CN111929641B - 一种基于宽度学习的快速室内指纹定位方法 - Google Patents

Abstract

本发明公开了一种基于宽度学习的快速室内指纹定位方法，于离线阶段进行模型训练，包括：步骤1：首先持续接收多个CSI数据包，计算每组CSI数据矩阵的特征向量；步骤2：数据预处理，得到重构后的CSI数据集；步骤3：进行基于宽度学习的快速模型训练；步骤4：将输入的CSI数据由激活函数转换为“特征节点”；步骤5：得到经宽度学习系统的模型训练的输出结果Y，作为最终预测定位结果；步骤6：利用朴素贝叶斯算法找到受噪声影响最大的核心位置和置信度系数c_i；步骤7：融合宽度学习的回归结果和置信系数作为最终定位结果。与现有技术相比，本发明可进一步提升定位精度，并且在保证高精度定位的基础上提升模型训练速度，极大节省离线阶段的训练时间。

Description

一种基于宽度学习的快速室内指纹定位方法

技术领域

本发明涉及机器学习、物联网以及室内定位多个技术领域，特别是涉及一种快速室 内指纹定位方法。

背景技术

室内定位是基于位置服务、物联网和人工智能的核心技术之一。随着下一代5G无线通讯系统和移动设备的快速普及，智能定位技术逐渐引起人们的关注并成为未来智慧城市的研究热点之一。目前，主流的全球导航卫星系统被广泛使用在商业应用中，定位 精度能够满足大部分室外环境需求，但却不适用于室内定位。此外，在复杂的室内环境 下无线信号如WiFi经常被障碍物遮挡，并伴随着折射、反射与散射形成非视距传播。 从而导致定位结果偏差大，严重影响精度。基于指纹的室内定位技术是一种有效的解决 手段，该技术通过探索信号与位置之间的映射关系，结合机器学习等相关算法，由事先 建立指纹库通过特征匹配实现实时定位。无线指纹定位具有较低的计算复杂度与高定位 精度，适用于移动设备，其逐渐成为室内定位的主流技术。

基于机器学习的无线指纹定位方法包括两个阶段：1)离线训练阶段，建立指纹数据库，利用机器学习算法训练模型并提取特征；2)在线定位阶段，将测量数据与指纹 数据库进行比对，通过特征匹配和相似性分析得到估计位置。该方法的一个显著优点是 不需要事先知道接入点的坐标和信道衰减模型。虽然无线传播受到多径效应的影响，但 机器学习强大的非线性分析能力可以保证较高的定位精度。传统方法常利用接受信号强 度建立指纹库，它是一种粗粒度信息无法提供多路径信息。随着WiFi无线网卡性能的 提升，可供采集细粒度的物理层信号——信道状态信息(Channel State Information,CSI)。 由其代替接受信号强度可提高位置指纹法的定位精度。然而已有的指纹定位法存在以下 缺陷：首先，建立指纹库时，所采集的数据存在噪声与数据丢失，影响定位精度；其次， 在离线阶段，模型训练时间过长，且训练时间与定位环境的规模呈线性增长；最后，传 统方法仅适用机器学习方法难以实现高精度定位技术。

发明内容

本发明旨在提出一种基于宽度学习的快速室内定位方法，将机器学习算法与物联网 技术相结合，在宽度学习系统下进行室内定位，通过有效提升离线阶段模型训练速度，从而实现高精度定位。

本发明的一种基于宽度学习的快速室内指纹定位方法，包括离线阶段和在线阶段， 该方法包括以下步骤：

于离线阶段进行模型训练，具体包括以下步骤：

步骤1：首先，持续接收多个CSI数据包，计算每组CSI数据矩阵的特征向量；计 算公式如下：

(λE-A)x＝0

式中，λ为特征值，E为单位矩阵，x为A的对应于特征值λ的特征向量，A为CSI 矩阵；

步骤2：数据预处理，具体过程包括：首先，使用主成分分析法对原始CSI矩阵的 特征向量按数值大小进行降序排列；

主成分分析法按照百分比系数对原始数据进行压缩，计算公式如下：

式中，λ为特征向量，k为保留的行数，n为总行数；

然后，利用卡尔曼滤波以及极大使然估计法来处理噪声与数据丢失问题，根据k-1行的状态预测k行的状态，并融合EM算法最小化预测误差，得到清洗完的数据与协方 差矩阵：EM算法经过两个步骤交替进行计算：

第一步、计算期望E，利用对隐藏变量的现有估计值，计算其最大似然估计值；

第二步、最大化M，最大化在E步上求得的最大似然值来计算参数的值；M步上 找到的参数估计值被用于下一个E步计算中，这个过程不断交替进行，完成数据清洗， 可将采集过程中的丢失数据有效补齐并去噪；

进而利用平滑滤波算法，使用低通滤波器进行相应的滤波输出计算，公式如下：

B_n＝μA_n+(1-μ)A_n-1

式中，μ数字滤波器的时间常数，实际取值取决于采样周期；A_n为第n次采样时 的滤波输入，B_n为相应的滤波输出，并截止频率设置为30Hz；

使计算结果接近真实传播过程，输出矩阵维度为N×4500，作为重构后的CSI数 据集，N为采样点数；

步骤3：进行基于宽度学习的快速模型训练：首先，对所有的训练集与测试集进行归一化处理，归一化处理结果如式(2)所示：

其中，X为原始输入数据，μ与σ分别为平均值与方差，Z为归一化处理完的数 据；

接下来，使用稀疏自动编码机来进一步提取CSI数据训练集的特征，公式如下：

式中，

为稀疏自动编码机计算结果，Y为期望输出，Z为输入数据，λ为约束

的系数；

步骤4：将输入的CSI数据由激活函数转换为“特征节点”：对于CSI训练集 {H,P}∈R^N×(M+C)言，相应的第i个特征映射M_i表示如下：

其中，

和

为随机生成的权重系数和偏执系数，ψ_i为激活函数，n为特征映 射的总个数，H为预处理完的CSI数据，P为标签；

上述激活函数ψ_i选择正切函数Tanh，将输入数据x压缩至-1到1区间内，即 y∈(-1,1)，表示为：

Mⁿ直接与输出层全连接，并由稀疏自动编码机微调；

步骤5：“增强节点”对特征节点的计算结果进一步提取特征，将Mⁿ的特征进行增强与更新，增强节点计算方式如下：

式中，ζ_j与ψ_i同样为正切函数；近似地，随机生成权重系数

与偏执系数

值域[0,1]，m为增强节点的个数；则增强节点的输出记作E^m≡[E₁,E₂,...,E_m]；

得到经宽度学习系统的模型训练的输出结果Y表示为：

Y＝[Mⁿ|E₁,E₂,...,E_m]·W^m＝[Mⁿ|E^m]·W^m

其中，通过岭回归法快速计算连接特征与增强节点到输出层的权重参数W^m的表达式如下：

W^m＝[Mⁿ|E^m]⁺·Y

输出结果Y作为最终预测定位结果的一部分；

步骤6：利用朴素贝叶斯算法找到受噪声影响最大的核心位置，表达式如下：

式中，N为采样点数，

X为预处理完的CSI矩阵，P(L_i)为在位置L_i的先验概率，P(X|L_i)为后验概率；

以及，利用朴素贝叶斯算法计算置信度系数c_i：

计算每一个样本对于所有位置的高斯分布记作Gauss_i，则有

式中，σ为X的方差，λ为控制比例系数；

表示重构的X；

由Gauss_i计算得：

其中，后验概率P(L_i|X)表示如下：

式中，X为CSI矩阵，P(L_i)为在采样点的位置坐标L_i的先验概率；进一步的，

N为采样点数，X为预处理完的CSI矩阵，P(L_i)为在位置 L_i的先验概率，P(X|L_i)为后验概率；

于在线阶段进行定位，具体包括以下步骤：

步骤7：基于数据融合策略具体为融合宽度学习的回归结果和置信系数作为最终定 位结果；预测定位由回归结果Y和核心位置

由式(15)计算得到：

设置阈值threshold来微调所述置信度系数c_i，微调后的置信度系数

表示如下：

式中，mean为所有置信度系数的平均值，且threshold∈[0,1]。

与现有技术相比，本发明的有益效果如下：

(1)将宽度学习系统应用于定位问题，在保证高精度定位的基础上提升模型训练速度，极大节省离线阶段的训练时间；

(2)提出了一种通用的数据预处理方法，结合卡尔曼滤波技术与极大似然估计法，对指纹库中的数据进行去噪与补全；

(3)利用原始数据中的噪声分布计算核心位置，可进一步提升定位精度。

附图说明

图1为本发明的一种基于宽度学习的快速室内指纹定位方法的整体流程图；

图2为本发明的一种基于宽度学习的快速室内指纹定位方法的实现框图；

图3为基于宽度学习的快速模型训练流程图。

具体实施方式

以下结合附图对依据本发明设计的框架的结构、功能及作用详细说明如下详细说明 如下。

如图1所示，为本发明的一种基于宽度学习的快速室内指纹定位方法的整体流程图。该流程具体包括以下步骤：

步骤1：首先，持续接收多个CSI数据包(矩阵维度为，观测矩阵设置3×30×50为1)，计算每组CSI数据矩阵的特征向量；若A为CSI矩阵，特征向量计算方式如下：

(λE-A)x＝0

式中，λ为特征值，E为单位矩阵，x为A的对应于特征值λ的特征向量。

步骤2：数据预处理：首先，使用主成分分析法(PCA)对原始CSI矩阵的特征向 量按其数值大小进行降序排列；

主成分分析法按照百分比系数对原始数据进行压缩，其计算方式如下：

式中，λ为特征向量，k为保留的行数，n为总行数，本发明取α＝95％；

然后，利用卡尔曼滤波以及极大使然估计法来处理噪声与数据丢失问题，根据k-1行的状态预测k行的状态，并融合EM算法最小化预测误差，得到清洗完的数据与协方 差矩阵；

EM算法经过两个步骤交替进行计算：

第一步是计算期望(E)，利用对隐藏变量的现有估计值，计算其最大似然估计值；

第二步是最大化(M)，最大化在E步上求得的最大似然值来计算参数的值。M步 上找到的参数估计值被用于下一个E步计算中，这个过程不断交替进行。完成数据清洗， 可将采集过程中的丢失数据有效补齐并去噪；

进而利用平滑滤波算法即使用低通滤波器，可表示为：

B_n＝μA_n+(1-μ)A_n-1

式中，μ数字滤波器的时间常数，实际取值取决于采样周期；A_n为第n次采样时 的滤波输入，B_n为相应的滤波输出，并截止频率设置为30Hz。

使计算结果尽可能接近真实传播过程，输出矩阵维度为N×4500，其中N为采样 点数)作为重构后的CSI数据集；

卡尔曼滤波是一种通过过渡矩阵和观测矩阵估计系统最优状态的算法；

步骤3：进行基于宽度学习的快速模型训练(如图3所示为基于宽度学习的快速模型训练流程图)：首先，为了保证宽度学习的性能，对所有的训练集与测试集进行归一 化处理，归一化处理结果如式(2)所示：

其中，X为原始输入数据，μ与σ分别为平均值与方差，Z为归一化处理完的数 据；

接下来，使用稀疏自动编码机来进一步提取CSI数据训练集的特征，

其中，

为稀疏自动编码机计算结果，Y为期望输出，Z为输入数据，λ为约束

的系数。公式(3)可以被认为是一个利用l₁和l₂范数正则化且具有较强性能的优化问 题；

该步骤从“宽度”上提供了一种全新的迭代方式；

步骤4：将输入的CSI数据由激活函数转换为“特征节点”：对于CSI训练集 {H,P}∈R^N×(M+C)(P表示标签)而言，相应的第i个特征映射M_i表示如下：

其中，

和

为随机生成的权重系数和偏执系数(均符合正太分布)，ψ_i为激 活函数，n表示特征映射的总个数，H为预处理完的CSI数据(；

上述激活函数ψ_i选择正切函数Tanh，将输入数据x压缩至-1到1区间内，即 y∈(-1,1)。ζ_j与ψ_i使用同样的正切函数，表示为：

Mⁿ直接与输出层全连接，并由稀疏自动编码机微调；

步骤5：“增强节点”对“特征节点”的计算结果进一步提取特征，将Mⁿ的特征进行增强与更新，“增强节点”计算方式如下：

其中，ζ_j与ψ_i同样为正切函数；近似地，随机生成权重系数

与偏执系数

值域[0,1]，m为“增强节点”个数；则增强节点的输出记作E^m≡[E₁,E₂,...,E_m]

E_m是计算完的结果，它是一个矩阵，此处Em只是以邻接矩阵的方式来表达)；

经宽度学习系统的模型训练的输出结果Y表示为：

Y＝[Mⁿ|E₁,E₂,...,E_m]·W^m＝[Mⁿ|E^m]·W^m (7)

其中，通过岭回归法快速计算连接特征与增强节点到输出层的权重参数W^m的表达式如下：

W^m＝[Mⁿ|E^m]⁺·Y (8)

在本发明中，输出结果Y作为最终预测定位结果的一部分；

步骤6：利用朴素贝叶斯方法进一步提升W^m的精度，它可以被认为是离线阶段的分类器，也可以是在线阶段的定位结果。后验概率P(L_i|X)表示如下：

式中，X为CSI矩阵，P(L_i)为在采样点坐标位置L_i)的先验概率；进一步的，

N为采样点数，X是预处理完的CSI矩阵，P(L_i)是在位置 L_i的先验概率，P(X|L_i)是后验概率；

利用朴素贝叶斯算法找到受噪声影响最大的核心位置，表达式如下：

式中，N为采样点数。P(X)是先验概率，P(X|L_i)是后验概率；

计算置信度系数c_i：

c_i与后验概率P_i近似由未滤波的原始CSI数据计算得来。它们对定位精度有着不同的影响，本发明设置阈值threshold来微调c_i，表示如下：

式中，mean是所有置信度系数的平均值，且threshold∈[0,1]；

计算每一个样本对于所有位置的高斯分布记作Gauss_i，则有

式中，σ是X的方差，λ是系数；

表示重构的X；

由Gauss_i计算得：

步骤7：基于数据融合策略具体为融合宽度学习的回归结果和置信系数作为最终定 位结果；预测定位由回归结果Y和核心位置

由式(15)计算得到：

。

如图2所示，为本发明的一种基于宽度学习的快速室内指纹定位方法的实现框图。信号发射端与接收端都配备Intel WiFi Link 5300 NIC，使用Linux 802.11n CSI tool的Monitor模式收集每个数据包的CSI数据，在每个采样点持续收集1000个以上的数据包。 使用其中连续的50个数据包作为输入，以充分保证数据的有效性与系统的高效性，间 接达到降低数据维度与节省训练时间的目的。进一步的，所接受的数据来自于三个天线 的30个不同的子载波，每组CSI矩阵(样本)维度为3×30×50。

本发明的实现分别包括离线阶段和在线阶段。其中：

在离线阶段：包括数据预处理与模型训练。将原始CSI数据作为宽度学习系统的输入进行处理，以提高精度。在预处理过程中以卡尔曼滤波处理与极大似然估计法为核心，以及使用主成分分析法仅对原始CSI数据进行重构而不降维，以解决复杂的室内环境中 的原始CSI数据存在数据丢失与噪声的问题。理论上所建立的指纹库越准确，定位精度 越高。宽度学习系统(BLS)和朴素贝叶斯方法是离线阶段的核心，重构后的CSI数据 集结合CSI测试数据集经过执行宽度学习系统(BLS)实现模型训练，得到预测位置， 通过对原始CSI数据集基于贝叶斯分类器的概率法(执行朴素贝叶斯方法)得到置信系 数与核心位置。

在在线阶段：根据宽度学习系统的回归结果与结合置信度的核心位置来进行最终的 定位预测，获得估计位置。该方法不仅将数据特征由机器学习算法提取并应用于回归问题，还结合概率的方法进行定位，可进一步提升定位性能。

在两个典型的室内环境下构建并检测系统原型，充分验证了该方法的有效性。

Claims (2)

1.一种基于宽度学习的快速室内指纹定位方法，包括离线阶段和在线阶段，其特征在于，该方法包括以下步骤：

于离线阶段进行模型训练，具体包括以下步骤：

步骤1：首先，持续接收多个CSI数据包，计算每组CSI数据矩阵的特征向量；计算公式如下：

(λE-A)x＝0

式中，λ为特征值，E为单位矩阵，x为A的对应于特征值λ的特征向量，A为CSI矩阵；

步骤2：数据预处理，具体过程包括：首先，使用主成分分析法对原始CSI矩阵的特征向量按数值大小进行降序排列；

主成分分析法按照百分比系数对原始数据进行压缩，计算公式如下：

式中，λ为特征向量，k为保留的行数，n为总行数；

然后，利用卡尔曼滤波以及极大使然估计法来处理噪声与数据丢失问题，根据k-1行的状态预测k行的状态，并融合EM算法最小化预测误差，得到清洗完的数据与协方差矩阵：EM算法经过两个步骤交替进行计算：

第一步、计算期望E，利用对隐藏变量的现有估计值，计算其最大似然估计值；

第二步、最大化M，最大化在E步上求得的最大似然值来计算参数的值；M步上找到的参数估计值被用于下一个E步计算中，这个过程不断交替进行，完成数据清洗，可将采集过程中的丢失数据有效补齐并去噪；

进而利用平滑滤波算法，使用低通滤波器进行相应的滤波输出计算，公式如下：

B_n＝μA_n+(1-μ)A_n-1

式中，μ数字滤波器的时间常数，实际取值取决于采样周期；A_n为第n次采样时的滤波输入，B_n为相应的滤波输出，并截止频率设置为30Hz；

使计算结果接近真实传播过程，输出矩阵维度为N×4500，作为重构后的CSI数据集，N为采样点数；

步骤3：进行基于宽度学习的快速模型训练：首先，对所有的训练集与测试集进行归一化处理，归一化处理结果如下式所示：

其中，X为原始输入数据，μ与σ分别为平均值与方差，Z为归一化处理完的数据；

接下来，使用稀疏自动编码机来进一步提取CSI数据训练集的特征，公式如下：

式中，

为稀疏自动编码机计算结果，Y为期望输出，Z为输入数据，λ为约束

的系数；

步骤4：将输入的CSI数据由激活函数转换为“特征节点”：对于CSI训练集{H,P}∈R^{N ×(M+C)}言，相应的第i个特征映射M_i表示如下：

其中，

和

为随机生成的权重系数和偏执系数，ψ_i为激活函数，n为特征映射的总个数，H为预处理完的CSI数据，P为标签；

上述激活函数ψ_i选择正切函数Tanh，将输入数据x压缩至-1到1区间内，即y∈(-1,1)，表示为：

Mⁿ直接与输出层全连接，并由稀疏自动编码机微调；

步骤5：“增强节点”对特征节点的计算结果进一步提取特征，将Mⁿ的特征进行增强与更新，增强节点计算方式如下：

式中，ζ_j与ψ_i同样为正切函数；近似地，随机生成权重系数

与偏执系数

值域[0,1]，m为增强节点的个数；则增强节点的输出记作E^m≡[E₁,E₂,...,E_m]；

得到经宽度学习系统的模型训练的输出结果Y表示为：

Y＝[Mⁿ|E₁,E₂,...,E_m]·W^m＝[Mⁿ|E^m]·W^m

其中，通过岭回归法快速计算连接特征与增强节点到输出层的权重参数W^m的表达式如下：

W^m＝[Mⁿ|E^m]⁺·Y

输出结果Y作为最终预测定位结果的一部分；

步骤6：利用朴素贝叶斯算法找到受噪声影响最大的核心位置，表达式如下：

式中，N为采样点数，

X为预处理完的CSI矩阵，P(L_i)为在位置L_i的先验概率，P(X|L_i)为后验概率；

以及，利用朴素贝叶斯算法计算置信度系数c_i：

计算每一个样本对于所有位置的高斯分布记作Gauss_i，则有

式中，σ为X的方差，λ为控制比例系数；

表示重构的X；

由Gauss_i计算得：

其中，后验概率P(L_i|X)表示如下：

式中，X为CSI矩阵，P(L_i)为在采样点的位置坐标L_i的先验概率；进一步的，

N为采样点数，X为预处理完的CSI矩阵，P(L_i)为在位置L_i的先验概率，P(X|L_i)为后验概率；

于在线阶段进行定位，具体包括以下步骤：

步骤7：基于数据融合策略具体为融合宽度学习的回归结果和置信系数作为最终定位结果；预测定位由回归结果Y和核心位置

由下式计算得到：

。

2.如权利要求1所述的一种基于宽度学习的快速室内指纹定位方法，其特征在于，设置阈值threshold来微调所述置信度系数c_i，微调后的置信度系数

表示如下：

式中，mean为所有置信度系数的平均值，且threshold∈[0,1]。

Images