CN110072192B - 一种智能手机WiFi室内定位方法 - Google Patents

Abstract

本发明公开了一种基于标准化波形趋势和核极限学习机的智能手机WiFi室内定位方法，针对现有技术大多数是采用接收信号强度作为指纹特征，但是，由于接收信号强度容易受到动态室内环境的影响，存在各种噪声，导致定位精度严重下降。此外，它们的高计算成本已成为大规模应用的瓶颈。本发明将接收信号强度的标准化波形趋势作为室内定位的指纹特征，对设备异质性和室内动态环境具有良好的容忍性，本发明将标准化波形趋势和核极限学习机集成，设计出具有高效且稳健的室内定位方法，具有非常快的学习速度并提供最佳泛化性能。本发明能够在室内环境下实现对智能手机的高精度定位以及对环境动态变化有较好的鲁棒性。

Description

一种智能手机WiFi室内定位方法

技术领域

本发明涉及室内定位领域，具体涉及一种基于标准化波形趋势和核极限学习机的智能手机WiFi室内定位方法。

背景技术

在过去的二十年中，随着智能设备(例如智能手机，平板电脑等)的日益普及，对基于位置的服务的需求正在增加，例如，驾驶到目的地，跟踪和记录我们的运动。这些服务通过全球定位系统(GPS)及其衍生应用程序在户外实施。尽管如此，由于室内环境中卫星信号接收能力较弱，建筑物内部无法使用GPS技术。

在城市中，有越来越多的购物中心，每层楼都有各种商店，还有大型停车场。GPS无法在室内以令人满意的精度实现定位服务。因此，出现了许多室内定位技术，例如基于Bluetooth，Radi Frequency Identification(RFID)，超宽带(UWB)，IEEE 802.11(WiFi)的室内定位技术。与其他无线技术不同，WiFi不需要额外的设备安装，因为随着网络技术的发展，现有的WiFi基础设施广泛分布在各种室内公共场所。因此，WiFi室内定位技术受到广泛关注，并且多个研究机构正在研究开发该技术。

经过近十年的探索和研究，已经开发出多种基于WiFi的定位方法。室内定位方法主要有两种：基于测距和无需测距。基于测距的定位方法包括到达时间法，到达时间差法，到达角法和接收信号强度法等。相比之下，基于通信跳频的方法和基于指纹识别的方案不需要测距。然而，基于测距的方法不适合于非视距室内环境，并且基于通信跳跃的系统通常是复杂的。所以基于指纹识别技术的室内定位方法成为最流行的室内定位方法，因为它可以提供令人满意的定位精度。指纹识别最易理解的概念是每个室内空间位置都可以通过独特的可测量特征来识别，就像人类指纹一样。

现有的指纹定位技术采用了很多不同的算法。流行的算法是分类算法，概率算法贝叶斯估计，回归算法支持向量机回归，神经网络算法反向传播，卷积神经网络等。但是，一些算法(例如，神经网络算法)具有很高的计算成本，因为它们需要大量训练数据。因此，它们通常不能正常地应用于普通商用计算机。

另外，我们注意到许多定位算法中最常用的指纹是接受信号强度。值得注意的是，由于接受信号强度容易受到动态环境(例如人的随机流动和家具的移动)的影响，存在各种噪声，结果导致定位精度严重降低，在一定程度上影响了室内定位系统未来的应用及推广。

发明内容

针对现有的室内定位精度不高的问题，本发明提供了一种基于标准化波形趋势和核极限学习机的智能手机WiFi室内定位方法。

本发明采用以下的技术方案：

一种基于标准化波形趋势和核极限学习机的智能手机WiFi室内定位方法，包括以下步骤：

步骤1：实验环境部署：选定实验室内环境，在实验室内部署WiFi路由器，选定参考训练点和测试点；

步骤2：离线采集：使用安装过定位APP的智能手机记录参考训练点的坐标，并采集WiFi路由器的信号强度和名称，将坐标与信号强度组合成一组数据集，在一个参考训练点采集500组数据集，所有的参考训练点采集完毕后，所有的数据集组合成训练数据库；

步骤3：进行数据处理并建立标准化波形趋势和核极限学习机模型：

a：计算从同一坐标系同一路由器处采集的接受信号强度的平均值为

以最小化

与每个路由器采集的接受信号强度值R_i之间差值的平方和E为：

通过计算一元函数的极限，得到：

b：根据高斯误差理论，当测量值服从正态分布时，剩余差异落入三倍方差区间，即[-3σ，3σ]的概率超过99.17％，超出此间隔的概率小于0.13％；因此，认为该区域外的残差的测量值是异常的，这是怀特标准判别方法，也称为3σ方法，计算标准偏差σ：

代表R_i与

的偏差；

根据3σ标准，其中残差大于标准偏差的三倍，相应的测量值被认为是异常值，应由

代替，表达如下：

若

则有

是异常值的残差，1＜b＜n；

然后得到一个新的接受信号强度数据集：RN；

在数据集RN中添加噪声N，N∈[-1,1]，满足高斯分布；

即X＝RN+N；

最终获得的X是接受信号强度的标准化波形趋势；

c：X的前两列为坐标值，用f_L表示，f_L＝{l₁,l₂,...,l_M}，M代表坐标个数，X的其他列为接收信号强度值用r_i表示，r_i＝(r_i,1,r_i,2,...,r_i,N)，i＝1,2,...,M，f_L和r_i作为训练输入和目标输出，隐藏层节点数为

h(x)为激活函数，随机产生输入层与隐藏层间的连接权重为w_i，隐藏层神经元偏置为b_i，则该网络可由如下数学模型表示：

β_i代表输出权重；

该式用矩阵形式表示为：Hβ＝L；其中，

m代表矩阵的列；

d：为了训练接近样本输出的单层神经网络零错误，那么存在β、W和b满足：

W代表连接权重w_i的集合，b代表b_i的集合；

根据优化理论，上式被写为：

Subject to:f(x_i)＝h(x_i)β＝l_i-ξ_i

其中C是正则化系数，ξ_i是理论输出相对于训练输出的训练误差，f(x_i)代表在输入x_i后的隐藏层输出，l_i表示坐标；

e：上式通过KKT最优条件来求解：

f：应用Mercer条件将Ω_ELM定义为内核矩阵：

Ω_ELM＝HH^T

Ω_ELM(i,j)＝h(x_i)·h(x_j)＝K(x_i,x_j)；

其中K(x_i,x_j)是一个内核函数，它是Ω_ELM的第i行，第j列的元素；

g：核极端学习机的输出可表示为：

保存输入层与隐藏层节点的连接权重矩阵w_i、隐藏层神经元偏置b_i和输出权重估计

完成对标准化波形趋势和核极限学习机的训练；

步骤4：在线测试及定位：

用户向智能手机发送定位命令，智能手机在定位区域实时采集来自N个WiFi路由器的信号强度矢量r_o＝(r_o,1,r_o,2,...,r_o,N)，并将其发送到服务器；

将r_o输入到已训练好的标准化波形趋势和核极限学习机模型以预测位置，然后获得智能手机的估计位置信息

最后将坐标显示在服务器软件界面上，让用户获得位置信息。

本发明具有的有益效果是：

本发明提供的基于标准化波形趋势和核极限学习机的智能手机WiFi室内定位方法，将接收信号强度的波形趋势标准化作为室内定位的指纹特征，对设备异质性和室内动态环境具有良好的容忍性，本发明将标准化波形趋势和核极限学习机集成，设计出具有高效且稳健的室内定位方法，具有非常快的学习速度并提供最佳泛化性能。本发明能够在室内环境下实现对智能手机的高精度定位以及对环境动态变化有较好的鲁棒性。

附图说明

图1是本发明智能手机室内定位方法的原理图。

图2是未处理的原始接收信号强度波形图。

图3是经过波形趋势标准化处理后的接收信号强度波形图。

图4是本发明实验环境示意图。

具体实施方式

下面结合附图和具体实施例对本发明的具体实施方式做进一步说明：

实施例1

结合图1至图4，一种基于标准化波形趋势和核极限学习机的智能手机WiFi室内定位方法，包括以下步骤：

步骤1：实验环境部署：选定实验室内环境，把室内平面采用二维坐标划分，为了方便，本方法采用的XY轴单位间距为室内正方形地砖边长1.2m。

在实验室内部署WiFi路由器，本实施例在室内均匀角落部署了八台型号相同的路由器，采用统一的命名方式编号；

选定参考训练点和测试点，本实施例一共设置了100个训练点和20个测试点。

步骤2：离线采集：使用安装过定位APP的智能手机记录参考训练点的坐标，并采集八个WiFi路由器的信号强度和名称，将坐标与信号强度组合成一组数据集，在一个参考训练点采集500组数据集，所有的参考训练点采集完毕后，所有的数据集组合成训练数据库，该数据库是一个50000*10的矩阵，前两列为XY轴坐标值，后八列是八个路由器的接收信号强度值。

步骤3：进行数据处理并建立标准化波形趋势和核极限学习机(SWT-KELM)模型：

a：计算从同一坐标系同一路由器处采集的接受信号强度的平均值为

以最小化

与每个路由器采集的接受信号强度值R_i之间差值的平方和E为：

通过计算一元函数的极限，得到：

b：根据高斯误差理论，当测量值服从正态分布时，剩余差异落入三倍方差区间，即[-3σ，3σ]的概率超过99.17％，超出此间隔的概率小于0.13％；因此，认为该区域外的残差的测量值是异常的，这是怀特标准判别方法，也称为3σ方法，计算标准偏差σ：

代表R_i与

的偏差；

根据3σ标准，其中残差大于标准偏差的三倍，相应的测量值被认为是异常值，应由

代替，表达如下：

若

则有

是异常值的残差，1＜b＜n；

然后得到一个新的接受信号强度数据集：RN；

在数据集RN中添加噪声N，N∈[-1,1]，满足高斯分布；

即X＝RN+N；

最终获得的X是接受信号强度的标准化波形趋势；

c：X的前两列为坐标值，用f_L表示，f_L＝{l₁,l₂,...,l_M}，M代表坐标个数，X的后八列为接收信号强度值用r_i表示，r_i＝(r_i,1,r_i,2,...,r_i,N)，i＝1,2,...,M，f_L和r_i作为训练输入和目标输出，隐藏层节点数为

h(x)为激活函数，随机产生输入层与隐藏层间的连接权重为w_i，隐藏层神经元偏置为b_i，则该网络可由如下数学模型表示：

β_i代表输出权重；

该式用矩阵形式表示为：Hβ＝L；其中，

m代表矩阵的列；

d：为了训练接近样本输出的单层神经网络零错误，那么存在β、W和b满足：

W代表连接权重w_i的集合，b代表b_i的集合；

根据优化理论，上式被写为：

Subject to:f(x_i)＝h(x_i)β＝l_i-ξ_i

其中C是正则化系数，ξ_i是理论输出相对于训练输出的训练误差，f(x_i)代表在输入x_i后的隐藏层输出，l_i表示坐标；

e：上式通过KKT最优条件来求解：

f应用Mercer条件将Ω_ELM定义为内核矩阵：

Ω_ELM＝HH^T

Ω_ELM(i,j)＝h(x_i)·h(x_j)＝K(x_i,x_j)；

其中K(x_i,x_j)是一个内核函数，它是Ω_ELM的第i行，第j列的元素；

g：核极端学习机的输出可表示为：

保存输入层与隐藏层节点的连接权重矩阵w_i、隐藏层神经元偏置b_i和输出权重估计

完成对标准化波形趋势和核极限学习机的训练；

步骤4：在线测试及定位：

用户向智能手机发送定位命令，智能手机在定位区域实时采集来自八个WiFi路由器的信号强度矢量r_o＝(r_o,1,r_o,2,...,r_o,N)，并将其发送到服务器；

将r_o输入到已训练好的标准化波形趋势和核极限学习机模型以预测位置，然后获得智能手机的估计位置信息

最后将坐标显示在服务器软件界面上，让用户获得位置信息。

当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。

Claims (1)

1.一种基于标准化波形趋势和核极限学习机的智能手机WiFi室内定位方法，其特征在于，包括以下步骤：

步骤1：实验环境部署：选定实验室内环境，在实验室内部署WiFi路由器，选定参考训练点和测试点；

步骤2：离线采集：使用安装过定位APP的智能手机记录参考训练点的坐标，并采集WiFi路由器的信号强度和名称，将坐标与信号强度组合成一组数据集，在一个参考训练点采集500组数据集，所有的参考训练点采集完毕后，所有的数据集组合成训练数据库；

步骤3：进行数据处理并建立标准化波形趋势和核极限学习机模型：

a：计算从同一坐标系同一路由器处采集的接受信号强度的平均值为

以最小化

与每个路由器采集的接受信号强度值R_i之间差值的平方和E为：

通过计算一元函数的极限，得到：

b：根据高斯误差理论，当测量值服从正态分布时，剩余差异落入三倍方差区间，即[-3σ，3σ]的概率超过99.17％，超出此间隔的概率小于0.13％；因此，认为此间隔外的残差的测量值是异常的，这是怀特标准判别方法，也称为3σ方法，计算标准偏差σ：

代表R_i与

的偏差；

根据3σ标准，其中残差大于标准偏差的三倍，相应的测量值被认为是异常值，应由

代替，表达如下：

若

则有

是异常值的残差，1＜b＜n；

然后得到一个新的接受信号强度数据集：RN；

在数据集RN中添加噪声N，N∈[-1,1]，满足高斯分布；

即X＝RN+N；

最终获得的X是接受信号强度的标准化波形趋势；

c：X的前两列为坐标值，用f_L表示，f_L＝{l₁,l₂,...,l_M}，M代表坐标个数，X的其他列为接收信号强度值用r_i表示，r_i＝(r_i,1,r_i,2,...,r_i,N)，i＝1,2,...,M，f_L和r_i作为训练输入和目标输出，隐藏层节点数为

h(x)为激活函数，随机产生输入层与隐藏层间的连接权重为w_i，隐藏层神经元偏置为b_i，则网络可由如下数学模型表示：

β_i代表输出权重；

上式用矩阵形式表示为：Hβ＝L；其中，

m代表矩阵的列；

d：为了训练接近样本输出的单层神经网络零错误，那么存在β、W和b满足：

W代表连接权重w_i的集合，b代表b_i的集合；

根据优化理论，上式被写为：

Minimize:

Subject to:f(x_i)＝h(x_i)β＝l_i-ξ_i

其中C是正则化系数，ξ_i是理论输出相对于训练输出的训练误差，f(x_i)代表在输入x_i后的隐藏层输出，l_i表示坐标；

e：上式通过KKT最优条件来求解：

f：应用Mercer条件将Ω_ELM定义为内核矩阵：

其中K(x_i,x_j)是一个内核函数，它是Ω_ELM的第i行，第j列的元素；

g：核极端学习机的输出可表示为：

保存输入层与隐藏层节点的连接权重矩阵w_i、隐藏层神经元偏置b_i和输出权重估计

完成对标准化波形趋势和核极限学习机的训练；

步骤4：在线测试及定位：

用户向智能手机发送定位命令，智能手机在定位区域实时采集来自N个WiFi路由器的信号强度矢量r_o＝(r_o,1,r_o,2,...,r_o,N)，并将其发送到服务器；

将r_o输入到已训练好的标准化波形趋势和核极限学习机模型以预测位置，然后获得智能手机的估计位置信息

最后将坐标显示在服务器软件界面上，让用户获得位置信息。

Images