CN109151727A - 基于改进的dbn的wlan指纹定位数据库构建方法 - Google Patents

Abstract

本发明涉及WLAN指纹室内定位技术，为通过对传统的深度置信网络(Deep Belief Network，DBN)进行改进，提出一种基于改进的DBN的WLAN指纹定位数据库构建算法，降低WLAN指纹定位的离线阶段的工作量。为此，本发明采用的技术方案是，基于改进的DBN的WLAN指纹定位数据库构建方法，步骤如下：步骤1：构造合适的神经网络结构；步骤2：在需要进行定位的区域中选取实测参考点并进行数据的测量；步骤3：使用实测点测得的数据训练神经网络；步骤4：使用训练好的神经网络构建指纹定位数据库。本发明主要应用于WLAN指纹室内定位场合。

Description

基于改进的DBN的WLAN指纹定位数据库构建方法

技术领域

本发明涉及WLAN指纹室内定位技术，具体讲,涉及基于改进的DBN的WLAN指纹定位数据库构建方法。

背景技术

近年来个人智能终端快速发展，基于位置的服务(Location Based Service，LBS)增长很快，室内定位因而获得了更多的重视。目前室内定位主要包括无线局域网(WirelessLocal Area Networks,WLAN)、射频识别(Radio Frequency Identification,RFID)、蓝牙(Bluetooth，BT)、 Zigbee和超宽带无线电(Ultra Wide Band,UWB)等方案。其中WLAN指纹定位技术因不需要额外设备、成本较低得到广泛采用。然而WLAN指纹定位技术在离线阶段需要对大量参考点 (Reference Point，RP)进行测量，获得其位置坐标和指纹信息(即参考点处所能接收到的不同无线接入点的信号强度)，耗费人力物力。

对于离线阶段数据库的建立，目前有以下解决方法：通过统计信号特征，剔除非必要的 RP，降低在线阶段的计算复杂度；通过设计平滑过滤器和加尾过滤器，使用少量RP扩充指纹定位数据库，但应用场景较为有限；缩短RP的信号采集时间，使用kriging插值构建指纹定位数据库，但并未实质上减少离线阶段工作量；将神经网络应用于预测未知RP的RSS(Received Signal Strength，接收信号强度)指纹，减少离线阶段工作量，但只适用于对精度要求较低的情况；通过终端持有者主动提交指纹信息的方法构建数据库，但是仍然需要将其作为额外任务来做；通过运用群智感知的理念，让用户不需特别关注即可完成对指纹信息的采集，但存在隐私信息泄露的风险；利用神经网络减少离线阶段测量面积，减轻工作负荷，但定位效果不佳。

针对上述问题，并且为了降低离线阶段工作量，对WLAN指纹定位数据库的构建提出了新的更高的要求。基于此，开展了对WLAN指纹定位数据库构建算法的研究。

发明内容

为克服现有技术的不足，本发明旨在通过对传统的深度置信网络(Deep BeliefNetwork， DBN)进行改进，提出一种基于改进的DBN的WLAN指纹定位数据库构建算法，降低WLAN指纹定位的离线阶段的工作量。为此，本发明采用的技术方案是，基于改进的DBN的WLAN指纹定位数据库构建方法，步骤如下：

步骤1：构造合适的神经网络结构

1)对于深度置信网络DBN的受限玻尔兹曼机RBM(Restricted BoltzmannMachine)部分，其结构和自编码器的结构相同，即输入层节点为2个，表示空间二维坐标，输出层与待定位区内的接入点AP(Access Point)数量相同，隐藏层的节点数为输入层和输出层节点数的几何平均值并进行取整；

2)对于DBN的反向传播神经网络(Back Propagation Neural Network，BPNN)部分，设置输入层和输出层节点数相同，与RBM部分的输出层节点数数目一致；

步骤2：在需要进行定位的区域中选取实测参考点并进行数据的测量

在待定位区中大致均匀的选取实测参考点，测量其位置坐标和RSS指纹，实测参考点数量应明显少于参考点的总数，减少离线阶段工作量，获得测量数据后，计算信号可被检测到的AP占总体的比例，即为稀疏性系数；

步骤3：使用实测点测得的数据训练神经网络

将实测获得的数据输入神经网络中，输入数据为实测参考点的二维坐标，目标输出数据为实测参考点的指纹信息，进行迭代训练使神经网络的性能不断优化；

步骤4：使用训练好的神经网络构建指纹定位数据库

1)预测剩余参考点的指纹信息

将剩余参考点的二位位置坐标输入训练好的神经网络中，则输出值即为对应参考点的指纹信息；

2)构建完整的指纹定位数据库

将剩余参考点的指纹信息与实测参考点的指纹信息进行合并，从而完成WLAN指纹定位数据库的构建。

本发明的特点及有益效果是：

本发明提供了一种基于改进的DBN的WLAN指纹定位数据库构建算法，通过使用稀疏自编码器改进RBM部分，然后使用稀疏性限制改进BPNN部分，能够较大的降低离线阶段需要实测的测量点的数目，同时获得较好的定位精度，从而有效地降低WLAN指纹定位离线阶段的工作量。

附图说明：

图1训练集和验证集中RP空间分布图。

图2测试集RP空间分布图。

图3步骤流程图。

具体实施方式

本发明技术方案如下：

1)使用稀疏自编码器改进RBM部分。在传统DBN中，通过对RBM进行逐层预训练来获得神经网络的权值，但RBM的初始权值由随机初始化得到，具有不确定性，不能反映数据的特征结构，导致预训练效果较差。且RBM通常用于对数据的降维操作，以此获取数据中的高阶特征信息，但对由空间坐标预测RSS指纹的升维操作并不适用。因此采用稀疏自编码器(Sparse Auto-Encoder，SAE)来对DBN的RBM部分进行改进。稀疏自编码器是自编码器的一个分支。自编码器(Auto-Encoder)是一种非监督的学习算法，可以用自身的高阶特征编码自己，让目标值等于输入值。通过加入限制条件就能得到有意义的神经网络结构。当隐藏层维度大于输入层或需要进行升维操作时，就需要在自编码器中加入稀疏性限制，使大部分神经元处于抑制状态。对自编码器施加稀疏性限制后，隐藏层神经元只有部分被激活，使得自编码器只能使用被激活的少量神经元来获取输入的高阶表达。同时自编码器的损失函数也需要添加稀疏性惩罚因子。

2)使用稀疏性限制改进BPNN部分。BPNN部分将RBM部分的输出作为输入数据，其输出即为RSS指纹的预测值。现代社会电磁环境十分复杂，对电磁波的传播影响很大。因此RSS指纹中难免会有不少AP的RSS值没被检测到，因而RSS指纹实质上也是一种稀疏的特征表达，少部分可被检测到的RSS值就能够表达出整个RSS指纹的特征。因此对BPNN的输出施加稀疏性限制，可以更好的贴近实际情况。

步骤1：构造合适的神经网络结构

1)对于DBN的RBM部分，其结构和SAE的结构相同，即输入层节点为2个，表示空间二维坐标。输出层节点数与待定位区内的AP数量相同，隐藏层的节点数为输入层和输出层节点数的几何平均值并进行取整。

2)对于DBN的BPNN部分，设置输入层和输出层节点数相同，且与RBM部分的输出层节点数数目一致。

步骤2：在需要进行定位的区域中选取进行实际测量的参考点并进行数据的测量

在待定位区中大致均匀的选取实测参考点，测量其位置坐标和RSS指纹，实测参考点数量应明显少于参考点的总数，减少离线阶段工作量。获得测量数据后，计算信号可被检测到的AP占总体的比例，即为稀疏性系数。

步骤3：使用实测点测得的数据训练神经网络

将实测获得的数据输入神经网络中，输入数据为实测参考点的二维坐标，目标输出数据为实测参考点的指纹信息。进行迭代训练使神经网络的性能不断优化。

步骤4：使用训练好的神经网络构建指纹定位数据库

3)预测剩余参考点的指纹信息

将剩余参考点的二位位置坐标输入训练好的神经网络中，则输出值即为对应参考点的指纹信息。

4)构建完整的指纹定位数据库

将剩余参考点的指纹信息与实测参考点的指纹信息进行合并，从而完成WLAN指纹定位数据库的构建。

基于上述基于改进的DBN的WLAN指纹定位数据库构建算法，本发明选取了WLAN指纹定位数据集UJIIndoorLoc的部分数据进行了实验，并与其他算法进行了对比，对本发明的有效性进行验证如下：

实验采用实测得到的WLAN指纹定位数据集UJIIndoorLoc。主要包括training数据集和 validation数据集2个文件，文件的主要信息如表1所示。

表1 UJIIndoorLoc数据集内容形式表

使用BUILDINGID为0、FLOOR为0处的指纹数据：在training数据集中共有在54个RP处采集到的1059组数据，取其中10个RP处的数据作为训练集，剩余数据作为验证集；在validation数据集中共有在78个RP处测得的78组数据，将其作为测试集。训练集和验证集中RP的空间分布如图1所示。图1中红点即为训练集中的RP。测试集中RP的空间分布如图2所示。由图1、图2可知，训练集、验证集和测试集基本处于同一平面空间，可以用于本实验。

改进的DBN分为RBM部分和BPNN部分。RBM部分和用于初始化参数的SEA包括输入层和 3层隐藏层。输入层节点数目为2个，3层隐藏层节点数目分别为16个、128个和520个。BPNN部分为2层，其中最后1层为输出层，每层的节点数目均为520个。经过计算，训练集中每个RP处的RSS指纹中平均有13.9521个AP对应的RSS值可以被监测到，又因为每个RSS 指纹包含520个RSS值，且需要给待定位点的RSS指纹的稀疏性留有余量，所以将稀疏性参数设置为0.04。每个SAE均进行10次迭代训练。初始化后的每个RBM依次分别训练10次。 BPNN部分的偏置值设置为100，因为在UJIIndoorLoc数据集中100即代表此AP对应的RSS 未监测到。稀疏性参数设置为0.04。在RBM部分训练完成后，整个DBN迭代训练10次进行微调。作为对比，引入传统DBN和传统BPNN。传统DBN结构与改进的DBN相同，但是RBM部分将进行随机初始化并且每个RBM依次分别训练20次，BPNN部分也将不进行改进。传统BPNN 设置为3层，输入层、隐藏层、输出层节点分别为2个、32个、520个，迭代训练2000次。

改进的DBN训练完成后，将验证集中RP的坐标值输入神经网络中，输出对应RSS指纹的预测值，并与训练集数据合并，对指纹定位数据库进行构建。将测试集的RP作为待定位点，在构建后的指纹定位数据库上使用KNN(K Nearest Neighbors，K最近邻)、WKNN(Weighed K Nearest Neighbors，加权K最近邻)算法对构建效果进行评估。算法训练时间由TensorFlow 交互界面得到。所有实验数据均重复实验10次，取平均值进行记录。分别对比以下几种指纹数据库的构建情况：构建验证集中全部RP处的RSS指纹；构建验证集中31个RP处的RSS指纹；构建验证集中16个RP处的RSS指纹。实验数据对比见表2。

表2实验数据对比表

表2中数据均在同一数据集上得到。Original、IPDBN、DBN、BPNN分别代表原始数据库和由改进的DBN、传统DBN、传统BPNN构建后的数据库，横线后的数字代表构建后的数据库中RP的数量。KNN、WKNN代表这两种方法的平均定位误差，K列代表取得最小定位误差时K 的取值，time为神经网络的训练时间。由表2可知：

1)在上述3种情况中IPDBN定位精度均为最高，与Original的差距均在0.3～0.4米左右；BPNN构建效果较差，与Original对比误差均超过2米；DBN构建效果最差，与Original对比误差均值接近5米。IPDBN训练时间比DBN训练时间略长，但明显短于BPNN。

2)IPDBN-26的定位效果要比DBN-54和BPNN-54要好，因此IPDBN用更少的RP就可以达到较好的定位效果。

Claims (1)

1.一种基于改进的DBN的WLAN指纹定位数据库构建方法，其特征是，步骤如下：

步骤1：构造合适的神经网络结构

1)对于深度置信网络DBN的受限玻尔兹曼机RBM(Restricted Boltzmann Machine)部分，其结构和自编码器的结构相同，即输入层节点为2个，表示空间二维坐标，输出层与待定位区内的接入点AP(Access Point)数量相同，隐藏层的节点数为输入层和输出层节点数的几何平均值并进行取整；

2)对于DBN的反向传播神经网络(Back Propagation Neural Network，BPNN)部分，设置输入层和输出层节点数相同，与RBM部分的输出层节点数数目一致；

步骤2：在需要进行定位的区域中选取实测参考点并进行数据的测量

在待定位区中大致均匀的选取实测参考点，测量其位置坐标和RSS指纹，实测参考点数量应明显少于参考点的总数，减少离线阶段工作量，获得测量数据后，计算信号可被检测到的AP占总体的比例，即为稀疏性系数；

步骤3：使用实测点测得的数据训练神经网络

将实测获得的数据输入神经网络中，输入数据为实测参考点的二维坐标，目标输出数据为实测参考点的指纹信息，进行迭代训练使神经网络的性能不断优化；

步骤4：使用训练好的神经网络构建指纹定位数据库

1)预测剩余参考点的指纹信息

将剩余参考点的二位位置坐标输入训练好的神经网络中，则输出值即为对应参考点的指纹信息；

2)构建完整的指纹定位数据库

将剩余参考点的指纹信息与实测参考点的指纹信息进行合并，从而完成WLAN指纹定位数据库的构建。