CN111132020A - 一种基于机器学习的rssi室内环境感知与检测方法 - Google Patents
一种基于机器学习的rssi室内环境感知与检测方法 Download PDFInfo
- Publication number
- CN111132020A CN111132020A CN201911244294.1A CN201911244294A CN111132020A CN 111132020 A CN111132020 A CN 111132020A CN 201911244294 A CN201911244294 A CN 201911244294A CN 111132020 A CN111132020 A CN 111132020A
- Authority
- CN
- China
- Prior art keywords
- rssi
- var
- value
- personnel
- variance
- 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
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B13/00—Burglar, theft or intruder alarms
- G08B13/22—Electrical actuation
- G08B13/24—Electrical actuation by interference with electromagnetic field distribution
- G08B13/2491—Intrusion detection systems, i.e. where the body of an intruder causes the interference with the electromagnetic field
-
- 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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Electromagnetism (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明属于无线通信技术领域,公开了一种基于机器学习的RSSI室内环境感知与检测方法,应用机器学习中的DBSCAN聚类算法结合阈值法;应用DBSCAN聚类算法结合阈值法的方法进行室内人员状态的检测,通过将RSSI值与方差两个特征值进行分类检测,得到当前环境中的人员状态;检测人员状态的变化,首先将系统设置为睡眠状态,然后应用该算法,检测室内定位环境是否有人入侵,当检测到人员入侵,则将处于睡眠状态的系统进行唤醒,实现了定位系统的唤醒功能。本发明增加了人员状态检测的功能,减小了人员状态的影响,提升了测距定位精度;实现了定位系统的唤醒功能,并且在一定程度上增加了系统的使用时间。
Description
技术领域
本发明属于无线通信技术领域,尤其涉及一种基于机器学习的RSSI室内环境感知与检测方法。
背景技术
目前,最接近的现有技术:近年来,室内无线定位作为一种基于位置的服务成为研究的热点问题。基于Wifi或蓝牙等系统的RSSI的室内定位技术因其简单易实现、成本低廉且对硬件的要求不高,在无线通信技术领域应用广泛。其主要思想是:在实际定位环境中,通过锚节点与目标节点之间相互通信获取信号强度信息,将筛选的信号强度信息转换为目标节点与锚节点之间的距离,当收集的距离信息超过一定数量时,就可以利用几何定位算法计算出目标节点的坐标位置。在实际采集RSSI值的过程中,RSSI值与环境密切相关,环境中是否存在人员以及人员的静动状态对RSSI值的影响不同,不同的人员状态下,RSSI值转换为距离值的方法不同,若采用同一转换模型将采集的RSSI值转换为距离值将会导致转换的距离值不准确,从而导致定位性能较差。
现有的应用RSSI值进行定位的方法已经有很多,其主要思路是:通过指纹法或者机器学习的方法将RSSI值与距离值对应,从而减少环境的影响。例如一种“基于WiFi信号的室内测距方法”。该方法采用建立RSSI与距离值的对照表,清空被测室内所有的障碍物品和人,将一个RSSI信号源固定位置,将一个信号接收器每隔1m的距离分别测试,采集信号接收器的数据记录到数据库文件中,列出不同距离与信号强度的对照表。该方法不需要计算环境参数值,但是需要提前进行大量的工作去建立信号强度值与距离的对照表,当室内环境发生变化时,如人员状态发生变化,当采集对照表时人员状态为静止,在实际定位过程中人员状态为走动,则建立的对照表将不再适用。文献“A new indoor location technologyusing back propagation neural network to fit the RSSI-d curve”。该方法采用BP神经网络拟合RSSI值与距离值之间的关系曲线图。通过训练一个三层神经网络,将实际采集到的RSSI值转换为距离值。从而能够更好的拟合二者之间的关系,解决了传统的应用对数路径损耗模型中环境参数无法根据环境实时变化的问题。该方法需要在实际环境中采集训练数据集进行网络的训练从而得到映射网络。在获取映射模型时,需要提前采集训练数据集用于训练,但是,当在训练时人员状态不同,将会导致在实际应用该映射模型时将会产生较大的误差。因此,如何快速简单检测室内人员的状态,并且根据人员状态做出相应调整,从而将RSSI转换为高精度的距离值,具有重要的应用价值。
综上所述,现有技术存在的问题是:当前室内人员状态无法确定导致定位精度较差,定位结果不理想。
解决上述技术问题的难度:由于室内无线电磁环境复杂,比如家具、室内装饰物等摆放对电磁波的阻挡作用,以及人员自由走动所带来的动态阻挡和多径反射折射效应,将使RSSI值具有较大的波动,导致环境感知与检测的误差较大,特别是,当在训练时人员状态不同,将会导致定位产生较大的误差。所以,如何在不受室内复杂多变环境的影响的条件下,高效且高精度的进行室内人员状态的检测,以提高复杂环境中的定位精度,是目前该技术领域普遍存在的难点问题。
解决上述技术问题的意义:如果解决了室内复杂多变的环境问题以及人员状态检测的功能,且增加了人员状态检测的功能,可以减小人员状态对定位精度的影响,提升了测距定位精度,并实现定位系统的唤醒功能。
发明内容
针对现有技术存在的问题,本发明提供了一种基于机器学习的RSSI室内环境感知与检测方法。
本发明是这样实现的,一种基于机器学习的RSSI室内环境感知与检测方法,所述基于机器学习的RSSI室内环境感知与检测方法应用机器学习中的DBSCAN聚类算法结合阈值法;应用DBSCAN聚类算法结合阈值法的方法进行室内人员状态的检测,通过将RSSI值与方差两个特征值进行分类检测,得到当前环境中的人员状态;检测人员状态的变化,首先将系统设置为睡眠状态,然后应用该算法,检测室内定位环境是否有人入侵,当检测到人员入侵,则将处于睡眠状态的系统进行唤醒,实现了定位系统的唤醒功能。
进一步,所述基于机器学习的RSSI室内环境感知与检测方法包括以下步骤:
第一步,特征值的提取
(1)在室内部署锚节点,存在多个距离的检测路径,在离线训练阶段,将两个锚节点距离分别设置为在实际定位环境中锚节点相距的距离值;
(2)在无人、人静止、人移动三种情况下令锚节点相互通信,采集RSSI值信息;
(3)应用高斯滤波算法对RSSI进行预处理;
(4)将滑动窗口设置为50,每50个滤波之后的RSSI值求解一次方差,得到方差和RSSI两个特征值;
(5)由于存在多个距离的检测路径,人员存在三种状态,每个距离下每种状态采集多组数据,多个距离下采集到大量的数据。此时获得多对RSSI值与方差值作为检测的特征值;
第二步,应用DBSCAN算法对数据进行聚类,将DBSCAN算法应用于特征值聚类;将样本数据输入到该算法中,Input=[(RSSI1,var1),…,(RSSIi,vari),…,(RSSIN,varN)]T,i=1,2,…,N,簇类别数为L,初始值为0,输出量为簇类的划分集合C;
第三步,阈值的获取,DBSCAN算法结合阈值法进行室内人员活动的感知与检测;
第四步,应用阈值进行状态分类,得到三种情况的阈值之后,可以对实际环境中采集到的RSSI值以及对应的方差值进行分类,当采集到的RSSI值大于RSSI11′,则该值一定为无人情况时采集,当RSSI值处于[RSSI31,RSSI32]之间,并且方差值处于[Var31′,Var32′]之间,则该值一定是在人移动情况下采集,当以上两种情况均不符合时,则为人员静止站立的情况。
进一步,所述第二步具体包括:
步骤一:将核心对象进行初始化ψ=φ,样本集中的数据全部初始化为未被访问,未被访问集合为ω=Input,簇划分初始化为C=φ;
步骤二:对样本集中的每一个数据按照进行操作,找到样本集中的核心对象:
步骤三:如果ψ=φ,则算法结束,否则转到步骤四;
步骤四:在ψ集合中,任意选择一个核心对象(RSSIj,varj),将当前的簇核心队列初始化为ψnow={(RSSIj,varj)},令L=L+1,当前的簇样本集合CL={(RSSIj,varj)},未被访问的集合更新为ω=ω-{(RSSIj,varj)};
步骤五:如果ψnow=φ,则生成簇类CL;此时,簇类划分为C={C1,C2,…,CL},核心对象集合更新为ψ=ψ-CL,转到步骤三;
步骤六:当前的簇核心对象ψnow取出一个核心对象(RSSIk,vark),找到该对象附近距离值小于E的样本集NE((RSSIk,vark)),将样本集NE((RSSIk,vark))与未被访问节点集相交,将相交的样本集划分到一个新簇中,即Δ=NE((RSSIk,vark))∩ω,CL=CL∪Δ,则未被访问的节点的样本集为ω=ω-Δ,当前的簇核心队列为ψnow=ψnow∪(Δ∩ψ)-(RSSIk,vark),然后转到步骤五;
步骤七:输出划分簇类的结果C={C1,C2,…,CL}。
进一步,所述步骤二对样本集中的每一个数据按照进行操作,找到样本集中的核心对象包括:
(1)应用距离比较的方法,找到距离样本(RSSIi,vari)的距离小于E的样本集NE(Ii);
(2)如果样本集NE(Ii)中的元素个数大于等于minPts,则将样本(RSSIi,vari)加入到核心点样本集合中:ψ=ψ∪{(RSSIi,vari)}。
进一步,所述第三步的DBSCAN算法聚类包括:
步骤一:采集的特征值利用DBACAN算法进行簇的划分,划分为三类,其中将无人分为两类,人员静止和人员移动的结果分为一类,将对应的无人数据保存在sort_1、sort_2数组中;人移动和人静止站立的数据保存在sort_3数组中;噪声点数据保存在sort_4数组中;
步骤二:得到sort_1、sort_2、sort_3数组中的RSSI值和方差值的最大值最小值,通过聚类结果计算得到三个数组中RSSI值的情况为[RSSI11,RSSI12],[RSSI21,RSSI22],[RSSI31,RSSI32],方差值的情况为[Var11,Var12],[Var21,Var22],[Var31,Var32],方差对应的均值为Var1,Var2,Var3。
进一步,所述第三步的获取阈值包括:
步骤一:将三个数组中RSSI和方差的数值大小进行比较,三个数组中两个特征值之间的关系为:RSSI11>RSSI22,RSSI21>RSSI32,Var1≈Var2<Var3;
步骤二:应用三种人员状态下两个特征值之间的数值分布规律结合三个数组数值大小关系得到,无人情况下的RSSI值和方差值:将[RSSI11,RSSI12],[RSSI21,RSSI22]和[Var11,Var12],[Var21,Var22]进行合并,即无人情况下的RSSI值范围[RSSI21,RSSI12],用[RSSI11′,RSSI12′]来表示,方差值情况为[Var11′,Var12′];人员静止和移动情况下的RSSI值为[RSSI31,RSSI32],方差为[Var31,Var32];
步骤三:区分人员静止和移动两种情况下的范围,人员静止情况下的方差与无人情况相同,应用方差值将二者划分;
步骤四:三种情况特征值阈值的获取,人员静止情况,RSSI范围为[RSSI31,RSSI32],方差为[Var11′,Var12′],且[Var11′,Var12′][Var31,Var32];人员移动情况RSSI范围为[RSSI31,RSSI32],方差为[Var31′,Var32′],无人情况,RSSI范围为[RSSI11′,RSSI12′],方差为[Var11′,Var12′]。
进一步,所述第四步的以采集的数据(RSSIx,Varx),首先判断RSSIx是否大于RSSI11′,如果是,则为无人情况,反之,则判断RSSIx是否处于[RSSI31,RSSI32]之间,并且Varx处于[Var31′,Var32′]之间,如果满足则为人移动情况,如果不满足,则将此时的状态判断为人员静止站立情况。
本发明的另一目的在于提供一种应用所述基于机器学习的RSSI室内环境感知与检测方法的无线通信系统。
本发明的另一目的在于提供一种应用所述基于机器学习的RSSI室内环境感知与检测方法的信息数据处理终端。
本发明的另一目的在于提供一种应用所述基于机器学习的RSSI室内环境感知与检测方法的室内定位控制系统。
综上所述,本发明的优点及积极效果为:本发明基于机器学习中聚类思想的RSSI室内环境感知与检测算法,该基于机器学习的RSSI室内环境感知与检测算法应用机器学习中的DBSCAN聚类算法结合阈值法。
与现有技术相比,本发明具有如下优点:
第一,本发明应用了DBSCAN聚类算法结合阈值法的方法进行室内人员状态的检测,通过将RSSI值与方差两个特征值进行分类检测,得到当前环境中的人员状态,为依据不同的人员状态选择测距定位模型提供了基础。在传统的基于RSSI定位的基础上,增加了人员状态检测的功能,减小了人员状态的影响,从而提升了测距定位精度。
第二,本发明能够检测人员状态的变化,首先将系统设置为睡眠状态,然后应用该算法,检测室内定位环境是否有人入侵,当检测到人员入侵,则将处于睡眠状态的系统进行唤醒,实现了定位系统的唤醒功能,并且在一定程度上增加了系统的使用时间。
附图说明
图1是本发明实施例提供的基于机器学习的RSSI室内环境感知与检测方法流程图。
图2是本发明实施例提供的基于机器学习的RSSI室内环境感知与检测方法实现流程图。
图3是本发明实施例提供的在室内定位环境中的锚节点部署示意图。
图4是本发明实施例提供的应用DBSCAN算法进行聚类的示意图。
图5是本发明实施例提供的在三种不同人员状态下,实际环境中采集RSSI值,将采集的RSSI值及求解的方差值绘制的曲线图。
图6是本发明实施例提供的进行人员状态检测的流程图。
图7是本发明实施例提供的在实际中两种应用的流程图。
图8是本发明实施例提供的在走廊环境中进行人员状态检测的性能对比柱状图。
图9是本发明实施例提供的在实验室环境中进行人员状态检测的性能对比柱状图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种基于机器学习的RSSI室内环境感知与检测方法,下面结合附图对本发明作详细的描述。
如图1所示,本发明实施例提供的基于机器学习的RSSI室内环境感知与检测方法包括以下步骤:
S101:特征值的提取。
S102:应用DBSCAN算法对数据进行聚类。
S103:得到在不同人员状态下RSSI值和方差值的阈值。
S104:实际定位过程应用阈值对人员状态进行分类。
下面结合附图对本发明的技术方案作进一步的描述。
本发明将DBSCAN聚类算法结合阈值法进行室内人员状态的检测,通过区分人员状态为选择不同的测距定位模型提供了基础,减小了人员状态的影响,实现了定位性能的提升,如图2所示,本发明实施例提供的基于机器学习的RSSI室内环境感知与检测方法包括以下步骤:
第一步,特征值的提取
(2)在无人、人静止、人移动三种情况下令锚节点相互通信,采集RSSI值信息。
(3)应用高斯滤波算法对RSSI进行预处理。
(4)将滑动窗口设置为50,每50个滤波之后的RSSI值求解一次方差,得到方差和RSSI两个特征值。
第二步,应用DBSCAN算法对数据进行聚类
(1)首先对DBSCAN算法进行介绍:
基于密度的空间聚类算法能够发现任意形状的数据集和数据噪声,并且不需要对簇的数量进行初始设定。该方法将样本数据中相似度较大的点划分成为一个类,该算法是一种基于密度聚类的算法,其中簇为:密度相连的点的最大集合。
在该算法中涉及以下关键概念:
1)E邻域:给定的样本点与其他节点之间的距离小于等于E,则其他节点组成的区域称为该节点的E邻域,假如给定一个区域中点的集合P={p1,p2,…,pi,…,pM},i=1,2,…M,其中,pi和pj的距离小于E,则pi是pj的近邻。
2)minPts:E邻域内包含的对象数量大于等于minPts才可以成为E邻域,反之不能组成E邻域。
3)核心点:选定样本点E邻域内样本点的数量大于等于minPts,则该对象称为核心对象。
4)边界点:如果pi点属于簇Ci,且pi不是核心点,则该点是边界点。
5)噪声点:不属于以上两种类型的样本点就是噪声点。
本发明算法中最主要的两个参数:扫描半径(E)、最小包含点数(minPts)。在样本数据范围内,任意选择一个没有被访问过的样本点进行访问,找到与这个点距离在范围E内的所有样本点。如果找到附近样本点的数量≥minPts,则该点与附近的点形成了一个簇,并且把当前的点标记为已被访问,然后循环递归,应用相同的方法判断剩余的没有被标记的样本点,从而在整个样本点范围内得到相似度高的节点,组成一个簇。如果被访问节点附近性能相似的样本点的数量<minPts,把该样本点标记为噪声点。
将上述DBSCAN算法应用于特征值聚类。将下述样本数据输入到该算法中,Input=[(RSSI1,var1),…,(RSSIi,vari),…,(RSSIN,varN)]T,i=1,2,…,N,假设簇类别数为L,初始值为0,输出量为簇类的划分集合C。
该步骤具体包括:
步骤一:将核心对象进行初始化ψ=φ,样本集中的数据全部初始化为未被访问,未被访问集合为ω=Input,簇划分初始化为C=φ;
步骤二:对样本集中的每一个数据按照下面的步骤进行操作,找到样本集中的核心对象:
1)应用距离比较的方法,找到距离样本(RSSIi,vari)的距离小于E的样本集NE(Ii);
2)如果样本集NE(Ii)中的元素个数大于等于minPts,则将样本(RSSIi,vari)加入到核心点样本集合中:ψ=ψ∪{(RSSIi,vari)};
步骤三:如果ψ=φ,则算法结束,否则转到下一步;
步骤四:在ψ集合中,任意选择一个核心对象(RSSIj,varj),将当前的簇核心队列初始化为ψnow={(RSSIj,varj)},令L=L+1,当前的簇样本集合CL={(RSSIj,varj)},未被访问的集合更新为ω=ω-{(RSSIj,varj)};
步骤五:如果ψnow=φ,则生成簇类CL。此时,簇类划分为C={C1,C2,…,CL},核心对象集合更新为ψ=ψ-CL,转到步骤三;
步骤六:当前的簇核心对象ψnow取出一个核心对象(RSSIk,vark),找到该对象附近距离值小于E的样本集NE((RSSIk,vark)),将样本集NE((RSSIk,vark))与未被访问节点集相交,将相交的样本集划分到一个新簇中,即Δ=NE((RSSIk,vark))∩ω,CL=CL∪Δ,则未被访问的节点的样本集为ω=ω-Δ,当前的簇核心队列为ψnow=ψnow∪(Δ∩ψ)-(RSSIk,vark),然后转到步骤五;
步骤七:输出划分簇类的结果C={C1,C2,…,CL}。如图3所示,即图中不同标识符标注的样本数据组成的簇。图中出现四种标识符,表示将数据划分为四种,由采集样本数据的RSSI值和方差规律可知,‘o’和‘+’部分为无人情况的数据样本点形成的簇,‘正方形’是人移动和人静止站立的数据样本点,五角星为噪声数据样本点。人员移动和人员静止数据特性较为相似,应用DBSCAN算法进行聚类时,将二者作为一类数据进行划分,导致分类错误。
第三步,阈值的获取
DBSCAN算法进行聚类可以将特征相近的数据进行聚类,但是对人员状态的区分效果较差。
针对上述问题,阈值法可以很好的解决,如图5可知,在无人、人静止、人移动三种情况下各提取200个数据绘制的曲线中RSSI值和方差值存在明显区别:无人情况RSSI值最大,方差值较小;人静止情况,RSSI值较小,方差值较小;人移动情况,RSSI值来回波动,方差值较大;所以按照RSSI值和方差值的大小,即两个特征值的阈值可以很好的区分室内环境下人员的三种状态,但是阈值无法精确得到的缺点恰好可以通过DBSCAN算法予以弥补。因此本发明提出DBSCAN算法结合阈值法进行室内人员活动的感知与检测。
上述算法包括DBSCAN算法聚类和获取阈值两部分:
1)DBSCAN算法聚类
步骤一:采集的特征值利用DBACAN算法进行簇的划分。将‘o’、‘+’对应的无人数据保存在sort_1、sort_2数组中;‘正方形’对应的人移动和人静止站立的数据保存在sort_3数组中;‘五角星’对应的噪声点数据保存在sort_4数组中;
步骤二:得到sort_1、sort_2、sort_3数组中的RSSI值和方差值的最大值最小值。通过聚类结果计算得到三个数组中RSSI值的情况为[RSSI11,RSSI12],[RSSI21,RSSI22],[RSSI31,RSSI32],方差值的情况为[Var11,Var12],[Var21,Var22],[Var31,Var32],方差对应的均值为Var1,Var2,Var3。
2)获取阈值
步骤一:将三个数组中RSSI和方差的数值大小进行比较。三个数组中两个特征值之间的关系为:RSSI11>RSSI22,RSSI21>RSSI32,Var1≈Var2<Var3;
步骤二:应用图5中三种人员状态下两个特征值之间的数值分布规律结合三个数组数值大小关系得到,无人情况下的RSSI值和方差值:将[RSSI11,RSSI12],[RSSI21,RSSI22]和[Var11,Var12],[Var21,Var22]进行合并,即无人情况下的RSSI值范围[RSSI21,RSSI12],用[RSSI11′,RSSI12′]来表示,方差值情况为[Var11′,Var12′];人员静止和移动情况下的RSSI值为[RSSI31,RSSI32],方差为[Var31,Var32];
步骤三:区分人员静止和移动两种情况下的范围。两种情况下RSSI值范围相似,导致DBSCAN算法将两种情况误分为一种,但是二者的方差值有明显区别:除去由无人到有人阶段初期,方差值波动较大之外,人员静止情况下RSSI值的波动幅度和无人情况下的RSSI值的波动情况相似,即方差值相近,所以,人员静止情况下的方差与无人情况相同。应用方差值将二者划分;
步骤四:三种情况特征值阈值的获取。综上可知,人员静止情况,RSSI范围为[RSSI31,RSSI32],方差为[Var11′,Var12′],且[Var11′,Var12′][Var31,Var32];人员移动情况RSSI范围为[RSSI31,RSSI32],方差为[Var31′,Var32′],无人情况,RSSI范围为[RSSI11′,RSSI12′],方差为[Var11′,Var12′]。
人静止站立情况下,初期方差值波动较大,但是在判断时,利用无人情况下的方差作为人静止站立情况下的方差,导致人静止站立情况判断出现误差,所以在实际判断时,可以采用排除法判断人静止站立的情况,当不是无人、人移动情况时,则为人静止站立。
第四步,应用阈值进行状态分类
得到三种情况的阈值之后,可以对实际环境中采集到的RSSI值以及对应的方差值进行分类,当采集到的RSSI值大于RSSI11′,则该值一定为无人情况时采集,当RSSI值处于[RSSI31,RSSI32]之间,并且方差值处于[Var31′,Var32′]之间,则该值一定是在人移动情况下采集,当以上两种情况均不符合时,则为人员静止站立的情况。阈值法检测人员状态的流程图如图6所示:
以采集得到的数据(RSSIx,Varx)为例,首先判断RSSIx是否大于RSSI11′,如果是,则为无人情况,反之,则判断RSSIx是否处于[RSSI31,RSSI32]之间,并且Varx处于[Var31′,Var32′]之间,如果满足则为人移动情况,如果不满足,则将此时的状态判断为人员静止站立情况。该算法在实际中的应用框图如图7所示。
下面结合仿真对本发明的技术效果作详细的描述。
一、仿真条件:在8m*8m视距可达的空间内,随机分布100个目标,并在空间边缘每隔4m部署一个锚节点。
二、仿真内容与结果:
仿真1,用本发明与SVM多分类、K-Means和朴素贝叶斯方法在走廊环境中进行人员状态的检测,结果如图8所示。
由图8可知,在走廊环境,障碍物较少,四种算法的检测性能均优于实验室的检测结果,在性能良好的环境中,本发明提出的检测算法检测人员移动的检测率达到97.175%,SVM多分类算法的检测率达到92.625%,K-Means算法检测性能最差。
仿真2,用本发明与SVM多分类、K-Means和朴素贝叶斯方法在实验室环境中进行人员状态的检测,结果如图9所示。
由图9可知,在实验室中,障碍物较多,环境较复杂,四种检测算法的检测性能均降低,但是,由于本发明提出的DBSCAN结合阈值的算法,可以有效的克服多种距离下的影响,即使存在多条检测路径,多种检测距离,该方法均能很好的检测,在实验室环境下,该方法的检测率达到92.175%,SVM多分类的方法,由于检测路径的增多,与实际训练的数据存在偏差,导致检测性能下降,检测率为77.625%,朴素贝叶斯与K-Means算法由于同样的原因,检测性能较差。所以,本发明提出的算法,可以在复杂的定位环境下,达到较高的检测性能,有效的区分定位环境下人员状态,为后续根据人员状态选择不同的测距定位模型提供了基础。因而相较于其他分类算法,本发明分类的精度更高,更能有效区分人员状态,减小人员状态的影响,从而稳定性能更好。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于机器学习的RSSI室内环境感知与检测方法,其特征在于,所述基于机器学习的RSSI室内环境感知与检测方法应用机器学习中的DBSCAN聚类算法结合阈值法;应用DBSCAN聚类算法结合阈值法的方法进行室内人员状态的检测,通过将RSSI值与方差两个特征值进行分类检测,得到当前环境中的人员状态;检测人员状态的变化,首先将系统设置为睡眠状态,然后应用该算法,检测室内定位环境是否有人入侵,当检测到人员入侵,则将处于睡眠状态的系统进行唤醒,实现了定位系统的唤醒功能。
2.如权利要求1所述的基于机器学习的RSSI室内环境感知与检测方法,其特征在于,所述基于机器学习的RSSI室内环境感知与检测方法包括以下步骤:
第一步,特征值的提取
(1)在室内部署锚节点,存在多个距离的检测路径,在离线训练阶段,将两个锚节点距离分别设置为在实际定位环境中锚节点相距的距离值;
(2)在无人、人静止、人移动三种情况下令锚节点相互通信,采集RSSI值信息;
(3)应用高斯滤波算法对RSSI进行预处理;
(4)将滑动窗口设置为50,每50个滤波之后的RSSI值求解一次方差,得到方差和RSSI两个特征值;
(5)由于存在多个距离的检测路径,人员存在三种状态,每个距离下每种状态采集多组数据,多个距离下采集到大量的数据,此时获得多对RSSI值与方差值作为检测的特征值;
第二步,应用DBSCAN算法对数据进行聚类,将DBSCAN算法应用于特征值聚类;将样本数据输入到该算法中,Input=[(RSSI1,var1),…,(RSSIi,vari),…,(RSSIN,varN)]T,i=1,2,…,N,簇类别数为L,初始值为0,输出量为簇类的划分集合C;
第三步,阈值的获取,DBSCAN算法结合阈值法进行室内人员活动的感知与检测;
第四步,应用阈值进行状态分类,得到三种情况的阈值之后,可以对实际环境中采集到的RSSI值以及对应的方差值进行分类,当采集到的RSSI值大于RSSI11′,则该值一定为无人情况时采集,当RSSI值处于[RSSI31,RSSI32]之间,并且方差值处于[Var31′,Var32′]之间,则该值一定是在人移动情况下采集,当以上两种情况均不符合时,则为人员静止站立的情况。
3.如权利要求2所述的基于机器学习的RSSI室内环境感知与检测方法,其特征在于,所述第二步具体包括:
步骤一:将核心对象进行初始化ψ=φ,样本集中的数据全部初始化为未被访问,未被访问集合为ω=Input,簇划分初始化为C=φ;
步骤二:对样本集中的每一个数据按照进行操作,找到样本集中的核心对象:
步骤三:如果ψ=φ,则算法结束,否则转到步骤四;
步骤四:在ψ集合中,任意选择一个核心对象(RSSIj,varj),将当前的簇核心队列初始化为ψnow={(RSSIj,varj)},令L=L+1,当前的簇样本集合CL={(RSSIj,varj)},未被访问的集合更新为ω=ω-{(RSSIj,varj)};
步骤五:如果ψnow=φ,则生成簇类CL;此时,簇类划分为C={C1,C2,…,CL},核心对象集合更新为ψ=ψ-CL,转到步骤三;
步骤六:当前的簇核心对象ψnow取出一个核心对象(RSSIk,vark),找到该对象附近距离值小于E的样本集NE((RSSIk,vark)),将样本集NE((RSSIk,vark))与未被访问节点集相交,将相交的样本集划分到一个新簇中,即Δ=NE((RSSIk,vark))∩ω,CL=CL∪Δ,则未被访问的节点的样本集为ω=ω-Δ,当前的簇核心队列为ψnow=ψnow∪(Δ∩ψ)-(RSSIk,vark),然后转到步骤五;
步骤七:输出划分簇类的结果C={C1,C2,…,CL}。
4.如权利要求3述的基于机器学习的RSSI室内环境感知与检测方法,其特征在于,所述步骤二对样本集中的每一个数据按照进行操作,找到样本集中的核心对象包括:
(1)应用距离比较的方法,找到距离样本(RSSIi,vari)的距离小于E的样本集NE(Ii);
(2)如果样本集NE(Ii)中的元素个数大于等于minPts,则将样本(RSSIi,vari)加入到核心点样本集合中:ψ=ψ∪{(RSSIi,vari)}。
5.如权利要求2所述的基于机器学习的RSSI室内环境感知与检测方法,其特征在于,所述第三步的DBSCAN算法聚类包括:
步骤一:采集的特征值利用DBACAN算法进行簇的划分,划分为三类,其中将无人分为两类,人员静止和人员移动的结果分为一类,将对应的无人数据保存在sort_1、sort_2数组中;人移动和人静止站立的数据保存在sort_3数组中;噪声点数据保存在sort_4数组中;
步骤二:得到sort_1、sort_2、sort_3数组中的RSSI值和方差值的最大值最小值,通过聚类结果计算得到三个数组中RSSI值的情况为[RSSI11,RSSI12],[RSSI21,RSSI22],[RSSI31,RSSI32],方差值的情况为[Var11,Var12],[Var21,Var22],[Var31,Var32],方差对应的均值为Var1,Var2,Var3。
6.如权利要求2所述的基于机器学习的RSSI室内环境感知与检测方法,其特征在于,所述第三步的获取阈值包括:
步骤一:将三个数组中RSSI和方差的数值大小进行比较,三个数组中两个特征值之间的关系为:RSSI11>RSSI22,RSSI21>RSSI32,Var1≈Var2<Var3;
步骤二:应用三种人员状态下两个特征值之间的数值分布规律结合三个数组数值大小关系得到,无人情况下的RSSI值和方差值:将[RSSI11,RSSI12],[RSSI21,RSSI22]和[Var11,Var12],[Var21,Var22]进行合并,即无人情况下的RSSI值范围[RSSI21,RSSI12],用[RSSI11′,RSSI12′]来表示,方差值情况为[Var11′,Var12′];人员静止和移动情况下的RSSI值为[RSSI31,RSSI32],方差为[Var31,Var32];
步骤三:区分人员静止和移动两种情况下的范围,人员静止情况下的方差与无人情况相同,应用方差值将二者划分;
7.如权利要求2所述的基于机器学习的RSSI室内环境感知与检测方法,其特征在于,所述第四步的以采集的数据(RSSIx,Varx),首先判断RSSIx是否大于RSSI11′,如果是,则为无人情况,反之,则判断RSSIx是否处于[RSSI31,RSSI32]之间,并且Varx处于[Var31′,Var32′]之间,如果满足则为人移动情况,如果不满足,则将此时的状态判断为人员静止站立情况。
8.一种应用权利要求1~7任意一项所述基于机器学习的RSSI室内环境感知与检测方法的无线通信系统。
9.一种应用权利要求1~7任意一项所述基于机器学习的RSSI室内环境感知与检测方法的信息数据处理终端。
10.一种应用权利要求1~7任意一项所述基于机器学习的RSSI室内环境感知与检测方法的室内定位控制系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911244294.1A CN111132020B (zh) | 2019-12-06 | 2019-12-06 | 一种基于机器学习的rssi室内环境感知与检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911244294.1A CN111132020B (zh) | 2019-12-06 | 2019-12-06 | 一种基于机器学习的rssi室内环境感知与检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111132020A true CN111132020A (zh) | 2020-05-08 |
CN111132020B CN111132020B (zh) | 2021-06-15 |
Family
ID=70497795
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911244294.1A Active CN111132020B (zh) | 2019-12-06 | 2019-12-06 | 一种基于机器学习的rssi室内环境感知与检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111132020B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101872536A (zh) * | 2010-06-24 | 2010-10-27 | 北京航空航天大学 | 一种基于无线传感器网络的入侵监测系统 |
CN102932914A (zh) * | 2012-11-01 | 2013-02-13 | 西北大学 | 基于压缩感知的无线传感器网络多目标被动式定位方法 |
CN103648097A (zh) * | 2013-11-22 | 2014-03-19 | 中国电子科技集团公司第二十八研究所 | 一种基于无线传感器网络分布式视频协同调度方法 |
CN103913721A (zh) * | 2014-04-18 | 2014-07-09 | 山东大学 | 一种基于人工神经网络的室内人员智能感知方法 |
CN104904245A (zh) * | 2013-04-19 | 2015-09-09 | 依斯汀株式会社 | 利用接入点自动提供进入区域内容物的系统及方法 |
CN106550331A (zh) * | 2015-09-23 | 2017-03-29 | 中兴通讯股份有限公司 | 一种室内定位方法和设备 |
US20190097827A1 (en) * | 2013-01-18 | 2019-03-28 | Irobot Corporation | Mobile robot providing environmental mapping for household environmental control |
-
2019
- 2019-12-06 CN CN201911244294.1A patent/CN111132020B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101872536A (zh) * | 2010-06-24 | 2010-10-27 | 北京航空航天大学 | 一种基于无线传感器网络的入侵监测系统 |
CN102932914A (zh) * | 2012-11-01 | 2013-02-13 | 西北大学 | 基于压缩感知的无线传感器网络多目标被动式定位方法 |
US20190097827A1 (en) * | 2013-01-18 | 2019-03-28 | Irobot Corporation | Mobile robot providing environmental mapping for household environmental control |
CN104904245A (zh) * | 2013-04-19 | 2015-09-09 | 依斯汀株式会社 | 利用接入点自动提供进入区域内容物的系统及方法 |
CN103648097A (zh) * | 2013-11-22 | 2014-03-19 | 中国电子科技集团公司第二十八研究所 | 一种基于无线传感器网络分布式视频协同调度方法 |
CN103913721A (zh) * | 2014-04-18 | 2014-07-09 | 山东大学 | 一种基于人工神经网络的室内人员智能感知方法 |
CN106550331A (zh) * | 2015-09-23 | 2017-03-29 | 中兴通讯股份有限公司 | 一种室内定位方法和设备 |
Non-Patent Citations (2)
Title |
---|
KAI WANG,XING YU,QINGYU XIONG,QIWU ZHU,WANG LU,YA HUA: "Learning to Improve WLAN Indoor Positioning Accuracy Based on DBSCAN-KRF Algorithm From RSS Fingerprint Data", 《IEEE ACCESS 》 * |
徐黔南: "高精度室内无线定位及跟踪技术研究", 《中国优秀硕士学位论文全文数据库(电子期刊)》 * |
Also Published As
Publication number | Publication date |
---|---|
CN111132020B (zh) | 2021-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chriki et al. | SVM-based indoor localization in wireless sensor networks | |
CN107339992B (zh) | 一种基于行为的室内定位和地标语义标识的方法 | |
CN112135248B (zh) | 一种基于K-means最优估计的WIFI指纹定位方法 | |
CN104394588B (zh) | 基于Wi‑Fi指纹和多维尺度分析的室内定位方法 | |
CN104268598B (zh) | 一种基于二维扫描激光的人腿检测方法 | |
CN112887902B (zh) | 一种基于高斯聚类与混合度量的WiFi指纹的室内定位方法 | |
CN105307121B (zh) | 一种信息处理方法及装置 | |
CN110536257B (zh) | 一种基于深度自适应网络的室内定位方法 | |
CN106570490B (zh) | 一种基于快速聚类的行人实时跟踪方法 | |
Zhu et al. | Accurate WiFi-based indoor localization by using fuzzy classifier and mlps ensemble in complex environment | |
CN106154221B (zh) | 一种基于wlan的半监督定位方法 | |
CN110401977B (zh) | 一种基于Softmax回归多分类识别器的多楼层室内定位方法 | |
CN110072205B (zh) | 一种用于无线传感网异常数据检测的分层聚合方法 | |
CN110049549A (zh) | 基于WiFi指纹的多融合室内定位方法及其系统 | |
Shao et al. | Floor identification in large-scale environments with wi-fi autonomous block models | |
Inaba et al. | Conversational group detection based on social context using graph clustering algorithm | |
Chen et al. | GraphLoc: A graph-based method for indoor subarea localization with zero-configuration | |
Mantoro et al. | Extreme learning machine for user location prediction in mobile environment | |
Wang et al. | Adaptive room-level localization system with crowd-sourced WiFi data | |
CN111132020B (zh) | 一种基于机器学习的rssi室内环境感知与检测方法 | |
Gempita et al. | Implementation of K-NN fingerprint method on receiving server for indoor mobile object tracking | |
Xing et al. | Integrated segmentation and subspace clustering for RSS-based localization under blind calibration | |
Liu et al. | Novel robust indoor device-free moving-object localization and tracking using machine learning with Kalman filter and smoother | |
Careem et al. | Wirelessly indoor positioning system based on RSS Signal | |
Hou et al. | The indoor wireless location technology research based on WiFi |
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 |