CN110413655A - 一种基于改进隐马尔科夫模型的楼层识别方法 - Google Patents

Abstract

本发明公开了一种基于改进隐马尔科夫模型的楼层识别方法，包括：建立用于初始化改进隐马尔科夫模型的信号指纹数据库；建立用于初始化改进隐马尔科夫模型的人员流动数据库；对信号指纹数据库进行聚类；构建用于楼层识别的改进隐马尔科夫模型；建立用于调整改进隐马尔科夫模型参数的训练集合；调整用于楼层识别的改进隐马尔科夫模型；利用实时采集的无线信号和改进隐马尔科夫模型预测所在楼层。本发明根据场景人流变化趋势和信号指纹的聚类结果初始化参数，后又对用户的楼内活动进行采样，调整模型参数，使模型更稳定可靠。方法挖掘利用了人流信息数据，顾及了现实场景中人前往不同楼层的概率因素，实现了在不同建筑中楼层的精确定位。

Description

一种基于改进隐马尔科夫模型的楼层识别方法

技术领域

本发明涉及一种基于改进隐马尔科夫模型的楼层识别方法，属于室内定位技术领域。

背景技术

随着科学技术的快速发展，尤其计算机和通信领域的发展，基于位置的服务(Location-Based Service，LBS)已经与人们的日常生活密不可分。近年来国内外学者研发出了许多基于ZigBee、超声波、红外线、射频识别(radio frequency identification，RFID)、蓝牙、无线局域网、超宽带(ultra-wideband，UWB)、可见光通信、计算机视觉、地磁等技术的定位方法，但这些定位算法大多聚焦于二维平面的定位，对三维楼层识别的关注度却相对较少，无法应对当前复杂建筑环境下室内定位需求，特别在多楼层环境中。对于现代工业和商业建筑，存在许多复杂和不规则的内部结构，如空旷的多层区域。在这种情况下，基于信号强度的定位算法(例如指纹定位)由于相邻楼层之间的传播衰减较小，无法准确识别出目标所在楼层。

多层建筑中，楼层识别可以减少空间搜索域并提高本地化准确性。在紧急情况下，准确的楼层信息对救援人员或救援机器人来说至关重要，可以提供有效和高效紧急服务。在商场购物中，用户有着获得所在楼层更多信息的需求，业主方可以从这种需求出发，个性化推送有关信息。

但是，当前大多数的楼层定位方法仅是利用气压计传感器或WiFi、蓝牙等无线信号实现楼层定位，没有顾及现实场景中人前往不同楼层的概率因素，例如某些楼层为办公区，去的人较多，有的楼层为仓库，人前往的概率较少。

发明内容

本发明所要解决的技术问题是：提供一种基于改进隐马尔科夫模型的楼层识别方法，顾及现实场景中人前往不同楼层的概率因素，挖掘了用户的日常运动信息，利用WiFi技术，实现了楼层识别。

本发明为解决上述技术问题采用以下技术方案：

一种基于改进隐马尔科夫模型的楼层识别方法，包括如下步骤：

步骤1，建立用于初始化改进隐马尔科夫模型的信号指纹数据库，所述信号指纹数据库包括楼层号、楼层号对应楼层的参考点坐标、楼层号对应楼层无线接入点的Mac地址、Mac地址对应的信号强度值；

步骤2，建立用于初始化改进隐马尔科夫模型的人员流动数据库，所述人员流动数据库包括采集时间段内各楼层的人流信息，设置时间间隔为5分钟，将采集时间段划分为T个时间间隔，人流信息为人员进入建筑后时间间隔内停留的楼层，当前楼层的人群向其它楼层移动的数量统计或保持不变的数量统计；

步骤3，采用高斯混合聚类方法对每个楼层的信号指纹数据库进行聚类，得到信号指纹数据库聚类结果；

步骤4，利用人员流动数据库初始化改进隐马尔科夫模型的初始状态概率π和状态转移矩阵A，利用信号指纹数据库聚类结果初始化输出状态概率B，构建用于楼层识别的改进隐马尔科夫模型；

步骤5，将一个测试人员T个时间间隔内的接收信号及所在楼层作为训练子集，所有测试人员的训练子集构成训练集合；

步骤6，利用训练集合调整改进隐马尔科夫模型的参数；

步骤7，利用实时采集的无线信号以及调整后的改进隐马尔科夫模型预测待定位用户所在楼层。

作为本发明的一种优选方案，所述步骤1的具体过程为：

1.1，对每个楼层的无线接入点按照Mac地址从1开始依次编号，并定义集合Q_i＝{num₁,num₂,…,num_qi,i}，i＝1,…,N，N为总楼层数，Q_i表示第i个楼层无线接入点的编号集合，qi为第i个楼层无线接入点的数目；

1.2，在每个楼层设置若干参考点，在每个参考点处采集k次无线接入点的RSSI值，得到k*qi阶矩阵，其中矩阵的第p行第q列元素表示参考点第p次接收到的来自编号为num_q的无线接入点的RSSI值，k、qi、p、q均为正整数，且1≤p≤k，1≤q≤qi；

1.3，对于每个参考点处得到的k*qi阶矩阵，将每个列向量的所有元素相加后取平均值，得到该参考点的指纹信息，该指纹信息为一个qi维行向量将该参考点的二维位置坐标及指纹信息存入该参考点所在楼层的信号指纹数据库中，当参考点检测不到无线接入点时，用默认值-110dBm作为RSSI值。

作为本发明的一种优选方案，步骤3所述高斯混合聚类方法中的高斯混合模型构造过程如下：

3.1，定义X＝{x₁,x₂,…,x_qi}，X表示第i个楼层的指纹信息，x_q表示第i个楼层第q个参考点的指纹信息，1≤q≤qi，qi为第i个楼层无线接入点的数目，初始化各楼层的高斯混合模型的参数α_i、μ_i、∑_i，1≤i≤N，N为总楼层数，α_i为第i个楼层的混合系数，μ_i为第i个楼层的均值向量，∑_i为第i个楼层的协方差矩阵；

3.2，计算当前参考点的接收信号x由第i个楼层的混合成分生成的后验概率p(z＝i|x)：

其中，z表示生成接收信号x的高斯混合成分，p(z＝i)为当前楼层为i的先验概率，p(x|μ_i,Σ_i)为接收信号x由本次循环中第i个楼层的高斯混合模型生成的概率，p(z＝l)为当前楼层为l的先验概率，p(x|μ_l,Σ_l)为接收信号x由本次循环中第l个楼层的高斯混合模型生成的概率；

3.3，更新各楼层的高斯混合模型的参数，更新后的参数为 其中，p(z_m＝i|x_m)为第m个参考点接收信号x_m由第i个楼层生成的后验概率，M为当前楼层参考点的数目；

3.4，判断是否满足迭代终止条件，满足则输出各楼层的高斯混合模型，不满足则返回3.2，其中，迭代终止条件为更新后的参数与更新前的参数之间的欧氏距离小于预设阈值，或迭代次数达到最大迭代次数。

作为本发明的一种优选方案，所述步骤4的具体过程如下：

4.1，统计第一个时间间隔内到达第i个楼层的人数c_i，并计算c_i占第一个时间间隔内到达所有楼层的总人数的比例将该比例作为该楼层的初始状态概率，则π＝{π₁,π₂,…,π_N}，N为总楼层数；

4.2，统计接下来T-1个时间间隔内，第i个楼层向第j个楼层转移的人数p_ij，计算p_ij占第i个楼层向所有楼层转移的总人数的比例将该比例作为楼层的状态转移概率，建立状态转移矩阵A＝[a_ij]_N×N；

4.3，用高斯混合聚类方法对信号指纹数据库进行聚类，得到每个楼层的高斯混合模型，对于待定位用户的接收信号y，将y输入高斯混合模型，得到第i个楼层输出接收信号y的概率为b_i(y)，将该概率作为输出状态概率B＝{b_i(y),1≤i≤N}。

作为本发明的一种优选方案，步骤6所述利用训练集合调整改进隐马尔科夫模型的参数的算法为鲍姆-韦尔奇算法。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

1、本发明建立改进隐马尔科夫模型，根据场景人流变化趋势和信号指纹的聚类结果初始化参数，后又对用户的楼内活动进行采样，调整模型参数，使模型更稳定可靠。

2、本发明融合高斯混合聚类对隐马尔科夫模型进行改进，使模型由有限个观测状态变为无限观测状态。通过高斯混合聚类为每个楼层建立高斯混合模型，将观测信号输入每个状态的模型中，获得到每个楼层的概率。

3、本发明方法挖掘利用人流信息数据，顾及了现实场景中人前往不同楼层的概率因素，在算法和模型复杂度上较高，健壮性较强，在准确率上有一定提高。

附图说明

图1是本发明用于楼层识别的改进隐马尔科夫模型图。

图2是高斯混合聚类流程图。

图3是鲍姆-韦尔奇算法流程图。

图4是前向算法流程图。

图5是后向算法流程图。

图6是实验场景图。

图7是AP部署位置示意图。

具体实施方式

下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本发明融合高斯混合聚类对隐马尔科夫模型进行改进，使模型由有限个观测状态变为无限观测状态。通过高斯混合聚类为每个楼层建立高斯混合模型，将观测信号输入每个状态的模型中，获得到每个楼层的概率。

如图1所示：一种基于改进隐马尔科夫模型的楼层识别方法，包括以下步骤：

步骤1：建立用于初始化改进隐马尔科夫模型的信号指纹数据库，所述信号指纹数据库包括楼层号，楼层号对应楼层的参考点指纹；所述参考点指纹包括参考点坐标，WiFi的Mac地址、Mac地址对应的信号强度值；

步骤2：建立用于初始化马尔科夫模型的人员流动数据库，所述人员流动数据库包括一定时间间隔内各楼层的人流信息；所述一定时间间隔为将采集时间作为一个连续的时间段，时间间隔为5分钟，设置为T个时间间隔；所述人流信息包括人员进入建筑后时间间隔内停留的楼层，当前楼层的人群向其余各楼层移动或保持不变的数量统计；

步骤3：对信号指纹数据库进行聚类；

步骤4：构建用于楼层识别的改进隐马尔科夫模型；

步骤5：建立用于调整改进隐马尔科夫模型参数的训练集合；将测试人员T个时间间隔内接收信号的信息、所在楼层作为训练子集，所有楼层的训练子集构成训练集合；

步骤6：调整用于楼层识别的改进隐马尔科夫模型；

步骤7：利用实时采集的无线信号和用于楼层识别的改进隐马尔科夫模型预测所在楼层。

步骤1建立用于初始化改进隐马尔科夫模型的信号指纹数据库的过程如下：

(1.1)对每个楼层定位区域的可见AP(无线接入点)按照Mac地址从1进行编号，然后，对每一楼层定义集合Q_i＝{num₁,num₂,…,num_qi,i}，i＝1,…,N，Q_i表示各个楼层可见AP的编号集合，N为总楼层数，i为楼层编号，qi为第i楼层内可见AP的个数，该集合元素num_q的取值范围为1≤num_q≤qi。在每个参考点处采集k次WiFi的RSSI值，得到一个k*qi阶矩阵，矩阵的第p行第q列表示第p次接收到的来自编号为num_q的可见AP的RSSI值，k、qi、p、q均为正整数，且1≤p≤k，1≤q≤qi；

(1.2)将每个参考点处得到的k*qi阶矩阵的列向量的所有元素相加后取平均值，得到该参考点的指纹信息，该指纹信息为一个qi维行向量该行向量的第q列元素表示在该参考点处进行k次采样之后来自第num_q个AP的RSSI平均值。然后将该参考点的二维位置坐标与指纹信息存入该参考点所在楼层的原始位置一指纹数据库中。全部参考点采集处理完毕后形成各楼层的原始位置一指纹数据库。若参考点上检测不到某些AP时，则用默认值-110dBm代替，由此构建所有AP在每个楼层的数据库DR，其中DR为一个N*qi的空间，本实施步骤为后续聚类和定位匹配提供了位置指纹数据库样本，并建立了楼层判别方法中所需的楼层间所有AP的分布范围指纹库DR。

如图2所示，步骤3高斯混合模型对指纹库进行聚类的过程如下：

(2.1)训练结合X＝{x₁,x₂,…,x_qi}，初始化各楼层的高斯混合分布的模型函数参数{(α_i,μ_i,∑_i|1≤i≤N)}，其中i为楼层号，α_i为第i个楼层的混合系数，μ_i为第i个楼层的均值向量，∑_i为第i个楼层的协方差矩阵；

(2.2)计算当前的接收信号x由第i个楼层的混合成分生成的后验概率其中z表示生成样本x的高斯混合成分；

(2.3)计算各个楼层的新参数向量。其中新均值向量新协方差矩阵新混合系数

(2.4)将模型参数{(α_i,μ_i,∑_i|1≤i≤N)}更新为{(α_i',μ_i',∑_i'|1≤i≤N)}；

(2.5)判断是否满足终止条件，满足则输出各个楼层的高斯混合模型，不满足则回到步骤(2.2)；终止条件为新旧模型参数的欧式距离小于设置阈值，或迭代次数达到最大迭代次数。

步骤4是以人员流动数据库和指纹库聚类结果为依据，建立马尔科夫模型实现楼层识别，其过程包括：

(3.1)人员流动数据库初始化改进隐马尔科夫模型的初始状态概率π和状态转移矩阵A，具体为：

(3.1.1)统计第i楼层在第一个时间间隔内到达的人数c_i，并计算到达人数占总人数的比例将该比例作为该楼层的初始状态概率；

(3.1.2)统计接下来T-1个时间段内，第i个楼层向第j楼层转移的人数p_ij，计算向第j个楼层转移得人数占总人数的比例将该比例作为楼层的状态转移概率，建立状态转移矩阵A＝[a_ij]_N×N，N为楼层数。

(3.2)指纹库聚类结果初始化输出状态概率B，具体为：

(3.2.1)用高斯混合聚类法对指纹库进行聚类，得到N个楼层的高斯混合模型；

(3.2.2)输入接收信号y后，第i楼层输出接收信号x的概率为b_i(y)，将该概率作为输出状态概率。

如图3所示，步骤6用鲍姆-韦尔奇算法调整用于楼层识别的改进隐马尔科夫模型，其过程如下：

(5.1)输入初始状态模型参数[A,B,π]

(5.2)迭代求解

训练集合为O＝{o₁,o₂,...,o_D}，用前向后向算法计算γ_t(i)、ξ_t(i,j)，t＝1,2,...,T，其中t为时间间隔索引，γ_t(i)为在第t个时间间隔内属于状态i得概率，ξ_t(i,j)为在第t个时间间隔内属于状态i而在第t+1个时间间隔内属于状态j得概率，α_t(i)为在第t个时间间隔内用前向算法计算得到的当前楼层号为i的概率，β_t(i)为在第t个时间间隔内用后向算法计算得到的当前楼层号为i的概率。

其中用前向算法计算α_t(i)的过程如图4所示，包括：

(1)求初始值α₁(i)＝π_ib_i(o¹)；

(2)递归，当t＝t+1时刻

(3)t＝T时刻，中止递归p(o|μ,Σ)为在当前参数下得到训练样本o的概率。

其中用后向算法计算β_t(i)的过程如图5所示，包括：

(1)求初始值β_T(i)＝1，i＝1,2,...,N；

(2)递归在t时刻

(3)t＝1时中止递归p(o|μ,Σ)为在当前参数下得到训练样本o的概率。

(5.3)更新模型参数

(5.4)判断是否满足终止条件，满足则输出各个楼层的高斯混合模型，不满足则回到步骤(5.2)所述终止条件为新旧模型参数的欧式距离小于设置阈值，或迭代次数达到最大迭代次数。

实施例

在本发明的一个较佳实例中，在图6所示一个的室内定位场景中进行实验，该场景总共有3个楼层，主要有办公室、会议室、洗手间、楼梯几种布局，无线接入点分别有2.4G和5G两个频段，布设位置如图7所示。一、二、三楼可见AP个数分别为7、12、7，共采集955个参考点，其中一、二、三楼参考点个数分别为285、340、330，参考点间距1.2m。

使用华为P20智能手机在每个楼层的参考点上采集指纹，采集软件自主研发。采集来自仅该楼层的可见AP的RSSI值，采样周期为15，每个参考点采集60组RSSI值以及相关AP的MAC信息。将所有参考点的指纹信息按照步骤(1.2)取平均值后，与位置坐标共同存储入该楼层的位置一指纹数据库。按照步骤3进行指纹库聚类。然后按照步骤三以5分钟为一个时间间隔，采集从早上8点至20点，共计144个时间间隔内人员的流动情况，建立用于初始化改进隐马尔科夫模型的人员流动数据库。并按照步骤4构建用于楼层识别的改进隐马尔科夫模型。按照步骤5采集共26名实验人员从早8点至晚20点的无线信号接收数据和所在楼层信息，采样间隔5分钟，建立用于调整改进隐马尔科夫模型参数的训练集合。按照步骤6调整用于楼层识别的改进隐马尔科夫模型。模型调整完成后利用实时采集的无线信号和用于楼层识别的改进隐马尔科夫模型预测所在楼层。

在本发明的实验环境中，随机选取不同楼层的45个测试点进行测试，每个测试点采集来自26个AP的RSSI值30次，总共得到1350个待测点的RSSI在线指纹向量，按照步骤7进行楼层判别。经过统计，楼层判别准确率可以达到99.8％。该方法建立用于楼层识别的改进隐马尔科夫模型，根据场景人流变化趋势和信号指纹的聚类结果初始化参数，后又对用户的楼内活动进行采样，调整模型参数，使模型更稳定可靠。方法挖掘利用了人流信息数据，顾及了现实场景中人前往不同楼层的概率因素，实现了在不同建筑中楼层的精确定位。

以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (5)

1.一种基于改进隐马尔科夫模型的楼层识别方法，其特征在于，包括如下步骤：

步骤1，建立用于初始化改进隐马尔科夫模型的信号指纹数据库，所述信号指纹数据库包括楼层号、楼层号对应楼层的参考点坐标、楼层号对应楼层无线接入点的Mac地址、Mac地址对应的信号强度值；

步骤2，建立用于初始化改进隐马尔科夫模型的人员流动数据库，所述人员流动数据库包括采集时间段内各楼层的人流信息，设置时间间隔为5分钟，将采集时间段划分为T个时间间隔，人流信息为人员进入建筑后时间间隔内停留的楼层，当前楼层的人群向其它楼层移动的数量统计或保持不变的数量统计；

步骤3，采用高斯混合聚类方法对每个楼层的信号指纹数据库进行聚类，得到信号指纹数据库聚类结果；

步骤4，利用人员流动数据库初始化改进隐马尔科夫模型的初始状态概率π和状态转移矩阵A，利用信号指纹数据库聚类结果初始化输出状态概率B，构建用于楼层识别的改进隐马尔科夫模型；

步骤5，将一个测试人员T个时间间隔内的接收信号及所在楼层作为训练子集，所有测试人员的训练子集构成训练集合；

步骤6，利用训练集合调整改进隐马尔科夫模型的参数；

步骤7，利用实时采集的无线信号以及调整后的改进隐马尔科夫模型预测待定位用户所在楼层。

2.根据权利要求1所述基于改进隐马尔科夫模型的楼层识别方法，其特征在于，所述步骤1的具体过程为：

1.1，对每个楼层的无线接入点按照Mac地址从1开始依次编号，并定义集合Q_i＝{num₁,num₂,…,num_qi,i}，i＝1,…,N，N为总楼层数，Q_i表示第i个楼层无线接入点的编号集合，qi为第i个楼层无线接入点的数目；

1.2，在每个楼层设置若干参考点，在每个参考点处采集k次无线接入点的RSSI值，得到k*qi阶矩阵，其中矩阵的第p行第q列元素表示参考点第p次接收到的来自编号为num_q的无线接入点的RSSI值，k、qi、p、q均为正整数，且1≤p≤k，1≤q≤qi；

1.3，对于每个参考点处得到的k*qi阶矩阵，将每个列向量的所有元素相加后取平均值，得到该参考点的指纹信息，该指纹信息为一个qi维行向量将该参考点的二维位置坐标及指纹信息存入该参考点所在楼层的信号指纹数据库中，当参考点检测不到无线接入点时，用默认值-110dBm作为RSSI值。

3.根据权利要求1所述基于改进隐马尔科夫模型的楼层识别方法，其特征在于，步骤3所述高斯混合聚类方法中的高斯混合模型构造过程如下：

3.1，定义X＝{x₁,x₂,…,x_qi}，X表示第i个楼层的指纹信息，x_q表示第i个楼层第q个参考点的指纹信息，1≤q≤qi，qi为第i个楼层无线接入点的数目，初始化各楼层的高斯混合模型的参数α_i、μ_i、∑_i，1≤i≤N，N为总楼层数，α_i为第i个楼层的混合系数，μ_i为第i个楼层的均值向量，∑_i为第i个楼层的协方差矩阵；

3.2，计算当前参考点的接收信号x由第i个楼层的混合成分生成的后验概率p(z＝i|x)：

其中，z表示生成接收信号x的高斯混合成分，p(z＝i)为当前楼层为i的先验概率，p(x|μ_i,Σ_i)为接收信号x由本次循环中第i个楼层的高斯混合模型生成的概率，p(z＝l)为当前楼层为l的先验概率，p(x|μ_l,Σ_l)为接收信号x由本次循环中第l个楼层的高斯混合模型生成的概率；

3.3，更新各楼层的高斯混合模型的参数，更新后的参数为 其中，p(z_m＝i|x_m)为第m个参考点接收信号x_m由第i个楼层生成的后验概率，M为当前楼层参考点的数目；

3.4，判断是否满足迭代终止条件，满足则输出各楼层的高斯混合模型，不满足则返回3.2，其中，迭代终止条件为更新后的参数与更新前的参数之间的欧氏距离小于预设阈值，或迭代次数达到最大迭代次数。

4.根据权利要求1所述基于改进隐马尔科夫模型的楼层识别方法，其特征在于，所述步骤4的具体过程如下：

4.1，统计第一个时间间隔内到达第i个楼层的人数c_i，并计算c_i占第一个时间间隔内到达所有楼层的总人数的比例将该比例作为该楼层的初始状态概率，则π＝{π₁,π₂,…,π_N}，N为总楼层数；

4.2，统计接下来T-1个时间间隔内，第i个楼层向第j个楼层转移的人数p_ij，计算p_ij占第i个楼层向所有楼层转移的总人数的比例将该比例作为楼层的状态转移概率，建立状态转移矩阵A＝[a_ij]_N×N；

4.3，用高斯混合聚类方法对信号指纹数据库进行聚类，得到每个楼层的高斯混合模型，对于待定位用户的接收信号y，将y输入高斯混合模型，得到第i个楼层输出接收信号y的概率为b_i(y)，将该概率作为输出状态概率B＝{b_i(y),1≤i≤N}。

5.根据权利要求1所述基于改进隐马尔科夫模型的楼层识别方法，其特征在于，步骤6所述利用训练集合调整改进隐马尔科夫模型的参数的算法为鲍姆-韦尔奇算法。