CN112333652B - Wlan室内定位方法、装置及电子设备 - Google Patents

Wlan室内定位方法、装置及电子设备 Download PDF

Info

Publication number
CN112333652B
CN112333652B CN201910642009.5A CN201910642009A CN112333652B CN 112333652 B CN112333652 B CN 112333652B CN 201910642009 A CN201910642009 A CN 201910642009A CN 112333652 B CN112333652 B CN 112333652B
Authority
CN
China
Prior art keywords
rssi value
neural network
rssi
layer
matrix
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.)
Active
Application number
CN201910642009.5A
Other languages
English (en)
Other versions
CN112333652A (zh
Inventor
杨占军
彭陈发
张士聪
姜奇华
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.)
China Mobile Communications Group Co Ltd
China Mobile Group Zhejiang Co Ltd
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Group Zhejiang Co Ltd
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 China Mobile Communications Group Co Ltd, China Mobile Group Zhejiang Co Ltd filed Critical China Mobile Communications Group Co Ltd
Priority to CN201910642009.5A priority Critical patent/CN112333652B/zh
Publication of CN112333652A publication Critical patent/CN112333652A/zh
Application granted granted Critical
Publication of CN112333652B publication Critical patent/CN112333652B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
    • H04W64/006—Locating users or terminals or network equipment for network management purposes, e.g. mobility management with additional information processing, e.g. for direction or speed determination

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明实施例涉及通信技术领域，公开了一种WLAN室内定位方法、装置及电子设备。该方法包括：采集指纹点对应的访问接入点AP接收的信号强度指示RSSI值；对所述RSSI值进行因子分析FA变换，得到FA变换后的RSSI值；基于所述FA变换后的RSSI值，采用自适应逆向传播BP神经网络构建指纹点的RSSI值与位置信息的映射关系。通过上述方式，本发明实施例有效的降低了在线计算量，且减少了多径效应和阴影效应的影响，整体上兼顾了效率和准确性。

Description

WLAN室内定位方法、装置及电子设备
技术领域
本发明实施例涉及通信技术领域，具体涉及一种WLAN室内定位方法、装置及电子设备。
背景技术
随着社会的发展，基于位置的服务越来越受到人们的关注，在各个领域有很广泛的应用前景，比如获取商品位置、寻找出入口、物品的定位等，而如何确定用户位置是位置服务的核心问题。随着无线局域网(Wireless Local Area Networks，WLAN)技术普及和应用，大多数公共场所都有无线局域网络，因此基于WLAN室内定位方案变得具有可行性。目前基于WLAN室内定位的方法较多，其中指纹匹配法是通过特定区域接收到的特定信息和指纹数据库中信息进行匹配，计算出估计位置。由于其实现简便，定位速度快，精度高等优点，因此在室内定位系统中应用广泛。
指纹匹配法包括两个阶段：离线阶段和在线阶段。离线阶段中首先确定指纹点位置，然后在指纹点处采集接收的信号强度指示(Received Signal Strength Indication，RSSI)信号值作为样本数据，结合位置信息建立起位置与RSSI信号的对应关系，并将该对应关系保存到数据库，这些对应关系被称为位置指纹。在线阶段，将定位终端接收到的RSSI信号信息与数据库中指纹信息进行匹配，匹配出RSSI信号信息最接近的点所对应的位置作为定位终端的估计位置。
在线阶段位置指纹匹配算法主要包括加权K近邻算法、概率算法和支持向量机算法等。加权K近邻算法遍历指纹点的接收信号强度指示RSSI信号值，找出最接近测试点RSSI信号值的一个或多个指纹点，然后将这些指纹点的位置的加权值作为测试点的估计位置。加权K近邻算法容易实现，但定位精度所受的限制比较多，导致定位精度不够高；概率算法中位置指纹存储的是信号强度概率分布，以RSSI直方图形式通过搜索覆盖区域寻找概率最大位置，来实现室内定位，该算法需要建立准确的RSSI概率分布图，因此前期计算比较复杂且准确性依赖RSSI概率分布图；而采用支持向量机算法，对缺失数据比较敏感且面对非线性问题时难以选择合适的核函数。
发明内容
鉴于上述问题，本发明实施例提供了一种WLAN室内定位方法、装置及电子设备，克服了上述问题或者至少部分地解决了上述问题。
根据本发明实施例的一个方面，提供了一种WLAN室内定位方法，所述方法包括：采集指纹点对应的访问接入点AP接收的信号强度指示RSSI值；对所述RSSI值进行因子分析FA变换，得到FA变换后的RSSI值；基于所述FA变换后的RSSI值，采用自适应逆向传播BP神经网络构建指纹点的RSSI值与位置信息的映射关系。
在一种可选的方式中，每个所述指纹点的所述RSSI值包括该指纹点接入的所有访问接入点AP接收的RSSI值。
在一种可选的方式中，所述对所述RSSI值进行因子分析FA变换，得到FA变换后的RSSI值，进一步包括：根据采集的所述RSSI值和所述指纹点的位置信息得到矩阵X；对所述矩阵X进行标准化转换并计算标准化转换后的相关系数矩阵R，计算所述相关系数矩阵R的特征根，根据前q个特征根的累积百分数大于或等于预设值选取公共因子，计算所述特征根对应的单位特征向量，将所述单位特征向量规格化后得到载荷矩阵A(aij)；将所述载荷矩阵A(aij)乘以正交矩阵进行结构化简，根据化简后的载荷矩阵和所述公共因子计算变量得分，根据所述变量得分对所述矩阵X进行降维处理；解析所述公共因子的表达式，将所述公共因子作为所述RSSI值的属性重新表达所述RSSI值。
在一种可选的方式中，所述采用自适应逆向传播BP神经网络构建指纹点的RSSI值与位置信息的映射关系，进一步包括：进行自适应BP神经网络训练；判断训练误差是否满足预设要求；若训练误差不满足预设要求，调整所述BP神经网络的各层神经元之间的权值和各层神经元的偏置，并重新进行训练，直至所述训练误差满足预设要求。
在一种可选的方式中，所述BP神经网络包括输入层、隐含层和输出层；所述进行自适应BP神经网络训练，进一步包括：将输入层的m维的RSSI值，正向经隐含层各神经元处理后，传向输出层，得到实际输出L；所述判断训练误差是否满足预设要求，进一步包括：在输出层将实际输出L和期望输出T进行比较，计算期望输出T与实际输出L的均方误差；判断所述均方误差是否达到预设要求。
在一种可选的方式中，所述调整所述BP神经网络的各层神经元之间的权值和各层神经元的偏置，进一步包括：将所述均方误差以梯度形式按正向传播的通路逐层反向传回；按照权值公式和偏置公式更新权值和偏置。
在一种可选的方式中，所述方法还包括：导入所述FA变换后的RSSI值，输出指纹点的位置信息。
根据本发明实施例的另一方面，提供了一种WLAN室内定位装置，所述装置包括：采集模块，用于采集指纹点对应的访问接入点AP接收的信号强度指示RSSI值；变换模块，用于对所述RSSI值进行因子分析FA变换，得到FA变换后的RSSI值；构建模块，用于基于所述FA变换后的RSSI值，采用自适应逆向传播BP神经网络构建指纹点的RSSI值与位置信息的映射关系。
根据本发明实施例的另一方面，提供了一种电子设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如上所述的WLAN室内定位方法的操作。
根据本发明实施例的另一方面，提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上所述的WLAN室内定位方法的操作。
本发明实施例通过利用FA对接收端采集的原始RSSI信号进行预处理，提取其中的定位特征量，减少RSSI信号之间的相关性，有效的降低了在线计算量，且减少了多径效应和阴影效应的影响，提高了室内定位的准确性，此外采用BP神经网络算法收敛速度快且准确度高，整体上兼顾了效率和准确性。
上述说明仅是本发明实施例技术方案的概述，为了能够更清楚了解本发明实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明实施例提供的WLAN室内定位方法的流程图；
图2示出了本发明实施例提供的FA变换的流程图；
图3示出了本发明实施例提供的采用BP神经网络构建指纹点的RSSI值与位置信息的映射关系的流程图；
图4示出了自适应BP神经网络模型的示意图；
图5示出了本发明具体实例提供的采用BP神经网络构建指纹点的RSSI值与位置信息的映射关系的流程图；
图6示出了本发明实施例提供的WLAN室内定位装置的结构示意图；
图7示出了本发明实施例提供的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
本发明实施例提供了一种基于因子分析(factor analysis，FA)和自适应逆向传播(back propagation，BP)神经网络的WLAN室内定位方法。在实际的WLAN室内环境中，无线信号在传播过程中会受到多径效应、阴影效应的影响，因而在同一个位置上访问接入点(AccessPoint，AP)或者无线(Wireless)访问接入点的信号强度指示(Received SignalStrength Indication，RSSI)信号往往表现出复杂的时变特性，RSSI信号值和位置关系呈非线性关系，如果直接使用各个AP的原始RSSI信号值作为训练样本，室内定位的精度必然受到影响。
因此，本发明实施例提供了一种用FA变换提取原始的RSSI信号中的主要定位特征进行样本训练的室内定位方法。FA算法降维具有可解释性，且它不是对原有变量的取舍，而是根据原始变量的信息进行重新组合，找出影响变量的公共因子从而化简数据，有利于提升定位的准确性，提高效率。此外，由于自适应BP神经网络改进了BP神经网络的缺点，具有收敛速度快、效率高，且自适应BP神经网络在解决有限样本非线性问题上具有独特优势且具有很好的泛化能力。
图1示出了本发明实施例提供的WLAN室内定位方法的流程图。如图1所示，该方法包括：
步骤110：采集指纹点对应的访问接入点AP接收的信号强度指示RSSI值。
每个指纹点位置都对应至少一个AP，一般会对应多个AP，因此，每个所述指纹点的所述RSSI值包括该指纹点接入的所有访问接入点AP接收的RSSI值，而且一般需要采集多次RSSI值，获得原始数据。
步骤120：对所述RSSI值进行因子分析FA变换，得到FA变换后的RSSI值。
FA的目的是用少数几个变量(也即因子)来综合反映全部变量的大部分信息，虽然变量较原始变量相比数目上降低，但基本包含原始信息，而且这些新的变量彼此不相关。FA可以通过确定m个“公共因子”正交变量，最优地显示n个变量之间的差异(n>m)。经过标准化处理和数学变换，提取公共因子，再利用这些公共因子来描述原始变量，可以反映和解释原始变量之间的复杂关系。
图2示出了本发明实施例提供的FA变换的流程图。如图2所示，在一些实施例中，步骤120进一步包括：
步骤121：根据采集的所述RSSI值和所述指纹点的位置信息得到矩阵X。
样本集为：T＝{(S1，L1)，(S2，L2)，…，(Sp，Lp)}，
Figure BDA0002132203380000051
Figure BDA0002132203380000052
Figure BDA0002132203380000053
表示指纹点p处接收第d个AP的采集N次RSSI信号的均值，d为使用AP的个数，Lp＝(xp，yp)为指纹点p的二维位置坐标。令矩阵X＝[S1，S2，…，Sp]T。
步骤122：对所述矩阵X进行标准化转换并计算标准化转换后的相关系数矩阵R，计算所述相关系数矩阵R的特征根，根据前q个特征根的累积百分数大于或等于预设值选取公共因子，计算所述特征根对应的单位特征向量，将所述单位特征向量规格化后得到载荷矩阵A(aij)。
本步骤中，对X进行标准化处理得到新的矩阵X′；计算X′的相关系数矩阵R＝ri×rj，其中
Figure BDA0002132203380000061
Figure BDA0002132203380000062
计算相关系数矩阵R的特征根，并根据前q个特征根的累积百分数大于或等于预设值选取公共因子。计算特征根对应的单位特征向量，将其规格化为aij，可得到载荷矩阵A(aij)。其中，预设值可以选取85％或其他适合的值。
步骤123：将所述载荷矩阵A(aij)乘以正交矩阵进行结构化简，根据化简后的载荷矩阵和所述公共因子计算变量得分，根据所述变量得分对所述矩阵X进行降维处理。
本步骤通过为因子载荷矩阵A(aij)右乘一个正交矩阵进行结构化简，化简后每一个变量仅一个公共因子上有较大的载荷，而其余公共因子上的载荷较小，这使得载荷矩阵A(aij)的每一列元素的平方值或尽可能大或尽可能小，即向1和0两级分化。然后利用如下公式(1)计算各个因素的得分，并根据各个因素得分对数据进行降维处理。
Figure BDA0002132203380000063
式中，Fj＝F1，F2，…Fm为第j个因子，aij为因子载荷，表示因子Fj与变量Xi之间的相关关系，ci为权重，∈i为特殊因子变量。
步骤124：解析所述公共因子的表达式，将所述公共因子作为所述RSSI值的属性重新表达所述RSSI值。
本步骤通过解出Fj的表示形式，将其作为原始数据的属性，通过计算从而重新表示原始数据。
通过步骤120，可以将大量数据的维度降低、结构得以简化，并在诸多的因子中为每个变量找出包含多变量系统的信息和影响系统各种因素的最佳子集。
步骤130：基于所述FA变换后的RSSI值，采用自适应逆向传播BP神经网络构建指纹点的RSSI值与位置信息的映射关系。
本发明实施例采用自适应BP神经网络回归来建立指纹点定位特征与其位置的非线性关系，也即指纹点的RSSI值与位置信息的映射关系，并以此对指纹点的位置进行回归预测。通过步骤120的FA变换得到指纹点位置特征，新样本集为T’＝{(S′1，L1)，(S′2，L2)，…，(S′p，Lp)}S′p∈Rm，再利用自适应BP神经网络构建RSSI值与定位位置坐标L的非线性关系
图3示出了本发明实施例提供的采用BP神经网络构建指纹点的RSSI值与位置信息的映射关系的流程图。如图3所示，在一些实施例中，步骤130进一步包括：
步骤131：进行自适应BP神经网络训练。
自适应BP神经网络是BP神经网络的改进算法，是一种多层感知结构，由若干层神经元组成，网络不仅有输入层节点，输出层节点，而且还可以有一层或多层隐含层节点。图4示出了自适应BP神经网络模型的示意图，如图4所示，改自适应BP神经网络模型为典型的具有输入层、隐藏层和输出层的模型。
假设输入层神经元为S′p＝[p1,p2,…,pm]，隐含层神经元为S＝[s1,s2,…,sk]，输出层神经元为L＝[x,y]，
Figure BDA0002132203380000071
表示输入层第m个神经元与隐含层第k个神经元之间的连接权值，隐含层的激发函数为
Figure BDA0002132203380000072
Figure BDA0002132203380000073
表示输入层第j个神经元、隐含层第k个神经元与输出层第j个神经元之间的连接权值，
Figure BDA0002132203380000074
表示隐含层各神经元的偏置(即阀值)，
Figure BDA0002132203380000075
表示输出层神经元的偏置，η为学习速率。其中，
Figure BDA0002132203380000076
在训练时，先进行正向传播，再进行误差的逆向传播。
(1)正向传播
输入层神经元与隐含层各神经元之间以相应的权重连接，隐含层的输出为Hj，从输入层的每一个神经元处得到输出值，加权求和
Figure BDA0002132203380000077
加上偏置
Figure BDA0002132203380000078
通过激发函数f1，得到该神经元的输出值为：
Figure BDA0002132203380000081
输出层神经元接受隐含层神经元输出值Ok，并加权求和得
Figure BDA0002132203380000082
加上偏置
Figure BDA0002132203380000083
得到输出层该神经元的输出值：
Figure BDA0002132203380000084
(2)误差的逆向传播
自适应BP神经网络算法在于自适应改变学习中的学习率，以控制BP学习中梯度下降速度，改善原始BP算法的收敛特性。学习率η的自适应律可以设计为：
Figure BDA0002132203380000085
公式(4)中，a>0，b>0，条件C1(k)和C2(k)分别定义为：
C1(k)表示BP神经网络前i次迭代的平方误差函数梯度值小于0；
C2(k)表示BP神经网络前i次迭代的平方误差函数梯度值大于0；
将输入层的m维的RSSI值，正向经隐含层各神经元处理后，传向输出层，得到实际输出L。
步骤132：判断训练误差是否满足预设要求。
本步骤中，在输出层将实际输出L和期望输出T进行比较，计算期望输出T与实际输出L的均方误差；判断所述均方误差是否达到预设要求。具体的，期望输出T与实际输出L的均方误差
Figure BDA0002132203380000086
记ek＝L-T，则MSE可以表示为
Figure BDA0002132203380000087
权值更新公式为：
Figure BDA0002132203380000088
Figure BDA0002132203380000089
偏置更新公式为：
Figure BDA00021322033800000810
Figure BDA00021322033800000811
步骤133：若训练误差不满足预设要求，调整所述BP神经网络的各层神经元之间的权值和各层神经元的偏置，并重新进行训练，直至所述训练误差满足预设要求。
本步骤中，所述调整所述BP神经网络的各层神经元之间的权值和各层神经元的偏置，进一步包括：
将所述均方误差以梯度形式按正向传播的通路逐层反向传回；
按照权值公式和偏置公式更新权值和偏置。
具体的，如果MSE没有达到预定要求ε，则进入反向传播过程，把输出期望输出T与实际输出L的均方误差MSE以梯度形式，按原来正向传播的通路逐层反向传回，并按照上述权值公式与偏置公式更新权值和偏置，对其修改，并反复运行信息的正向传播和误差逆向传播两个过程，直到MSE收敛于ε，即训练好自适应BP神经网络模型。其中ε是根据实际数据调参确定的。
在一些实施例中，步骤133之后，所述方法还包括：
导入所述FA变换后的RSSI值，输出指纹点的位置信息。
图5示出了本发明具体实例提供的采用BP神经网络构建指纹点的RSSI值与位置信息的映射关系的流程图。如图5所示，包括：
步骤501：输入训练集进行自适应BP神经网络训练。
步骤502：判断训练误差是否满足需求；若是，执行步骤503；否则，执行步骤504。
步骤503：导入指纹点FA变换后的RSSI值。然后，执行步骤505。
步骤504：调整权值和偏置。
步骤505：输出指纹点坐标。
本发明实施例通过利用FA对接收端采集的原始RSSI信号进行预处理，提取其中的定位特征量，减少RSSI信号之间的相关性，有效的降低了在线计算量，且减少了多径效应和阴影效应的影响，提高了室内定位的准确性，此外采用BP神经网络算法收敛速度快且准确度高，整体上兼顾了效率和准确性。
图6示出了本发明实施例提供的WLAN室内定位装置的结构示意图。如图6所示，该装置600包括：采集模块601、变换模块602和构建模块603。
其中，采集模块601用于采集指纹点对应的访问接入点AP接收的信号强度指示RSSI值；变换模块602用于对所述RSSI值进行因子分析FA变换，得到FA变换后的RSSI值；构建模块603用于基于所述FA变换后的RSSI值，采用自适应逆向传播BP神经网络构建指纹点的RSSI值与位置信息的映射关系。
在一种可选的方式中，每个所述指纹点的所述RSSI值包括该指纹点接入的所有访问接入点AP接收的RSSI值。
在一种可选的方式中，所述变换模块602进一步用于：
根据采集的所述RSSI值和所述指纹点的位置信息得到矩阵X；
对所述矩阵X进行标准化转换并计算标准化转换后的相关系数矩阵R，计算所述相关系数矩阵R的特征根，根据前q个特征根的累积百分数大于或等于预设值选取公共因子，计算所述特征根对应的单位特征向量，将所述单位特征向量规格化后得到载荷矩阵A(aij)；
将所述载荷矩阵A(aij)乘以正交矩阵进行结构化简，根据化简后的载荷矩阵和所述公共因子计算变量得分，根据所述变量得分对所述矩阵X进行降维处理；
解析所述公共因子的表达式，将所述公共因子作为所述RSSI值的属性重新表达所述RSSI值。
在一种可选的方式中，所述构建模块603进一步用于：
进行自适应BP神经网络训练；
判断训练误差是否满足预设要求；
若训练误差不满足预设要求，调整所述BP神经网络的各层神经元之间的权值和各层神经元的偏置，并重新进行训练，直至所述训练误差满足预设要求。
在一种可选的方式中，所述BP神经网络包括输入层、隐含层和输出层；
所述进行自适应BP神经网络训练，进一步包括：将输入层的m维的RSSI值，正向经隐含层各神经元处理后，传向输出层，得到实际输出L；
所述判断训练误差是否满足预设要求，进一步包括：在输出层将实际输出L和期望输出T进行比较，计算期望输出T与实际输出L的均方误差；判断所述均方误差是否达到预设要求。
在一种可选的方式中，所述调整所述BP神经网络的各层神经元之间的权值和各层神经元的偏置，进一步包括：
将所述均方误差以梯度形式按正向传播的通路逐层反向传回；
按照权值公式和偏置公式更新权值和偏置。
在一种可选的方式中，所述构建模块603进一步用于：导入所述FA变换后的RSSI值，输出指纹点的位置信息。
本发明实施例通过利用FA对接收端采集的原始RSSI信号进行预处理，提取其中的定位特征量，减少RSSI信号之间的相关性，有效的降低了在线计算量，且减少了多径效应和阴影效应的影响，提高了室内定位的准确性，此外采用BP神经网络算法收敛速度快且准确度高，整体上兼顾了效率和准确性。
本发明实施例提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行上述任意方法实施例中的WLAN室内定位方法的步骤。
本发明实施例提供了一种计算机程序产品，所述计算机程序产品包括存储在计算机存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行上述任意方法实施例中的WLAN室内定位方法的步骤。
图7示出了本发明实施例提供的电子设备的结构示意图，本发明具体实施例并不对电子设备的具体实现做限定。
如图7所示，该电子设备可以包括：处理器(processor)702、通信接口(Communications Interface)704、存储器(memory)706、以及通信总线708。
其中：处理器702、通信接口704、以及存储器706通过通信总线708完成相互间的通信。通信接口704，用于与其它设备比如客户端或其它服务器等的网元通信。处理器702，用于执行程序710，具体可以执行上述任意方法实施例中的WLAN室内定位方法。
具体地，程序710可以包括程序代码，该程序代码包括计算机操作指令。
处理器702可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。电子设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。
存储器706，用于存放程序710。存储器706可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
本发明实施例通过利用FA对接收端采集的原始RSSI信号进行预处理，提取其中的定位特征量，减少RSSI信号之间的相关性，有效的降低了在线计算量，且减少了多径效应和阴影效应的影响，提高了室内定位的准确性，此外采用BP神经网络算法收敛速度快且准确度高，整体上兼顾了效率和准确性。
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。

Claims (9)

1.一种WLAN室内定位方法，其特征在于，所述方法包括：
采集指纹点对应的访问接入点AP接收的信号强度指示RSSI值；
对所述RSSI值进行因子分析FA变换，得到FA变换后的RSSI值；
基于所述FA变换后的RSSI值，采用自适应逆向传播BP神经网络构建指纹点的RSSI值与位置信息的映射关系；
导入所述FA变换后的RSSI值，输出指纹点的位置信息。
2.根据权利要求1所述的方法，其特征在于，每个所述指纹点的所述RSSI值包括该指纹点接入的所有访问接入点AP接收的RSSI值。
3.根据权利要求2所述的方法，其特征在于，所述对所述RSSI值进行因子分析FA变换，得到FA变换后的RSSI值，进一步包括：
根据采集的所述RSSI值和所述指纹点的位置信息得到矩阵X；
对所述矩阵X进行标准化转换并计算标准化转换后的相关系数矩阵R，计算所述相关系数矩阵R的特征根，根据前q个特征根的累积百分数大于或等于预设值选取公共因子，计算所述特征根对应的单位特征向量，将所述单位特征向量规格化后得到载荷矩阵A(aij)；
将所述载荷矩阵A(aij)乘以正交矩阵进行结构化简，根据化简后的载荷矩阵和所述公共因子计算变量得分，根据所述变量得分对所述矩阵X进行降维处理；
解析所述公共因子的表达式，将所述公共因子作为所述RSSI值的属性重新表达所述RSSI值。
4.根据权利要求1所述的方法，其特征在于，所述采用自适应逆向传播BP神经网络构建指纹点的RSSI值与位置信息的映射关系，进一步包括：
进行自适应BP神经网络训练；
判断训练误差是否满足预设要求；
若训练误差不满足预设要求，调整所述BP神经网络的各层神经元之间的权值和各层神经元的偏置，并重新进行训练，直至所述训练误差满足预设要求。
5.根据权利要求4所述的方法，其特征在于，所述BP神经网络包括输入层、隐含层和输出层；
所述进行自适应BP神经网络训练，进一步包括：将输入层的m维的RSSI值，正向经隐含层各神经元处理后，传向输出层，得到实际输出L；
所述判断训练误差是否满足预设要求，进一步包括：在输出层将实际输出L和期望输出T进行比较，计算期望输出T与实际输出L的均方误差；判断所述均方误差是否达到预设要求。
6.根据权利要求5所述的方法，其特征在于，所述调整所述BP神经网络的各层神经元之间的权值和各层神经元的偏置，进一步包括：
将所述均方误差以梯度形式按正向传播的通路逐层反向传回；
按照权值公式和偏置公式更新权值和偏置。
7.一种WLAN室内定位装置，其特征在于，所述装置包括：
采集模块，用于采集指纹点对应的访问接入点AP接收的信号强度指示RSSI值；
变换模块，用于对所述RSSI值进行因子分析FA变换，得到FA变换后的RSSI值；
构建模块，用于基于所述FA变换后的RSSI值，采用自适应逆向传播BP神经网络构建指纹点的RSSI值与位置信息的映射关系；
所述构建模块，还用于导入所述FA变换后的RSSI值，输出指纹点的位置信息。
8.一种电子设备，其特征在于，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-6中任意一项所述的WLAN室内定位方法的操作。
9.一种计算机存储介质，其特征在于，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-6中任意一项所述的WLAN室内定位方法的操作。
CN201910642009.5A 2019-07-16 2019-07-16 Wlan室内定位方法、装置及电子设备 Active CN112333652B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910642009.5A CN112333652B (zh) 2019-07-16 2019-07-16 Wlan室内定位方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910642009.5A CN112333652B (zh) 2019-07-16 2019-07-16 Wlan室内定位方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN112333652A CN112333652A (zh) 2021-02-05
CN112333652B true CN112333652B (zh) 2022-09-13

Family

ID=74319294

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910642009.5A Active CN112333652B (zh) 2019-07-16 2019-07-16 Wlan室内定位方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN112333652B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20240168124A1 (en) * 2021-03-24 2024-05-23 Nokia Solutions And Networks Oy User device location estimation
CN113612555B (zh) * 2021-08-19 2022-06-07 江西赛柏科技有限公司 基于移动终端无线射频信号强度的智能标定方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6871373B2 (ja) * 2016-07-11 2021-05-12 アークトップ リミテッド ブレイン・コンピュータ・インターフェースを提供するための方法およびシステム

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于天线覆盖模型的RFID室内定位算法;武帆等;《计算机工程》;20170315(第03期);全文 *
基于改进的DBN的WLAN指纹定位数据库构建算法;杨晋生等;《光电子？激光》;20180915(第09期);全文 *

Also Published As

Publication number Publication date
CN112333652A (zh) 2021-02-05

Similar Documents

Publication Publication Date Title
CN111368769B (zh) 基于改进锚点框生成模型的船舶多目标检测方法
CN110110754B (zh) 基于代价局部泛化误差的不平衡问题的分类方法
CN111726765B (zh) 一种面向大规模复杂场景的wifi室内定位方法及系统
CN108376408A (zh) 一种基于曲率特征的三维点云数据快速加权配准方法
CN110222780A (zh) 物体检测方法、装置、设备和存储介质
CN112333652B (zh) Wlan室内定位方法、装置及电子设备
CN110210625A (zh) 基于迁移学习的建模方法、装置、计算机设备和存储介质
CN113240155A (zh) 预测碳排放量的方法、装置及终端
CN106485585A (zh) 用于等级评定的方法及系统
CN114742102A (zh) 一种nlos信号识别方法及系统
CN112420125A (zh) 分子属性预测方法、装置、智能设备和终端
CN102680646A (zh) 一种不饱和聚酯树脂反应釜中反应物浓度软测量方法
Du et al. Network anomaly detection based on selective ensemble algorithm
CN113541985A (zh) 物联网故障诊断方法、模型的训练方法及相关装置
CN114579640A (zh) 一种基于生成式对抗网络的金融时间序列预测系统和方法
CN112561179A (zh) 一种股票走势预测方法、装置、计算机设备及存储介质
WO2023246735A1 (zh) 一种项目推荐方法及其相关设备
CN117034077A (zh) 基于迁移学习和gasf的csi定位方法、装置及设备
CN113705092B (zh) 基于机器学习的疾病预测方法及装置
CN114819107B (zh) 基于深度学习的混合数据同化方法
CN114374931B (zh) 基于近邻成分分析的度量学习的指纹定位方法
CN115907775A (zh) 基于深度学习的个人征信评级方法及其应用
CN109934248A (zh) 一种针对迁移学习的多模型随机生成与动态自适应组合方法
CN114742091A (zh) 基于卷积块注意力的雷达个体辐射识别方法、系统及介质
CN114444654A (zh) 一种面向nas的免训练神经网络性能评估方法、装置和设备

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