CN111121759B - 一种基于多层长短期记忆网络的地磁室内定位方法 - Google Patents

Abstract

本发明提供一种基于多层长短期记忆网络的地磁室内定位方法。本发明对于如何使地磁序列信息和循环神经网络的结合来提高定位精度的问题，分为地磁室内数据库搭建和模型学习定位两个阶段。地磁室内数据库的搭建分为两个方面，一是室内地磁轨迹信号的收集，二是地磁室内数据库的搭建，并且在搭建过程中，会采用KNN和DTW融合的算法来求解合适的地磁室内数据库搭建的形式。模型学习定位阶段利用从短期记忆网络对地磁室内数据库进行学习，学习好适合参数的长短期记忆模型便可以用于定位。本发明的信号源只利用到地磁信号，不需要搭建基础设施，利用手机上的地磁传感器就可采集，采用长短期记忆网络模型，极大的提高了地磁室内的定位精度。

Description

一种基于多层长短期记忆网络的地磁室内定位方法

技术领域

本发明属于室内定位领域，具体涉及一种地磁室内地图数据库的搭建的方法，并利用长短期记忆网络的提取出位置信息并进行定位。

背景技术

室内定位技术在日常生活中带来了许多便利，在许多场景中具有很高的应用价值，例如被运用在商城，停车场等建筑中。如果在室外环境中，定位的方法一般会是GPS，但在室内环境中，GPS的定位精度往往不够。所以许多研究者尝试用WIFI,蓝牙等信号来引入了室内定位技术中去提高定位精度。

地磁作为室内定位的信号源之一，具有无需搭建基础设施，低成本，全天候的优点。由于室内建筑中钢筋水泥的影响，地磁在室内环境中会形成独特的结构，从而带来定位的优势。长短期记忆网络是一种循环神经网络，对序列的非线性特征学习具有一定优势。地磁轨迹信号作为一种序列信息，长短期记忆网络能更好地提取出地磁轨迹信号中位置特征，从而带来更为精确的室内定位结果。

地磁信号是一种特征信息较不明显的信号以及现在循环神经网络不断发展，新的模型能好地学习地磁信号中的特征。所以如何让地磁信号和循环神经网络结合来提高室内定位精度是一个值得探讨的问题。

发明内容

针对现有技术中存在的不足，本发明提供一种基于多层长短期记忆网络的地磁室内定位方法。

本发明对于如何使地磁序列信息和循环神经网络的结合来提高定位精度的问题，分为地磁室内数据库搭建和模型学习定位两个阶段。地磁室内数据库的搭建分为两个方面，一是室内地磁轨迹信号的收集，二是地磁室内数据库的搭建，并且在搭建过程中，会采用KNN和DTW融合的算法来求解合适的地磁室内数据库搭建的形式。模型学习定位阶段利用从短期记忆网络对地磁室内数据库进行学习，学习好适合参数的长短期记忆模型便可以用于定位。

一种基于多层长短期记忆网络的地磁室内定位方法，步骤如下：

步骤1、地磁轨迹数据的采集：

(1)测量室内所有的路径的长宽比例。

(2)沿室内路径的行人主要行走方向采集地磁轨迹数据。

步骤2、搭建地磁室内数据库：

(1)根据不同的网格长度划分室内地图和地磁轨迹数据。

(2)对于网格长度的不同网格会划分一个对应位置和网格长度相同的地磁轨迹信号，在每个网格的正中心分配位置标签。

(3)根据不同的网格长度搭建相对应的地磁数据库。

步骤3、利用KNN和DTW混合的算法选择最合适的网格长度，确定相应的地磁数据集：

(1)通过KNN和DTW融合的算法计算不同地磁数据库下的定位精度。

(2)根据定位精度的结果选择定位精度最高的地磁数据库作为网络训练所用的地磁数据集。

(3)在确定好的地磁数据库中选取80％的数据作为训练集，20％的数据作为测试集。

步骤4、利用多层的长短期记忆网络训练确定的地磁数据库：

(1)通过长短期记忆网络训练地磁数据库中的训练集；

(2)通过地磁数据库中的测试集来测试训练好的模型的好坏；

(3)通过多次训练，选择输出定位精度最优的模型参数。

本发明方法具有的优点及有益结果为：

1、本发明的信号源只利用到地磁信号，不需要搭建基础设施，地磁数据利用手机上的地磁传感器就可采集。

2、本发明设计了一个适合于神经网络训练的地磁室内数据库搭建的方法，该方法能确定地磁轨迹信号划分最合适的长度，让模型更易于学习地磁室内数据库的位置特征。作为训练地磁室内数据库的长短期记忆网络模型，对序列信息的特征提取具有不错的效果，极大的提高了地磁室内的定位精度。

3、本发明在整个室内定位系统部署前会提前训练好用于地磁定位的长短期记忆网络模型。在实时定位过程中，只需采集好地磁信息并加载模型就可以直接输出定位结果，整个过程不需要设备提供额外的计算能力。

附图说明

图1为本发明的系统框架图；

图2为本发明网格划分示意图；

图3为长短期记忆网络中的记忆单元的结构图；

图4为本发明多层长短期记忆网络的结构图。

具体实施方式

下面结合具体实施方式对本发明进行详细的说明。

本发明提出一种地磁室内地图数据库的搭建的方法，并利用长短期记忆网络的提取出位置信息并进行定位，大致框架如图1所示。具体按照以下步骤实施。

步骤1、地磁轨迹数据的采集

地磁轨迹信号的采集沿室内道路的行人主要行走方向进行正向采集。采集过程中根据道路的宽度等比例分成几个路线，在这几个路线上利用手机传感器正向和反向采集地磁轨迹信号。地磁轨迹数据的采集根据不同的天数和不同的时间进行多次采集。采集的地磁信号表示为一个四维的向量<M_x,M_y,M_z,M>，M_x,M_y和M_z是由手机的地磁传感器的三个方向轴所采集的信号值，M表示地磁强度，由M_x,M_y和M_z的二阶范数组成，具体公式如下：

地磁轨迹信号由连续的地磁信号组成。对于用于神经网络的训练，地磁轨迹信号有更多的地磁信号能带来更多的位置特征为室内定位带来更好的精度。地磁轨迹信号是一个四维长度不定的信号，由以下的公式表示：

其中横向代表地磁轨迹信号的四个维度，t表示地磁轨迹的长度。

步骤2、搭建地磁室内数据库

地磁室内数据库的搭建是对采集的地磁轨迹信号进行一定方法的划分。如图2所示，室内地图中划分为一个个的网格，在主要方向上相邻的网格是一种重叠的状态。每个网格会划分一个对应位置和网格长度相同的地磁轨迹信号，在每个网格的正中心分配位置标签。室内地图中由每个网格所对应的地磁轨迹信号和位置标签就组成了地磁室内的数据库。

地磁信号在0.5米左右的强度变化很小，设置网格步长即相邻网格的间距为0.5米，然后以0.5米为间隔在6-12米范围内划分不同长度的网格来搭建多个地磁数据库，网格长度满足室内路径的总长度和其的差值正好能被0.5整除。网格宽度同样选择为0.5米，如果室内路径宽度与0.5米有余数，该余数平均分配给两侧的网格，即最两侧的网格宽度在0.5米到0.75米之间(不包括0.75米)。

步骤3、利用KNN和DTW混合的算法选择最合适的网格长度，确定相应的地磁数据集；

K最邻近算法(KNN)是一种较为成熟的机器学习算法，其原理是在特征空间中取k个与目标值最相似的样本，如果这k个样本中大多数的样本属于某个类别，那目标样本就属于这个类别。

动态时间规划算法(DTW)是语音识别中一种较为经典的算法，主要用来解决发音长短不一的问题。地磁轨迹信号在采集过程中，人为采集会存在速度不一的现象，所以DTW同样可以用来解决这个问题。总的来说，在这个混合算法中，DTW会用来计算地磁轨迹信号之间的相似度。

KNN与DTW混合的算法中，利用DTW来计算目标值和地磁数据库中的地磁轨迹的相似度，从中取k个最相似的地磁轨迹数据所对应的位置标签，按照权重来计算估计位置，权重W_t和位置估计的公式如下：

W_t＝1/DTW(q,p_t) (3)

其中q表示目标值，p_t表示地磁数据库中的地磁轨迹数据，loc表示估计的位置，loc_t表示为前k个最相似的地磁轨迹信号所以对应的位置标签。

在实验中k设置为4，即选择最相似的前4个地磁轨迹信号的位置作平均值作为估计位置。分别测试在不同网格长度的地磁数据库下的定位误差，选取定位误差最小的网格长度作为最合适的网格长度。定位误差为地磁数据库中测试集在KNN和DTW混合的算法下计算出的估计位置和实际位置的绝对值差值的平均值。

在最合适的网格长度对应的地磁数据库中选取80％的数据作为训练集，20％的数据作为测试集。

步骤4、利用多层的长短期记忆网络训练确定好的地磁数据库

长短期记忆网络由一个个门控记忆单元组成，门控记忆单元用来记忆不定时间长度的信息，控制遗忘过去不重要的信息，将滤波后的信息与现在的信息融合进行更新。门控记忆单元如图3所示，具体公式由以下几个部分组成：

(1)输入门i_t控制输入信息激活到记忆单元

(2)输出门o_t控制记忆单元输出结果的数据

(3)遗忘门f_t决定内部状态所需要遗忘的信息

(4)输入控制门g_t提供输入到记忆单元

(5)内部状态I_t控制着单元的内部循环

(6)隐藏状态h_t控制着过去样本所提高的一系列信息

I_t＝f_tI_t-1+g_tI_t (9)

h_t＝tanh(I_t)o_t (10)

其中σ表示的是激活函数，W¹表示输入数据x_t到输入门i_t的权重矩阵，W²表示前一时刻的隐藏状态h_t-1到输入门i_t的权重矩阵，b表示偏差向量。在长短期记忆网络训练过程中，主要训练的就是网络中各个记忆单元的内部状态以及最后的记忆单元的输出结果，具体来说，长短期记忆网络就是学习W¹，W²和b的适合参数。

多层的长短期记忆网络如图4所示，多层的网络结构能帮助不成熟的网路信息转化成更为抽象的表达形式。对于地磁室内定位，长短期记忆网络的输入信息为地磁轨迹信号，地磁轨迹信号的离散序列形式表示为(x₁,x₂,…,x_T)。地磁轨迹信号会分别在时间t(t＝1,2,…,T)的时刻下在多层长短期记忆网络的第一层作为输入信息。在初始时刻下，初始状态

和初始隐藏状态

的参数设置为零。多层长短期记忆网络的第一层的输出

包含了在t时刻的地磁信号x_t，先前的内部隐藏状态

和先前的隐藏状态

组成，具体用以下公式表示：

除了第一层外，每一层的输入都是由前一层的输出作为输入。另l(l＝1,2,…,L)表示网络的层数。当l在2到L范围时，第l层的输入为上一层的输出

θ^l表示的是多层长短期记忆网络第l层记忆单元的参数，所以在层数为在2到L范围时，公式表示如下：

在每个时间时刻的输出为顶层的每个时间时刻的输出为

其中最顶层的最后时刻的输出

经过全连接层输出地磁轨迹信号的位置特征。最后的输出层为两位向量分别输出输入的地磁轨迹信号的估计位置坐标。其中损失函数为平方损失函数，具体公式如下：

其中(x_i,y_i)是地磁轨迹信号的实际位置坐标，

是地磁轨迹信号的估计位置坐标。在长短期网络记忆网络的训练过程中，通过反向传播算法最小化损失函数，求解出最合适的网络模型。

Claims (4)

1.一种基于多层长短期记忆网络的地磁室内定位方法，其特征在于，步骤如下：

步骤1、地磁轨迹数据的采集：

(1)测量室内所有的路径的长宽比例；

(2)沿室内路径的行人主要行走方向采集地磁轨迹数据；

步骤2、搭建地磁室内数据库：

(1)根据不同的网格长度划分室内地图和地磁轨迹数据；

(2)对于网格长度的不同网格会划分一个对应位置和网格长度相同的地磁轨迹信号，在每个网格的正中心分配位置标签；

(3)根据不同的网格长度搭建相对应的地磁数据库；

步骤3、利用KNN和DTW混合的算法选择最合适的网格长度，确定相应的地磁数据集：

(1)通过KNN和DTW融合的算法计算不同地磁数据库下的定位精度；

(2)根据定位精度的结果选择定位精度最高的地磁数据库作为网络训练所用的地磁数据集；

(3)在确定好的地磁数据库中选取80％的数据作为训练集，20％的数据作为测试集；

步骤4、利用多层的长短期记忆网络训练确定的地磁数据库：

(1)通过长短期记忆网络训练地磁数据库中的训练集；

(2)通过地磁数据库中的测试集来测试训练好的模型的好坏；

(3)通过多次训练，选择输出定位精度最优的模型参数；

步骤3、利用KNN和DTW混合的算法选择最合适的网格长度，确定相应的地磁数据集，具体方法如下：

利用DTW来计算目标值和地磁数据库中的地磁轨迹的相似度，从中取k个最相似的地磁轨迹数据所对应的位置标签，按照权重来计算估计位置，权重W_t和位置估计的公式如下：

W_t＝1/DTW(q,p_t) (3)

其中q表示目标值，p_t表示地磁数据库中的地磁轨迹数据，loc表示估计的位置，loc_t表示为前k个最相似的地磁轨迹信号所以对应的位置标签；

在实验中k设置为4，即选择最相似的前4个地磁轨迹信号的位置作平均值作为估计位置；分别测试在不同网格长度的地磁数据库下的定位误差，选取定位误差最小的网格长度作为最合适的网格长度；定位误差为地磁数据库中测试集在KNN和DTW混合的算法下计算出的估计位置和实际位置的绝对值差值的平均值；

在最合适的网格长度对应的地磁数据库中选取80％的数据作为训练集，20％的数据作为测试集。

2.根据权利要求1所述的一种基于多层长短期记忆网络的地磁室内定位方法，其特征在于，所述的步骤1、地磁轨迹数据的采集具体方法如下：

地磁轨迹信号的采集沿室内道路的行人主要行走方向进行正向采集；采集过程中根据道路的宽度等比例分成几个路线，在这几个路线上利用手机传感器正向和反向采集地磁轨迹信号；地磁轨迹数据的采集根据不同的天数和不同的时间进行多次采集；采集的地磁信号表示为一个四维的向量<M_x,M_y,M_z,M>，M_x,M_y和M_z是由手机的地磁传感器的三个方向轴所采集的信号值，M表示地磁强度，由M_x,M_y和M_z的二阶范数组成，具体公式如下：

地磁轨迹信号由连续的地磁信号组成；对于用于神经网络的训练，地磁轨迹信号有更多的地磁信号能带来更多的位置特征为室内定位带来更好的精度；地磁轨迹信号是一个四维长度不定的信号，由以下的公式表示：

其中横向代表地磁轨迹信号的四个维度，t表示地磁轨迹的长度。

3.根据权利要求2所述的一种基于多层长短期记忆网络的地磁室内定位方法，其特征在于，所述的步骤2、搭建地磁室内数据库，具体方法如下：

地磁室内数据库的搭建是对采集的地磁轨迹信号进行一定方法的划分；室内地图中划分为一个个的网格，在主要方向上相邻的网格是一种重叠的状态；每个网格会划分一个对应位置和网格长度相同的地磁轨迹信号，在每个网格的正中心分配位置标签；室内地图中由每个网格所对应的地磁轨迹信号和位置标签就组成了地磁室内的数据库；

地磁信号在0.5米左右的强度变化很小，设置网格步长即相邻网格的间距为0.5米，然后以0.5米为间隔在6-12米范围内划分不同长度的网格来搭建多个地磁数据库，网格长度满足室内路径的总长度和其的差值正好能被0.5整除；网格宽度同样选择为0.5米，如果室内路径宽度与0.5米有余数，该余数平均分配给两侧的网格，即最两侧的网格宽度,在0.5米到0.75米之间，不包括0.75米。

4.根据权利要求3所述的一种基于多层长短期记忆网络的地磁室内定位方法，其特征在于，所述的步骤4、利用多层的长短期记忆网络训练确定好的地磁数据库，具体方法如下：

长短期记忆网络由一个个门控记忆单元组成，门控记忆单元用来记忆不定时间长度的信息，控制遗忘过去不重要的信息，将滤波后的信息与现在的信息融合进行更新；门控记忆单元具体公式由以下几个部分组成：

(1)输入门i_t控制输入信息激活到记忆单元

(2)输出门o_t控制记忆单元输出结果的数据

(3)遗忘门f_t决定内部状态所需要遗忘的信息

(4)输入控制门g_t提供输入到记忆单元

(5)内部状态I_t控制着单元的内部循环

(6)隐藏状态h_t控制着过去样本所提高的一系列信息

I_t＝f_tI_t-1+g_tI_t (9)

h_t＝tanh(I_t)o_t (10)

其中σ表示的是激活函数，W¹表示输入数据x_t到输入门i_t的权重矩阵，W²表示前一时刻的隐藏状态h_t-1到输入门i_t的权重矩阵，b表示偏差向量；在长短期记忆网络训练过程中，主要训练的就是网络中各个记忆单元的内部状态以及最后的记忆单元的输出结果，具体来说，长短期记忆网络就是学习W¹，W²和b的适合参数；

多层的网络结构能帮助不成熟的网路信息转化成更为抽象的表达形式；对于地磁室内定位，长短期记忆网络的输入信息为地磁轨迹信号，地磁轨迹信号的离散序列形式表示为(x₁,x₂,…,x_T)；地磁轨迹信号会分别在时间t(t＝1,2,…,T)的时刻下在多层长短期记忆网络的第一层作为输入信息；在初始时刻下，初始状态

和初始隐藏状态

的参数设置为零；多层长短期记忆网络的第一层的输出

包含了在t时刻的地磁信号x_t，先前的内部隐藏状态

和先前的隐藏状态

组成，具体用以下公式表示：

除了第一层外，每一层的输入都是由前一层的输出作为输入；另l(l＝1,2,…,L)表示网络的层数；当l在2到L范围时，第l层的输入为上一层的输出

θ^l表示的是多层长短期记忆网络第l层记忆单元的参数，所以在层数为在2到L范围时，公式表示如下：

在每个时间时刻的输出为顶层的每个时间时刻的输出为

其中最顶层的最后时刻的输出

经过全连接层输出地磁轨迹信号的位置特征；最后的输出层为两位向量分别输出输入的地磁轨迹信号的估计位置坐标；其中损失函数为平方损失函数，具体公式如下：

其中(x_i,y_i)是地磁轨迹信号的实际位置坐标，

是地磁轨迹信号的估计位置坐标；在长短期网络记忆网络的训练过程中，通过反向传播算法最小化损失函数，求解出最合适的网络模型。

Images