CN110072183B - 基于群智感知的被动式定位指纹库构建方法 - Google Patents
基于群智感知的被动式定位指纹库构建方法 Download PDFInfo
- Publication number
- CN110072183B CN110072183B CN201910194721.3A CN201910194721A CN110072183B CN 110072183 B CN110072183 B CN 110072183B CN 201910194721 A CN201910194721 A CN 201910194721A CN 110072183 B CN110072183 B CN 110072183B
- Authority
- CN
- China
- Prior art keywords
- rss
- fingerprint
- matrix
- δrss
- fingerprints
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明涉及一种基于群智感知的被动式定位指纹库构建方法,包括下列步骤:场景内布置阅读器天线和标签,建立标签反向散射信号能量矩阵;当定位区域没有目标时,建立链路接收到的标签反向散射信号能量矩阵;定义RSS为群智感知指纹集合;另外采集Q个已知位置处的指纹,构建监督指纹集合;运用层次聚类方法将RSS中的群智感知指纹聚类,构建冗余去除后的群智感知指纹集合;建立指纹点间连接权重矩阵;建立指纹库Database。
Description
技术领域
本发明属于基于指纹库的被动式室内定位领域,涉及通过群智感知获取指纹数据,然后利用聚类算法对群智数据进行冗余去除处理,降低数据存储量,加快定位速度。并采用半监督拉普拉斯映射算法进行指纹数据的标注,建立被动式指纹库。
背景技术
物联网技术的迅速发展促进了室内定位技术的研究,各种室内定位技术被提出,基于指纹库的室内定位技术具有操作简单,定位精度高的特点,从而得到了广泛应用,基于指纹库的室内定位方法一般分为两个阶段:离线指纹库建立阶段和在线匹配定位阶段,传统的指纹库建立方法,通过网格来划分定位区域,每个网格表示一个位置信息,在网格处采集能量信息,此处的能量信息可经数学建模为一个向量,也称为一个能量指纹,这样把能量指纹和位置信息一一对应并进行存储,即建立指纹库。
指纹库的质量能够直接影响指纹法的定位精度,通常情况下,指纹库的采集密度越大,定位精度越高,然而,指纹数据随着时间和环境的变化发生变化,为了保证指纹库的质量,要不定时对指纹库进行更新。被动式指纹库的构建方法是指纹库定位技术重点研究内容之一,当定位场景中存在目标的时候,场景中只有部分链路受到影响,远离目标的链路受的影响可以忽略不计。有学者提出奇异值分解(KSVD)的方法利用少量的带标记的指纹点进行指纹库的建立和更新,然而,这个方法存在多解问题。现流行的迁移学习方法利用少量的有标签训练样本或者源领域数据,建立一个可靠的模型对具有不同数据分布的目标领域进行预测。有学者利用迁移学习的方法将已有的信号模型迁移到目标域来建立被动式指纹库。然而,特定位置的信号模型是很难确定的,从而影响指纹库建立的精度。群智感知的方法广泛地应用于主动式指纹库的建立,此技术的核心就是将能量指纹和位置信息对应起来建立指纹库,有人通过惯性导航来测量能量指纹的位置,因为惯导存在累计误差,从而影响指纹库建立精度。有学者利用主动式指纹库的性质,并结合半监督流形学习,将能量指纹和位置信息进行映射来建立指纹库,但是由于流形结构与二维平面坐标的映射关系不确定,造成指纹库建立的误差。基于群智方法的被动式指纹库建立方法还有待研究,本发明提出了一种基于群智感知和半监督学习的被动式指纹库建立方法。
发明内容
本发明提供一种基于群智感知和半监督学习的被动式指纹库建立方法。首先,通过群智感知的方法,采集大量的被动式能量指纹数据;然后通过聚类算法进行能量指纹数据的冗余去除,降低存储量,并有利于定位速度的提高;利用半监督拉普拉斯算法进行能量指纹和位置信息的映射,从而建立被动式指纹库。相比人工逐点勘测建立指纹库的方法,此方法能够很大程度的节约人力物力,提高指纹库密度,有益于指纹库定位精度的提高。技术方案如下:一种基于群智感知的被动式定位指纹库构建方法,定义是实数域上M×N维的向量空间,包括下列步骤:
(1)场景内布置L个阅读器天线和L个标签,每个标签和对应的一个阅读器天线之间有一条通信链路,共L条通信链路,待定位目标在定位区域内自由行走,阅读器天线共采集P个位置的反向散射信号能量,当待定位目标运动到第j个未知位置处,1≤j≤P,第i条链路的阅读器天线接收到的标签反向散射信号能量为Rij,1≤i≤L,可建立标签反向散射信号能量矩阵R:
(2)当定位区域没有目标时,采集第i条链路的阅读器天线接收到的标签反向散射信号能量Ai,L条链路接收到的标签反向散射信号能量记为矩阵A:
A=[A1,A2,...,AL]T
(3)向量A与矩阵R的第j列相减,得到待定位目标在第j个未知位置处时能量变化向量ΔRSSj,即第j个群智感知指纹:
ΔRSSj=[ΔRSS1j,ΔRSS2j,..,ΔRSSLj]T 1≤j≤P
其中,ΔRSSij是待定位目标运动到第j个未知位置处,第i条链路的阅读器天线接收到的标签反向散射信号能量变化:
ΔRSSij=Ai-Rij
定义RSS为群智感知指纹集合:
RSS=[ΔRSS1,ΔRSS2,...,ΔRSSj,...,ΔRSSP]
(4)另外采集Q个已知位置处的指纹rss'q,1≤q≤Q构成监督指纹集合S1:
rss'q=[ΔRSS1q,ΔRSS2q,..,ΔRSSLq]T
S1=[rss'1,rss'2,...,rss'q,...,rss'Q]
Q个位置标签构成集合R1=[r′1 r′2,...,r′q,...,r'Q],其中,r′q表示第q个已知位置处的指纹rss'q对应的1×2维的位置标签;
(5)运用层次聚类方法将RSS中的群智感知指纹聚类成N(N≤P)个类簇,各类簇的聚类中心rssn(1≤n≤N)构成冗余去除后的群智感知指纹集合S2:
S2=[rss1,rss2,...,rssN]
定义冗余向量去除率为:(P-N)/P,定义S2中指纹的位置标签集合为:
其中,ε是可调节阈值参数,t是可调节参数。
(7)计算一个对角矩阵D:
(8)计算半正定拉普拉斯矩阵L:
L=D-W
(9)对半正定拉普拉斯矩阵L进行分块处理:
(10)求解线性方程得到S2中群智感知指纹的位置标签集合R2:
R2L22=-R1L12
建立指纹库Database:
Database=[(r′1,rss'1),(r′2,rss'2),...,(r'Q,rss'Q),(r1,rss1),...,(rN,rssN)]。
本发明是一种基于群智感知的被动式指纹库建立方法。首先通过群智感知采集被动式指纹数据,然后通过聚类算法降低指纹的冗余量,并通过半监督拉普拉斯映射算法将高维能量指纹数据映射到地理坐标平面,与位置信息对应。与传统的逐点勘测建立指纹库的方法相比,能够有效地提高指纹库的建立效率,增加指纹库密度,从而提高指纹定位的精度。并与半监督局部线性嵌入算法的映射效果作对比,本发明所提出方法的映射效果更好,所得到的被动式指纹库精度更高。
附图说明
图1是被动式指纹定位场景示意图
图2(a)是群智感知方法获取的被动式指纹的实际位置信息(b)是随机分布的监督指纹点(c)半监督局部线性嵌入算法的指纹—位置映射效果图(d)本发明所提出方法的指纹—位置映射效果图
图3是运用KNN定位算法,本发明的指纹库定位精度和其他指纹库的定位精度的对比
图4是冗余去除率对本发明的指纹库定位精度的影响
具体实施方式
具体的方法实现过程描述如下:
步骤一:定位场景布置:建立一个8m×8m的被动式定位场景,在相邻的两条边界上分别均匀设置7(L=7)个阅读器天线,每个阅读器天线对面设置一个RFID标签,与对应的标签之间有一条通信链路,待定位目标不需要携带定位辅助设备,在定位区域自由行走的同时,阅读器读取1500(P=1500)个群智感知指纹:
RSS=[ΔRSS1,ΔRSS2,...,ΔRSS1500]
步骤二:采集50(Q=50)个已知位置处的指纹rss'q(1≤q≤50)构成监督指纹集合S1:
rss'q=[ΔRSS1q,ΔRSS2q,..,ΔRSS7q]T
S1=[rss'1,rss'2,...,rss'q,...,rss'50]
步骤三:计算簇间距离S:
步骤四:将距离最小的两个类簇进行合并,并取两个类簇内群智感知指纹的均值作为聚类中心。
步骤五:循环步骤三和步骤四,直到指纹数目达到设定的要求,得到冗余去除后的指纹:
S2=[rss1,rss2,...,rssN]
其中,N(N<<P)是类簇数目,即冗余去除后得到的群智指纹数目。
定义S2中指纹的位置标签集合为:
定义指纹冗余去除率为:
(P-N)/P
根据仿真结果显示,在此环境配置下的冗余去除率最佳为35%,此时定位精度几乎不受影响,并且可以降低冗余指纹量。
步骤六:设定指纹库的位置标签为R2×(Q+N)=[R1 R2]=[r′1 r′2,...,r'Q r1r2,...,rN],指纹集S表示为[S1S2],其中S1是监督指纹集合,S2是冗余去除后的群智感知指纹集合。
其中,ε可根据定位的精度进行调整,在此环境配置和数据量下,ε的取值可将指纹点与距其最近的前约30%的指纹点相连最佳。t参数取值为1。
步骤八:将指纹间的权重作为惩罚因子求最优解,使得在高维空间中相近的指纹,在二维空间中依然保持近邻关系。利用半监督学习方法给N个未带位置标签的群智指纹都打上位置标签,从而建立指纹库:
R2L22=-R1L12
得到S2中群智感知指纹的位置标签集合R2,建立指纹库Database:
Database=[(r′1,rss'1),(r′2,rss'2),...,(r'Q,rss'Q),(r1,rss1),...,(rN,rssN)]
通过以上步骤可以完成基于群智感知的被动式指纹库构建方法,用于被动式指纹库定位,在节省人力物力建立指纹库的同时,可以有效增加指纹库的密度,提高指纹定位精度。
图1是定位场景示意图,黑色标记表示RFID阅读器天线,蓝色标记表示RFID标签,每个RFID阅读器天线和对应的标签之间形成一条通信链路。
图2(a)是群智感知方法获取的被动式指纹的实际位置信息(b)是随机分布的监督指纹点(c)半监督局部线性嵌入算法的指纹—位置映射效果图(d)本发明所提出方法的指纹—位置映射效果图,相比较下,本发明的方法可以较准确地将指纹信息映射到地理坐标平面。
图3是运用KNN定位算法,本发明的指纹库、只有监督指纹的指纹库和半监督局部线性嵌入算法建立的指纹库的定位精度的对比,可见,本发明建立的指纹库,相对其他两种指纹库的定位精度高。
图4是冗余去除率对本发明的指纹库定位精度的影响,在此环境配置下,当冗余去除率为35%时,定位精度受指纹密度的影响不大,且有利于减少计算量,提高定位速度。
Claims (1)
(1)场景内布置L个阅读器天线和L个标签,每个标签和对应的一个阅读器天线之间有一条通信链路,共L条通信链路,待定位目标在定位区域内自由行走,阅读器天线共采集P个位置的反向散射信号能量,当待定位目标运动到第j个未知位置处,1≤j≤P,第i条链路的阅读器天线接收到的标签反向散射信号能量为Rij,1≤i≤L,可建立标签反向散射信号能量矩阵R:
(2)当定位区域没有目标时,采集第i条链路的阅读器天线接收到的标签反向散射信号能量Ai,L条链路接收到的标签反向散射信号能量记为矩阵A:
A=[A1,A2,...,AL]T
(3)向量A与矩阵R的第j列相减,得到待定位目标在第j个未知位置处时能量变化向量ΔRSSj,即第j个群智感知指纹:
ΔRSSj=[ΔRSS1j,ΔRSS2j,..,ΔRSSLj]T 1≤j≤P
其中,ΔRSSij是待定位目标运动到第j个未知位置处,第i条链路的阅读器天线接收到的标签反向散射信号能量变化:
ΔRSSij=Ai-Rij
定义RSS为群智感知指纹集合:
RSS=[ΔRSS1,ΔRSS2,...,ΔRSSj,...,ΔRSSP]
(4)另外采集Q个已知位置处的指纹rss'q,1≤q≤Q构成监督指纹集合S1:
rss'q=[ΔRSS1q,ΔRSS2q,..,ΔRSSLq]T
S1=[rss'1,rss'2,...,rss'q,...,rss'Q]
Q个位置标签构成集合R1=[r′1, r′2,...,r′q,...,r′Q],其中,r′q表示第q个已知位置处的指纹rss′q对应的1×2维的位置标签;
(5)运用层次聚类方法将RSS中的群智感知指纹聚类成N个类簇,N<P;各类簇的聚类中心rssn,1≤n≤N;构成冗余去除后的群智感知指纹集合S2:
S2=[rss1,rss2,...,rssN]
定义冗余向量去除率为:(P-N)/P,定义S2中指纹的位置标签集合为:
其中,ε是可调节阈值参数,t是可调节参数;
(7)计算一个对角矩阵D:
(8)计算半正定拉普拉斯矩阵L:
L=D-W
(9)对半正定拉普拉斯矩阵L进行分块处理:
其中,是半正定拉普拉斯矩阵L的分块矩阵,分块矩阵L11通过提取半正定拉普拉斯矩阵L的前Q行和前Q列得到,分块矩阵L12通过提取半正定拉普拉斯矩阵L的前Q行和后N列得到,分块矩阵L21通过提取半正定拉普拉斯矩阵L的后N行和前Q列得到,分块矩阵L22通过提取半正定拉普拉斯矩阵L的后N行和后N列得到;
(10)求解线性方程得到S2中群智感知指纹的位置标签集合R2:
R2L22=-R1L12
建立指纹库Database:
Database=[(r′1,rss′1),(r′2,rss′2),...,(r′Q,rss′Q),(r1,rss1),...,(rN,rssN)]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910194721.3A CN110072183B (zh) | 2019-03-14 | 2019-03-14 | 基于群智感知的被动式定位指纹库构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910194721.3A CN110072183B (zh) | 2019-03-14 | 2019-03-14 | 基于群智感知的被动式定位指纹库构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110072183A CN110072183A (zh) | 2019-07-30 |
CN110072183B true CN110072183B (zh) | 2020-09-04 |
Family
ID=67365273
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910194721.3A Active CN110072183B (zh) | 2019-03-14 | 2019-03-14 | 基于群智感知的被动式定位指纹库构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110072183B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110726968A (zh) * | 2019-09-08 | 2020-01-24 | 天津大学 | 一种基于聚类指纹法的可见光传感的被动式室内定位方法 |
CN112488151B (zh) * | 2020-11-05 | 2023-01-17 | 中国科学院计算机网络信息中心 | 一种半监督的基于流形学习的位置指纹库构建方法 |
CN113347563B (zh) * | 2021-05-31 | 2021-12-07 | 广东技术师范大学 | 一种基于移动群智感知任务模型的指纹库构建方法及设备 |
CN113916231A (zh) * | 2021-09-28 | 2022-01-11 | 上海浦东发展银行股份有限公司 | 移动设备定位导航方法、装置、移动设备及存储介质 |
CN114051202A (zh) * | 2021-10-29 | 2022-02-15 | 中国石油大学(华东) | 一种无线定位信号指纹样本库的自动学习方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9349152B2 (en) * | 2012-10-02 | 2016-05-24 | Simetricka Systems Ltd. | Image identifiers and methods and systems of presenting image identifiers |
CN105792353A (zh) * | 2016-03-14 | 2016-07-20 | 中国人民解放军国防科学技术大学 | 群智感知式WiFi信号指纹辅助的图像匹配室内定位方法 |
CN107392121A (zh) * | 2017-07-06 | 2017-11-24 | 同济大学 | 一种基于指纹识别的自适应设备识别方法及系统 |
CN108519578A (zh) * | 2018-03-23 | 2018-09-11 | 天津大学 | 一种基于群智感知的室内定位指纹库构建方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7277766B1 (en) * | 2000-10-24 | 2007-10-02 | Moodlogic, Inc. | Method and system for analyzing digital audio files |
CN109459016B (zh) * | 2018-11-15 | 2022-09-02 | 上海航天控制技术研究所 | 一种基于位置指纹的微纳卫星集群相对定位方法 |
-
2019
- 2019-03-14 CN CN201910194721.3A patent/CN110072183B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9349152B2 (en) * | 2012-10-02 | 2016-05-24 | Simetricka Systems Ltd. | Image identifiers and methods and systems of presenting image identifiers |
CN105792353A (zh) * | 2016-03-14 | 2016-07-20 | 中国人民解放军国防科学技术大学 | 群智感知式WiFi信号指纹辅助的图像匹配室内定位方法 |
CN107392121A (zh) * | 2017-07-06 | 2017-11-24 | 同济大学 | 一种基于指纹识别的自适应设备识别方法及系统 |
CN108519578A (zh) * | 2018-03-23 | 2018-09-11 | 天津大学 | 一种基于群智感知的室内定位指纹库构建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110072183A (zh) | 2019-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110072183B (zh) | 基于群智感知的被动式定位指纹库构建方法 | |
CN110245709B (zh) | 基于深度学习和自注意力的3d点云数据语义分割方法 | |
CN108846832B (zh) | 一种基于多时相遥感影像与gis数据的变化检测方法及系统 | |
Yin et al. | Airport detection based on improved faster RCNN in large scale remote sensing images | |
CN103413151B (zh) | 基于图正则低秩表示维数约简的高光谱图像分类方法 | |
CN114092832B (zh) | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 | |
Wang et al. | SSRNet: In-field counting wheat ears using multi-stage convolutional neural network | |
CN103034860A (zh) | 基于sift特征的违章建筑检测方法 | |
CN111507296A (zh) | 基于无人机遥感与深度学习的违章建筑智能化提取方法 | |
CN110110763A (zh) | 一种基于最大公共子图的栅格地图融合方法 | |
CN104504709A (zh) | 一种基于特征球的室外场景三维点云数据的分类方法 | |
CN112329559A (zh) | 一种基于深度卷积神经网络的宅基地目标检测方法 | |
CN102184423B (zh) | 一种全自动的区域不透水面遥感信息精确提取方法 | |
CN108627798A (zh) | 基于线性判别分析和梯度提升树的wlan室内定位算法 | |
CN110704652A (zh) | 基于多重注意力机制的车辆图像细粒度检索方法及装置 | |
CN114399073A (zh) | 一种基于深度学习的海洋表面温度场预测方法 | |
Wei et al. | GMSK-SLAM: a new RGB-D SLAM method with dynamic areas detection towards dynamic environments | |
CN201716727U (zh) | 基于遥感与gis的地理模拟系统 | |
Chen et al. | DAPnet: A double self-attention convolutional network for point cloud semantic labeling | |
CN106251014A (zh) | 基于svm‑gca的城市空间发展模拟及预测方法 | |
Zhang et al. | A multi-task convolutional neural network for mega-city analysis using very high resolution satellite imagery and geospatial data | |
Bi et al. | Critical direction projection networks for few-shot learning | |
Lyu et al. | A deep information based transfer learning method to detect annual urban dynamics of Beijing and Newyork from 1984–2016 | |
Chen et al. | DGCNN network architecture with densely connected point pairs in multiscale local regions for ALS point cloud classification | |
Jiang et al. | A massive multi-modal perception data classification method using deep learning based on internet of things |
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 |