形网格，根据定位场景大小以及所需定位的精度定义网格个数与网格边长，例如所需定位精度为1米，则划分正方形网格的边长即为1米。若定位区域为100m²，则将定位区域划分为100个1m×1m的正方形网格，并在网格点上进行接收信号强度指示RSSI值采集，由每个网格点上对应的RSSI构成指纹库F_I与每个网格点对应的坐标构成位置信息库P_I；

1.2在网格点上进行RSSI值采集，生成对应的RSSI指纹库F_I与位置信息库P_I：

其中，为原始指纹库F_I对应第i个网格点接收到的第n个访问接入点AP的RSSI值，为F_I的第i组RSSI值对应网格点的x轴坐标为F_I的第i组RSSI值对应网格点的y轴坐标；根据采集的RSSI组数确定M₁值，根据AP节点个数确定N值，i＝1,2,…M₁，n＝1,…,N。

1.3当指纹库F_I与位置信息库P_I建立完成后，随机生成M₂*N维RSSI值，构建补充指纹库F_Ⅱ；

其中， 与为指纹库F_I中RSSI信号的最小值与最大值，j＝1,2,…M₂。

M2根据实际场景大小和对计算机计算量设置，通常M2>M1；比如，现已采集M₁＝400组RSSI值，设置IDW扩充样本的RSSI组数为M₂＝800；

1.4利用反距离加权插值法IDW具有进行对多维数据进行插值运算的特点，计算F_II对应的指纹信息库P_II；以确定与F_II相对应的扩充位置信息库P_II；其中为与的欧式距离；

定义位置权值与P_II的对应关系如下：

其中，为随机生成指纹库F_II的第j组随机生成RSSI值对应位置点的x轴坐标，为F_II的第j组随机生成RSSI值对应位置点的y轴坐标。

将F_I与F_II合并成新的指纹库F_III，P_I与P_II合并成新的位置信息库P_III：

其中，M₃＝M₁+M₂；

考虑到随机生成的指纹库F_II带有一定的随机性，为避免离群点使F_III偏离原始数据分布，引入3σ准则的增强判断，以来提高指纹库F_III的平滑性。

1.5利用极限学习机ELM对指纹库F_III进行回归建模；

所述ELM的回归建模即基于一个单层神经网络，即一种数据驱动模型，利用对未知位置进行预测，令其输入样本为新的指纹库F_III中单组数据输出即为F_III中每组RSSI值对应的定位坐标的估计值其中，k＝1,2,…,M₃。

基于极限学习机的一般模型结构如(3)所示，可确定输入-输出关系如下：

其中，输入层权重w_l＝[w_l1,w_l2,…,w_lN]^T，输出层权重β_l＝[β_lx,β_ly]^T，L为输入层节点数，l＝1,2,…,L,L≥N+1，sig(·)为sigmoid激活函数，b为输入层偏置量。

为使定位坐标的期望值与估计值之间的误差E最小；其中，

通过结合式(3)和(4)，得

可见，欲使得E最小，即应存在一组β_l,w_l,b使得式(6)成立。

即：

HB＝P_III (7)

其中，

1.6基于ELM工作原理，对于任意给定的w_l,b，可求解β_l；

所述求解β_l的方法包括：

随机设置权值w_l与偏置b，为确定输出层权值β_l，需将问题转化成求解线性系统HB＝P_III，从而可得输出权值为

从而，确定当前神经网络的参数β_l,其中是对于矩阵H的广义逆矩阵b。

1.7利用遗传算法GA对ELM的初始化权值进行优化。具体步骤可以包括：

A步：随机产生L个输入层权值w_l与阈值b，并利用每一个w_l和b进行二进制编码，生成L个初代个体，设置迭代次数m＝1，迭代次数上限M；

B步：利用ELM(式(8))，计算所有个体的输出层权值β_l；

C步：基于式(5)计算第m代个体的适应度E，并利用每个个体的适应度除以所有个体适应度总和计算生存概率；

D步：利用步骤C得到的每个个体的生存概率生成轮盘，并基于轮盘选择法对个体进行p轮筛选，p＝2,4,6,…,P，其中P为大于等于2的偶数，随机筛选适应度最高的p个个体，筛选出的p个个体，通过交叉变异生成新个体，m＝m+1，其中，交叉概率设置为0.9，变异概率为0.1；

E步：当m≥M时，输出当前适应度最高个体的w_l和b，完成对ELM的初始化权值优化；否则，返回B。

其中，第E步中，交叉概率和变异概率在可根据参与交叉变异的个体数目确定，不失一般性，变异概率在0.1至0.3即可，较差概率在0.9至0.7之间，即在保持绝大多数样本特性的情况下，可得到较优的交叉变异效果。

1.8利用GA经过得到的ELM模型,可以对任意未知点所接收到的N维RSSI信号，进行指纹匹配计算，获得其对应的估计坐标[x_o,y_o]。

本发明通过在离线阶段提出利用反距离加权插值法扩充指纹库，增加了指纹库的数据量并提高数据平滑性，并利用3σ准则对已扩充的指纹库进行奇异值剔除，提高了指纹库的健壮性；在线匹配阶段利用极限学习机的匹配速度快，精度高的优势进行定位计算；引入遗传算法优化随机初始化权值与偏置过程,，提高定位的稳定性；达到了建库简单且提高了在线匹配精度的效率。

以上所述仅为本发明的较佳实施例，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、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于非充分指纹信息的极限学习定位方法，其特征在于，所述方法包括：

步骤1：采集接收信号强度指示RSSI值，生成对应的RSSI指纹库F_I与位置信息库P_I：

其中，为原始指纹库F_I对应第i个网格点接收到的第n个访问接入点AP的RSSI值，为F_I的第i组RSSI值对应网格点的x轴坐标为F_I的第i组RSSI值对应网格点的y轴坐标；根据采集的RSSI组数确定M₁值，根据AP的个数确定N值，i＝1,2,…M₁，n＝1,…,N；

步骤2：当指纹库F_I与位置信息库P_I建立完成后，随机生成M₂*N维RSSI值，构建补充指纹库F_Ⅱ；

其中， 与为指纹库F_I中RSSI信号的最小值与最大值，j＝1,2,…M₂，M₂≥M₁；

步骤3：利用反距离加权插值法IDW具有进行对多维数据进行插值运算的特点，计算F_II对应的指纹信息库P_II；以确定与F_II相对应的扩充位置信息库P_II；其中为与的欧式距离；

定义位置权值与P_II的对应关系如下：

其中，为随机生成指纹库F_II的第j组随机生成RSSI值对应位置点的x轴坐标，同理，为F_II的第j组随机生成RSSI值对应位置点的y轴坐标；

步骤4：将上述F_I与F_II合并成新的指纹库F_III，P_I与P_II合并成新的位置信息库P_III：

其中，M₃＝M₁+M₂；

步骤5：利用极限学习机ELM对所得到的指纹库F_III进行回归建模；

所述ELM即基于一个单层神经网络，利用对未知位置进行估计，令其输入样本为新的指纹库F_III中的数据输出即为F_III中每组RSSI值对应的定位坐标的估计值其中，k＝1,2,…,M₃；

ELM的结构如式(3)所示：

其中，输入层权重w_l＝[w_l1,w_l2,…,w_lN]^T，输出层权重β_l＝[β_lx,β_ly]^T，L为输入层节点数，l＝1,2,…,L,L≥N+1，sig(·)为sigmoid激活函数，b为输入层偏置量；

步骤6：利用步骤5得到的ELM模型，对任意定位区域的未知点所接收到的N维RSSI信号，计算其对应的估计坐标[x_o,y_o]。

2.根据权利要求1所述的方法，其特征在于，针对所述步骤5，还包括：

利用遗传算法GA对ELM的权重值进行优化；

所述步骤6为利用GA优化权重值后得到的ELM模型，对任意未知位置点所接收到的N维RSSI信号，进行计算，即可获得其对应的估计坐标[x_o,y_o]。

3.根据权利要求1所述的方法，其特征在于，在所述步骤3中，引入3σ准则的增强判断，以来提高指纹库F_III的平滑性。

4.根据权利要求1所述的方法，其特征在于，步骤5中，

为使定位坐标的期望值与估计值之间的误差E最小；

其中，

通过结合式(3)和(4)，得

可见，欲使得E最小化，应存在一组β_l,w_l,b使得式(6)成立；

即：

HB＝P_III (7)

其中，

B＝[β₁，…，β_L]^T；

基于极限学习机ELM工作原理，对于任意给定的w_l,b，可求解β_l。

5.根据权利要求4所述的方法，其特征在于，所述求解β_l的方法包括：

随机设置权值w_l与偏置b，为确定输出层权值β_l，将问题转化成求解线性系统HB＝P_III，从而可得输出权值为

从而，确定当前神经网络的参数β_l，其中是矩阵H的广义逆矩阵。

6.根据权利要求2所述的方法，其特征在于，所述利用遗传算法GA对ELM的初始化权值进行优化，具体步骤包括：

A步：随机产生L个输入层权值w_l与阈值b，并利用每一个w_l和b进行二进制编码，作为L个初代个体，设置迭代初始次数m＝1，迭代次数上限M；

B步：设置个体筛选轮数p的初始值为p＝2，个体筛选轮数上限P，利用式(8)，计算所有个体的输出层权值β_l，其中，P为大于等于2的偶数；

C步：基于式(5)计算第m代个体的适应度E，并利用每个个体的适应度除以所有个体适应度总和计算生存概率；

D步：利用步骤C得到的每个个体的生存概率来生成轮盘，并基于轮盘选择法对个体进行p轮筛选，p＝2,4,6,…,P；

E步：若p≥P，得到筛选出的p个个体，通过交叉变异生成新个体，；否则，返回步骤D；

F步：若m≥M时，得到当前适应度最高个体的w_l和b，完成对ELM权值的优化；否则，返回B步。

7.根据权利要求1所述的方法，其特征在于，所述步骤1之前还包括：

在所需定位区域进行AP布置，并对区域进行以单位距离为边长的正方形网格划分，建立坐标系。