CN109803234B - 基于权值重要度约束的无监督融合定位方法 - Google Patents

Abstract

本发明公开了一种基于权值重要度约束的无监督融合定位方法，包括如下步骤：步骤1：构建离线指纹库，步骤2：线上定位，步骤2.1：K近邻匹配，步骤2.2：构造候选位置集合，步骤2.3：建立代价函数，步骤2.4：交替更新，步骤2.5：定位输出，交替执行步骤2.4若干轮，直至算法收敛，输出待定位目标的实际位置。本发明能够在无需硬件改动的情况下在复杂的室内环境中大幅度提高定位精度，是一种精度高、实用性好的融合定位方法。

Description

基于权值重要度约束的无监督融合定位方法

技术领域

本发明属于定位技术领域，具体地说涉及一种基于权值重要度约束的无监督融合定位方法。

背景技术

为地球表面绝大部分地区提供准确、快速的定位服务。由于GPS卫星信号功率低，无法穿过建筑物墙壁，因此在室内环境中无法利用GPS卫星定位系统。而人们日常生活中，有很大一部分的时间都在室内环境中，尤其是随着智能手机和移动互联网的高速发展，人们对室内定位的需求日益上涨。常见的室内定位技术包括红外定位、超声波定位、WiFi定位、蓝牙定位、UWB定位、视觉定位等，UWB定位可以获得分米级的精度，但是其设备昂贵，普及率低，通常只用于工业环境。基于红外、超声波和视觉的定位系统存在部署困难，使用不方便，需要增加额外设备，因此普及率也较低。随着智能手机的普及，几乎所有的智能手机都装配蓝牙和WiFi无线组件，更适合用于室内定位，可以大大减少成本，提高实用性。利用蓝牙和WiFi的定位系统都要求无线接入点(Wireless Access Point)具有固定的坐标，通常情况下蓝牙只装配在移动设备上，而WiFi无线接入点则具有固定的安放坐标，因此基于WiFi的室内定位技术应用最广。基于WiFi的室内定位主要有参数化定位方法和非参数化定位方法，参数化定位方法就是根据信道传播模型和信号处理理论，进行TOA/TDOA/AOA等参数的估计，进而实现定位，然而在复杂的室内定位环境中，参数化定位面临着多径、非视距等诸多挑战，实现上具有很多困难。比较而言，非参数化定位方法具有更高的精度，这是因为非参数化定位把定位的环境信息和带定位目标的坐标的函数进行估计，是一种环境感知的思想，它无需进行直达波鉴别和非直达波的剔除等过程，对信号的传播环境没有特殊的要求。

非参数化定位方法的主要代表是指纹式定位方法，把实际环境中的无线信号指纹(一般是RSS指纹)与空间坐标联系起来，然后可以建立机器学习模型学习RSS指纹与空间坐标的映射关系，在定位阶段，首先在待定位区域收集RSS指纹，然后交由模型进行预测，得到定位结果。常见的用于室内定位的机器学习模型包括K-近邻、支持向量机、随机森林等。然而在复杂的室内环境中，无线信号RSS波动较大，且存在不规律的时变性，大大降低了机器学习方法的定位精度。为了解决这个问题，有不少学者提出了基于信息融合的方法。

如现有技术中提出了一种基于最小均方误差(Minimum Mean Square Error，MMSE)准则的分类器模型权值估计方法，该方法训练多种不同的分类器，然后利用额外的指纹数据，按照MMSE准则，离线估计最优的分类器权重，在定位阶段，利用训练好的多个分类器进行位置预测，然后利用离线训练好的权值，对多个分类器预测的结果进行融合。该方法实现简单，原理清晰，但存在以下问题：1)需要收集更多的指纹用于估计权值，增加了建立指纹库的工作量。2)该方法不能自适应地每个分类器预测结果的权值，限制了定位精度。

如现有技术中还提出了一种动态加权的融合定位方法，该方法同一种基于最小均方误差准则的分类器模型权值估计方法类似，也需要训练多个分类器模型，然后利用额外的指纹数据，估计分类器在每个子区域的权值；在线定位阶段，通过计算RSS测量值与RSS指纹库之间的把在线数据和离线数据进行匹配，先进行子区域定位，然后选取对应子区域的权值方案用于融合。该方法在不同的区域给每个指纹函数分配不同的权值，具有较强的适应性，但是也存在以下缺点：1)训练子区域的权值，也需要额外采集指纹数据，增加了建立指纹库的工作量；2)利用欧氏距离进行粗定位本身具有较大误差，因此可能会选取不恰当的权值，可能对定位精度没有提升，甚至会降低定位精度。

发明内容

本发明的目的在于解决现有技术中存在的上述问题，提供一种基于权值重要度约束的无监督融合定位方法，本发明能够在无需硬件改动的情况下显著提高定位精度。

为实现上述目的，本发明采用的技术方案如下：

一种基于权值重要度约束的无监督融合定位方法，其特征在于，包括如下步骤：

步骤1：构建离线指纹库

在待定位区域布置多个AP，并将待定位区域划分为多个格点，然后在各个格点采集能够探测到的AP的RSS指纹，得到各个格点的坐标和对应的离线RSS特征向量，保存各个格点的坐标和离线RSS特征向量，构建为离线指纹库；

步骤2：线上定位

步骤2.1：K近邻匹配，由待定位目标在待定位区域采集能够探测到的RSS指纹，得到实时RSS特征向量，计算实时RSS特征向量与离线指纹库中所有离线RSS特征向量的欧氏距离，并选取欧氏距离最小的K个离线样本；

步骤2.2：构造候选位置集合，将K个离线样本对应的坐标构造成候选位置集合；

步骤2.3：建立代价函数，根据估计位置和样本权值建立代价函数；

步骤2.4：交替更新，利用块坐标下降法，交替更新估计位置和样本权值，并通过权值截断因子将损失值较大的样本权值置为0；

步骤2.5：定位输出，交替执行步骤2.4若干轮，直至算法收敛，输出待定位目标的实际位置。

进一步的，所述的定位方法包括如下步骤：

步骤1：构建离线指纹库

在待定位区域布置L个AP，并将待定位区域划分为G个格点，为每个格点分配唯一的标号g,g＝1,2,…,G，并记录每个格点的二维坐标z_g＝[x_g,y_g]^T；然后持智能手机在各个格点采集能够探测到的AP的RSS指纹，得到各个格点的坐标和对应的离线RSS特征向量；其中，

设定r_l(n)为第n次采集得到的第l个AP的RSS指纹，则第n次采样得到的离线RSS特征向量为式1：

r(n)＝[r₁(n),r₂(n),…,r_L(n)]^T 式1

记录采集时的位置坐标z(n)，对于二维平面定位z(n)为式2：

z(n)＝[x(n),y(n)]^T 式2

设定所有共采集N次RSS指纹，得到N个对应的离线RSS特征向量，则构建的离线指纹库D为式3：

D＝[r(1),r(2),...,r(N)]^T 式3

步骤2：线上定位

步骤2.1：K近邻匹配，由待定位目标持智能手机在待定位区域采集能够探测到的RSS指纹，得到实时RSS特征向量

计算实时RSS特征向量

与离线指纹库D中所有离线RSS特征向量的欧氏距离d(n)式4：

分别与离线指纹库D中的N个离线RSS特征向量计算欧氏距离d(n)后，对距离进行排序，选取欧氏距离d(n)最小的K个离线样本；

步骤2.2：构造候选位置集合，将K个离线样本对应的坐标构造成候选位置集合C；设定选取的第k个离线样本对应的坐标为z_k＝[x_k,y_k]^T，则候选位置集合C为式5：

C＝[z₁,z₂,…,z_K]^T 式5

步骤2.3：建立代价函数，设定估计位置

的坐标为

和样本权值为w，则第i个样本z_i与估计位置的距离为式6：

距离

越近的样本，样本权值w的权重越高，距离

越远的样本，样本权值w的权重越低，因此建立的代价函数为式7：

其中，w_i表示第i个候选位置的权重，σ_i∈{0,1}为控制样本z_i是否参与位置估计的变量；

步骤2.4：交替更新，利用块坐标下降法，交替更新估计位置

和样本权值w，设定第t(t＝1,2,3,…)轮迭代后的权值为w^(t)，估计位置为

在初始时刻，每个样本权值相等，且每个样本均参与位置估计，即式8：

其中，w_i ^(t)表示第t轮计算出来的w_i；

在上一轮权重计算结果w^(t-1)已知的情况下，通过如下公式计算本轮估计位置

式9：

在估计位置

已知的情况下，计算每个样本的损失值式10：

对e＝[e₁,e₂,…,e_K]^T按升序排列，得到

设置权值截断因子μ(0＝＜μ＜1)，通过权值截断因子μ将

最大的M＝int(μK)个样本对应的σ_i设置为0，不参与位置估计式11：

进而计算出本轮权重w^(t+1)式12：

步骤2.5：定位输出，交替执行步骤2.4若干轮，若第t轮迭代(t＝1,2,3,…)输出的位置估计为

则收敛条件可以设置为式13：

||z^(t+1)-z^(t)||₂<ε 式13

其中，z^(t+1)表示第t+1轮计算得到的定位结果，z^(t)表示第t轮计算得到的定位结果，ε取一个极小值；然后输出待定位目标的实际位置z^(t+1)。

所述的将待定位区域划分为多个格点是指：将待定位区域划分为多个正方形网格，每个网格的面积为(1—5)米*(1—5)米。

所述的K为经验值，为每个格点采集的RSS指纹数的5—10倍。

采用本发明的优点在于：

1、本发明提出的K近邻指纹匹配方法用于构造候选位置集合，相比传统的机器学习算法，提高了指纹数据的利用率，有助于提高定位精度。

2、本发明提出的无监督信息融合方法无需离线训练和存储权值，因此降低了离线指纹库的构建和存储负担。同时，权值截断的思想有助于减少异常数据对定位结果的影响，使得定位算法更加稳健。

3、本发明所提出的室内定位算法，在无需硬件改动的情况下提高了定位精度，且算法复杂度较低，因此，本发明能够在无需硬件改动的情况下显著提高室内的定位精度。

4、本发明所提出的融合定位算法也可以建立在其他定位算法的基础上，便于与其他定位系统集成。

附图说明

图1为本发明的流程图。

图2为技术背景中采用的融合定位方法和本发明方法的定位误差性能比较图。

图3为技术背景中采用的融合定位方法和本发明方法的定位误差累积百分比图。

具体实施方式

本发明公开了一种基于权值重要度约束的无监督融合定位方法，包括如下步骤：

步骤1：构建离线指纹库

在待定位区域布置多个AP(WiFi无线接入点)，并将待定位区域划分为多个格点，然后持智能手机在各个格点采集能够探测到的AP的RSS指纹，得到各个格点的坐标和对应的离线RSS特征向量，保存各个格点的坐标和离线RSS特征向量，构建为离线指纹库。

本步骤中，AP的数量至少为3个，根据待定位区域实际情况来布置，以均能够覆盖待定位区域为佳。

本步骤中，所述的将待定位区域划分为多个格点是指：将待定位区域划分为多个正方形网格，每个网格的面积为(1—5)米*(1—5)米。

步骤2：线上定位

步骤2.1：K近邻匹配，由待定位目标持智能手机在待定位区域采集能够探测到的RSS指纹，得到实时RSS特征向量，计算实时RSS特征向量与离线指纹库中所有离线RSS特征向量的欧氏距离，并选取欧氏距离最小的K个离线样本。

步骤2.2：构造候选位置集合，将K个离线样本对应的坐标构造成候选位置集合。

步骤2.3：建立代价函数，根据估计位置和样本权值建立代价函数。

步骤2.4：交替更新，利用块坐标下降法，交替更新估计位置和样本权值，在迭代过程中，为了减少离群样本的影响，通过权值截断因子将损失值较大的样本权值置为0。

步骤2.5：定位输出，交替执行步骤2.4若干轮，直至算法收敛，输出待定位目标的实际位置。

进一步的，所述的定位方法包括如下步骤：

步骤1：构建离线指纹库

在待定位区域布置L个AP(WiFi无线接入点)，每个AP布置在不同位置，并将待定位区域划分为G个格点，为每个格点分配唯一的标号g,(g＝1,2,…,G)，并记录每个格点的二维坐标z_g＝[x_g,y_g]^T；然后持智能手机在各个格点采集能够探测到的AP的RSS指纹，尽量保证每个格点采集的RSS指纹数量相同，采集后得到各个格点的坐标和对应的离线RSS特征向量；其中，

设定r_l(n)为第n次采集得到的第l个AP的RSS指纹，则第n次采样得到的离线RSS特征向量为式1：

r(n)＝[r₁(n),r₂(n),…,r_L(n)]^T 式1

记录采集时的位置坐标z(n)，对于二维平面定位z(n)为式2：

z(n)＝[x(n),y(n)]^T 式2

设定所有共采集N次RSS指纹，得到N个对应的离线RSS特征向量，则构建的离线指纹库D为式3：

D＝[r(1),r(2),...,r(N)]^T 式3

步骤2：线上定位

步骤2.1：K近邻匹配，由待定位目标持智能手机在待定位区域扫描采集能够探测到的RSS指纹，得到实时RSS特征向量

计算实时RSS特征向量

与离线指纹库D中所有离线RSS特征向量的欧氏距离d(n)式4：

分别与离线指纹库D中的N个离线RSS特征向量计算欧氏距离d(n)后，对距离进行排序，选取欧氏距离d(n)最小的K个离线样本；其中，K为经验值，为每个格点采集的RSS指纹数的5—10倍。

步骤2.2：构造候选位置集合，按步骤2.1进行K近邻匹配后，得到K个离线样本，将K个离线样本对应的坐标构造成候选位置集合C；设定选取的第k个离线样本对应的坐标为z_k＝[x_k,y_k]^T，则候选位置集合C为式5：

C＝[z₁,z₂,…,z_K]^T 式5

步骤2.3：建立代价函数，设定估计位置

的坐标为

和样本权值为w，则第i个样本z_i与估计位置的距离为式6：

距离

越近的样本，样本权值w的权重越高，距离

越远的样本，样本权值w的权重越低，基于此，建立的代价函数为式7：

其中，w_i表示第i个候选位置的权重，σ_i∈{0,1}为控制样本z_i是否参与位置估计的变量；

步骤2.4：交替更新，式7中的目标函数涉及到到估计位置

和样本权值w两组变量的估计，利用块坐标下降法，交替更新估计位置

和样本权值w，设定第t(t＝1,2,3,…)轮迭代后的权值为w^(t)，估计位置为

在初始时刻，每个样本权值相等，且每个样本均参与位置估计，即式8：

其中，w_i ^(t)表示第t轮计算出来的w_i；在上一轮权重计算结果w^(t-1)已知的情况下，通过如下公式计算本轮估计位置

式9：

在估计位置

已知的情况下，计算每个样本的损失值式10：

对e＝[e₁,e₂,…,e_K]^T按升序排列，得到

设置权值截断因子μ(0＝＜μ＜1)，通过权值截断因子μ将

最大的M＝int(μK)个样本对应的σ_i设置为0，不参与位置估计式11：

进而计算出本轮权重w^(t+1)式12：

步骤2.5：定位输出，本步骤是一个迭代过程，交替执行步骤2.4若干轮，若第t轮迭代(t＝1,2,3,…)输出的位置估计为

则收敛条件可以设置为式13：

||z^(t+1)-z^(t)||₂＜ε 式13

其中，z^(t+1)表示第t+1轮计算得到的定位结果，z^(t)表示第t轮计算得到的定位结果，ε取一个极小值；然后输出待定位目标的实际位置z^(t+1)。

下面对本发明所述定位方法进行验证，具体如下：

试验场地为电子科技大学创新创业协同中心一典型办公室环境，面积约1460平方米，办公区域共有L＝9个AP，共划分为G＝175个格点，每个格点采集30组RSS指纹，共得到5250组离线RSS指纹特征向量，形成离线指纹库，并记录每组指纹对应的位置坐标。在线定位阶段，每个位置的测试样本数为10，利用均方根定位误差作为评价指标，设置参数ε＝10^-3，K＝270，截断因子μ＝0.1，然后进行实验验证。

验证结果如图2和3所示。从图2和3中可以看出：技术背景中所提MMSE算法定位精度为3.10米，DFC方法定位精度为3.14米。本发明所提出方法平均定位精度为2.61米，相比经典的融合定位算法DFC和MMSE，本发明方法的定位精度得到显著提升。传统的机器学习算法SVM和KNN分别达到3.40米和3.25米的定位精度，远低于本发明所提出的方法。上述结果表明，本发明所提出的方法，在复杂的室内环境中大幅度提高了定位精度，是一种精度高、实用性好的融合定位方法。

Claims (3)

1.一种基于权值重要度约束的无监督融合定位方法，其特征在于，包括如下步骤：

步骤1：构建离线指纹库

在待定位区域布置多个AP，并将待定位区域划分为多个格点，然后在各个格点采集能够探测到的AP的RSS指纹，得到各个格点的坐标和对应的离线RSS特征向量，保存各个格点的坐标和离线RSS特征向量，构建为离线指纹库；

步骤2：线上定位

步骤2.1：K近邻匹配，由待定位目标在待定位区域采集能够探测到的RSS指纹，得到实时RSS特征向量，计算实时RSS特征向量与离线指纹库中所有离线RSS特征向量的欧氏距离，并选取欧氏距离最小的K个离线样本；

步骤2.2：构造候选位置集合，将K个离线样本对应的坐标构造成候选位置集合；

步骤2.3：建立代价函数，根据估计位置和样本权值建立代价函数；

步骤2.4：交替更新，利用块坐标下降法，交替更新估计位置和样本权值，并通过权值截断因子将损失值较大的样本权值置为0；

步骤2.5：定位输出，交替执行步骤2.4若干轮，直至算法收敛，输出待定位目标的实际位置；

所述的基于权值重要度约束的无监督融合定位方法具体包括如下步骤：

步骤1：构建离线指纹库

在待定位区域布置L个AP，并将待定位区域划分为G个格点，为每个格点分配唯一的标号g,g＝1,2,…,G，并记录每个格点的二维坐标z_g＝[x_g,y_g]^T；然后持智能手机在各个格点采集能够探测到的AP的RSS指纹，得到各个格点的坐标和对应的离线RSS特征向量；其中，

设定r_l(n)为第n次采集得到的第l个AP的RSS指纹，则第n次采样得到的离线RSS特征向量为式1：

r(n)＝[r₁(n),r₂(n),…,r_L(n)]^T 式1

记录采集时的位置坐标z(n)，对于二维平面定位z(n)为式2：

z(n)＝[x(n),y(n)]^T 式2

设定所有共采集N次RSS指纹，得到N个对应的离线RSS特征向量，则构建的离线指纹库D为式3：

D＝[r(1),r(2),...,r(N)]^T 式3

步骤2：线上定位

步骤2.1：K近邻匹配，由待定位目标持智能手机在待定位区域采集能够探测到的RSS指纹，得到实时RSS特征向量

计算实时RSS特征向量

与离线指纹库D中所有离线RSS特征向量的欧氏距离d(n)式4：

分别与离线指纹库D中的N个离线RSS特征向量计算欧氏距离d(n)后，对距离进行排序，选取欧氏距离d(n)最小的K个离线样本；

步骤2.2：构造候选位置集合，将K个离线样本对应的坐标构造成候选位置集合C；设定选取的第k个离线样本对应的坐标为z_k＝[x_k,y_k]^T，则候选位置集合C为式5：

C＝[z₁,z₂,…,z_K]^T 式5

步骤2.3：建立代价函数，设定估计位置

的坐标为

和样本权值为w，则第i个样本z_i与估计位置的距离为式6：

距离

越近的样本，样本权值w的权重越高，距离

越远的样本，样本权值w的权重越低，因此建立的代价函数为式7：

其中，w_i表示第i个候选位置的权重，σ_i∈{0,1}为控制样本z_i是否参与位置估计的变量；

步骤2.4：交替更新，利用块坐标下降法，交替更新估计位置

和样本权值w，设定第t(t＝1,2,3,…)轮迭代后的权值为w^(t)，估计位置为

在初始时刻，每个样本权值相等，且每个样本均参与位置估计，即式8：

σ_i＝σ₂＝…＝σ_K＝1 式8

其中，w_i ^(t)表示第t轮计算出来的w_i；

在上一轮权重计算结果w^(t-1)已知的情况下，通过如下公式计算本轮估计位置

式9：

在估计位置

已知的情况下，计算每个样本的损失值式10：

对e＝[e₁，e₂，…，e_K]^T按升序排列，得到

设置权值截断因子μ(0＝＜μ＜1)，通过权值截断因子μ将

最大的M＝int(μK)个样本对应的σ_i设置为0，不参与位置估计式11：

进而计算出本轮权重w^(t+1)式12：

步骤2.5：定位输出，交替执行步骤2.4若干轮，若第t轮迭代(t＝1,2,3,…)输出的位置估计为

则收敛条件可以设置为式13：

||z^(t+1)-z^(t)||₂＜ε 式13

其中，z^(t+1)表示第t+1轮计算得到的定位结果，z^(t)表示第t轮计算得到的定位结果，ε取一个极小值；然后输出待定位目标的实际位置z^(t+1)。

2.如权利要求1所述的基于权值重要度约束的无监督融合定位方法，其特征在于：所述的将待定位区域划分为多个格点是指：将待定位区域划分为多个正方形网格，每个网格的面积为(1—5)米*(1—5)米。

3.如权利要求1所述的基于权值重要度约束的无监督融合定位方法，其特征在于：所述的K为经验值，为每个格点采集的RSS指纹数的5—10倍。

Images