CN109597025A - 基于elman神经网络的蓝牙室内微定位系统 - Google Patents
基于elman神经网络的蓝牙室内微定位系统 Download PDFInfo
- Publication number
- CN109597025A CN109597025A CN201811402392.9A CN201811402392A CN109597025A CN 109597025 A CN109597025 A CN 109597025A CN 201811402392 A CN201811402392 A CN 201811402392A CN 109597025 A CN109597025 A CN 109597025A
- Authority
- CN
- China
- Prior art keywords
- bluetooth
- positioning
- host
- node
- module
- 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.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 24
- 238000004891 communication Methods 0.000 claims abstract description 16
- 230000005540 biological transmission Effects 0.000 claims abstract description 5
- 210000002569 neuron Anatomy 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 5
- 239000004615 ingredient Substances 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000004377 microelectronic Methods 0.000 claims description 3
- 238000003780 insertion Methods 0.000 claims description 2
- 230000037431 insertion Effects 0.000 claims description 2
- 241001062009 Indigofera Species 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000000034 method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B5/00—Near-field transmission systems, e.g. inductive or capacitive transmission systems
- H04B5/70—Near-field transmission systems, e.g. inductive or capacitive transmission systems specially adapted for specific purposes
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种基于ELMAN神经网络的蓝牙室内微定位系统。包括系统主机、蓝牙锚点和定位目标构成,所述的系统主机包括嵌入式处理器、蓝牙主节点和通信模块,蓝牙主节点(主节点蓝牙模块)采用低功耗蓝牙无线数传模块RL‑CC2541‑S3;SIM900A用于与上位机的通信,CC2541采集定位所需的主机信号强度指示,一块蓝牙模块固定在定位目标上,在定位的室内区域中布设系统主机和蓝牙锚节点,其中固定在定位目标上的蓝牙模块工作在主机模式,蓝牙主节点和蓝牙锚节点工作在从机模式。本发明提高了定位技术的精度和稳定性,且对环境具有一定的适应性,同时为进行复杂的定位算法提供了技术支持。
Description
技术领域
本发明涉及的是信息系统,具体涉及一种基于ELMAN神经网络的蓝牙室内微定位系统。
背景技术
本发明在已有的基于蓝牙的室内定位基础上,运用Elman神经网络算法,对于其稳定性和精度有了很大的提高。在蓝牙的摆放位置上,位置的变化基本不会因其误差。并且在系统主机模块,可以链接上位机,直接将数据传输,进行更为复杂的定位计算,增强了该方法的适用性。室内定位技术的方法已渐渐趋于成熟,但基于蓝牙的室内定位,在不同的室内环境中,其精度和稳定度都会受到不同的影响。本发明正是针对这一情况,弥补了蓝牙室内定位技术的精度和稳定性问题,并且在此基础上,对于环境的变化也具有一定的适应性,同时为进行复杂的定位算法提供了技术支持。
发明内容
针对现有技术上存在的不足,本发明目的是在于提供一种基于ELMAN神经网络的蓝牙室内微定位系统,提高了定位技术的精度和稳定性,且对环境具有一定的适应性,同时为进行复杂的定位算法提供了技术支持。
为了实现上述目的,本发明是通过如下的技术方案来实现:基于ELMAN神经网络的蓝牙室内微定位系统,包括系统主机、蓝牙锚点和定位目标构成,所述的系统主机包括嵌入式处理器、蓝牙主节点(蓝牙模块)和通信模块,所述的嵌入式处理器采用意法半导体公司的STM32F103ZET6高性能微处理器,通讯模块采用SIMCOM公司的SIM900A模块,主节点蓝牙模块采用低功耗蓝牙无线数传模块RL-CC2541-S3。SIM900A用于与上位机的通信,CC2541采集定位所需的主机信号强度指示,一块蓝牙模块固定在定位目标上,在定位的室内区域中布设系统主机和蓝牙锚节点,其中固定在定位目标上的蓝牙模块工作在主机模式,蓝牙主节点(蓝牙模块)和蓝牙锚节点(蓝牙模块)工作在从机模式。
所述的蓝牙主节点和蓝牙锚节点(蓝牙模块)分别测得接收的RSSI值,并通过蓝牙通信发送到主节点,再由蓝牙主节点通过通信接口将各节点的RSSI值传递给嵌入式处理器,处理器首先将数据的均值的和标准差计算出来,然后采用拉伊达准则,把误差较大的值舍去,这时将采集到的数据中进行高斯滤波,从而达到去除RSSI中的高斯噪声成分的目的。
所述的定位系统的目标位置的计算采用Elman神经网络,Elman神经网络由输入层、隐含层、输出层构成,其连接权通过学习进行修正;反馈连接由一组“结构”单元构成,用来记忆前一时刻的输出值,其连接权值是固定的;输入层由一个蓝牙主节点和两个或更多的蓝牙锚节点提供的RSSI测量值组成,隐层神经元的数量可依照Kolmogorov针对三层神经网络提出的经验公式获得。即Nhid=2Nin+1,其中Nhid为隐层神经元的数目,Nin为输入神经元的数目。输出层由两个神经元构成,其输出为相应定位目标的估计位置;该算法分为两个步骤:第一步首先进行室内定位的初始化网络的权值,然后从输入层计算隐层和输出层的输出;第二步是从输出层和隐层向输入层计算迭代误差,然后根据迭代误差调整网络的权值,当迭代误差小于设定门限或超过最大迭代次数时结束。结束后系统存储最终确定的网络权值,然后将采集到的数据传输到处理器,计算最终结果。
本发明具有以下有益效果:
1、精度和稳定性的提高:传统的室内蓝牙定位,具有精度低和稳定性不足的问题,本案中通过前期的对异常数据采用拉伊达准则剔除,再经过高斯滤波减小噪声对于测量值的影响,最终由Elman神经网络算法计算出目标的估计位置,经过这些步骤,有效的提升了基于蓝牙室内定位的精度和稳定性问题。
2、环境的适应性:本案采用的Elman神经网络算法,具有较强的逼近任意非线性映射的能力,使其可以在非理想的基站分布形式中使用,消除了室内定位时,锚节点非理想分布对定位精度的影响,提高了环境的适应程度。
附图说明
下面结合附图和具体实施方式来详细说明本发明;
图1为本发明的结构示意图;
图2为本发明的ELMAN神经网络结构图(RSSI为信号强度,x,y为目标位置坐标)。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体实施方式,进一步阐述本发明。
参照图1-图2,本具体实施方式采用以下技术方案:1、定位系统的构成,蓝牙室内微定位系统由系统主机、蓝牙锚点和定位目标构成,其中系统主机由嵌入式处理器、蓝牙主节点和通信模块组成。嵌入式处理器采用意法半导体公司的STM32F103ZET6高性能微处理器,通讯模块采用SIMCOM公司的SIM900A模块,蓝牙模块采用低功耗蓝牙无线数传模块RL-CC2541-S3。SIM900A可以低功耗实现数据的无线传输,主要用于与上位机的通信。CC2541可采集定位所需的主机信号强度指示(received signal strength indication,RSSI),提高了定位锚节点的集成度降低了系统的功耗。在系统中,一块蓝牙模块固定在定位目标上,在定位的室内区域中布设系统主机和蓝牙锚节点,其中固定在定位目标上的蓝牙模块工作在主机模式,蓝牙主节点和蓝牙锚节点工作在从机模式。
2、数据的处理,主节点和锚节点蓝牙模块分别测得接收的RSSI值,并通过蓝牙通信发送到主节点,再由主节点通过通信接口将各节点的RSSI值传递给嵌入式处理器,处理器首先将数据的均值的和标准差计算出来,然后采用拉伊达准则,把误差较大的值舍去。这时采集到的数据中还含有噪声,电子系统中的噪声随机分布满足的是高斯分布,所以这时将数据进行高斯滤波,有效减小随机噪声对测量值得影响,从而达到去除RSSI中的高斯噪声成分的目的。
3、目标位置的计算,Elman神经网络是一种典型的局部回归网络,是一种具有局部记忆单元和局部反馈连接的递归神经网络。Elman神经网络由输入层、隐含层、输出层构成,其连接权可以通过学习进行修正;反馈连接由一组“结构”单元构成,用来记忆前一时刻的输出值,其连接权值是固定的。输入层由一个蓝牙主节点和两个或更多的蓝牙锚节点提供的RSSI测量值组成,隐层神经元的数量可依照Kolmogorov针对三层神经网络提出的经验公式获得。即Nhid=2Nin+1,其中Nhid为隐层神经元的数目,Nin为输入神经元的数目。输出层由两个神经元构成,其输出为相应定位目标的估计位置。该算法分为两个步骤:第一步首先进行室内定位的初始化网络的权值,然后从输入层计算隐层和输出层的输出;第二步是从输出层和隐层向输入层计算迭代误差,然后根据迭代误差调整网络的权值,当迭代误差小于设定门限或超过最大迭代次数时结束。结束后系统存储最终确定的网络权值,然后将采集到的数据传输到处理器,计算最终结果。
本具体实施方式通过前期的对异常数据采用拉伊达准则剔除,再经过高斯滤波减小噪声对于测量值的影响,最终由Elman神经网络算法计算出目标的估计位置,经过这些步骤,有效的提升了基于蓝牙室内定位的精度和稳定性问题。采用的Elman神经网络算法,具有较强的逼近任意非线性映射的能力,使其可以在非理想的基站分布形式中使用,消除了室内定位时,锚节点非理想分布对定位精度的影响,提高了环境的适应程度。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (3)
1.基于ELMAN神经网络的蓝牙室内微定位系统,其特征在于,包括系统主机、蓝牙锚点和定位目标构成,所述的系统主机包括嵌入式处理器、蓝牙主节点和通信模块,所述的嵌入式处理器采用意法半导体公司的STM32F103ZET6高性能微处理器,通讯模块采用SIMCOM公司的SIM900A模块,主节点蓝牙模块采用低功耗蓝牙无线数传模块RL-CC2541-S3;SIM900A用于与上位机的通信,CC2541采集定位所需的主机信号强度指示,一块蓝牙模块固定在定位目标上,在定位的室内区域中布设系统主机和蓝牙锚节点,其中固定在定位目标上的蓝牙模块工作在主机模式,蓝牙主节点和蓝牙锚节点工作在从机模式。
2.根据权利要求1所述的基于ELMAN神经网络的蓝牙室内微定位系统,其特征在于,所述的蓝牙主节点和蓝牙锚节点分别测得接收的RSSI值,并通过蓝牙通信发送到主节点,再由蓝牙主节点通过通信接口将各节点的RSSI值传递给嵌入式处理器,处理器首先将数据的均值的和标准差计算出来,然后采用拉伊达准则,把误差较大的值舍去,这时将采集到的数据中进行高斯滤波,从而达到去除RSSI中的高斯噪声成分的目的。
3.根据权利要求1所述的基于ELMAN神经网络的蓝牙室内微定位系统,其特征在于,所述的定位系统的目标位置的计算采用Elman神经网络,Elman神经网络由输入层、隐含层、输出层构成,其连接权通过学习进行修正;反馈连接由一组“结构”单元构成,用来记忆前一时刻的输出值,其连接权值是固定的;输入层由一个蓝牙主节点和两个或更多的蓝牙锚节点提供的RSSI测量值组成,隐层神经元的数量可依照Kolmogorov针对三层神经网络提出的经验公式获得;即Nhid=2Nin+1,其中Nhid为隐层神经元的数目,Nin为输入神经元的数目;输出层由两个神经元构成,其输出为相应定位目标的估计位置;该算法分为两个步骤:第一步首先进行室内定位的初始化网络的权值,然后从输入层计算隐层和输出层的输出;第二步是从输出层和隐层向输入层计算迭代误差,然后根据迭代误差调整网络的权值,当迭代误差小于设定门限或超过最大迭代次数时结束;结束后系统存储最终确定的网络权值,然后将采集到的数据传输到处理器,计算最终结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811402392.9A CN109597025A (zh) | 2018-11-21 | 2018-11-21 | 基于elman神经网络的蓝牙室内微定位系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811402392.9A CN109597025A (zh) | 2018-11-21 | 2018-11-21 | 基于elman神经网络的蓝牙室内微定位系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109597025A true CN109597025A (zh) | 2019-04-09 |
Family
ID=65960311
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811402392.9A Pending CN109597025A (zh) | 2018-11-21 | 2018-11-21 | 基于elman神经网络的蓝牙室内微定位系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109597025A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110248325A (zh) * | 2019-04-22 | 2019-09-17 | 西安邮电大学 | 一种基于信号多重消噪的蓝牙室内定位系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107396280A (zh) * | 2017-06-12 | 2017-11-24 | 东南大学 | 一种基于rssi的室内定位系统和方法 |
CN108834047A (zh) * | 2018-06-08 | 2018-11-16 | 武汉理工大学 | 一种路径损耗模型的ap选择室内定位方法 |
-
2018
- 2018-11-21 CN CN201811402392.9A patent/CN109597025A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107396280A (zh) * | 2017-06-12 | 2017-11-24 | 东南大学 | 一种基于rssi的室内定位系统和方法 |
CN108834047A (zh) * | 2018-06-08 | 2018-11-16 | 武汉理工大学 | 一种路径损耗模型的ap选择室内定位方法 |
Non-Patent Citations (2)
Title |
---|
HAIBING H等: "Optimization and Application of Indoor Localization Algorithm Based on Elman Neural Network", 《2017 INTERNATIONAL CONFERENCE ON COMPUTER SYSTEMS, ELECTRONICS AND CONTROL (ICCSEC)》 * |
白志帅: "BLE 室内定位系统数据处理算法研究与实现", 《万方数据知识服务平台学位论文》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110248325A (zh) * | 2019-04-22 | 2019-09-17 | 西安邮电大学 | 一种基于信号多重消噪的蓝牙室内定位系统 |
CN110248325B (zh) * | 2019-04-22 | 2022-11-25 | 西安邮电大学 | 一种基于信号多重消噪的蓝牙室内定位系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | A multi-sensor based occupancy estimation model for supporting demand driven HVAC operations | |
CN104125538B (zh) | 基于wifi网络的rssi信号强度的二次定位方法及装置 | |
CN104899388B (zh) | 一种空间钢结构环境荷载作用下的结构安全评估方法 | |
CN103905992B (zh) | 一种基于指纹数据的无线传感器网络的室内定位方法 | |
CN105636201B (zh) | 基于稀疏信号指纹数据库的室内定位方法 | |
CN101466070A (zh) | 一种基于无线信号接收强度分布自动学习的无线室内定位方法 | |
CN107818430A (zh) | 一种基于bim的建筑工程施工进度信息管理方法及系统 | |
Zhuang et al. | Visible light positioning and navigation using noise measurement and mitigation | |
CN104280612B (zh) | 一种基于单频电流传输特性的分布式谐波源辨识方法 | |
CN106152387B (zh) | 一种用于室内热舒适度的检测方法 | |
CN101820676A (zh) | 传感器节点定位方法 | |
CN102186194A (zh) | 基于无线传感器网络的无源目标测量模型的建立方法 | |
CN106714296A (zh) | 一种基于最速下降法的室内定位方法 | |
CN206741554U (zh) | 基于深度摄像头的室内3d扫描设备的户型3d建模系统 | |
CN109784532A (zh) | 一种基于深度学习的厂区能耗预测方法及系统 | |
CN106599367A (zh) | 一种航天器状态异常检测方法 | |
CN107607935A (zh) | 一种基于共轭梯度法的室内定位方法 | |
CN109597025A (zh) | 基于elman神经网络的蓝牙室内微定位系统 | |
CN105044659B (zh) | 基于环境光谱指纹的室内定位装置及方法 | |
CN107192981A (zh) | 基于光照阴影和机器学习的可见光定位系统和方法 | |
CN103630876A (zh) | 基于RSSI的ZigBee节点定位方法 | |
CN104484988A (zh) | 基于曲面爬壁机器人传感器的空间结构自动健康监测系统 | |
CN111680831A (zh) | 变电站用电分析系统和方法 | |
CN108551458A (zh) | 一种分布式光伏集群网络攻击检测方法 | |
CN104361399A (zh) | 太阳能辐照强度分钟级预测方法 |
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 |