CN113660723A - 一种基于神经网络的室内指纹定位方法 - Google Patents

Abstract

本发明涉及一种基于神经网络的室内指纹定位方法，属于室内定位技术领域。该方法包括：S1：采集室内多个参考点处的CSI位置指纹和位置坐标，构造神经网络的输入矩阵和理想输出矩阵；S21：初始化权值和阈值，代入输入矩阵进行正向传播，得到隐藏层输入矩阵；S22：选择LeakyReLU函数作为激活函数，再进行正向传播得到神经网络的输出矩阵；S23：利用输出矩阵和理想输出矩阵构造代价函数；S24：在反向传播过程中引入梯度下降法，根据误差矩阵来反向计算每个权值和阈值的梯度，朝着梯度的反方向更新参数；S3：将测试样本构成的输入矩阵代入神经网络进行正向传播，得到输出层输出矩阵。本发明能提高定位精度。

Description

一种基于神经网络的室内指纹定位方法

技术领域

本发明属于室内定位技术领域，涉及一种基于神经网络的室内指纹定位方法。

背景技术

随着移动互联网的普及和智能设备的广泛使用，基于室内环境的位置服务请求成为了巨大的流量入口，它有非常多的应用场景，例如在商场、写字楼、机场航站楼等大型公共场所能够提供位置导航和路径规划；在遇到火灾等突发情况时能够协助人群疏散和消防员救援；在智慧物流中能够高效调配物资等等。室内定位系统需要在固定位置安装发射装置以发送定位信号，而大量安装设备会耗费人力和财力，因此已经被广泛部署在商场、机场航站楼等大型建筑中的WiFi成为了大多数定位系统倾向使用的信号源。

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，其中基于指纹定位的方法由于不会受到多径效应和非视距效应的影响而受到广泛关注，它主要包含离线建库和在线定位两个阶段。离线建库阶段，将室内环境划分成多个网格，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)，利用采集到的RSS值和对应格点坐标构造离线指纹库。在线定位阶段，给定一个未知位置的RSS样本，在指纹库中通过匹配算法进行匹配，将RSS相似度最高的指纹位置作为对当前样本的位置估计。传统的基于指纹的定位方法均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，但由于环境的时变性和异构设备采样值的偏差性，在线定位时的样本数据分布会在均值和方差上偏离指纹库中的数据分布，从而导致定位误差。

为了提高定位精度，亟需一种新的的室内指纹定位方法。

发明内容

有鉴于此，本发明的目的在于提供一种基于神经网络的室内指纹定位方法，把神经网络用到定位领域，在所有满足代价函数小于阈值条件的多组参数中再次进行筛选，用一部分已知坐标的指纹向量样本利用计算适应度的方法去选取最优的参数，从而提高定位精度。

为达到上述目的，本发明提供如下技术方案：

一种基于神经网络的室内指纹定位方法，具体包括以下步骤：

S1：采集室内多个参考点处的信道状态信息(Channel State Information，CSI)位置指纹和位置坐标，用于构造神经网络的输入矩阵和理想输出矩阵；

S2：训练阶段：

S21：初始化权值和阈值，将输入矩阵代入神经网络进行正向传播，得到隐藏层输入矩阵；

S22：选择LeakyReLU函数作为激活函数，再进行正向传播得到神经网络的输出矩阵；

S23：利用正向传播得到的输出矩阵和理想输出矩阵构造代价函数；

S24：在反向传播过程中引入梯度下降法，根据误差矩阵来反向计算每个权值和阈值的梯度，根据梯度下降法的原理，朝着梯度的反方向更新参数，直至收敛；

S3：测试阶段：

将测试样本构成的输入矩阵代入神经网络进行正向传播，得到输出层输出矩阵，即实际的位置信息。

进一步，步骤S1具体包括：在某一室内区域内，采集L_f个参考点处的CSI位置指纹Finger_n＝{a_1n,...,a_mn}用于构造神经网络的输入矩阵，其中n＝1,...,L_f；L_f个参考点的位置坐标(y_1n,y_2n)用于构造神经网络的理想输出矩阵，根据CSI位置指纹和位置坐标的形式将输入层和输出层的神经元个数分别设置为m个和2个，隐藏层的神经元个数设置为输入层和输出层神经元个数乘积的算术平方根即

个，再将这L_f＝N_f+M_f个指纹样本分为两个部分，其中N_f个训练样本用于训练神经网络，剩余M_f个测试样本用于测试神经网络。

进一步，步骤S21具体包括：初始化权值和阈值为区间[-0.5,0.5]内的随机数，将输入矩阵

代入神经网络进行正向传播，得到隐藏层输入矩阵

表达式为Z^[1]＝W^[1].A^[0]+B^[1]，其中，B^[1]＝[b^[1],...,b^[1]]由N_f个列向量b^[1]组成，

为隐藏层阈值向量，

为输入层-隐藏层权值矩阵。

进一步，步骤S22中，选择LeakyReLU函数作为激活函数，再进行正向传播得到神经网络的输出矩阵，具体包括以下步骤：

S221：计算隐藏层输出矩阵

表达式为A^[1]＝LeakyReLU(Z^[1])，其中，

S222：计算输出层输入矩阵

表达式为Z^[2]＝W^[2].A^[1]+B^[2]，其中，B^[2]＝[b^[2],...,b^[2]]由N_f个列向量b^[2]组成，b^[2]∈R^2×1为输出层阈值向量；

S223：计算输出层输出矩阵

表达式为Α^[2]＝LeakyReLU(Z^[2])。

进一步，步骤S23中，利用正向传播得到的输出矩阵A^[2]和理想输出矩阵Y构造代价函数，具体包括以下步骤：

S231：计算代价函数，表达式为：

其中，矩阵N＝[1 1]^T，下标“(n)”表示矩阵第n(n＝1,...,N_f)个列向量；

S232：若一个神经网络的代价函数值很小，则说明该网络接近于真实模型，将每次计算所得代价函数C的值与规定阈值τ相比较来判断算法收敛与否；

S233：当C＞τ时未达到收敛要求，则进行误差反向传播，更新权值和阈值后，再次进行正向传播，循环往复直至收敛。

进一步，步骤S24中，在反向传播过程中引入梯度下降法，根据误差矩阵来反向计算每个权值和阈值的梯度，根据梯度下降法的原理，朝着梯度的反方向更新参数；通过不断地调整权值和阈值最终使得神经网络正向传播的结果接近于理想结果，也就等价于代价函数值尽量变小，具体包括以下步骤：

S241：在反向传播的过程中，通过计算代价函数C对正向传播得到的输出矩阵A^[2]中各元素的偏导数来构造代价函数的梯度矩阵

表达式为：

S242：根据代价函数的梯度矩阵计算得到输出层的误差矩阵

表达式为

其中，符号“⊙”表示按位乘积，即矩阵对应元素相乘，运算后维度不变，LeakyReLU函数的导数定义为

S243：计算隐藏层的误差矩阵

表达式为：

δ^[1]＝[(W^[2])^T·δ^[2]]⊙LeakyReLU′(Z^[1])；

S244：计算参数变化率，表达式为：

和

S245：参数更新为

和

其中，α(α＜1)为学习率，其决定了参数每次更新的幅度，如果幅度过大，那么可能导致参数在最优值的两侧来回移动；反之，如果幅度过小，虽然能保证收敛性，但是这会大大降低优化速度；

S246：利用新得到的权值和阈值继续进行正向传播，直到C≤τ时达到收敛要求，则将本次正向传播中的权值矩阵W^[1]和阈值向量b^[1]分别作为测试样本测试网络时的初始参数(W^*)^[1]和(b^*)^[1]。

进一步，步骤S3具体包括：重复步骤S2，得到Q组能用于神经网络测试阶段的初始参数

和

其中q＝1,...,Q；将M_f个测试样本构成的输入矩阵和理想输出矩阵分别记为

和

再将输入矩阵(A^*)^[0]代入神经网络进行正向传播，最终可得到在第q组参数设置下的输出层输出矩阵为

本发明的有益效果在于：本发明把神经网络用到定位领域，在所有满足代价函数小于阈值条件的多组参数中再次进行筛选，用一部分已知坐标的指纹向量样本利用计算适应度的方法去选取最优的参数，从而提高定位精度。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为本发明基于神经网络的室内指纹定位方法的流程图；

图2为本实施例中使用的神经网络结构图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

请参阅图1～图2，本实施例设计了一种用于室内指纹定位的神经网络拟合性能评估方法，具体包括以下步骤：

步骤1：在某一室内区域内，将L_f个参考点处采集到的CSI位置指纹Finger_n＝{a_1n,...,a_8n}(n＝1,...,L_f)用于构造神经网络的输入矩阵，L_f个参考点的位置坐标(y_1n,y_2n)用于构造神经网络的理想输出矩阵，根据CSI位置指纹和位置坐标的形式将输入层和输出层的神经元个数分别设置为8个和2个，隐藏层的神经元个数设置为输入层和输出层神经元个数乘积的算术平方根即4个，再将这L_f(L_f＝N_f+M_f)个指纹样本分为两个部分，其中N_f个训练样本用于训练神经网络，剩余M_f个测试样本用于测试神经网络。

步骤2：神经网络训练阶段将输入矩阵

和理想输出矩阵

分别表示为

和

根据拓扑结构可以确定输入层-隐藏层权值为32个，记为矩阵W^[1]∈R^4×8；隐藏层阈值为4个，记为列向量b^[1]∈R^4×1；隐藏层-输出层权值为8个，记为矩阵W^[2]∈R^2×4；以及输出层阈值为2个，记为列向量b^[2]∈R^2×1。

步骤3：现初始化权值和阈值为区间[-0.5,0.5]内的随机数，将输入矩阵A^[0]代入神经网络进行正向传播，可得隐藏层输入矩阵

表达式为Z^[1]＝W^[1]·A^[0]+B^[1]，其中，B^[1]＝[b^[1],...,b^[1]]由N_f个列向量b^[1]组成。

步骤4：选择LeakyReLU函数作为激活函数，再进行正向传播可得到神经网络的输出。具体包括以下步骤：

步骤4.1：计算隐藏层输出矩阵

得到A^[1]＝LeakyReLU(Z^[1])，其中LeakyReLU函数定义为

步骤4.2：计算输出层输入矩阵

得到Z^[2]＝W^[2]·A^[1]+B^[2]，其中B^[2]＝[b^[2],...,b^[2]]由N_f个列向量b^[2]组成；

步骤4.3：计算输出层输出矩阵

得到Α^[2]＝LeakyReLU(Z^[2])；

步骤5：再利用正向传播得到的输出矩阵A^[2]和理想输出矩阵Y构造代价函数C。具体包括以下步骤：

步骤5.1：利用

计算得到代价函数，其中矩阵N＝[1 1]^T，下标“(n)”表示矩阵第n(n＝1,...,N_f)个列向量。

步骤5.2：若一个神经网络的代价函数值很小，则说明该网络接近于真实模型，将每次计算所得代价函数值C与规定阈值τ相比较来判断算法收敛与否。

步骤5.3：当C＞τ时未达到收敛要求，则进行误差反向传播，更新权值和阈值后，再次进行正向传播，循环往复直至收敛:。

步骤6：在反向传播过程中引入梯度下降法，根据误差矩阵来反向计算每个权值和阈值的梯度，根据梯度下降法的原理，朝着梯度的反方向更新参数。通过不断地调整权值和阈值最终使得神经网络正向传播的结果接近于理想结果，也就等价于代价函数值尽量变小。具体包括以下步骤：

步骤6.1：在反向传播的过程中，通过计算代价函数C对正向传播得到的输出矩阵A^[2]中各元素的偏导数来构造代价函数的梯度矩阵

其形式如下

步骤6.2：根据代价函数的梯度矩阵可以计算得到输出层的误差矩阵

的表达式为

其中符号“⊙”表示按位乘积，即矩阵对应元素相乘，运算后维度不变，LeakyReLU函数的导数定义为

步骤6.3：隐藏层的误差矩阵

的表达式为δ^[1]＝[(W^[2])^T·δ^[2]]⊙LeakyReLU′(Z^[1])。

步骤6.4：参数变化率为：

和

步骤6.5：参数更新为

和

其中α(α＜1)为学习率，其决定了参数每次更新的幅度，如果幅度过大，那么可能导致参数在最优值的两侧来回移动；反之，如果幅度过小，虽然能保证收敛性，但是这会大大降低优化速度。

步骤7：利用新得到的权值和阈值继续进行正向传播，直到C≤τ时达到收敛要求，则将本次正向传播中的权值矩阵W^[1]和阈值向量b^[1]分别作为测试样本测试网络时的初始参数(W^*)^[1]和(b^*)^[1]。

步骤8：重复步骤3到步骤7，最终得到Q组可用于神经网络测试阶段的初始参数

和

将M_f个测试样本构成的输入矩阵和理想输出矩阵分别记为

和

再将输入矩阵(A^*)^[0]代入神经网络进行正向传播，最终可得到在第q组参数设置下的输出层输出矩阵为

步骤9：为了评估在不同参数设置下神经网络对室内指纹定位中的位置指纹和位置坐标关系拟合的性能，现利用测试样本的理想输出矩阵Y^*和神经网络测试阶段的输出层输出矩阵

来计算不同参数所对应的适应度。第q组参数

和

所对应的适应度为

其中，||||_F表示计算矩阵的F-范数。

适应度越小，表示网络的输出矩阵越接近于理想输出矩阵，即该适应度所对应的参数越优，进而说明在该参数设置下的神经网络对这一室内区域内各参考点的位置指纹和位置坐标关系拟合的性能越好。最终，可将最优参数设置下的神经网络用于对该室内区域内其余位置处采集到的CSI位置指纹的位置坐标估计。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (8)

1.一种基于神经网络的室内指纹定位方法，其特征在于，该方法具体包括以下步骤：

S1：采集室内多个参考点处的信道状态信息(Channel State Information，CSI)位置指纹和位置坐标，用于构造神经网络的输入矩阵和理想输出矩阵；

S2：训练阶段：

S21：初始化权值和阈值，将输入矩阵代入神经网络进行正向传播，得到隐藏层输入矩阵；

S22：选择LeakyReLU函数作为激活函数，再进行正向传播得到神经网络的输出矩阵；

S23：利用正向传播得到的输出矩阵和理想输出矩阵构造代价函数；

S24：在反向传播过程中引入梯度下降法，根据误差矩阵来反向计算每个权值和阈值的梯度，根据梯度下降法的原理，朝着梯度的反方向更新参数，直至收敛；

S3：测试阶段：将测试样本构成的输入矩阵代入神经网络进行正向传播，得到输出层输出矩阵，即实际的位置信息。

2.根据权利要求1所述的室内指纹定位方法，其特征在于，步骤S1具体包括：在某一室内区域内，采集L_f个参考点处的CSI位置指纹Finger_n＝{a_1n，...，a_mn}用于构造神经网络的输入矩阵，其中n＝1，...，L_f；L_f个参考点的位置坐标(y_1n，y_2n)用于构造神经网络的理想输出矩阵，根据CSI位置指纹和位置坐标的形式将输入层和输出层的神经元个数分别设置为m个和2个，隐藏层的神经元个数设置为输入层和输出层神经元个数乘积的算术平方根即

个，再将这L_f＝N_f+M_f个指纹样本分为两个部分，其中N_f个训练样本用于训练神经网络，剩余M_f个测试样本用于测试神经网络。

3.根据权利要求2所述的室内指纹定位方法，其特征在于，步骤S21具体包括：初始化权值和阈值为区间[-0.5，0.5]内的随机数，将输入矩阵

代入神经网络进行正向传播，得到隐藏层输入矩阵

表达式为Z^[1]＝W^[1]·A^[0]+B^[1]，其中，B^[1]＝[b^[1]，...，b^[1]]由N_f个列向量b^[1]组成，

为隐藏层阈值向量，

为输入层-隐藏层权值矩阵。

4.根据权利要求3所述的室内指纹定位方法，其特征在于，步骤S22中，选择LeakyReLU函数作为激活函数，再进行正向传播得到神经网络的输出矩阵，具体包括以下步骤：

S221：计算隐藏层输出矩阵

表达式为A^[1]＝LeakyReLU(Z^[1])，其中，

S222：计算输出层输入矩阵

表达式为Z^[2]＝w^[2]·A^[1]+B^[2]，其中，B^[2]＝[b^[2]，...，b^[2]]由N_f个列向量b^[2]组成，b^[2]∈R^2×1为输出层阈值向量；

S223：计算输出层输出矩阵

表达式为A^[2]＝LeakyReLU(Z^[2])。

5.根据权利要求4所述的室内指纹定位方法，其特征在于，步骤S23中，利用正向传播得到的输出矩阵A^[2]和理想输出矩阵Y构造代价函数，具体包括以下步骤：

S231：计算代价函数，表达式为：

其中，矩阵N＝[1 1]^T，下标“(n)”表示矩阵第n个列向量；

S232：若一个神经网络的代价函数值很小，则说明该网络接近于真实模型，将每次计算所得代价函数C的值与规定阈值τ相比较来判断算法收敛与否；

S233：当C＞τ时未达到收敛要求，则进行误差反向传播，更新权值和阈值后，再次进行正向传播，循环往复直至收敛。

6.根据权利要求5所述的室内指纹定位方法，其特征在于，步骤S24中，在反向传播过程中引入梯度下降法，根据误差矩阵来反向计算每个权值和阈值的梯度，根据梯度下降法的原理，朝着梯度的反方向更新参数；具体包括以下步骤：

S241：在反向传播的过程中，通过计算代价函数C对正向传播得到的输出矩阵A^[2]中各元素的偏导数来构造代价函数的梯度矩阵

表达式为：

S242：根据代价函数的梯度矩阵计算得到输出层的误差矩阵

表达式为

其中，符号“⊙”表示按位乘积，即矩阵对应元素相乘，运算后维度不变，LeakyReLU函数的导数定义为

S243：计算隐藏层的误差矩阵

表达式为：

δ^[1]＝[(w^[2])^T·δ^[2]]⊙LeakyReLU′(Z^[1])；

S244：计算参数变化率，表达式为：

和

S245：参数更新为

和

其中，α为学习率。

7.根据权利要求6所述的室内指纹定位方法，其特征在于，步骤S24还包括步骤S246：利用新得到的权值和阈值继续进行正向传播，直到C≤τ时达到收敛要求，则将本次正向传播中的权值矩阵W^[1]和阈值向量b^[1]分别作为测试样本测试网络时的初始参数(W^*)^[1]和(b^*)^[1]。

8.根据权利要求7所述的室内指纹定位方法，其特征在于，步骤S3具体包括：重复步骤S2，得到Q组能用于神经网络测试阶段的初始参数

和

其中q＝1，...，Q；将M_f个测试样本构成的输入矩阵和理想输出矩阵分别记为

和

再将输入矩阵(A^*)^[0]代入神经网络进行正向传播，最终可得到在第q组参数设置下的输出层输出矩阵为

Images