CN111372211A - 一种基于集成学习的智能手机WiFi室内定位方法 - Google Patents

Abstract

本发明公开了一种基于集成学习的智能手机WiFi室内定位方法，属于室内定位与导航技术领域，包括如下步骤：进行实验环境部署；进行离线采集并训练；最后在线定位。本发明可以明显增加基于智能手机的室内定位系统的定位精度；可以达到抗动态环境噪声和设备固有噪声的效果；增强了基于智能手机的室内定位系统的稳定性。

Description

一种基于集成学习的智能手机WiFi室内定位方法

技术领域

本发明属于室内定位与导航技术领域，具体涉及一种基于集成学习的智能手机WiFi室内定位方法。

背景技术

如今随着智能设备(例如智能手机，平板电脑等)的日益普及，对基于位置的服务(Location-based Services,LBS)的需求也在不断增长，室内定位和导航系统可以提供基于位置的服务(LBS)，LBS是可以在各种情况下使用的通用级别的应用程序级服务，例如目标广告，医疗保健，工作，社交网络等。例如，LBS提供的具体服务包括识别用户的当前位置，对建筑物内的重要设备进行定位，定位最近的银行机，餐馆以及与朋友共享位置，开车到目的地，跟踪和记录我们的动作。这样，可以使用移动设备的地理位置通过移动网络通过移动设备访问LBS。随着智能手机和平板电脑市场的扩展，LBS也变得越来越重要。这些服务是通过全球定位系统(GPS)及其派生应用(APP)在户外实施的。

人类的大部分活动是在室内进行的，但由于接收不良，GPS设备在室内环境中的接收卫星信号的性能较差。由于GPS不能满足室内定位的需要，因此有必要研究相应的室内定位方法。与成熟的卫星定位导航系统相比，室内定位技术还处于起步阶段，具有广阔的应用前景。基于室内位置的服务包括室内位置，导航，监视和家庭自动化。在城市中，越来越多的购物中心，每层都有各种门店和大型停车场。GPS无法在室内实现令人满意的精度的定位服务。因此，在过去的十年中，许多大学和研究机构对室内定位技术进行了深入研究，并提出了许多室内定位技术，以满足对室内LBS的不断增长的需求

在文献中，室内定位方法通常包括基于无线信号的技术，包括WiFi，蓝牙，射频(RF)，超宽带(Ultra-wideband,UWB)和全球移动通信系统(Global System for MobileCommunications,GSM)信号。还可以使用基于传感器的补充技术：加速度计，陀螺仪，磁传感器等，然而这些技术需要专用的本地基础设施和定制的移动单元。例如，UWB系统要求在整个目标建筑物中安装UWB信号发射器。并且要求用户携带相应的接收器。严格来说，基于WiFi的系统还需要专用的基础架构。但是，WiFi的广泛部署自然会提供这样的基础结构，而且随着配备WiFi的移动设备(手机，个人媒体播放器甚至是数码相机)的日益增多，使用现有WiFi基础设施作为基于位置的服务的定位平台的前景变得越来越可行。因此基于WiFi的室内定位系统不需要额外的安装工作，节省人力物力，已受到广泛关注。在不增加定位基础设施费用的情况下，许多机构都对基于WiFi接收信号强度(Receive Signal Strength,RSS)的系统进行了研究。

对于基于WiFi的定位方案，GPS在室内情况遇到的这些限制通常不是问题，使用WiFi技术的手机将连续记录具有或不具有卫星信号可见性的位置信息。借助WiFi室内定位功能，WiFi扫描完成后(通常在冷启动后一秒钟内)即可获得位置估算值，这使其对这些类型的应用程序更加实用。最后，与GPS定位的成本也是的劣势，添加GPS模块要比WiFi无线电昂贵。此外，基于WiFi的室内定位比基于其他无线网络的室内定位技术具有更高的精度。

综上所述，使用WiFi进行室内定位技术研究的原因有二：其准确性足以支持各种基于位置的服务；其低成本和易于部署使其非常可行。

使用WiFi RSS进行位置估计是一种非常吸引人的方法，因为在当今的室内环境中，WiFi接入点(Access Point,AP)随时可用，并且可以在用户侧使用商用移动设备。基于RSS的方法通常有两种：信号建模方法和指纹方法。信号建模方法是指对无线信号传播路径进行建模，该模型描述了具有复杂布局的建筑物内部的无线信号传播特征。另一方面，指纹方法要求在离线阶段在整个建筑物内收集一组先前的RSS测量值，在该阶段，将收集RSS读数并将其与地面真实位置坐标标签一起存储成一个指纹数据库。在在线阶段，这个指纹数据库将用于执行位置估计。指纹识别最易理解的概念是每个室内空间位置都可以通过独特的可测量特征(RSS)来识别，就像人类指纹一样。

现有的指纹定位技术采用了很多不同的算法。流行的算法是分类算法K最邻近算法，概率算法贝叶斯估计，回归算法支持向量机回归，神经网络算法反向传播等。但是，这些算法都存在着一定的缺陷，造成定位系统定位精度低，系统鲁棒性差。

近年来，卷积神经网络(Convolutional Neural Networks,CNN)在深度学习中扮演着极其重要的角色，它是科研人员受视觉皮层组织的启发，开发出的类似于人脑中神经元的连接模式的机器学习算法。CNN现已广泛应用于各种领域，例如图像识别和自然语言处理。CNN是图像分类技术的主要模型，它具有高效的计算能力，并且对噪声具有鲁棒性。物联网的迅速发展和普及激发了对高精度室内定位技术的广泛需求。由于传统的基于无线信号的室内定位技术不足以应对某些需要高精度定位的应用，因此促使研究人员寻求新的解决方案来开发高精度和高鲁棒性的室内定位系统。

CNN通常用于图像识别，因为CNN可被视为图像的自动特征提取器。该方法首先使用相邻像素信息通过卷积对图像进行下采样，然后在最后使用预测层。CNN可以有效捕获数据的结构，并且在二维数据上比一维数据能更准确地工作。

如果要利用CNN的数据结构捕获功能，则需要将一维RSS数据转换为二维数据。获取二维RSS数据的一种简单方法是在每个位置收集多个一维RSS数据以设置指纹数据集。然后将指纹RSS数据值归一化为可识别的图像像素值，并选择不同时间在同一位置的多个RSS值以形成一张“图片”，并重复上述操作以划分指纹数据库中的数据变成大量的“图片”。最后，指纹数据集中的每个位置都有其自己的“图片”，该图像将作为CNN算法的输入。

由于各种原因，例如动态环境，WiFi信号的不稳定性，不同对象的遮挡度以及设备异质性，RSS数据集不可避免地包含不同形式的噪声。当存在噪声时，几乎所有的机器学习算法(包括CNN)都无法保证室内定位系统有令人满意的性能。

发明内容

针对现有技术中存在的上述技术问题，本发明提出了一种基于集成学习的智能手机WiFi室内定位方法，设计合理，克服了现有技术的不足，具有良好的效果。

为了实现上述目的，本发明采用如下技术方案：

一种基于集成学习的智能手机WiFi室内定位方法，包括如下步骤：

步骤1：进行实验环境部署，具体步骤如下：

步骤1.1：选择实验室内环境，将室内平面采用二维坐标划分；

步骤1.2：在室内部署WiFi路由器；

步骤1.3：选定训练位置点和测试点；

步骤2：进行离线采集并训练，具体步骤如下：

步骤2.1：使用安装过定位APP的智能手机，记录训练位置点的坐标；

步骤2.2：采集实验环境中训练位置点的WiFi路由器的信号强度和名称；

步骤2.3：将训练位置点的坐标和WiFi路由器的信号强度组合成一组数据集；

步骤2.4：对训练位置点和WiFi路由器的信号强度分别进行数据采集，得到采样点坐标数据集和RSS数据集，采集完毕后，通过电脑将所有数据组合成训练数据集；

步骤2.5：使用CNN-CML算法对训练数据集进行处理并建模；具体步骤如下：

步骤2.5.1：将训练数据集里的RSS数据集作为输入特征，位置坐标数据集作为标签，训练CNN网络，训练完成得到CNN模型；

步骤2.5.2：将训练数据集里的RSS数据集输入CNN模型，得到CNN模型的输出结果—预测的训练数据集坐标；

步骤2.5.3：将预测的训练数据集与训练数据集中的位置坐标进行比较，得到CNN模型的预测偏差；

步骤2.5.4：将CNN预测偏差作为训练标签，训练数据集里的RSS数据集作为训练特征，输入经典机器学习算法，训练CML得到CML可预测模型；

步骤3：进行在线采集并训练，具体步骤如下：

步骤3.1：采集实验环境测试点的测试数据；

步骤3.2：使用CNN-CML算法对测试数据集进行处理并建模；具体步骤如下：

步骤3.2.1：将测试数据集中的RSS数据集输入到CNN模型，得到CNN模型的输出结果—预测的测试数据集位置坐标；

步骤3.2.2：将测试数据集中的RSS数据集输入到训练好的CML模型中，得到CML模型的输出结果—CNN位置预测偏差；

步骤3.2.3：利用CML模型的输出结果即CNN位置预测偏差，来校正CNN预测的测试数据集位置坐标以获得更准确的位置。

本发明所带来的有益技术效果：

1、可以明显增加基于智能手机的室内定位系统的定位精度。

2、可以达到抗动态环境噪声和设备固有噪声的效果。

3、增强了基于智能手机的室内定位系统的稳定性。

附图说明

图1是CNN-CML集成学习算法框架图；

图2是定位系统结构图；

图3是实验环境示意图。

具体实施方式

下面结合附图以及具体实施方式对本发明作进一步详细说明：

为了减轻不同类型噪声的影响，本发明将其他机器学习算法与CNN集成在一起，以形成集成ML算法来训练指纹数据集。在本发明中，将描述本发明应用的CNN架构，并介绍所提出的集成学习方法，然后阐述CNN网络集成经典机器学习的过程，说明如何利用集成学习算法去训练数据集，最后画出所提出的集成学习方法的框架图；提出的架构如图1所示。

本发明将指纹数据集分为多个“图像”，这些图像具有自己的像素值，然后输入到CNN中进行训练；RSS数据集的大小为m*n，m是在训练位置点的RSS总收集次数，n是AP数。将矩阵转换为数组，在-1和1之间进行缩放重整和归一化操作，使其大小变为100*n*1，并将其作为输入值输入到CNN网络。一共使用四个卷积层，此外，还有两个最大池化层，每个层的大小为2*2；卷积层使用情况如下：

1)第一层有100个3×3过滤器，

2)第二层有100个3×3过滤器，

3)第三层有40个3×3过滤器，

4)第四层有8个3×3过滤器。

在图像处理中，卷积层的每个卷积滤波器都作用于整个感受野以对输入图像进行卷积。卷积的结果构成了输入图像的特征图，以便在卷积层之后提取图像的局部特征。因此，卷积层的主要功能是使用不同的卷积核(也称为过滤器)来提取图像的特征，这是图像识别的关键部分。

在提出的方法中，将转换为图像像素矩阵的RSS数据集输入到卷积层以进行特征提取。在CNN模型中，卷积层在输入数据集的每个位置中检测数据特征。为了从RSS指纹数据集中学习特征，需要在前一个输入层和内核过滤器之间进行卷积处理，然后将加性偏差添加到卷积输出中。

池化层压缩输入数据集以减小数据集的大小，从而简化了网络计算的复杂性；另一方面，它压缩特征图并提取主要特征。池化层通常位于卷积层之后，并且卷积层中的向量输出通过池化进行降维，防止过度拟合以提高精度。此外，池化层使网络更易于优化，池化将分别对每个功能图进行下采样。

全连接层充当整个CNN模型的“分类器”。实际上，这是一个矩阵乘法运算，等效于特征空间变换，可以提取和集成有价值的信息。卷积层、池化层和激活功能层的操作是将原始数据映射到隐藏层的特征空间，完全连接的层是将学习到的“分布式特征表示”映射到样本标签空间。此外，全连接层可以保留从高维到低维的有用特征信息，并且通过激活函数的非线性映射，多层全连接层理论上可以模拟任何非线性变换。

尽管CNN架构已被广泛用于处理具有非线性关系的数据集，并且它可以减少基于RSS的室内定位系统中的噪声影响，但仍无法满足室内厘米级精度的定位要求。

因此，本发明利用经典的机器学习算法：随机森林、决策树、SVR、KNN，通过将CNN与经典机器学习算法集成，进一步提高了基于CNN的定位结果的准确性。本发明将新提出的机器学习网络模型命名为“CNN-CML(CNN及classical machine learning)集成机器学习”。其体系结构在图1中示出。

实际上，利用RSS数据集作为指纹进行定位属于回归问题，利用CNN来训练RSS指纹和位置的回归预测模型。关于偏差估计，将经典的机器学习算法应用于训练RSS指纹和CNN网络的估计偏差的预测模型。

本发明关于实验环境部署问题，操作如下：

选定合适的实验室内环境，把室内平面采用二维坐标划分，为了方便，本发明采用的XY轴单位间距为室内正方形地砖边长1.2m。

在室内部署WiFi路由器，本发明在室内角落均匀部署了八台型号相同的路由器，采用统一的命名方式编号。

选定训练位置点和测试点，本发明一共设置了100个训练点和30个测试点。

本发明关于离线采集并训练的问题，训练算法使用的是CNN-CML集成学习算法，操作如下：

在选定的训练位置点使用安装过定位APP的智能手机，先在APP上记录训练位置点的坐标，然后采集实验环境中八个路由器的信号强度和路由器的名称SSID，最后将坐标和强度组合成一组数据集，在一个点采集500组。一共是50000组数据。

所有点采集完毕，把所有数据组合成训练数据库，是一个50000*10的矩阵，前两列为XY轴坐标值，后八列是八个路由器的RSS值。

接下来使用CNN-CML集成学习算法处理数据并建模。

算法操作流程：

如图1所示，离线阶段，训练数据集包括两部分数据，一部分是RSS数据集，另一部分将是采样点坐标数据集。本发明首先将图像化的训练数据集里的RSS数据集作为输入特征，位置坐标数据集作为标签，训练CNN网络，训练完成得到CNN模型。

然后将训练数据集里的RSS数据集输入CNN模型，得到CNN模型的输出值——预测的训练数据集坐标，再比较该预测坐标与训练数据集中的位置坐标，获取CNN模型的预测偏差；

将CNN预测偏差作为训练标签，训练数据集里的RSS数据集作为训练特征，输入经典机器学习算法，训练CML得到CML可预测模型；

在线阶段：将测试数据集中的RSS数据集输入到CNN模型，得到CNN模型的输出结果——预测的测试数据集位置坐标；再将测试数据集中的RSS数据集输入到训练好的CML模型中，得到CML模型的输出结果——偏差；

利用CML模型的输出结果，也就是CNN位置预测偏差，来校正CNN预测的测试集位置坐标以获得更准确的位置。

图2是基于智能手机的室内定位系统的系统框架图。在离线阶段，智能手机在已知位置收集来自不同AP的RSS读数，同时记录位置点坐标，这些位置也就是为训练数据点，发送至笔记本电脑储存，以创建训练数据集。在线阶段，由智能手机发出定位请求，同时在未知的位置收集不同AP的RSS读数，将这些RSS在线测试数据发送至笔记本电脑然后使用定位核心算法估计用户的位置，定位结果再返回智能手机。

图3为实验环境示意图，在室内角落均匀部署了八台型号相同的路由器也就是图中的WiFi接入点，在图中一共设置了100个训练点和30个测试点。

当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。

Claims (1)

1.一种基于集成学习的智能手机WiFi室内定位方法，其特征在于：包括如下步骤：

步骤1：进行实验环境部署，具体步骤如下：

步骤1.1：选择实验室内环境，将室内平面采用二维坐标划分；

步骤1.2：在室内部署WiFi路由器；

步骤1.3：选定训练位置点和测试点；

步骤2：进行离线采集并训练，具体步骤如下：

步骤2.1：使用安装过定位APP的智能手机，记录训练位置点的坐标；

步骤2.2：采集实验环境中训练位置点的WiFi路由器的信号强度和名称；

步骤2.3：将训练位置点的坐标和WiFi路由器的信号强度组合成一组数据集；

步骤2.4：对训练位置点和WiFi路由器的信号强度分别进行数据采集，得到采样点坐标数据集和RSS数据集，采集完毕后，通过电脑将所有数据组合成训练数据集；

步骤2.5：使用CNN-CML算法对训练数据集进行处理并建模；具体步骤如下：

步骤2.5.1：将训练数据集里的RSS数据集作为输入特征，位置坐标数据集作为标签，训练CNN网络，训练完成得到CNN模型；

步骤2.5.2：将训练数据集里的RSS数据集输入CNN模型，得到CNN模型的输出结果—预测的训练数据集坐标；

步骤2.5.3：将预测的训练数据集与训练数据集中的位置坐标进行比较，得到CNN模型的预测偏差；

步骤2.5.4：将CNN预测偏差作为训练标签，训练数据集里的RSS数据集作为训练特征，输入经典机器学习算法，训练CML得到CML可预测模型；

步骤3：进行在线采集并训练，具体步骤如下：

步骤3.1：采集实验环境测试点的测试数据；

步骤3.2：使用CNN-CML算法对测试数据集进行处理并建模；具体步骤如下：

步骤3.2.1：将测试数据集中的RSS数据集输入到CNN模型，得到CNN模型的输出结果—预测的测试数据集位置坐标；

步骤3.2.2：将测试数据集中的RSS数据集输入到训练好的CML模型中，得到CML模型的输出结果—CNN位置预测偏差；

步骤3.2.3：利用CML模型的输出结果即CNN位置预测偏差，来校正CNN预测的测试数据集位置坐标以获得更准确的位置。

Images