CN110072186A - 基于属性独立的加权朴素贝叶斯室内定位方法 - Google Patents

Abstract

本发明公开了基于属性独立的加权朴素贝叶斯室内定位方法，属于室内定位技术领域，包括以下步骤：建立位置点的CSI样本集；CSI数据预处理；PCA算法提取主特征；建立离线指纹库；在线阶段，使用属性独立的加权朴素贝叶斯定位算法。离线阶段，通过多次的采样分析，可以知道任意位置的CSI幅度值都服从正态分布，因此将每个位置幅度值的均值和方差作为指纹存储起来；在线阶段，把在主成分分析阶段计算出的方差贡献率作为权重，应用到朴素贝叶斯分类中，最大化主成分分析的优势。本发明只需选取每个参考点多次测量的CSI幅度值的均值与方差作为指纹，使用主成分分析法处理数据，符合朴素贝叶斯分类器的条件独立性假设，提高定位精度。

Description

基于属性独立的加权朴素贝叶斯室内定位方法

技术领域

本发明属于室内定位技术领域，具体涉及基于属性独立的加权朴素贝叶斯室内定位方法。

背景技术

近年来，随着基于位置的服务和应用需求的不断增长，室内环境中的定位受到了研究者们的广泛关注。如果利用像视频、磁力计、磁谐振耦合这些信息源，就会存在系统成本高和安装工作量大的问题。基于射频(RF)的解决方案可以规避掉上述的缺点。因为随着无线网络的普及，射频信息是无处不在的可用资源，降低了安装成本。许多传统的基于射频信号的定位系统就是通过让被定位者携带一些专用设备来进行精确室内定位的，这些设备就是射频信号的收发器，这种定位系统称为有源定位系统。而随着研究的不断深入，研究者们渐渐倾向于无源的定位系统，因为让目标随时都配备信号收发器是不现实的。通常，无源定位系统可以分为测距与指纹库两种方式，下面将详细介绍本发明使用的基于指纹库的无源定位方法。

基于指纹的室内定位系统需要构建一个离线的指纹库，然后将其与收集到的在线测量数据进行比较，以估计目标的位置。通过对RSSI统计量的分析，Seifeldin等人假设每个AP-MP对的RSSI样本都服从高斯分布，提出了一种基于RSSI的大型无源定位系统Nuzzer。Xu等人利用RSSI的线性判别分析来识别不同个体的位置，显著降低了非视距的影响，从而在杂乱的室内环境中提高了定位的准确性。此外，为了简化指纹库的构建，研究者提出了一种基于传输定位模型的无源定位系统，该系统可以在一定的室内环境中收集训练数据，并借助平面图将其应用到其他不同的室内空间。

为了更好地体现目标对无线信号的影响并提取合适的统计特征，Wang等人提出了一种深度学习方法来自动学习辨别特征。随着Wi-Fi物理层技术的发展，Xiao等人通过CSI相关特性初步估计了目标的位置。由于CSI样本对目标的存在与位置比较敏感，但对时间变化不敏感，Xiao等人设计了Pliot系统。Pliot利用CSI的相关性作为判别特征，采用两阶段检测的方法来确定目标的位置。由于CSI的数据提供了更精确的信道信息，与其他基于RSSI的方案相比，定位的结果精度大大提高。此外，在Pilot中，首先通过确定当前CSI样本与正常CSI读数之间的相关性是否小于事先设定的阈值来检测目标区域是否有人，然后再触发第二阶段的定位过程。

已有的基于指纹库的定位系统通常采用支持向量机、K近邻等分类方法完成定位，这些方法存在复杂度高、指纹库复杂等特点。也有些定位系统采用贝叶斯分类器，但是忽略了特征值之间的相关性导致精度不高。为了解决以上这些问题，本发明提出将主成分分析法(PCA)与朴素贝叶斯分类器(NBC)相结合的室内定位方法，即属性独立的朴素贝叶斯定位算法，它具有指纹库简洁、定位精度高、速度较快等优点。

发明内容

本发明的目的在于提供指纹库较为精简、提高了定位精度的基于属性独立的加权朴素贝叶斯室内定位方法。

本发明的目的是这样实现的：

基于属性独立的加权朴素贝叶斯室内定位方法，其特征在于，包括以下步骤：

(1)建立位置点的CSI样本集：假设系统中共有m个发射天线(TX)与n个接收天线(RX)，所以形成了L＝m*n条收发链接，且在每条收发链接中都包含30个子载波；

(2)CSI数据预处理：利用拉依达准则来处理每个位置的原始CSI数据集；

(3)PCA算法提取主特征；

(4)建立离线指纹库；

(5)在线阶段，使用属性独立的加权朴素贝叶斯定位算法。

步骤(1)中设置发射天线数是1根，接收天线数是3根，CSI数据为1*3*30的复数矩阵。

步骤(3)具体包括：

(3.1)设所有位置的CSI样本组成的矩阵为R：

R＝[s₁，s₂，...，s_N]^T

其中si＝{f₁，f₂，...，f₉₀}，i＝1，2，…，N，s_i代表CSI样本，N等于所有位置的样本总数；

(3.2)计算列平均值：

(3.3)特征中心化：

(3.4)构建关于CSI数据特征的协方差矩阵：

(3.5)求出V的特征值和特征向量：解||V-λI||＝0，V有T个特征值，T个特征值和对应的特征向量可以表示为：

C＝[x₁，x₂，…，x_T]

(3.6)将C中的数据从大到小排序，选取前q个最大的特征值以及其对应的特征向量，记为

(3.7)将原始数据R变换到新的维度：

R_new＝Φ·C_pca

其中R_new＝[s₁′，s₂′，…，s_N′]^T，s_i′＝{r₁，r₂，…，r_q}，i＝1，2，…，N。

步骤(4)具体包括：根据本发明收集的CSI样本，CSI振幅值服从正态分布，并且正态分布的概率密度函数如式(9)：

其中μ是它的均值，σ²是它的方差。

步骤(5)的加权朴素贝叶斯定位算法具体为：

(5.1)待分类项x＝(x⁽¹⁾，x⁽²⁾，...，x⁽ⁿ⁾)，x⁽ⁱ⁾代表x中的第i个特征值，i＝1，2，…，n，位置类别集合C＝{c₁，c₂，...，c_L}，c_k代表第k个位置类别，k＝1，2，…，L；

(5.2)进行主成分分析，将待分类项x＝(x⁽¹⁾，x⁽²⁾，...，x⁽ⁿ⁾)，映射为新条件属性集z＝(z⁽¹⁾，z⁽²⁾，...，z^(m))，z^(j)代表z中第j个特征值，j＝1，2，…，m；并且在主成分分析的过程中，记录下每个新条件对应的权重w_j；

(5.3)计算后验概率P(Y＝c_k|Z＝z)；

(5.4)分别记录下概率最大和第二大的两个类别；

(5.5)将(5.4)中这两个类别的坐标按照各自的概率求加权平均值作为定位结果，

其中代表定位结果，(x₁，y₁)，(x₂，y₂)，p₁，p₂分别代表后验概率最大和第二大的位置的坐标和对应概率。

特别的，

1、离线阶段：在离线阶段，首先收集CSI原始数据。为了避免由于环境突变等因素带来CSI数据中的噪声，所以用拉伊达准则对其预处理。随后，虽然OFDM保证了各个子载波是正交的，但是由于室内多径环境，各个子载波之间难免会有干扰，因此，为了保证条件独立性假设，本发明采用主成分分析(PCA)来减少原始CSI数据维度。降维后的数据都是互相独立的，并且PCA也可以有效的减少数据量，提高运算效率。通过多次的采样分析，可以知道任意位置的CSI幅度值都服从正态分布，因此将每个位置幅度值的均值和方差作为指纹存储起来；

2、在线阶段：在在线阶段，首先采集待定位点的样本，同样需要经过拉伊达准则和主成分分析的处理，并且记录各主成分的方差贡献率。为了保证属性重要性假设，本发明把在主成分分析阶段计算出的方差贡献率作为权重，应用到朴素贝叶斯分类中，最大化主成分分析的优势。由于每个位置的CSI幅度值都服从正太分布，所以把特征值中每一项的权值与指纹库中对应的均值和方差结合起来，采用高斯公式来找出后验概率。取概率最大的两个参考点，并且将其对应的概率当作各自的权重，求得两个参考点的加权平均坐标即为定位结果。

本发明的有益效果在于：

本发明只需选取每个参考点多次测量的CSI幅度值的均值与方差作为指纹，相比于其他系统需要将完整的CSI均值存储起来的做法，本发明的指纹库较为精简。

虽然CSI子载波相互正交，但是由于室内的复杂环境与多径效应，子载波之间难免会产生干扰。为了规避干扰，本发明使用主成分分析法处理数据，使得主成分之间完全独立，符合朴素贝叶斯分类器的条件独立性假设，提高了定位精度。

在主成分分析的过程中，记录下每个主成分的方差贡献率。方差贡献率越大，说明其越能够代表原始数据，在定位时，该主成分也应该占更多的权重。本发明以方差贡献率作为权重，结合朴素贝叶斯分类器，提出了属性独立的加权朴素贝叶斯定位算法，经实验验证，本方法相较朴素贝叶斯分类器效果更好。

附图说明

图1为本发明的流程图。

图2为拉伊达准则的流程图。

图3为指纹库的格式。

具体实施方式

下面结合附图对本发明做进一步描述。

1、建立位置点的CSI样本集：假设系统中共有m个发射天线(TX)与n个接收天线(RX)，所以形成了L＝m*n条收发链接，且在每条收发链接中都包含30个子载波，那么每个CSI数据包中包含m*n*30个CSI复数值。本发明中设置发射天线数是1根，接收天线数是3根，CSI数据为1*3*30的复数矩阵。

2、CSI数据预处理：本发明首先利用拉依达准则来处理每个位置的原始CSI数据集，从而剔除因噪声等原因而突变的数据。首先需要求出每个特征值的标准差，然后比较每个数据与其同一特征的均值的差，如果差值大于标准差的三倍，则认为它是异常数据，将它替换为同一特征的均值，拉伊达准则的流程如附图2所示。

3、PCA算法提取主特征：设所有位置的CSI样本组成的矩阵为R：

R＝[s₁，s₂，...，s_N]^T (1)

其中si＝{f₁，f₂，...，f₉₀}，i＝1，2，…，N，s_i代表CSI样本，N等于所有位置的样本总数，也就是说R矩阵是N行90列的矩阵，步骤如下：

(1)计算列平均值：

(2)特征中心化：

(3)构建关于CSI数据特征的协方差矩阵：

(4)求出V的特征值和特征向量：解||V-λI||＝0，V有T个特征值，若λ_i是其中一个，那么一定存在特征向量x_i使得Vx_i＝λ_ix_i，x_i就是λ_i对应的特征向量。T个特征值和对应的特征向量可以表示为：

C＝[x₁，x₂，…，x_T] (5)

(5)将C中的数据从大到小排序，选取前q个最大的特征值以及其对应的特征向量，记为

(6)将原始数据R变换到新的维度：

R_new＝Φ·C_pca (7)

其中R_new＝[s₁′，s₂′，...，s_N′]^T，s_i′＝{r₁，r₂，...，r_q}，i＝1，2，...，N，此时s_i′已经由原来的90维降到了现在得q维。为了方便计算分类时要用到的权重，本发明记录每个主成分的方差贡献率来作为该主成分的权重，即：

4、建立离线指纹库：在离线培训阶段，建立指纹库是主要任务，因此指纹的选择尤为重要。根据本发明收集的CSI样本，CSI振幅值服从正态分布，并且正态分布的概率密度函数如式(9)：

其中μ是它的均值，σ²是它的方差，所以只要求出μ和σ²，那么可以计算x的出现概率并将其应用于朴素贝叶斯公式。所以指纹库格式如附图3所示：。

5、在线阶段，使用属性独立的加权朴素贝叶斯定位算法：

(1)待分类项x＝(x⁽¹⁾，x⁽²⁾，...，x⁽ⁿ⁾)，x⁽ⁱ⁾代表x中的第i个特征值，i＝1，2，…，n。

位置类别集合C＝{c₁，c₂，...，c_L}，c_k代表第k个位置类别，k＝1，2，…，L。

(2)进行主成分分析，将待分类项x＝(x⁽¹⁾，x⁽²⁾，...，x⁽ⁿ⁾)，映射为新条件属性集z＝(z⁽¹⁾，z⁽²⁾，...，z^(m))，z^(j)代表z中第j个特征值，j＝1，2，…，m。并且在主成分分析的过程中，记录下每个新条件对应的权重w_j。

(3)计算后验概率P(Y＝c_k|Z＝z)。

(4)分别记录下概率最大和第二大的两个类别，这里以概率最大的类别为例进行说明：

在本发明的系统中，可以认为每个位置类别出现的概率都相等，为1/L，所以式(3-28)等价于求解：

又因为新条件属性之间互相独立，加入权重后有：

由于每个位置类别的CSI的幅度值都服从正太分布，所以本发明将式(12)建模为正态分布：

其中D_j ²和M_j分别是第j个位置类别的特征方差和均值。这也解释了为什么本发明在建立指纹库阶段，要在指纹库中存储每个类别的均值和方差。

(5)将(4)中这两个类别的坐标按照各自的概率求加权平均值作为定位结果，如式(14)所示，其中代表定位结果，(x₁，y₁)，(x₂，y₂)，p₁，p₂分别代表后验概率最大和第二大的位置的坐标和对应概率。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.基于属性独立的加权朴素贝叶斯室内定位方法，其特征在于，包括以下步骤：

(1)建立位置点的CSI样本集：假设系统中共有m个发射天线(TX)与n个接收天线(RX)，所以形成了L＝m*n条收发链接，且在每条收发链接中都包含30个子载波；

(2)CSI数据预处理：利用拉依达准则来处理每个位置的原始CSI数据集；

(3)PCA算法提取主特征；

(4)建立离线指纹库；

(5)在线阶段，使用属性独立的加权朴素贝叶斯定位算法。

2.根据权利要求1所述的基于属性独立的加权朴素贝叶斯室内定位方法，其特征在于，步骤(1)中设置发射天线数是1根，接收天线数是3根，CSI数据为1*3*30的复数矩阵。

3.根据权利要求1所述的基于属性独立的加权朴素贝叶斯室内定位方法，其特征在于，步骤(3)具体包括：

(3.1)设所有位置的CSI样本组成的矩阵为R：

R＝[s₁，s₂，...，s_N]^T (1)

其中s_i＝{f₁，f₂，...，f₉₀}，i＝1，2，…，N，s_i代表CSI样本，N等于所有位置的样本总数；

(3.2)计算列平均值：

(3.3)特征中心化：

(3.4)构建关于CSI数据特征的协方差矩阵：

(3.5)求出V的特征值和特征向量：解||V-λI||＝0，V有T个特征值，T个特征值和对应的特征向量可以表示为：

C＝[x₁，x₂，...，x_T] (5)

(3.6)将C中的数据从大到小排序，选取前q个最大的特征值以及其对应的特征向量，记为

(3.7)将原始数据R变换到新的维度：

R_new＝Φ·C_pca (7)

其中R_new＝[s₁′，s₂′，...，s_N′]^T，s_i′＝{r₁，r₂，...，r_q}，i＝1，2，...，N。

4.根据权利要求1所述的基于属性独立的加权朴素贝叶斯室内定位方法，其特征在于，步骤(4)具体包括：根据本发明收集的CSI样本，CSI振幅值服从正态分布，并且正态分布的概率密度函数如式(9)：

其中μ是它的均值，σ²是它的方差。

5.根据权利要求1所述的基于属性独立的加权朴素贝叶斯室内定位方法，其特征在于，步骤(5)所述的加权朴素贝叶斯定位算法具体为：

(5.1)待分类项x＝(x⁽¹⁾，x⁽²⁾，...，x⁽ⁿ⁾)，x⁽ⁱ⁾代表x中的第i个特征值，i＝1，2，...，n，位置类别集合C＝{c₁，c₂，...，c_L}，c_k代表第k个位置类别，k＝1，2，...，L；

(5.2)进行主成分分析，将待分类项x＝(x⁽¹⁾，x⁽²⁾，...，x⁽ⁿ⁾)，映射为新条件属性集z＝(z⁽¹⁾，z⁽²⁾，...，z^(m))，z^(j)代表z中第j个特征值，j＝1，2，...，m；并且在主成分分析的过程中，记录下每个新条件对应的权重w_j；

(5.3)计算后验概率P(Y＝c_k|Z＝z)；

(5.4)分别记录下概率最大和第二大的两个类别；

(5.5)将(5.4)中这两个类别的坐标按照各自的概率求加权平均值作为定位结果，

其中代表定位结果，(x₁，y₁)，(x₂，y₂)，p₁，p₂分别代表后验概率最大和第二大的位置的坐标和对应概率。