CN109151750A - 一种基于循环神经网络模型的lte室内定位楼层判别方法 - Google Patents

一种基于循环神经网络模型的lte室内定位楼层判别方法 Download PDF

Info

Publication number
CN109151750A
CN109151750A CN201811039569.3A CN201811039569A CN109151750A CN 109151750 A CN109151750 A CN 109151750A CN 201811039569 A CN201811039569 A CN 201811039569A CN 109151750 A CN109151750 A CN 109151750A
Authority
CN
China
Prior art keywords
floor
data
recognition
eci
neural network
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.)
Granted
Application number
CN201811039569.3A
Other languages
English (en)
Other versions
CN109151750B (zh
Inventor
马琳
张永亮
杨光达
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.)
Harbin Institute of Technology
China Mobile Group Heilongjiang Co Ltd
Original Assignee
Harbin Institute of Technology
China Mobile Group Heilongjiang 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 Harbin Institute of Technology, China Mobile Group Heilongjiang Co Ltd filed Critical Harbin Institute of Technology
Priority to CN201811039569.3A priority Critical patent/CN109151750B/zh
Publication of CN109151750A publication Critical patent/CN109151750A/zh
Application granted granted Critical
Publication of CN109151750B publication Critical patent/CN109151750B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

一种基于循环神经网络模型的LTE室内定位楼层判别方法，本发明涉及LTE室内定位楼层判别方法。本发明为了解决现有室内楼层判别方法鲁棒性差且定位精度低的缺点。本发明包括：一：在需要定位的室内环境中选择坐标原点P0；二：在每一楼层选取若干参考点，通过载有LTE信号获取设备的平台采集各个参考点处的LTE信号，对其对应记录其楼层信息；三：获取到所测LTE信号中主服务小区和邻小区的ECI，完成离线数据库的建立；四：建立循环神经网络结构；步骤五：根据最终训练的结果得到楼层识别模型；六：形成信号向量；七：将信号向量作为楼层识别模型的输入，模型的输出即为楼层识别结果。本发明用于室内定位导航领域。

Description

一种基于循环神经网络模型的LTE室内定位楼层判别方法
技术领域
本发明涉及室内定位导航领域，具体涉及基于循环神经网络模型的LTE室内定位楼层判别方法。
背景技术
近年来，基于用户位置信息的相关技术得到了广泛的应用和发展，位置服务(LBS)已经成为人们日常工作、生活所必须的一项基本服务。然而，在人们生活的室内空间中有80％为多层建筑空间，受到楼体自身遮挡以及多径效应的影响，使得传统的A-GNSS以及OTDOA定位算法定位精度急剧下降，尤其是垂直方向上。与此同时，基于WiFi的室内定位方法由于其部署方便，得到了比较广泛的应用，但是目前的研究成果显示，其定位精度受限于室内人流疏密、墙壁遮挡等因素。综合考虑设备的部署成本和定位精度的影响因素，并结合现阶段发展较为成熟的蜂窝小区技术，基于LTE信号的室内垂直高度判别逐渐成为室内定位研究的另一个热点，并获得了越来越多的关注。
目前，针对楼层定位的方法大致分为五类：基于WLAN、GPS、RFID、Bluetooh和蜂窝网络。但是，基于WLAN的楼层区分需要较为密集的AP点分布，且用户设备需安装WLAN终端；GPS信号对垂直方向的距离变化不敏感且无法适应复杂多变的室内环境；RFID以及Bluetooth现阶段还没有大规模普及和应用，实施起来有一定困难；蜂窝网络信号无法应对室内环境中的遮挡效应和多径效应。随着城市建设中的宏蜂窝小区(macrocell)和微蜂窝小区(microcell)资源的合理配置、完善的硬件设施，以及第四代移动通信技术的兴起和推广，原本因为遮挡和多径效应而不被人们所重视的移动通信网络定位技术因其基础设备配置完善、用户端所需设备简单而重新得到人们的重视。新型长期演进(LTE)信号具有高带宽以及帧同步结构、接收电平较卫星信号更强、合理的配置和部署等优点，使其非常适合对用户高度的信息进行采集和分析。使用一部智能手机能很容易地获取到LTE信号，不需要花费昂贵的设备成本及冗长的设备安装时间。
基于循环神经网络的LTE楼层判别方法，通过将用户所处楼层能够连接的基站位置与用户位置间距离作为特征1，利用室内环境时空上的有序变化作为特征2，进行人工神经网络的训练，从而估计出用户所在楼层并进行定位。该定位系统分为两步：离线阶段基于循环神经网络的特征提取和网络训练、在线阶段的楼层判别。传统的室内定位技术只能针对二维平面空间进行定位，而对于高度信息一般不做处理或默认已知。但对于人口分布密集、对于室内定位精度要求更高的区域来说，如果高度信息未知或高度定位错误将导致整体的定位任务失败。因此在室内定位中，精确的楼层识别对于用户来说是尤为重要的。
发明内容
本发明的目的是为了解决现有室内楼层判别方法定位精度低的缺点，而提出一种基于循环神经网络模型的LTE室内定位楼层判别方法。
一种基于循环神经网络模型的LTE室内定位楼层判别方法包括以下步骤：
步骤一：在需要定位的室内环境中选择合适的坐标原点P0(x0,y0,z0)，(x0,y0)为用户所在楼层平面内的水平位置坐标，z0为用户所在的楼层编号；建立楼宇级别的三维直角坐标系，x轴和y轴相互垂直，分别指向正东和正北方向，z轴与水平面垂直，指向楼层增加的方向；如图1所示；因为本方案为楼层判别方法，所以原点P0一般选在楼宇的一楼所在水平面内，具体位置可以按楼层平面图灵活设置；
步骤二：在每一楼层，根据每层楼平面结构图的不同，在整个楼层区域内按楼层平面面积大小按一定间隔均匀选取若干参考点，通过载有LTE信号获取设备(手机)的平台采集各个参考点处的LTE信号，每点采集3min，并且对所获得的LTE信号对应记录其楼层信息；
步骤三：获取到所测LTE信号中主服务小区(serving cell)和邻小区(neighborcell)的ECI，通过比对工参表ECI值得到设备连接基站的具体位置并通过步骤二确定每次测量信号的所在楼层，完成离线数据库Database的建立；如表1所示。其中ECI为唯一标识一个小区的ID；
步骤四：建立循环神经网络结构；这里我们针对采集数据稀疏的特点，在网络的隐藏层中采用长短时记忆模型。
步骤五：离线阶段，将数据库中同一楼层(即M值相同)所采集到的数据作为一类，将不同楼层(即M值不同)所采集的数据作为不同类别；将数据人工做好标签后作为输入数据，比对工参表计算每条数据ECI对应基站与用户之间的距离，利用循环神经网络(RNN)进行训练，根据最终训练的结果进一步得到楼层识别模型；
步骤六：获取到待定位用户所上传LTE信号中主服务小区的ECI和邻小区的ECI，形成信号向量；
步骤七：将步骤六中得到的信号向量作为步骤五中得到的楼层识别模型的输入，模型的输出即为楼层识别结果。
本发明的有益效果为：
本发明提出一种基于循环神经网络模型的楼层识别方法。本发明方法利用室外分布的宏蜂窝系统和微蜂窝系统信号，不需要额外的设备安装及系统配置，利用已有的设备实现对用户所处楼层的精准定位。本发明方法能够很好地实现用户3D定位的需求。
本发明的意义在于利用现有配置完善的设备对用户进行楼层定位，并利用循环神经网络提取信号在时间维度的相关特征进而提高定位精度，实现精准的楼层判别。
实验证明，本发明的楼层定位精度能够达到90％以上。
附图说明
图1是3D数据库建立系统坐标系示意图，其中由x轴和y轴组成的平面为水平面；z轴代表的是垂直方向，也就是楼层，它是一个正整数值。
图2是循环神经网络RNN模型示意图。
图3误差反向传播示意图，其中左侧为折叠形式，右侧为按时间展开的形式。
图4基于循环神经网络的楼层识别方法流程示意图。图中Input为输入层；hidden为隐藏层；output为输出层。
具体实施方式
具体实施方式一：一种基于循环神经网络模型的LTE室内定位楼层判别方法包括以下步骤：
由于传统楼层识别方法容易受到气候环境变化和结构环境变化的多重影响。为提高楼层定位精度，需要在定位方法中充分考虑随时间有序变化的环境因素，并将其作为分类模型训练的特征之一，以此消除其对定位精度造成的影响。本发明内容主要针对现阶段室内楼层判别方法鲁棒性差且定位精度低而提出的。
步骤一：在需要定位的室内环境中选择合适的坐标原点P0(x0,y0,z0)，(x0,y0)为用户所在楼层平面内的水平位置坐标，z0为用户所在的楼层编号；建立楼宇级别的三维直角坐标系，x轴和y轴相互垂直，分别指向正东和正北方向，z轴与水平面垂直，指向楼层增加的方向；如图1所示；因为本方案为楼层判别方法，所以原点P0一般选在楼宇的一楼所在水平面内，具体位置可以按楼层平面图灵活设置；
步骤二：在每一楼层，根据每层楼平面结构图的不同，在整个楼层区域内按楼层平面面积大小按一定间隔均匀选取若干参考点，通过载有LTE信号获取设备(手机)的平台采集各个参考点处的LTE信号，每点采集3min，并且对所获得的LTE信号对应记录其楼层信息；
步骤三：获取到所测LTE信号中主服务小区(serving cell)和邻小区(neighborcell)的ECI，通过比对工参表ECI值得到设备连接基站的具体位置并通过步骤二确定每次测量信号的所在楼层，完成离线数据库Database的建立；如表1所示。其中ECI为唯一标识一个小区的ID；
表1离线数据库的建立格式
其中M代表楼层标签，是一个正整数；t代表数据采集时间，精度为10ms；n代表共检测到n个基站；m代表共有m条数据。
步骤四：建立循环神经网络结构；这里我们针对采集数据稀疏的特点，在网络的隐藏层中采用长短时记忆模型。
步骤五：离线阶段，将数据库中同一楼层(即M值相同)所采集到的数据作为一类，将不同楼层(即M值不同)所采集的数据作为不同类别；将数据人工做好标签后作为输入数据，比对工参表计算每条数据ECI对应基站与用户之间的距离，利用循环神经网络(RNN)进行训练，根据最终训练的结果进一步得到楼层识别模型；
步骤六：获取到待定位用户所上传LTE信号中主服务小区的ECI和邻小区的ECI，形成信号向量；
步骤七：将步骤六中得到的信号向量作为步骤五中得到的楼层识别模型的输入，模型的输出即为楼层识别结果。
具体实施方式二：本实施方式与具体实施方式一不同的是：所述步骤三中获取到所测LTE信号中主服务小区和邻小区的ECI，通过比对工参表ECI值得到设备连接基站的具体位置并通过步骤二确定每次测量信号的所在楼层，完成离线数据库Database的建立的具体过程为：
步骤三一：设第j条数据中全部小区集合为{ECI}j，总条数为W，LTE信号中全部ECI的集合为：
其中，n是ECI的个数。
步骤三二：查对工参表，计算用户位置(Loni,Lati)到基站位置的距离Dist；其中Loni是用户所在位置的经度，Lati是用户所在位置的纬度；
其中，R＝6378.137为地球半径，单位是公里；a＝Lat1-Lat2为用户位置与基站位置的纬度之差；b＝Lon1-Lon2为用户位置与基站位置的经度之差；
步骤三三：对第j条测量数据中的Dist值进行处理；
其中，Dist_L是一个比全部测量Dist值小的固定值，ECIj为第j个基站的ECI，Distj为用户与第j个基站之间的距离；
步骤三四：通过步骤三二的处理过程，得到Dist矩阵；
其中，是在第j条数据中参考点接收第j个小区的Dist，Dist(j)为第i条数据中计算得到的用户到所有能够检测到的基站的距离向量；
步骤三五：构造楼层位置向量：
M＝[m1 m1,…,m2 m2,…,ml ml]T (5)
其中，ma是楼层的标签，a＝1,2,…,l；
步骤三六：最终得到离线数据库，如表1所示；
D＝[T M Dist] (6)
其中T为为上报的时间戳向量。
其它步骤及参数与具体实施方式一相同。
具体实施方式三：本实施方式与具体实施方式一或二不同的是：所述步骤四中建立循环神经网络结构具体为：
将输入层的节点数设为基站个数n，隐藏层数目为2，输出节点数为楼层数目(分类数目)；采用的分类器为一单元激活分类器，输出结果为二进制数组，该数组只有在对应楼层数的位数上为1，其余位上为0。兼顾函数的收敛性和数据处理速度，我们将批处理块大小设为50。全部数据的迭代次数为100次。其余参数均可按默认设置。如图2所示。
RNN(recurrent neural network)，循环神经网络。https://baike.baidu.com/item/递归神经网络/16020230？fr＝aladdin。一共四层：输入层-隐藏层1-隐藏层2-输出层。
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四：本实施方式与具体实施方式一至三之一不同的是：所述步骤五中离线阶段，将数据库中同一楼层所采集到的数据作为一类，将不同楼层所采集的数据作为不同类别；将数据人工做好标签后作为输入数据，比对工参表计算每条数据ECI对应基站与用户之间的距离，利用循环神经网络进行训练，根据最终训练的结果得到楼层识别模型的具体过程为：
步骤五一：定义网络节点输入函数、输出函数和权重函数；如图2所示，x(t)代表在时间t时刻的训练样本输入，x(t-1)和x(t+1)代表在时间t-1和t+1时刻的训练样本输入，h(t)代表在t时刻模型的隐藏状态，由x(t)和h(t-1)共同决定；o(t)代表在t时刻模型的输出，由当前的隐藏状态h(t)决定，L(t)代表t时刻模型的损失函数，y(t)代表在t时刻训练样本的真实输出，矩阵U、矩阵W、矩阵V是循环神经网络模型的权重参数矩阵，其中，矩阵U为输入层与隐藏层各节点之间的权重矩阵；矩阵V为隐藏层与输出层各节点之间的权重矩阵；矩阵W为前一时刻隐藏层与其后一时刻之间自循环的权重矩阵；将交叉熵定义为损失函数L(y,o)；
其中，yout为真实楼层标签，oout为实际输出楼层标签，N为网络的输出节点数目；
激活函数定义为tanh函数和softmax函数；
其中，x为当前层的输入向量，xi为向量中第i个元素；
网络初始值设置为其中，n’为前一层的链接数；
步骤五二：RNN数据前向传播算法；对任意时刻t，隐藏状态h(t)由x(t)和h(t-1)得到；
h(t)＝tanh(Ux(t)+Wh(t-1)+b) (10)
其中，h(t)为当前时刻隐藏层内保存的数据，x(t)为当前时刻输入层内保存的数据，h(t-1)为前一时刻隐藏层内保存的数据，b为函数偏置值；时刻t输出o(t)为：
o(t)＝Vh(t)+c (11)
其中，c为函数偏置值；
最终，在时刻t网络的输出预测值为：
最终将计算得到的估计值和真实值y(t)带入损失函数进行比较；
步骤五三：误差数据反向传播算法；误差反向传播的思路是通过梯度下降法将误差梯度带回到模型参数中，通过多轮的迭代得到适合的模型参数。对于RNN，由于每个位置都有损失函数，因此最终的损失函数L为：
其中，L(t)为t时刻网络的损失函数值；权重矩阵V和偏置值c的梯度计算公式为：
其中，M为时间戳的数目，为t时刻估计的输出值；同理，h(t)为当前时刻隐藏层内保存的数据，o(t)为当前时刻输出层的值；y(t)为t时刻的网络输出。
反向传播时，某一时刻的梯度损失由当前位置的输出对应的梯度损失和下一时刻的梯度损失共同决定。定义时刻t的隐藏状态梯度δ(t)为：
其中，h(t)为当前时刻隐藏层内保存的数据；通过δ(t+1)递推δ(t)；
diag(x)为对角线元素为x的对角矩阵，用δ(t+1)计算W、U、b；其计算公式为：
最终整体的误差反向传播示意图如图3所示。
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五：本实施方式与具体实施方式一至四之一不同的是：所述步骤七中将步骤六中得到的信号向量作为步骤五中得到的楼层识别模型的输入，模型的输出即为楼层识别结果的具体过程为：
步骤七一：对应输入节点数目F，将在线测得的数据向量按ECI排序对应地输入循环神经网络；l’为最终由网络估计出的用户所在楼层，pi为用户所在楼层i的估计概率；最终输出为：
l′＝max(p1,p2,…,pi,…,pF) (21)
步骤七二：将实测信号向量按照步骤四的方式对在线数据进行多次分类，将分类结果进行记录和“投票”，将得票结果最多的楼层作为预测楼层输出。
其它步骤及参数与具体实施方式一至四之一相同。
实施例一：
实验地点选为哈尔滨工业大学一校区主楼，实验数据采集设备为红米note3；
在每层楼内至少采集1000条数据，将数据加入楼层标签l作为训练数据输入初始循环神经网络进行训练。当训练的楼层分类精度达到99％或达到最大预设训练次数时训练终止；
再次在不同的楼层进行数据采集，并将无楼层标签的数据输入网络模型，进行楼层估计；
最终得到估计的数据所属楼层。
实验顺序如图4所示。
本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (5)

1.一种基于循环神经网络模型的LTE室内定位楼层判别方法，其特征在于：所述基于循环神经网络模型的LTE室内定位楼层判别方法包括以下步骤：
步骤一：在需要定位的室内环境中选择坐标原点P0(x0,y0,z0)，(x0,y0)为用户所在楼层平面内的水平位置坐标，z0为用户所在的楼层编号；建立楼宇级别的三维直角坐标系，x轴和y轴相互垂直，分别指向正东和正北方向，z轴与水平面垂直，指向楼层增加的方向；
步骤二：在每一楼层，按楼层平面面积大小均匀选取若干参考点，通过载有LTE信号获取设备的平台采集各个参考点处的LTE信号，对所获得的LTE信号对应记录其楼层信息；
步骤三：获取到所测LTE信号中主服务小区和邻小区的ECI，通过比对工参表ECI值得到设备连接基站的具体位置并通过步骤二确定每次测量信号的所在楼层，完成离线数据库Database的建立；其中ECI为唯一标识一个小区的ID；
步骤四：建立循环神经网络结构；
步骤五：离线阶段，将数据库中同一楼层所采集到的数据作为一类，将不同楼层所采集的数据作为不同类别；将数据人工做好标签后作为输入数据，比对工参表计算每条数据ECI对应基站与用户之间的距离，利用循环神经网络进行训练，根据最终训练的结果得到楼层识别模型；
步骤六：获取到待定位用户所上传LTE信号中主服务小区的ECI和邻小区的ECI，形成信号向量；
步骤七：将步骤六中得到的信号向量作为步骤五中得到的楼层识别模型的输入，模型的输出即为楼层识别结果。
2.根据权利要求1所述一种基于循环神经网络模型的LTE室内定位楼层判别方法，其特征在于：所述步骤三中获取到所测LTE信号中主服务小区和邻小区的ECI，通过比对工参表ECI值得到设备连接基站的具体位置并通过步骤二确定每次测量信号的所在楼层，完成离线数据库Database的建立的具体过程为：
步骤三一：设第j条数据中全部小区集合为{ECI}j，总条数为W，LTE信号中全部ECI的集合为：
其中，n是ECI的个数。
步骤三二：查对工参表，计算用户位置(Loni,Lati)到基站位置的距离Dist；其中Loni是用户所在位置的经度，Lati是用户所在位置的纬度；
其中，R＝6378.137为地球半径，单位是公里；a＝Lat1-Lat2为用户位置与基站位置的纬度之差；b＝Lon1-Lon2为用户位置与基站位置的经度之差；
步骤三三：对第j条测量数据中的Dist值进行处理；
其中，Dist_L是一个比全部测量Dist值小的固定值，ECIj为第j个基站的ECI，Distj为用户与第j个基站之间的距离；
步骤三四：通过步骤三二的处理过程，得到Dist矩阵；
其中，是在第j条数据中参考点接收第j个小区的Dist，Dist(j)为第i条数据中计算得到的用户到所有能够检测到的基站的距离向量；
步骤三五：构造楼层位置向量：
M＝[m1 m1,…,m2 m2,…,ml ml]T (5)
其中，ma是楼层的标签，a＝1,2,…,l；
步骤三六：最终得到离线数据库；
D＝[T M Dist] (6)
其中T为为上报的时间戳向量。
3.根据权利要求2所述一种基于循环神经网络模型的LTE室内定位楼层判别方法，其特征在于：所述步骤四中建立循环神经网络结构具体为：
将输入层的节点数设为基站个数n，隐藏层数目为2，输出节点数为楼层数目；采用的分类器为一单元激活分类器，输出结果为二进制数组，该数组在对应楼层数的位数上为1，其余位上为0。
4.根据权利要求3所述一种基于循环神经网络模型的LTE室内定位楼层判别方法，其特征在于：所述步骤五中离线阶段，将数据库中同一楼层所采集到的数据作为一类，将不同楼层所采集的数据作为不同类别；将数据人工做好标签后作为输入数据，比对工参表计算每条数据ECI对应基站与用户之间的距离，利用循环神经网络进行训练，根据最终训练的结果得到楼层识别模型的具体过程为：
步骤五一：定义网络节点输入函数、输出函数和权重函数；x(t)代表在时间t时刻的训练样本输入，x(t-1)和x(t+1)代表在时间t-1和t+1时刻的训练样本输入，h(t)代表在t时刻模型的隐藏状态，由x(t)和h(t-1)共同决定；o(t)代表在t时刻模型的输出，由当前的隐藏状态h(t)决定，L(t)代表t时刻模型的损失函数，y(t)代表在t时刻训练样本的真实输出，矩阵U、矩阵W、矩阵V是循环神经网络模型的权重参数矩阵，其中，矩阵U为输入层与隐藏层各节点之间的权重矩阵；矩阵V为隐藏层与输出层各节点之间的权重矩阵；矩阵W为前一时刻隐藏层与其后一时刻之间自循环的权重矩阵；将交叉熵定义为损失函数L(y,o)；
其中，yout为真实楼层标签，oout为实际输出楼层标签，N为网络的输出节点数目；
激活函数定义为tanh函数和softmax函数；
其中，x为当前层的输入向量，xi为向量中第i个元素；
网络初始值设置为其中，n’为前一层的链接数；
步骤五二：RNN数据前向传播算法；对任意时刻t，隐藏状态h(t)由x(t)和h(t-1)得到；
h(t)＝tanh(Ux(t)+Wh(t-1)+b) (10)
其中，h(t)为当前时刻隐藏层内保存的数据，x(t)为当前时刻输入层内保存的数据，h(t-1)为前一时刻隐藏层内保存的数据，b为函数偏置值；时刻t输出o(t)为：
o(t)＝Vh(t)+c (11)
其中，c为函数偏置值；
最终，在时刻t网络的输出预测值为：
最终将计算得到的估计值和真实值y(t)带入损失函数进行比较；
步骤五三：误差数据反向传播算法；最终的损失函数L为：
其中，L(t)为t时刻网络的损失函数值；权重矩阵V和偏置值c的梯度计算公式为：
其中，M为时间戳的数目，为t时刻估计的输出值；同理，h(t)为当前时刻隐藏层内保存的数据，o(t)为当前时刻输出层的值，y(t)为t时刻的网络输出；
反向传播时，定义时刻t的隐藏状态梯度δ(t)为：
其中，h(t)为当前时刻隐藏层内保存的数据；通过δ(t+1)递推δ(t)；
diag(x)为对角线元素为x的对角矩阵，VT为V的转置，WT为W的转置，用δ(t+1)计算W、U、b；其计算公式为：
5.根据权利要求4所述一种基于循环神经网络模型的LTE室内定位楼层判别方法，其特征在于：所述步骤七中将步骤六中得到的信号向量作为步骤五中得到的楼层识别模型的输入，模型的输出即为楼层识别结果的具体过程为：
步骤七一：对应输入节点数目F，将在线测得的数据向量按ECI排序对应地输入循环神经网络；l’为最终由网络估计出的用户所在楼层，pi为用户所在楼层i的估计概率；最终输出为：
l′＝max(p1,p2,…,pi,…,pF) (21)
步骤七二：将实测信号向量按照步骤四的方式对在线数据进行多次分类，将分类结果进行记录和投票，将得票结果最多的楼层作为预测楼层输出。
CN201811039569.3A 2018-09-06 2018-09-06 一种基于循环神经网络模型的lte室内定位楼层判别方法 Expired - Fee Related CN109151750B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811039569.3A CN109151750B (zh) 2018-09-06 2018-09-06 一种基于循环神经网络模型的lte室内定位楼层判别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811039569.3A CN109151750B (zh) 2018-09-06 2018-09-06 一种基于循环神经网络模型的lte室内定位楼层判别方法

Publications (2)

Publication Number Publication Date
CN109151750A true CN109151750A (zh) 2019-01-04
CN109151750B CN109151750B (zh) 2020-11-27

Family

ID=64827438

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811039569.3A Expired - Fee Related CN109151750B (zh) 2018-09-06 2018-09-06 一种基于循环神经网络模型的lte室内定位楼层判别方法

Country Status (1)

Country Link
CN (1) CN109151750B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110290466A (zh) * 2019-06-14 2019-09-27 中国移动通信集团黑龙江有限公司 楼层判别方法、装置、设备及计算机存储介质
CN112422650A (zh) * 2020-11-05 2021-02-26 徐康庭 楼宇定位方法、装置、设备及计算机可读存储介质
CN113128281A (zh) * 2019-12-31 2021-07-16 中国移动通信集团福建有限公司 自动化基站开通方法及其装置
CN113242523A (zh) * 2021-03-23 2021-08-10 杭州医惠物联网科技有限公司 一种室内双频rfid定位多楼层切换方法
CN113543026A (zh) * 2021-06-11 2021-10-22 同济大学 一种基于径向基函数网络的多楼层室内定位方法
CN114422003A (zh) * 2022-03-31 2022-04-29 桔帧科技(江苏)有限公司 影响mimo数据传输占比的检测方法、装置及存储介质
CN114599082A (zh) * 2020-12-07 2022-06-07 中国移动通信集团山西有限公司 楼宇的用户定位方法、装置、设备及计算机存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102932738A (zh) * 2012-10-31 2013-02-13 北京交通大学 一种改进的基于分簇神经网络的室内指纹定位方法
US20150201305A1 (en) * 2014-01-15 2015-07-16 Ford Global Technologies, Llc Methods and systems for providing location based services in a venue using femtocells
CN105517148A (zh) * 2015-12-04 2016-04-20 京信通信技术(广州)有限公司 一种定位方法及装置
CN106804046A (zh) * 2017-02-16 2017-06-06 广州杰赛科技股份有限公司 基于测量报告的移动台定位方法及装置
CN106899931A (zh) * 2015-12-18 2017-06-27 中兴通讯股份有限公司 一种大覆盖面积下的室内定位方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102932738A (zh) * 2012-10-31 2013-02-13 北京交通大学 一种改进的基于分簇神经网络的室内指纹定位方法
US20150201305A1 (en) * 2014-01-15 2015-07-16 Ford Global Technologies, Llc Methods and systems for providing location based services in a venue using femtocells
CN105517148A (zh) * 2015-12-04 2016-04-20 京信通信技术(广州)有限公司 一种定位方法及装置
CN106899931A (zh) * 2015-12-18 2017-06-27 中兴通讯股份有限公司 一种大覆盖面积下的室内定位方法及系统
CN106804046A (zh) * 2017-02-16 2017-06-06 广州杰赛科技股份有限公司 基于测量报告的移动台定位方法及装置

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110290466A (zh) * 2019-06-14 2019-09-27 中国移动通信集团黑龙江有限公司 楼层判别方法、装置、设备及计算机存储介质
CN110290466B (zh) * 2019-06-14 2021-07-09 中国移动通信集团黑龙江有限公司 楼层判别方法、装置、设备及计算机存储介质
CN113128281A (zh) * 2019-12-31 2021-07-16 中国移动通信集团福建有限公司 自动化基站开通方法及其装置
CN112422650A (zh) * 2020-11-05 2021-02-26 徐康庭 楼宇定位方法、装置、设备及计算机可读存储介质
CN114599082A (zh) * 2020-12-07 2022-06-07 中国移动通信集团山西有限公司 楼宇的用户定位方法、装置、设备及计算机存储介质
CN113242523A (zh) * 2021-03-23 2021-08-10 杭州医惠物联网科技有限公司 一种室内双频rfid定位多楼层切换方法
CN113543026A (zh) * 2021-06-11 2021-10-22 同济大学 一种基于径向基函数网络的多楼层室内定位方法
CN113543026B (zh) * 2021-06-11 2022-06-24 同济大学 一种基于径向基函数网络的多楼层室内定位方法
CN114422003A (zh) * 2022-03-31 2022-04-29 桔帧科技(江苏)有限公司 影响mimo数据传输占比的检测方法、装置及存储介质
CN114422003B (zh) * 2022-03-31 2022-06-14 桔帧科技(江苏)有限公司 影响mimo数据传输占比的检测方法、装置及存储介质

Also Published As

Publication number Publication date
CN109151750B (zh) 2020-11-27

Similar Documents

Publication Publication Date Title
CN109151750A (zh) 一种基于循环神经网络模型的lte室内定位楼层判别方法
Zhang et al. DeepPositioning: Intelligent fusion of pervasive magnetic field and WiFi fingerprinting for smartphone indoor localization via deep learning
CN110118549B (zh) 一种多源信息融合定位方法和装置
CN108696932A (zh) 一种利用csi多径及机器学习的室外指纹定位方法
CN108512621A (zh) 一种基于神经网络的无线信道建模方法
CN111901749A (zh) 一种基于多源融合的高精度三维室内定位方法
CN105813194A (zh) 基于指纹数据库二次校正的室内定位方法
CN112533136B (zh) 一种基于深度学习的wlan指纹定位方法
CN113596989A (zh) 一种用于智慧车间的室内定位方法及系统
CN111461251A (zh) 基于随机森林与自编码器的WiFi指纹的室内定位方法
CN111405461B (zh) 一种优化等间隔指纹采样个数的无线室内定位方法
Tang et al. Multi-output Gaussian process-based data augmentation for multi-building and multi-floor indoor localization
Xingli et al. Indoor positioning technology based on deep neural networks
Huan et al. Indoor location fingerprinting algorithm based on path loss parameter estimation and bayesian inference
Shao et al. DePos: Accurate orientation-free indoor positioning with deep convolutional neural networks
CN109541537A (zh) 一种基于测距的普适室内定位方法
Ma et al. Subway station real-time indoor positioning system for cell phones
CN111194000B (zh) 基于蓝牙融合混合滤波与神经网络的测距方法与系统
Suseenthiran et al. Indoor positioning utilizing bluetooth low energy RSSI on LoRa system
CN117098067A (zh) 一种基于梯度融合的多模态深度学习室内定位方法
Guo et al. Indoor positioning optimization based on genetic algorithm and RBF neural network
CN114173281B (zh) 室内nlos环境下基于toa的定位系统信标节点的优化布局方法
CN115052245A (zh) 基于深度学习的无人机辅助无线传感器网络节点定位方法
Liu Research on wsn node localization algorithm based on rssi iterative centroid estimation
Farid et al. A WLAN fingerprinting based indoor localization technique via artificial neural network

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20201127

Termination date: 20210906