CN110769499A - 一种基于双射频混合rssi指纹定位方法 - Google Patents
一种基于双射频混合rssi指纹定位方法 Download PDFInfo
- Publication number
- CN110769499A CN110769499A CN201911070550.XA CN201911070550A CN110769499A CN 110769499 A CN110769499 A CN 110769499A CN 201911070550 A CN201911070550 A CN 201911070550A CN 110769499 A CN110769499 A CN 110769499A
- Authority
- CN
- China
- Prior art keywords
- rssi
- distance
- fingerprint
- radio frequency
- data
- 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.)
- Granted
Links
Images
Classifications
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
一种基于双射频混合RSSI指纹定位方法,利用目前市面上较为通用的WiFi路由器实现室内2.4G、5.8G信号的双覆盖,设定若干参考点RP,离线阶段在RP节点多次、多时间段采集2.4G、5.8G射频AP的RSSI,将2类RSSI进行融合,应用机器学习方法对RP节点指纹进行拟合,提取指纹特征,建立RP节点双路射频混合RSSI指纹库;在线阶段通过定位节点实际采样,建立匹配方法,与双路射频混合RSSI指纹库进行在线匹配,估算定位节点所在的物理位置。本发明创造通过上述方法,提供了一种能够定位速率高,精准程度高的双射频混合RSSI指纹定位方法。
Description
技术领域
本发明创造属于RSSI指纹定位领域,具体涉及一种基于双射频混合RSSI指纹定位方法。
背景技术
目前,使用指纹定位的众多方法中,RSSI的指纹定位成果较多,但RSSI方式也存在较多的问题,这是由于射频的传输特性所决定的,射频的反射、折射、干扰、阴影衰落都会导致某一点位置上的RSSI值不唯一,在时域上也会存在不统一的特性,基于此大量的文献都聚焦在如何采集射频RSSI,加载多种类的滤波器,对信号的跳变进行剔除,同时对数据加权处理,利用时域和空间上的限制,对数据进行特殊化处理,以期待指纹库能最终表征每一点位的唯一性特征。
目前利用指纹库定位技术位置估算的方法,比较有代表性的分类方式是将位置估算算法分为确定性算法和概率性算法。确定性算法的理论基础是根据电磁波在不同传播介质中传播速度的不同,根据测试点与参考点之间的RSSI差值,利用电磁波传播模型确定两点之间的距离,进而知道多个参考点与测试点的距离,最后依据一定的原则,计算出测试点的坐标。由于电波在特定室内空间传播多径效应的影响,选取科学的电波传播模型将测试点与参考点之间的信号距离转化为物理距离,是一个困难的问题,而且不同室内结构的差异性也导致确定性算法普适性较差。概率性算法的原理是分析观测点与参考点之间的概率性分布,首先定义一种指纹之间距离的度量标准,依据此标准计算观测信号向量与指纹数据库中所有指纹记录的距离,距离越小则相似性越高,反之越低。最后,挑选出一个或者若干个匹配度最高(距离最小)的指纹记录,将该指纹记录对应的位置坐标或者若干个指纹对应位置坐标的加权平均值作为估算结果。目前大量指纹库定位技术文献都将信号距离与物理距离是呈正比作为定位前提条件,当然在测试点与参考点之间是可视情况下这种正比关系是成立的,但是如果测试点与参考点之间是非可视的关系,那么信号距离的变化会很大,但是两个点之间的物理距离变化是很小的,因此如何提高定位评估算法的场景普适性也是一个重要的研究热点。
目前,能够用于建立指纹库的RSSI通信技术或者手段,主要包含Wi-Fi、Bluetooth和ZigBee,都属于无线通信网络标准,相同点是都工作在ISM2.4GHz公共频段,2.4GHz通信技术属于短距离无线传输技术,具有双向传播和耗电少的优点。2.4GHz从2007年推出到现在已经10多年,在宾馆、酒店、商场、商业办公等公众场所无线网覆盖方面应用的较为普遍,这也就为基于位置服务的应用推广提供了底层技术支撑。IEEE 802.11b/g标准工作在2.4G频段,频率范围为2.400~2.4835GHz,共83.5M带宽,划分为13个子信道,每个子信道带宽为22MHz。由于2.4G频段应用的普遍性,同时也由于其属于免执照频率,所以在室内覆盖规划部署上缺乏统一性,这就导致2.4G频段存在的干扰较多,Wi-Fi AP节点间如果缺少信道规划会导致相互干扰,Wi-Fi与Bluetooth、ZigBee同时部署也会导致互相干扰,干扰的结果就是信号极不稳定,通信效果也较差。
为了避免2.4G频段频点少互相干扰的问题,5.8GHz无线通信技术应运而生,5.8GHz频段是一个比2.4GHZ频率更高、开放的ISM频段,最近几年开始进入产品研发领域,它遵从于802.11a、FCC Part 15、ETSI EN 301 489、ETSI EN 301 893、EN 50385、EN 60950等国际标准,IEEE 802.11a工作在5.8G频段,频率范围为5.725G~5.850GHZ,共125M带宽,每个信道20MHz带宽802.11G传输为54M,802.11N的传输速度才能达到300M。与2.4G频段相比,5.8G频段相对较为干净,受到同频干扰的几率较低。目前市场上的Wi-Fi路由设备和手机、笔记本、Pad设备均支持2.4G频段和5.8G频段的双接入。从2.4GHz频段特性上分析,2.4GHz极易受到人身体的干扰,人在空间内的行走会导致2.4GHz信号的抖动,形成信号的跳变,这对于基于2.4GHz的定位来讲极为不利,而5.8G频段人体对其的干扰相对较小,传输效果更为平稳。
专利201711093984.2中记载了“一种融合多频WIFI信号的室内定位方法”,应用2.4G和5.8G射频建立了射频指纹库和室内定位算法,从该专利的保护点和实现过程来分析,该专利未实现两路射频的融合,指纹库建立过程也是2.4G和5.8G射频分别建立,在线阶段定位算法的实现是应用2.4G和5.8G射频在室内空间的分布特性,利用统计学方法对2.4G和5.8G射频指纹库进行加权,即在不同的定位点根据权值决定定位以2.4G射频指纹库为主要参考因素还是以5.8G射频指纹库为主要参考因素。因此该专利未实现2.4G和5.8G射频的融合,且其实现过程的加权因子的确定是通过统计学方法,不同的室内环境具有不同的2.4G和5.8G射频环境加权因子,因此该方法不具备普适性。
发明创造内容
为克服相关技术中存在的问题,本发明创造提供一种基于双射频混合RSSI指纹定位方法,利用目前市面上较为通用的WiFi路由器实现室内2.4G、5.8G信号的双覆盖,设定若干参考点(RP),离线阶段在RP节点多次、多时间段采集2.4G、5.8G射频(AP)的RSSI,将2类RSSI进行融合,应用机器学习方法对RP节点指纹进行拟合,建立RP节点双路射频混合RSSI初始指纹库,提取指纹特征;在线阶段通过定位节点实际采样,建立匹配方法,与双路射频混合RSSI指纹库进行在线匹配,估算定位节点所在的物理位置。
为了实现上述目的,本发明创造采用的技术方案为:
一种基于双射频混合RSSI指纹定位方法,其特征在于,其步骤为:
1)待定位人员在空间内携带通信终端;
2)离线阶段:
2.1)利用通信终端对建构筑物内部空间点位上的双路射频RSSI信号进行采集;
2.2)将采集到的双路射频信号进行合并,成混合RSSI指纹;
2.3)通过机器学习算法对混合RSSI指纹进行特征拟合,与空间坐标系进行关联,最终输出为位置估算模型,部署在通信终端上;
3)在线阶段:
3.1)通过通信终端对空间某一点上的双路射频RSSI信号进行采集;
3.2)将采集到的双路射频RSSI信号进行合并,形成混合特征向量;
3.3)将该混合特征向量输入到步骤2.3)中的位置估算模型中,进而预测人员所在位置的物理坐标。
所述的双路射频为2.4GHz和5.8GHz射频信号。
步骤2.2)与步骤3.2)中,双路射频信号合并方法具体为:
a)参考点的射频RSSI数据由2.4G、5.8G射频信号值和数据标签三部分构成,其中2.4G、5.8G用于后续进行混合RSSI指纹训练模型的输入,数据标签为该参考点距离原点的距离。表示如下:
RPRSSI={2.4GRSSI,5.8GRSSI,Distance}
2.4GASSI={2.4G-RSSI1,2.4G-RSSI2,2.4G-RSSI3,.......2.4G-RSSIn},n为双射频AP的数量;
5.8GRSSI={5.8G-RSSI1,5.8G-RSSI2,5.8G-RSSI3,.......5.8G-RSSIn},n为双射频AP的数量;
其中,RSSI是接收的信号强度指示,主要用来判断链路的质量,RSSI数值是相对于最高值与最小值的一个区间指示;
数据采集过程中设定采样频率为1kz,每个参考点采样周期为5分钟,共计300个采样数据,按照下式(1)对原始数据进行合并,合并后数据反映在采样周期内的特征;
b)对原始采集的RSSI数据进行正则化处理,以保留有效数据并剔除跳变数据;应用下式(2)对数据进行处理,处理后每一个RSSI取值为0或1;
其中,RSSIi代表一个采样周期内的原始数据,RSSIDes代表处理后的RSSI值,RSSIorig代表经过式(1)处理后的RSSI,RSSIMax和RSSIMin分别代表一段采集周期内,RSSI的最大值和最小值。
通过以上过程对原始数据的处理,我们在每一个参考点上都得到了多个2.4G与5.8G射频RSSI指纹特征数据,
其中,i代表第i个参考点,j代表在i参考点上的第j个特征指纹数据,n代表双射频AP的数量;
由此,得到参考点上多个时间段上的混合射频多特征数据。
所述的步骤2.3)中,具体方法为:
2.3.1)混合RSSI指纹模型构建:
混合RSSI指纹分类模型是基于图像分类CIFAR-10模型框架,包含2个卷积层、2个池化层、2个全连接层和1个Softmax层,首先将RP上每一个双射频RSSI数据样本转化为32*32的图像数据,作为训练模型的输入,其次使用CIFAR-10模型的10分类输出,用于观测点距离原点距离的概率比值;
为了预测未知节点到坐标原点距离的概率分布,应用CIFAR-10模型框架,给定的真实距离分布用经验概率质量函数P来表示,
P=[pd1,pd2,....,pdN](d1≤di≤dN,N=10) (3)
其中,di表示第i个距离分布分类,N代表距离分布分类的数量;
距离分布的标准偏差评分表示为:
通过平均质量评分和标准偏差评分评价指纹模型定位的性能;
每个参考点双射频RSSI指纹数据包含了多个32*32的图像数据和一个距离数据,需要对距离数据进行转化,假设距离坐标原点最远的距离为Lmax,参考点i距离原点距离为Li,那么将距离,即距离分布率转化为Pi,
2.3.2)损失函数
为了预测TP到达设定原点的距离,将最远距离Lmax进行10等分化,形成距离分布有序化分类,d1≤..≤dN(N=10),分类间距离r-norm表示为|dj-di||r(1≤i,j≤10),假定在分类间距离为||dj-di||r的N个有序分类任务中,真实分类与预测分类质量函数为P和定义从一个分类移动到另一个分类的最小成本为EMD,归一化的地球移动器距离EMD表示为:
2.3.3)混合RSSI指纹模型训练
将采集的双射频指纹数据集按照8∶2的比例拆分为训练数据集和验证数据集,模型训练的权重和偏差设定为0.9,第一个全连接层上应用0.75的丢弃率;卷积层和最后完全连接层的学习率分别设置为3×10-7和3×10-6;在每10个训练时期之后,设置所有层的学习率都按照0.95的衰减因子进行指数衰减,得到位置估算模型。
所述的步骤3.3)中,具体方法为:
在线阶段位置评估需要预测TP点的物理坐标,需要将在TP点实时采集的混合RSSI射频指纹输入到混合RSSI指纹分类模型,得到该点指纹的平均分布评分
然后将μ×Lmax,从而得到TP点到达原点的距离。
定义RP为距离TP最近的参考节点,该点的坐标为(x1,y1),距离原点距离为L3,(x1,y1)坐标和L2距离为已知,TP为预测节点,其距离原点的距离为L1,为已知;需要求取该节点的坐标(x,y);
求解方程如下:
由此,得到坐标(x,y),确定坐标点。
本发明创造的有益效果为:
1)传统基于射频信号RSSI定位方法和技术,都是基于单一种射频信号构建指纹库或建立射频传播模型,而射频指纹库技术应用的较为广泛,因为该技术将射频信号的多径传播、阴影衰落、射频干扰等方面的不利影响作为定位的参考特征,实用性较强。但传统的射频指纹库定位技术均是应用1路射频RSSI作为指纹库特征数据,例如:WiFi、Bluetooth、RFID、ZigBee等射频通信技术,1路射频RSSI数据特征相对于2路射频RSSI在指纹“密度”上相对较少,而本发明专利中利用WIFi-AP中共存的2.4G和5.8G射频作为指纹库,数据维度相对单一2.4G有较大提升,同时5.8G射频与2.4G射频的特异性也有利于特征数据获取的多样性,能够较大提升定位的精确度和准确度;
2)本发明专利在原始RSSI数据处理过程中,应用了如下的处理过程由于RSSI数据是代表AP节点的射频发射强度指示,而在时间域上不同时间段采集的RSSI存在一定的差异,而本专利方法处理过程则将时间域上的强弱指示变换成为一个变化区间比例,在时间域上具有一致性,对于后续指纹模型的建立能够提供一致性的特征;
3)本发明专利对采集到的2.4G和5.8G射频RSSI数据,应用了二阶巴特沃斯滤波器进行数字滤波,剔除了采用数据中的跳变数据,相比较于其他诸如卡尔曼滤波、高斯滤波等具有滤波后数据更加平滑的特点,巴特沃斯滤波器的特点是通频带内的频率响应曲线最大限度平坦,没有起伏,而在阻频带则逐渐下降为零;
4)本发明专利区别传统指纹库定位技术或者系统中,某一参考点上指纹用一个向量数据进行表征的模式,而是将某一点位上的指纹用一个模型来进行表征,该模型融合了该点上多时间域上2.4G和5.8G射频RSSI变化的特征,因而在特征表征上密度要强于传统的指纹库定位指纹的构建方法;
5)本发明专利的运算效率要优于现有的指纹库定位算法,由于本专利离线阶段指纹模型的生成是在定位模型运算模块上进行运算,定位模型运算模块可以是一个机器群组也可以是一个远端的云计算平台,最终生成指纹模型,指纹模型类似一个融合多维度特征的一个运算公式,部署在通信终端上,每次的运算需要的资源较少,运算结果即为待定位节点距离原点的距离,能够在毫秒时间内输出,因此定位效率要明显高于现有方法;
6)本发明专利解决了RP与TP之间非可视的限定条件,传统指纹库定位技术中是基于将RP与TP之间的信号变化距离等比例转化到RP与TP之间的物理距离变化,进而实现位置坐标估算,但是在非可视情况下传统指纹库定位算法将会导致巨大的误差,因为信号距离与物理距离之间的变化在非可视情况下,将不会再遵循等比例变化原则;而本专利中是基于无线射频的稳定性分布原则,通过机器学习的大量数据运算拟合,计算TP节点到原点的距离,进而找到距离TP最近的节点,然后依据距离等比例运算的方法实现位置估算。
附图说明
图1为本发明能创造应用示意图。
图2为本发明指纹定位系统框架及数据处理流程图。
图3为基于双射频混合RSSI指纹定位流程图。
图4为混合RSSI指纹模型构建模型构架图。
图5为位置评估算法示意图。
具体实施方式
一种基于双射频混合RSSI指纹定位方法,其特征在于,其步骤为:
1)待定位人员在空间内携带通信终端;
2)离线阶段:
2.1)利用通信终端对建构筑物内部空间点位上的双路射频RSSI信号进行采集;
2.2)将采集到的双路射频信号进行合并,成混合RSSI指纹;
2.3)通过机器学习算法对混合RSSI指纹进行特征拟合,与空间坐标系进行关联,最终输出为位置估算模型,部署在通信终端上;
3)在线阶段:
3.1)通过通信终端对空间某一点上的双路射频RSSI信号进行采集;
3.2)将采集到的双路射频RSSI信号进行合并,形成混合特征向量;
3.3)将该混合特征向量输入到步骤2.3)中的位置估算模型中,进而预测人员所在位置的物理坐标。
所述的双路射频为2.4GHz和5.8GHz射频信号。
步骤2.2)与步骤3.2)中,双路射频信号合并方法具体为:
参考点的射频RSSI数据由2.4G、5.8G射频信号值和数据标签三部分构成,其中2.4G、5.8G用于后续进行混合RSSI指纹训练模型的输入,数据标签为该参考点距离原点的距离。表示如下:
RPASSI={2.4GRSSI,5.8GRSSI,Distance}
2.4GRSSI={2.4G-RSSI1,2.4G-RSSI2,2.4G-RSSI3,.......2.4G-RSSIn},n为双射频AP的数量;
5.8GRSSI={5.8G-RSSI1,5.8G-RSSI2,5.8G-RSSI3,.......5.8G-RSSIn},同上n为双射频AP的数量;
设RPi坐标为RPi(Xi,yi),坐标系原点为(0,0),那么RPi的
RSSI(Received Signal Strength Indication)指的是接收的信号强度指示,主要用来判断链路的质量,RSSI数值是相对于最高值与最小值的一个区间指示。在数据采集过程中我们设定的采样频率为1kz,每个参考点采样周期为5分钟,共计300个采样数据。我们按照下式(1)对原始数据进行合并,合并后数据反映在采样周期内的特征。然后我们对原始采集的RSSI数据进行正则化处理,以保留有效数据并剔除跳变数据。我们应用下式(2)对数据进行处理,处理后每一个RSSI取值为0或1。
其中RSSli代表一个采样周期内的原始数据,RSSIDes代表处理后的RSSI值,RSSIorig代表经过式(1)处理后的RSSI,RSSIMax和RSSIMin分别代表一段采集周期内,RSSI的最大值和最小值。
通过以上过程对原始数据的处理,我们在每一个参考点上都得到了多个2.4G与5.8G射频RSSI指纹特征数据,
其中i代表第i个参考点,j代表在i参考点上的第j个特征指纹数据,n代表双射频AP的数量。这样我们得到了参考点上多个时间段上的混合射频多特征数据,通过后续的机器学习数据特征提取拟合,为提升定位精度奠定了数据基础。
所述的步骤2.3)中,具体方法为:
2.3.1)混合RSSI指纹模型构建:
本文构建的混合RSSI指纹分类模型是基于图像分类CIFAR-10模型框架,CIFAR-10模型包含2个卷积层、2个池化层、2个全连接层和1个Softmax层。本文中我们将RP上每一个双射频RSSI数据样本转化为32*32的图像数据,作为训练模型的输入。在模型输出上我们延续了CIFAR-10模型10分类输出,用于观测点距离原点距离的概率比值。如图4所示。
我们应用CIFAR-10模型目的是预测未知节点到坐标原点距离的概率分布,给定的真实距离分布可以用经验概率质量函数P来表示,
P=[pd1,pd2,....,pdN](d1≤di≤dN,N=10) (3)
距离分布的标准偏差评分可以表示为:
本文主要应用以上平均质量评分和标准偏差评分两个参数来评价指纹模型定位的性能。
我们在之前中建立的每个参考点双射频RSSI指纹数据包含了多个32*32的图像数据和一个距离数据,需要对距离数据进行转化,假设距离坐标原点最远的距离为Lmax,参考点i距离原点距离为Li,那么将距离转化为Pi(距离分布率),我们的目标是找到一个概率质量函数能够精确评估P。下面我们将介绍本文中指纹定位模型训练用到的损失函数。
2.3.2)损失函数
在各类机器学习分类任务中,Softmax交叉熵被广泛用作训练损失。用作损失量化函数,含义是最大化正确标签的预测概率,其中用于表示落在第i个分类上的概率。然而在有序分类任务中,交叉熵损失并不能体现分类间的“距离”关系。对于有序分类任务,大量文献都证明了应用分类框架在性能上优于回归模型。同时也有文献证明,对分类之间具有内在排序的数据集,数据训练时应用基于EMD损失函数能够极大提升模型训练的效能,EMD损失函数的机理是根据类间距离进行错误分类惩罚。
在本文中要预测TP(含义是测试点,test point)到达设定原点的距离,我们将最远距离Lmax进行10等分化,形成距离分布有序化分类,d1≤..≤dN(N=10),分类间距离r-norm可以表示为|dj-di||r(1≤i,j≤10),假定在分类间距离为|dj-di||r的N个有序分类任务中,真实分类与预测分类质量函数为P和定义从一个分类移动到另一个分类的最小成本为EMD,归一化的地球移动器距离(EMD)可以表示为:
2.3.3)混合RSSI指纹模型训练
将采集的双射频指纹数据集按照8∶2的比例拆分为训练数据集和验证数据集,模型训练的权重和偏差设定为0.9,第一个全连接层上应用0.75的丢弃率;卷积层和最后完全连接层的学习率分别设置为3×10-7和3×10-6;在每10个训练时期之后,设置所有层的学习率都按照0.95的衰减因子进行指数衰减,得到位置估算模型。
所述的步骤3.3)中,具体方法为:
在线阶段位置评估需要预测TP点的物理坐标,需要将在TP点实时采集的混合RSSI射频指纹输入到混合RSSI指纹分类模型,得到该点指纹的平均分布评分
然后将μ×Lmax,从而得到TP点到达原点的距离。
在线阶段位置估算算法如图5所示,定义RP为距离TP最近的参考节点,该点的坐标为(x1,y1),距离原点距离为L2,(x1,y1)坐标和L2距离为已知,TP为预测节点,其距离原点的距离为L1,为已知;需要求取该节点的坐标(x,y);
求解方程如下:
由此,得到坐标(x,y),确定坐标点。
Claims (5)
1.一种基于双射频混合RSSI指纹定位方法,其特征在于,其步骤为:
1)待定位人员在空间内携带通信终端;
2)离线阶段:
2.1)利用通信终端对建构筑物内部空间点位上的双路射频RSSI信号进行采集;
2.2)将采集到的双路射频信号进行合并,成混合RSSI指纹;
2.3)通过机器学习算法对混合RSSI指纹进行特征拟合,与空间坐标系进行关联,最终输出为位置估算模型,部署在通信终端上;
3)在线阶段:
3.1)通过通信终端对空间某一点上的双路射频RSSI信号进行采集;
3.2)将采集到的双路射频RSSI信号进行合并,形成混合特征向量;
3.3)将该混合特征向量输入到步骤2.3)中的位置估算模型中,进而预测人员所在位置的物理坐标。
2.根据权利要求1所述的一种基于双射频混合RSSI指纹定位方法,其特征在于,所述的双路射频为2.4GHz和5.8GHz射频信号。
3.根据权利要求2所述的一种基于双射频混合RSSI指纹定位方法,其特征在于,步骤2.2)与步骤3.2)中,双路射频信号合并方法具体为:
a)参考点的射频RSSI数据由2.4G、5.8G射频信号值和数据标签三部分构成,其中2.4G、5.8G用于后续进行混合RSSI指纹训练模型的输入,数据标签为该参考点距离原点的距离。表示如下:
RPRSSI={2.4GRSSI,5.8GRSSI,Distance}
2.4GRSSI={2.4G-RSSI1,2.4G-RSSI2,2.4G-RSSI3,......,2.4G-RSSIn},n为双射频AP的数量;
5.8GRSSI={5.8G-RSSI1,5.8G-RSSI2,5.8G-RSSI3,......,5.8G-RSSIn},n为双射频AP的数量;
其中,RSSI是接收的信号强度指示,主要用来判断链路的质量,RSSI数值是相对于最高值与最小值的一个区间指示;
数据采集过程中设定采样频率为1kz,每个参考点采样周期为5分钟,共计300个采样数据,按照下式(1)对原始数据进行合并,合并后数据反映在采样周期内的特征;
b)对原始采集的RSSI数据进行正则化处理,以保留有效数据并剔除跳变数据;应用下式(2)对数据进行处理,处理后每一个RSSI取值为0或1;
其中,RSSIi代表一个采样周期内的原始数据,RSSIDes代表处理后的RSSI值,RSSIorig代表经过式(1)处理后的RSSI,RSSIMax和RSSIMin分别代表一段采集周期内,RSSI的最大值和最小值。
通过以上过程对原始数据的处理,我们在每一个参考点上都得到了多个2.4G与5.8G射频RSSI指纹特征数据,
其中,i代表第i个参考点,j代表在i参考点上的第j个特征指纹数据,n代表双射频AP的数量;
由此,得到参考点上多个时间段上的混合射频多特征数据。
4.根据权利要求2所述的一种基于双射频混合RSSI指纹定位方法,其特征在于,所述的步骤2.3)中,具体方法为:
2.3.1)混合RSSI指纹模型构建:
混合RSSI指纹分类模型是基于图像分类CIFAR-10模型框架,包含2个卷积层、2个池化层、2个全连接层和1个Softmax层,首先将RP上每一个双射频RSSI数据样本转化为32*32的图像数据,作为训练模型的输入,其次使用CIFAR-10模型的10分类输出,用于观测点距离原点距离的概率比值;
为了预测未知节点到坐标原点距离的概率分布,应用CIFAR-10模型框架,给定的真实距离分布用经验概率质量函数P来表示,
P=[pd1,pd2,...,pdN](d1≤di≤dN,N=10) (3)
其中,di表示第i个距离分布分类,N代表距离分布分类的数量;
距离分布的标准偏差评分表示为:
通过平均质量评分和标准偏差评分评价指纹模型定位的性能;
每个参考点双射频RSSI指纹数据包含了多个32*32的图像数据和一个距离数据,需要对距离数据进行转化,假设距离坐标原点最远的距离为Lmax,参考点i距离原点距离为Li,那么将距离,即距离分布率转化为Pi,
2.3.2)损失函数
为了预测TP到达设定原点的距离,将最远距离Lmax进行10等分化,形成距离分布有序化分类,d1≤..≤dN(N=10),分类间距离r-norm表示为||dj-di||r(1≤i,j≤10),假定在分类间距离为||dj-di||r的N个有序分类任务中,真实分类与预测分类质量函数为P和定义从一个分类移动到另一个分类的最小成本为EMD,归一化的地球移动器距离EMD表示为:
2.3.3)混合RSSI指纹模型训练
将采集的双射频指纹数据集按照8:2的比例拆分为训练数据集和验证数据集,模型训练的权重和偏差设定为0.9,第一个全连接层上应用0.75的丢弃率;卷积层和最后完全连接层的学习率分别设置为3×10-7和3×10-6;在每10个训练时期之后,设置所有层的学习率都按照0.95的衰减因子进行指数衰减,得到位置估算模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911070550.XA CN110769499B (zh) | 2019-11-05 | 2019-11-05 | 一种基于双射频混合rssi指纹定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911070550.XA CN110769499B (zh) | 2019-11-05 | 2019-11-05 | 一种基于双射频混合rssi指纹定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110769499A true CN110769499A (zh) | 2020-02-07 |
CN110769499B CN110769499B (zh) | 2020-11-10 |
Family
ID=69336374
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911070550.XA Active CN110769499B (zh) | 2019-11-05 | 2019-11-05 | 一种基于双射频混合rssi指纹定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110769499B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111726861A (zh) * | 2020-06-09 | 2020-09-29 | 北京无限向溯科技有限公司 | 异构设备室内定位方法、装置、系统和存储介质 |
CN112399331A (zh) * | 2020-07-09 | 2021-02-23 | 上汽通用五菱汽车股份有限公司 | 一种汽车蓝牙钥匙定位方法 |
CN115103299A (zh) * | 2022-06-15 | 2022-09-23 | 河南工程学院 | 一种基于rfid的多传感器融合定位方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017100706A1 (en) * | 2015-12-09 | 2017-06-15 | Origin Wireless, Inc. | Method, apparatus, and systems for wireless event detection and monitoring |
CN107347181A (zh) * | 2017-07-11 | 2017-11-14 | 南开大学 | 一种基于双频Wi‑Fi信号的室内定位方法 |
CN108924756A (zh) * | 2018-06-30 | 2018-11-30 | 天津大学 | 基于WiFi双频带的室内定位方法 |
CN109769297A (zh) * | 2017-11-09 | 2019-05-17 | 深圳大学 | 一种融合多频wifi信号的室内定位方法 |
-
2019
- 2019-11-05 CN CN201911070550.XA patent/CN110769499B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017100706A1 (en) * | 2015-12-09 | 2017-06-15 | Origin Wireless, Inc. | Method, apparatus, and systems for wireless event detection and monitoring |
CN107347181A (zh) * | 2017-07-11 | 2017-11-14 | 南开大学 | 一种基于双频Wi‑Fi信号的室内定位方法 |
CN109769297A (zh) * | 2017-11-09 | 2019-05-17 | 深圳大学 | 一种融合多频wifi信号的室内定位方法 |
CN108924756A (zh) * | 2018-06-30 | 2018-11-30 | 天津大学 | 基于WiFi双频带的室内定位方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111726861A (zh) * | 2020-06-09 | 2020-09-29 | 北京无限向溯科技有限公司 | 异构设备室内定位方法、装置、系统和存储介质 |
CN111726861B (zh) * | 2020-06-09 | 2022-09-13 | 北京无限向溯科技有限公司 | 异构设备室内定位方法、装置、系统和存储介质 |
CN112399331A (zh) * | 2020-07-09 | 2021-02-23 | 上汽通用五菱汽车股份有限公司 | 一种汽车蓝牙钥匙定位方法 |
CN115103299A (zh) * | 2022-06-15 | 2022-09-23 | 河南工程学院 | 一种基于rfid的多传感器融合定位方法 |
CN115103299B (zh) * | 2022-06-15 | 2024-04-09 | 河南工程学院 | 一种基于rfid的多传感器融合定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110769499B (zh) | 2020-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110769499B (zh) | 一种基于双射频混合rssi指纹定位方法 | |
CN110012428B (zh) | 一种基于WiFi的室内定位方法 | |
US10374902B2 (en) | Method for clustering wireless channel MPCs based on a KPD doctrine | |
Li et al. | A feature-scaling-based $ k $-nearest neighbor algorithm for indoor positioning systems | |
CN106941718B (zh) | 一种基于信号子空间指纹库的混合室内定位方法 | |
WO2019062734A1 (zh) | 基于Wi-Fi热点的室内定位方法及装置 | |
Konak | Estimating path loss in wireless local area networks using ordinary kriging | |
CN103068035A (zh) | 一种无线网络定位方法、装置及系统 | |
CN109951798A (zh) | 融合Wi-Fi和蓝牙的增强位置指纹室内定位方法 | |
CN110351660B (zh) | 一种基于双步指纹匹配架构的蓝牙室内定位方法 | |
Yang et al. | Research on Wi-Fi indoor positioning in a smart exhibition hall based on received signal strength indication | |
CN111257830B (zh) | 基于预先设定ap位置的wifi定位算法 | |
Klus et al. | Transfer learning for convolutional indoor positioning systems | |
CN114448531B (zh) | 一种信道特性分析方法、系统、介质、设备及处理终端 | |
Sun et al. | A novel GCN based indoor localization system with multiple access points | |
CN109541537B (zh) | 一种基于测距的普适室内定位方法 | |
Guo et al. | WiRoI: Spatial region of interest human sensing with commodity WiFi | |
CN108462940A (zh) | 一种基于WiFi热点的室内定位方法 | |
Heidari et al. | Performance evaluation of indoor geolocation systems using PROPSim hardware and ray tracing software | |
KhanbashI et al. | Measurements and analysis of fingerprinting structures for wlan localization systems | |
CN115549823B (zh) | 一种无线电环境地图预测方法 | |
Mähönen et al. | Statistical characterization of transmitter locations based on signal strength measurements | |
Hong et al. | Gaussian process modeling of UWB multipath components | |
Arya et al. | An analysis of radio fingerprints behavior in the context of RSS-based location fingerprinting systems | |
Zhou et al. | Fingerprint similarity indoor localization: An AP selection based approach |
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 |