CN112954633A - 一种基于参数约束的双网络架构室内定位方法 - Google Patents

Abstract

本发明属于室内定位技术领域，具体是涉及一种基于参数约束的双网络架构室内定位方法。本发明利用基于参数约束的双网络架构，通过不同网络提取不同领域的数据特征，打破了单一网络架构只能提取公共特征的限制，能够充分提取不同领域的数据特征。对网络参数施加的线性约束，显式建模了室内定位环境中的数据分布漂移，从参数角度对分布漂移进行线性补偿，最大程度地减小领域差异，进而使模型能够有效地适应复杂的室内环境。本发明能够有效降低不同领域的数据分布差异，从而本发明是一种能够在复杂室内环境中实现高精度定位的方法。

Description

一种基于参数约束的双网络架构室内定位方法

技术领域

本发明属于室内定位技术领域，具体是涉及一种基于参数约束的双网络架构室内定位方法。

背景技术

随着智能设备的普及和物联网技术的飞速发展，室内定位技术获得了极大的市场机遇。基于室内环境的定位服务在商业、医疗和军事等方面的应用需求不断增长，刺激了室内定位技术和系统的快速发展。常见的室内定位技术包括红外、超声波、可见光、UWB和WiFi等，其中红外、超声波、可见光定位需要事先部署信号发射装置，需要耗费大量人力财力，因此普及率较低；UWB定位的设备昂贵，通常只适用于工业环境难以普及。基于以上因素已经被广泛部署在商场、机场航站楼等大型建筑中的WiFi信号成为了大多数定位系统选择使用的信号源。

目前，基于WiFi的定位方法主要分为两大类：三角定位法和指纹定位法。三角定位法容易受到多径效应和非视距效应的影响导致定位效果不稳定，指纹定位法依赖离线建立的指纹库相比于三角定位法更加稳定。指纹定位法主要包含离线建库和在线定位两个阶段。离线建库阶段，将室内环境划分成不同网格，记录下中心坐标并给定网格编号，不同坐标有且仅有唯一编号。在不同网格上通过移动设备采集环境中所有接入点的接收信号强度(Received Signal Strength,RSS)，将RSS值与网格坐标及编号拼接构成离线指纹库。在线定位阶段，给定一个未知位置的RSS样本，通过匹配算法在指纹库中找到相似度最高的指纹，并将其对应的坐标作为对未知RSS样本的位置估计。传统的基于指纹的定位方法假设在线定位阶段的样本与离线建库阶段的指纹具有相同的数据分布，但在真实的室内环境下，由于异构设备采样值存在偏差和环境的实时变化，两个阶段的样本数据分布会存在一定程度上的差异，传统的定位方法将导致定位误差增大。

文献“B.Sun and K.Saenko,“Deep coral:Correlation alignment for deepdomain adaptation,”in European conference on computer vision,2016,pp.443–450”提出了一种深度协方差对齐(Deep Correlation Alignment,Deep CORAL)的方法，通过减小源域特征和目标域特征的二阶统计差异减小领域差异。文献“M.Long,Y.Cao,J.Wang,andM.Jordan,“Learning transferable features with deep adaptation networks,”inInternational conference on machine learning,2015,pp.97–105”在多个全连接层上使用最大均值差异准则(Maximum Mean Discrepancy,MMD)的多核形式，将源域和目标域数据映射到希尔伯特空间上缩小差异。但上述两种方法对不同领域的数据使用了同种网络结构进行特征提取，这使得网络模型只能挖掘不同领域数据的公共特征，极大程度地限制了网络对某一领域数据的特征提取能力。此外，由于相同网络提取的特征为两个领域的公共部分，将会导致后续缩小领域差异不充分，尤其是在两个领域的数据分布差异较大的情况下，进而导致模型的定位性能下降。基于上述原因，此类方法在复杂的室内定位环境中难以实现准确的定位。

发明内容

本发明的目的是，为克服上述技术的不足，提供一种新的基于参数约束的双网络架构室内定位方法。如图1所示，方法采用两个结构相同且初始化参数相同的深度神经网络，分别记为源网络和目标网络。在训练阶段，对源网络和目标网络对应层的参数施加线性约束，并将源域数据和目标域数据分别输入到源网络和目标网络中同时训练。在测试阶段，利用目标网络实现在复杂的室内环境中的准确定位。

本发明的技术方案是：一种基于参数约束的双网络架构室内定位方法，包括以下步骤：

S1、将室内环境划分为等大小的网格区域，记录网格的位置坐标并设置标签，一个位置坐标有且仅有唯一的标签与之对应，网格标签可以表示为：

Y_s＝{y_k|k＝1,2,…,C}

其中，C代表室内环境划分的总网格区域数；

S2、在第1个月内使用移动设备在格点中进行多次采样，记录不同格点内各个接入点的RSS值，并将其与对应的格点标签进行拼接构建指纹库，作为源域数据

其中，X_s表示在室内环境中采集到的总数量为n_s的RSS样本，可详细表示为：

X_s＝{x_i ^T|i＝1,2,…,n_s}

更详细地，第i条RSS样本值可以表示为：

其中，m表示室内环境中的总接入点数量，

表示第i条样本中接收到第m个接入点的RSS信号强度值；

S3、收集来自第n个月(n≥2)的待定位设备的RSS值，作为目标域数据

其中，X_t表示待定位设备在室内环境中收集的RSS样本集合，可详细表示为：

X_t＝{x_j ^T|j＝1,2,…,n_t}

其中，n_t表示目标域数据的总数量；

S4、构建两个结构完全相同的深度神经网络，分别记为源网络和目标网络，对应网络的参数记为Θ_s和Θ_t。其中，Θ表示神经网络参数，具体可以表示为：

其中，L表示神经网络的层数，Θ⁽ⁱ⁾表示第i层的网络参数，主要包括该层的权重矩阵W⁽ⁱ⁾和偏置向量b⁽ⁱ⁾两项。

S5、对源网络和目标网络的对应层参数施加线性约束。网络的前(L-1)层作为特征提取部分，参数不共享并施加线性约束。最后一层作为分类层，由于分类任务一致，该层参数由两个网络共享。

进一步地，步骤S5中对网络参数施加线性约束的具体步骤为：

S51、初始化两个网络第i层的线性约束参数为a_i＝1，d_i＝0；

S52、训练过程中，将a_i作为权重项，将d_i作为偏置项，作用在

中的每一个元素上，即满足

S6、将源域数据

和目标域数据

分别输入源网络和目标网络中，开始训练网络模型。

进一步地，步骤S6训练网络模型的具体步骤为：

S61、源网络中输入有标签的源域数据

通过前(L-1)层网络得到源域数据特征F_s。将F_s通过最后一层网络，利用交叉熵损失函数

衡量预测结果，即对源域数据分类层的输出计算分类损失并将其最小化：

其中，

是标准的分类损失；

S62、目标网络输入无标签目标域数据

通过前(L-1)层网络得到目标域数据特征F_t；

S63、通过MMD准则约束，在希尔伯特空间内最小化源域特征F_s和目标域特征F_t的距离，即最小化损失函数

其中，φ为核映射，核函数k(F_s,F_t)＝<φ(F_s),φ(F_t)>；

S64、源网络和目标网络的对应层参数在满足线性约束的条件下差异最小化，即最小化参数约束函数

S65、使用梯度下降法对源网络参数Θ_s和目标网络参数Θ_t，以及对应层的参数约束项a_i和d_i进行更新，最小化总损失函数

直到收敛：

S7、采用训练好的目标网络对来自第(n+1)个月的待定位设备的RSS值进行定位，得到定位结果。

本发明的有益效果是：本发明使用双网络架构分别对源域和目标域数据进行特征提取，能够充分挖掘不同领域的深层特征，克服了单网络架构只提取公共特征的弊端。通过对源网络和目标网络参数进行线性约束，显式建模了室内定位环境中RSS信号的漂移情况，从参数角度对数据漂移进行补偿，从而缩小不同领域的特征差异。因此本发明提出的基于参数约束的双网络架构室内定位方法是一种高精度的实时定位方法。

附图说明

图1为基于参数约束的双网络架构室内定位模型的结构示意图；

图2为基于参数约束的双网络架构室内定位方法流程图；

图3为背景技术方法和本发明方法在环境变化下的定位累计误差百分比；

图4为背景技术方法和本发明方法在相同月份同种设备和不同设备下的定位误差对比图。

具体实施方式

下面结合附图及实施例，详细描述本发明的技术方案：

如图2所示，本发明主要包括以下步骤：

步骤1.将室内环境划分为等大小的网格区域，记录网格的位置坐标并设置标签，一个位置坐标有且仅有唯一的标签与之对应，网格标签可以表示为：

Y_s＝{y_k|k＝1,2,…,C}

其中，C代表室内环境划分的总网格区域数；

步骤2.在第1个月内使用移动设备在格点中进行多次采样，记录不同格点内各个接入点的RSS值，并将其与对应的格点标签进行拼接构建指纹库，作为源域数据

其中，X_s表示在室内环境中采集到的总数量为n_s的RSS样本，可详细表示为：

X_s＝{x_i ^T|i＝1,2,…,n_s}

更详细地，第i条RSS样本值可以表示为：

其中，m表示室内环境中的总接入点数量，

表示第i条样本中接收到第m个接入点的RSS信号强度值；

步骤3.收集来自第n个月(n≥2)的待定位设备的RSS值，作为目标域数据

其中，X_t表示待定位设备在室内环境中收集的RSS样本集合，可详细表示为：

X_t＝{x_j ^T|j＝1,2,…,n_t}

其中，n_t表示目标域数据的总数量；

步骤4.构建两个结构完全相同的深度神经网络，分别记为源网络和目标网络，对应网络的参数记为Θ_s和Θ_t。其中，Θ表示神经网络参数，具体可以表示为：

其中，L表示神经网络的层数，Θ⁽ⁱ⁾表示第i层的网络参数，主要包括该层的权重矩阵W⁽ⁱ⁾和偏置向量b⁽ⁱ⁾两项。实施例中使用5层全连接层构建一个神经网络。

步骤5.对源网络和目标网络的对应层参数施加线性约束，显式地对室内环境中RSS信号的分布漂移进行建模。网络的前4层作为特征提取部分，参数不共享并施加线性约束。最后一层作为分类层，由于分类任务一致，该层参数由两个网络共享。

进一步地，步骤5中对网络参数施加线性约束的具体步骤为：

步骤5-1、初始化两个网络第i层的线性约束参数为a_i＝1，d_i＝0；

步骤5-2、训练过程中，将a_i作为权重项，将d_i作为偏置项，作用在

中的每一个元素上，即满足

步骤6.将步骤2和步骤3得到的源域数据

和目标域数据

分别输入源网络和目标网络中，开始训练网络模型。

进一步地，步骤6训练网络模型的具体步骤为：

步骤6-1.源网络中输入有标签的源域数据

通过前4层网络得到源域数据特征F_s。将F_s通过最后一层网络，利用交叉熵损失函数

衡量预测结果，即对源域数据分类层的输出计算分类损失并将其最小化：

其中，

是标准的分类损失；

步骤6-2.目标网络输入无标签目标域数据

通过前4层网络得到目标域数据特征F_t；

步骤6-3.为保证不同网络对所属同一类别的不同领域数据提取出的特征的相似性，通过MMD准则约束，在希尔伯特空间内最小化源域特征F_s和目标域特征F_t的距离，即最小化损失函数

其中，φ为核映射，核函数k(F_s,F_t)＝<φ(F_s),φ(F_t)>；

步骤6-4.为确保两个领域的特征相关性，源网络和目标网络的对应层参数在满足线性约束的条件下应该差异最小化，即最小化参数约束函数

步骤6-5.使用梯度下降法对源网络和目标网络的参数，以及对应层的参数约束项a_i和d_i进行更新，最小化总损失函数

直到收敛：

步骤7.将第(n+1)个月的待定位设备的RSS值输入由步骤6训练好的目标域网络中，输出该条RSS样本的估计标签并转换为二维坐标得到定位结果。

实施例

以此模型对在西班牙Jaume I大学采集的RSS公开数据集进行实验，数据采集区域的面积约308.4平方米，一共划分为48个网格，该区域共覆盖620个接入点。使用第1个月的样本及标签作为源域数据，共包含8640条样本；使用第n个月(n≥2)的样本作为无标签目标域数据，样本数目为3120条；使用第(n+1)个月实时收到的每条RSS数据作为测试数据，验证模型效果。

神经网络包含5个全连接层，每一层的神经元个数依次为256，128，128，128和48，初始化参数设置为随机初始化。

本发明设计了两组实验来验证提出算法的优越性。第一组实验是对比背景技术方法和本发明方法在环境变化下的定位累计误差百分比，如图3所示，在仅存在环境变化因素影响的情况下，本发明的平均定位误差为2.40m，且有80％的样本误差在4m以内，明显优于两种背景技术方法；第二组实验是对比背景技术方法和本发明方法在相同月份下，同种设备(设备1)和不同设备(设备2)测量值下的定位误差对比，如图4所示，本发明方法的定位误差均明显低于两种背景技术方法；两组实验的结果证明，本发明利用基于参数约束的双网络架构，通过不同网络提取不同领域的数据特征，打破了单一网络架构只能提取公共特征的限制，能够充分发挥深度网络提取特征的优势。对网络参数的线性约束，显式建模了室内定位环境中的数据分布漂移，从参数角度对分布漂移进行补偿，最大程度地减小域差异，进而使模型能够有效地适应复杂的室内环境。综上所述，本发明是一种能够在复杂室内环境中实现准确且稳定定位的方法。

Claims (3)

1.一种基于参数约束的双网络架构室内定位方法，其特征在于，包括以下步骤：

S1、将室内环境划分为等大小的网格区域，记录网格的位置坐标并设置标签，一个位置坐标有且仅有唯一的标签与之对应，网格标签表示为：

Y_s＝{y_k|k＝1,2,…,C}

其中，C代表室内环境划分的总网格区域数；

S2、在第1个月内使用移动设备在格点中进行多次采样，记录不同格点内各个接入点的RSS值，并将其与对应的格点标签进行拼接构建指纹库，作为源域数据

其中，X_s表示在室内环境中采集到的总数量为n_s的RSS样本，表示为：

X_s＝{x_i ^T|i＝1,2,…,n_s}

第i条RSS样本值表示为：

其中，m表示室内环境中的总接入点数量，

表示第i条样本中接收到第m个接入点的RSS信号强度值；

S3、收集来自第n个月的待定位设备的RSS值，n≥2，作为目标域数据

其中，X_t表示待定位设备在室内环境中收集的RSS样本集合，表示为：

X_t＝{x_j ^T|j＝1,2,…,n_t}

其中，n_t表示目标域数据的总数量；

S4、构建两个结构完全相同的深度神经网络，分别记为源网络和目标网络，对应网络的参数记为Θ_s和Θ_t；其中，Θ表示神经网络参数，表示为：

其中，L表示神经网络的层数，Θ⁽ⁱ⁾表示第i层的网络参数，包括该层的权重矩阵W⁽ⁱ⁾和偏置向量b⁽ⁱ⁾两项；

S5、对源网络和目标网络的对应层参数施加线性约束；网络的前(L-1)层作为特征提取部分，参数不共享并施加线性约束；最后一层作为分类层，该层参数由两个网络共享；

S6、将源域数据

和目标域数据

分别输入源网络和目标网络中，通过训练获得训练好的网络模型；

S7、采用训练好的目标网络对来自第(n+1)个月的待定位设备的RSS值进行定位，得到定位结果。

2.根据权利要求1所述的一种基于参数约束的双网络架构室内定位方法，其特征在于，步骤S5中对网络参数施加线性约束的具体方法为：

S51、初始化两个网络第i层的线性约束参数为a_i＝1，d_i＝0；

S52、训练过程中，将a_i作为权重项，将d_i作为偏置项，作用在

中的每一个元素上，即满足

3.根据权利要求1或2所述的一种基于参数约束的双网络架构室内定位方法，其特征在于，步骤S6中训练网络模型的具体方法为：

S61、源网络中输入有标签的源域数据

通过前(L-1)层网络得到源域数据特征F_s；将F_s通过最后一层网络，利用交叉熵损失函数

衡量预测结果，即对源域数据分类层的输出计算分类损失并将其最小化：

其中，

是标准的分类损失；

S62、目标网络输入无标签目标域数据

通过前(L-1)层网络得到目标域数据特征F_t；

S63、通过MMD准则约束，在希尔伯特空间内最小化源域特征F_s和目标域特征F_t的距离，即最小化损失函数

其中，φ为核映射，核函数k(F_s,F_t)＝<φ(F_s),φ(F_t)>；

S64、源网络和目标网络的对应层参数在满足线性约束的条件下差异最小化，即最小化参数约束函数

S65、使用梯度下降法对源网络参数Θ_s和目标网络参数Θ_t，以及对应层的参数约束项a_i和d_i进行更新，最小化总损失函数

直到收敛：

Images