CN111325261A - 用于动态环境的无源室内定位算法及装置 - Google Patents

用于动态环境的无源室内定位算法及装置 Download PDF

Info

Publication number
CN111325261A
CN111325261A CN202010094900.2A CN202010094900A CN111325261A CN 111325261 A CN111325261 A CN 111325261A CN 202010094900 A CN202010094900 A CN 202010094900A CN 111325261 A CN111325261 A CN 111325261A
Authority
CN
China
Prior art keywords
positioning
environment
model
indoor positioning
data set
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
Application number
CN202010094900.2A
Other languages
English (en)
Other versions
CN111325261B (zh
Inventor
刘嘉伟
毛文宇
鲁华祥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Semiconductors of CAS
Original Assignee
Institute of Semiconductors of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute of Semiconductors of CAS filed Critical Institute of Semiconductors of CAS
Priority to CN202010094900.2A priority Critical patent/CN111325261B/zh
Publication of CN111325261A publication Critical patent/CN111325261A/zh
Application granted granted Critical
Publication of CN111325261B publication Critical patent/CN111325261B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • G01C21/206—Instruments for performing navigational calculations specially adapted for indoor navigation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Feedback Control In General (AREA)

Abstract

一种无源室内定位算法，包括如下步骤：步骤1：在原环境下采集有标签数据集Ds，训练定位模型；步骤2：环境改变后采集少量无标签数据集Dt；步骤3：使用原环境有标签数据集Ds计算系数矩阵Ai；步骤4：使用系数矩阵Ai对Dt进行辅助聚类，获得有标签的数据集Dl；步骤5：用Dl对定位模型重训练，微调模型获得新环境下的定位模型。本发明的算法对动态环境下的室内定位准确率改善效果良好，且对于不同程度的环境改变具有很高的鲁棒性。本方案中选用随机森林作为定位模型，效果优于普遍用于室内定位的支持向量机，bp神经网络，逻辑斯蒂回归等算法。

Description

用于动态环境的无源室内定位算法及装置
技术领域
本发明涉及机器学习和人工智能领域，特别涉及一种用于动态环境的无源室内定位算法及装置。
背景技术
随着无线传感网络技术的发展，室内定位技术受到广泛的关注，在商业贸易、货物采购分配、医疗保健等领域得到了广泛的应用。目前国内外主要的室内定位技术主要有蓝牙技术、Wi-Fi技术、红外定位技术，射频识别(RFID)技术。其中射频识别方法由于定位过程非视距、非接触、低功耗、抗干扰能力强得到普遍的应用。这种方法一般分为基于数学模型和机器学习两种方法。基于数学模型的方法因其计算复杂，定位精度普遍低所以表现普遍不如机器学习的方法。基于机器学习的方法虽然定位精度很高，但是这类方法存在一个不足，就是对环境的要求较高，无法满足动态环境下的定位，当环境改变后，链路发生改变，导致原环境下采集的数据失效，训练过程中建立的定位模型不再适用新的环境。
发明内容
有鉴于此，本发明的主要目的在于提供一种无源室内定位算法及装置，以期部分地解决上述技术问题中的至少之一。
为了实现上述目的，作为本发明的一方面，提供了一种无源室内定位算法，包括如下步骤：
步骤1：在原环境下采集有标签数据集Ds，训练定位模型；
步骤2：环境改变后采集少量无标签数据集Dt；
步骤3：使用原环境有标签数据集Ds计算系数矩阵Ai；
步骤4：使用系数矩阵Ai对Dt进行辅助聚类，获得有标签的数据集Dl；
步骤5：用Dl对定位模型重训练，微调模型获得新环境下的定位模型。
其中，所述步骤1包括如下子步骤：
子步骤11：在原环境下，定位目标在每个坐标点站定采集训练数据，得到有标签数据集Ds，可以直接用于定位模型的训练；
子步骤12：对数据的缺失值使用中心趋值法，选取均值填补缺失值，得到预处理后的训练集；
子步骤13：选取随机森林算法作为定位模型，使用子步骤12的训练集训练定位模型。
其中，所述步骤2具体包括：
在环境改变后，定位目标在定位区域内随机走动采集少量样本，此时采集的样本是无标签数据集Dt，无法直接用原模型进行训练。
其中，所述步骤3包括如下子步骤：
子步骤31：使用系数矩阵Ai对欧式距离进行参数化，-参数化欧式距离如下式所示：
Figure BDA0002384133680000021
其中，xp和xq是两个不同的样本，Ai是系数矩阵；
子步骤32：从数据集Ds中每一类样本中选取若干样本，互相组成样本对(Xp，Xq)，其中(Xp，Xq)∈S是同类样本对集合，(Xp，Xq)∈D是不同类样本对集合；使用参数化的欧式距离求解系数矩阵Ai，如下式所示：
Figure BDA0002384133680000024
其中，所述步骤4具体包括：
使用在Ds中求解出的Ai，对Dt如下式进行指导聚类：
Figure BDA0002384133680000022
其中，k是类的数目，n是样本的数目，ci是第i类的中心，U是隶属度矩阵，
Figure BDA0002384133680000023
是参数化欧式距离。
其中，所述ci和uij的迭代计算公式分别如下式所示：
Figure BDA0002384133680000032
Figure BDA0002384133680000031
作为本发明的另一方面，提供了一种无源室内定位装置，包括：
处理器，用于执行存储器内存储的程序；
存储器，用于存储用来执行如上所述的方法的程序。
基于上述技术方案可知，本发明的无源室内定位算法及装置相对于现有技术至少具有如下有益效果之一：
1、对动态环境下的室内定位准确率改善效果良好，且对于不同程度的环境改变具有很高的鲁棒性。在五组实验中，对环境的改变由小到大，对定位准确率的提升分别为12.5％，9.2％，13.3％，15.6％，17.6％。
2、本方案中选用随机森林作为定位模型，效果优于普遍用于室内定位的支持向量机，bp神经网络，逻辑斯蒂回归等算法。
附图说明
图1为本发明动态环境下无源室内定位算法的流程图；
图2为本发明实施例中获得有标签数据集Dl的流程图；
图3为本发明实施例的定位环境的平面示意图。
具体实施方式
本发明公开了一种踊跃动态环境的无源室内定位算法。该室内定位算法包括：在原环境下采集有标签数据集Ds，训练定位模型；环境改变后采集少量无标签数据集Dt；：使用原环境有标签数据集Ds计算系数矩阵Ai；使用系数矩阵Ai对Dt进行辅助聚类，获得有标签的数据集Dl；用Dl对定位模型重训练，微调模型获得新环境下的定位模型。本发明通过构建原环境下和改变环境下数据之间的联系，快速获得改变环境后的已标签数据，并用于模型微调，获得新环境下的定位模型，在新环境下也有较高的定位准确率。
本发明的目的在于设计一种动态环境下的无源室内定位算法，通过在原环境数据和改变环境后的数据建立联系，使用半监督模糊C聚类对改变环境后的数据进行指导聚类，可以快速获得已标签样本，然后对原模型进行微调获得新环境下的高精度定位模型。该方法在不增加额外工作量的基础上，同时保证了动态环境下的定位准确率。
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。
如图1所示，本发明包括以下五个步骤：
步骤1：在原环境下采集有标签数据集Ds，训练定位模型；
步骤2：环境改变后采集少量无标签数据集Dt；
步骤3：使用原环境有标签数据集Ds计算系数矩阵Ai；
步骤4：使用系数矩阵Ai对Dt进行辅助聚类，获得有标签的数据集Dl；
步骤5：用Dl对定位模型重训练，微调模型获得新环境下的定位模型。
结合实施例，以下分别对本发明的主要步骤进行详细说明：
步骤1：在原环境下采集有标签数据集Ds，训练定位模型；
子步骤11：在原环境下，定位目标在每个坐标点站定采集训练数据，得到有标签数据集Ds，可以直接用于定位模型的训练。
子步骤12：对数据的缺失值使用中心趋值法，选取均值填补缺失值，得到预处理后的训练集。
子步骤13：选取随机森林算法作为定位模型，使用步骤12的训练集训练定位模型。
在本发明的实施例中，如图3所示，定位区域内有7个坐标点，相邻坐标点间隔0.5m，6个射频节点，采集Ds时，每个坐标点站定采集120s。定位模型选择为随机森林算法，其中n_estimators设置为40，min_samples_leaf设置为3，max_features设置为0.5。
步骤2：环境改变后采集少量无标签数据集Dt；
在环境改变后，定位目标在定位区域内随机走动采集少量样本，此时采集的样本是无标签数据集Dt，无法直接用模型的再训练。
在本发明的实施例中，采集Dt时，定位目标在定位区域内随机走动30s完成Dt的采集。
步骤3：使用原环境有标签数据集Ds计算系数矩阵Ai；
子步骤31：使用系数矩阵Ai对欧式距离进行参数化，这样学习出的距离度量可以使得聚类更紧密的遵循同类样本的相似性，参数化欧式距离如下所示：
Figure BDA0002384133680000051
其中xp和xq是两个不同的样本，Ai是系数矩阵。
子步骤32：从数据集Ds中每一类样本中选取若干样本，互相组成样本对(Xp，Xq)，其中(Xp，Xq)∈S是同类样本对集合，(Xp，Xq)∈D是不同类样本对集合。使用参数化的欧式距离求解系数矩阵Ai，这样求解的Ai可以使得数据的聚类可以是不同的形状，可以避免单一的距离测量只适用于一个特定类别。
Figure BDA0002384133680000052
在本发明的一些实施例中，在Ds的每一类样本中选择20个样本，共140个样本组成两个样本对集合S和D。
步骤4：使用系数矩阵Ai对Dt进行辅助聚类，获得有标签的数据集Dl；
有标签数据集Ds和无标签数据集Dt存在一定的相关性，但是分布又不完全相同，所以可以使用在Ds中求解出的Ai，对Dt按照式(3)进行指导聚类：
Figure BDA0002384133680000053
其中k是类的数目，n是样本的数目，ci是第i类的中心，U是隶属度矩阵，
Figure BDA0002384133680000054
是参数化欧式距离。
ci和uij的迭代计算公式分别如式(4)和式(5)所示：
Figure BDA0002384133680000061
Figure BDA0002384133680000062
聚类完成后，就可以获得有标签的数据集Dl，如图2所示为获得有标签数据集Dl的流程图。
步骤5：用Dl对定位模型重训练，微调模型获得新环境下的定位模型。
本发明的实施例中，在环境改变后，随着改变越来越大，定位准确率也随之下降，分别下降到了74.2％，72.3％，68.5％，62.2％，61.1％。采用本发明的算法后，定位准确率分别提升到了86.6％，81.2％，81.5％，79.3％，78.4％。在动态环境下对定位准确率的提升十分明显。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种无源室内定位算法，其特征在于，包括如下步骤：
步骤1：在原环境下采集有标签数据集Ds，训练定位模型；
步骤2：环境改变后采集少量无标签数据集Dt；
步骤3：使用原环境有标签数据集Ds计算系数矩阵Ai；
步骤4：使用系数矩阵Ai对Dt进行辅助聚类，获得有标签的数据集D1；
步骤5：用D1对定位模型重训练，微调模型获得新环境下的定位模型。
2.根据权利要求1所述的无源室内定位算法，其特征在于，所述步骤1包括如下子步骤：
子步骤11：在原环境下，定位目标在每个坐标点站定采集训练数据，得到有标签数据集Ds，可以直接用于定位模型的训练；
子步骤12：对数据的缺失值使用中心趋值法，选取均值填补缺失值，得到预处理后的训练集；
子步骤13：选取随机森林算法作为定位模型，使用子步骤12的训练集训练定位模型。
3.根据权利要求1所述的无源室内定位算法，其特征在于，所述步骤2具体包括：
在环境改变后，定位目标在定位区域内随机走动采集少量样本，此时采集的样本是无标签数据集Dt，无法直接用原模型进行训练。
4.根据权利要求1所述的无源室内定位算法，其特征在于，所述步骤3包括如下子步骤：
子步骤31：使用系数矩阵Ai对欧式距离进行参数化，-参数化欧式距离如下式所示：
Figure FDA0002384133670000011
其中，xp和xq是两个不同的样本，Ai是系数矩阵；
子步骤32：从数据集Ds中每一类样本中选取若干样本，互相组成样本对(Xp，Xq)，其中(Xp，Xq)∈S是同类样本对集合，(Xp，Xq)∈D是不同类样本对集合；使用参数化的欧式距离求解系数矩阵Ai，如下式所示：
Figure FDA0002384133670000021
5.根据权利要求1所述的无源室内定位算法，其特征在于，所述步骤4具体包括：
使用在Ds中求解出的Ai，对Dt如下式进行指导聚类：
Figure FDA0002384133670000022
其中，k是类的数目，n是样本的数目，ci是第i类的中心，U是隶属度矩阵，
Figure FDA0002384133670000023
是参数化欧式距离。
6.根据权利要求5所述的无源室内定位算法，其特征在于，所述ci和uij的迭代计算公式分别如下式所示：
Figure FDA0002384133670000024
Figure FDA0002384133670000025
7.一种采用如权利要求1-6任一所述的无源室内定位算法的无源室内定位装置，其特征在于，包括：
处理器，用于执行存储器内存储的程序；
存储器，用于存储用来执行如权利要求1-6任一所述的方法的程序。
CN202010094900.2A 2020-02-14 2020-02-14 用于动态环境的无源室内定位算法及装置 Active CN111325261B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010094900.2A CN111325261B (zh) 2020-02-14 2020-02-14 用于动态环境的无源室内定位算法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010094900.2A CN111325261B (zh) 2020-02-14 2020-02-14 用于动态环境的无源室内定位算法及装置

Publications (2)

Publication Number Publication Date
CN111325261A true CN111325261A (zh) 2020-06-23
CN111325261B CN111325261B (zh) 2023-12-05

Family

ID=71163481

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010094900.2A Active CN111325261B (zh) 2020-02-14 2020-02-14 用于动态环境的无源室内定位算法及装置

Country Status (1)

Country Link
CN (1) CN111325261B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104766110A (zh) * 2015-04-10 2015-07-08 长春理工大学 一种rfid定位系统和方法
US20160139238A1 (en) * 2013-06-20 2016-05-19 Qatar University Qstp-B System and method for rfid indoor localization
US20160316325A1 (en) * 2015-04-24 2016-10-27 Mojix, Inc. Location Based Services for RFID and Sensor Networks
CN107884744A (zh) * 2017-10-12 2018-04-06 中国科学院半导体研究所 无源被动式室内定位方法及装置
CN109831743A (zh) * 2019-02-21 2019-05-31 天津工业大学 一种适于定向辐射场景的改进kNN无源超高频RFID定位算法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160139238A1 (en) * 2013-06-20 2016-05-19 Qatar University Qstp-B System and method for rfid indoor localization
CN104766110A (zh) * 2015-04-10 2015-07-08 长春理工大学 一种rfid定位系统和方法
US20160316325A1 (en) * 2015-04-24 2016-10-27 Mojix, Inc. Location Based Services for RFID and Sensor Networks
CN107884744A (zh) * 2017-10-12 2018-04-06 中国科学院半导体研究所 无源被动式室内定位方法及装置
CN109831743A (zh) * 2019-02-21 2019-05-31 天津工业大学 一种适于定向辐射场景的改进kNN无源超高频RFID定位算法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
KAI LIU 等: ""Toward Low-Overhead Fingerprint-Based Indoor Localization via Transfer Learning: Design, Implementation, and Evaluation"", 《IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS》 *
STEPHEN TANG 等: ""Passive Indoor Positioning System (PIPS) Using Near Field Communication (NFC) Technology"", 《2015 INTERNATIONAL CONFERENCE ON DEVELOPMENTS OF E-SYSTEMS ENGINEERING》 *

Also Published As

Publication number Publication date
CN111325261B (zh) 2023-12-05

Similar Documents

Publication Publication Date Title
CN110111297B (zh) 一种基于迁移学习的注塑制品表面图像缺陷识别方法
CN105809672B (zh) 一种基于超像素和结构化约束的图像多目标协同分割方法
CN108985236B (zh) 一种基于深度化可分离卷积模型的人脸识别方法
CN107203891A (zh) 一种自动多阀值特征过滤方法及装置
CN105447473A (zh) 一种基于PCANet-CNN的任意姿态人脸表情识别方法
CN100414562C (zh) 人脸识别系统中的人脸特征点定位方法
CN112364931A (zh) 基于元特征和权重调整的少样本目标检测方法及网络模型
CN113361785A (zh) 配电网短期负荷预测方法、装置、终端及存储介质
CN113822419A (zh) 一种基于结构信息的自监督图表示学习运行方法
CN111737294A (zh) 一种基于动态增量集成模糊的数据流分类方法
CN113259883B (zh) 一种面向手机用户的多源信息融合的室内定位方法
CN113703506B (zh) 一种建筑材料生产车间环境控制调节方法及系统
Yaiprasert Artificial intelligence for para rubber identification combining five machine learning methods
CN111325261B (zh) 用于动态环境的无源室内定位算法及装置
CN113780347B (zh) 负荷曲线多重聚类集成方法、系统及存储介质
CN117034046A (zh) 一种基于isodata聚类的柔性负荷可调潜力评估方法
CN111178387A (zh) 一种基于多粒度相对密度的标签噪声检测方法
CN114662624B (zh) 基于可再训练孪生网络的非侵入式负荷识别方法及系统
Yu et al. Wafer map defect recognition with few shot learning based on hybrid self-attention mechanism and prototype network
CN114372181B (zh) 一种基于多模态数据的设备生产智能规划方法
CN110222793A (zh) 基于多视角主动学习的在线半监督分类方法及系统
Zhang et al. Rapid computer vision detection of apple diseases based on AMCFNet
CN114758224A (zh) 一种基于深度学习的垃圾分类检测方法
CN111144464B (zh) 基于CNN-Kmeans算法水果自动识别方法
CN111626376A (zh) 一种基于判别联合概率的域适配方法及系统

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