CN114040347A - 一种基于深度置信网络的信号指纹定位方法 - Google Patents
一种基于深度置信网络的信号指纹定位方法 Download PDFInfo
- Publication number
- CN114040347A CN114040347A CN202111274143.8A CN202111274143A CN114040347A CN 114040347 A CN114040347 A CN 114040347A CN 202111274143 A CN202111274143 A CN 202111274143A CN 114040347 A CN114040347 A CN 114040347A
- Authority
- CN
- China
- Prior art keywords
- layer
- signal
- rbm
- network
- training
- 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.)
- Pending
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
-
- 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
-
- 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
Abstract
本发明属于无线通信技术领域,具体是一种基于深度置信网络的信号指纹定位方法。主要原理是:在离线构建阶段,将原始信号输入到深度置信网络中,通过深度置信网络对原始信号进行特征提取,其结构是由多层受限玻尔兹曼机和一层反向传播神经网络组成,网络的参数学习过程包括无监督贪婪算法逐层训练和微调两个阶段;在在线定位阶段,首先根据预处理后的信号指纹数据向量计算与各个聚类中心的欧氏距离,判断其所属类簇,然后利用训练好的对应类的深度置信网络模型估测当前目标所在的位置。本发明可以适应多变的电磁环境,提出的算法可以达到更好的指纹库构建效果,有效缩短定位时间,提高效率,并取得更好的定位精度。
Description
技术领域
本发明属于无线通信技术领域,具体是一种基于深度置信网络的信号指纹定位方法。
背景技术
随着信息技术的发展,基于位置信息的服务需求日益增多,一些大型的公共活动场所如大型商场、机场大厅、地下停车场等,通常需要确定人员及设备的位置信息,但是由于室内环境复杂多变,GNSS(Global Navigation Satellite System,全球卫星导航系统)等室外定位设施的信号在室内退化甚至不可用,无法满足室内定位的需求,而室内定位设施普遍精度较低,且近年来个人智能终端快速发展,手机、平板电脑等设备在大众中逐渐得到了普及,这也使得基于位置的服务,尤其是室内定位需求增长很快。
目前用于室内定位的技术与方法主要包括WLAN(Wireless Local AreaNetworks,无线局域网)、RFID(Radio Frequency Identification,射频识别)、BT(Bluetooth,蓝牙)、Zigbee和UWB(Ultra Wide Band,超宽带)等方案。其中UWB无线通信技术是一种不用载波,采用小于纳秒时长的不连续脉冲进行通信的一种无线通信技术。由于UWB使用小于纳秒时长的超短脉冲进行通信,其信号功率被扩散在从0到数十GHz的超宽频带范围内,这种独特的通信机制使其与目前频域通信技术相比具有对信道衰落不敏感、发射功率低、与其它无线系统可以共存、多径分辨能力强、抗干扰能力强、系统复杂度低、穿透能力强等优点,因而在全球范围内受到广泛关注。
位置指纹将实际环境中的位置与相对应的唯一指纹信息相关联。该指纹可以是单维或多维的。与人们熟知的指纹概念进行类比可以得知,指纹信息中包含事物的特征信息。位置指纹有多种类型,并且任何具备唯一性的特征都可以作为位置指纹。指纹定位算法是根据信号特征与位置之间的映射关系进行定位的,基于指纹信息的定位算法主要分为两种,一种是确定性算法,其将信号特征(例如矢量r)与指纹库中预先计算的统计数据进行比较。还有一种是基于概率的算法,主要是获得定位在区域中某个部分的概率大小。
深度学习受到科研机构和行业的广泛关注,在初始阶段,图像识别和自然语音识别领域最早引入了深度学习的方法。深度学习目前直接应用与诸多领域,包括机器人技术、语音识别、图像识别、计算机图像识别、文本识别、搜索引擎、邮件自动回复、机器翻译、杀毒软件、视频的智能化处理等。深度学习发展到现在呈现百花齐放的态势,但从基本结构上来说,最具代表性的深度学习模型是DBN(Deep belief network,深度置信网络)、CNN(Convolution Neural Networks,卷积神经网络)、RNN(Recurrent neural network,循环神经网络)。DBN通常用于分类操作以及对特征信息的提取与识别,有时也可以使用DBN来对某些数据进行生成操作。DBN由形成堆叠关系的多个RBM(restricted Boltzmann machine,受限玻尔兹曼机)以及BP(back propagation,反向传播)神经网络组成。
DBN的优点是将传统神经网络的训练方式进行了开拓式的创新。传统的深度神经网络因为层数多且每一层的神经元数量较大,神经网络的各种参数也非常多,因而训练时间很长。并且因为深度神经网络层数较多,传统的随机梯度下降算法将面临梯度消失的问题,无法对神经网络及其参数进行有效地训练。而DBN通过逐层训练的方法,将深度神经网络的训练问题化整为零,通过逐层训练RBM来使深度神经网络获得较好的初始参数,大大减少了深度神经网络训练的时间和难度,并有效缓解了梯度消失的问题。
发明内容
鉴于在室内环境中UWB信号在信道的传输过程中会受到较强的多径、噪声等影响,极大地影响定位精度,本发明提出了一种基于深度置信网络的信号指纹定位方法,从而提高室内定位精度。
本发明的技术方案如下:
一种基于深度置信网络的信号指纹定位方法,包括以下步骤:
1)获取原始信号
需要获取UWB能量谱特征向量和地磁信号样本,将接收到的信号进行J层小波包分解,每个节点或子频带的能量占信号总能量的百分比构成的向量作为能量谱特征向量;
2)DBN参数学习
(1)无监督贪婪算法逐层训练(预训练)
首先输入原始信号到第一个RBM,原始信号是无位置标签的指纹数据,是参考点接收到的有序的UWB及地磁信号指纹构成的多维向量,自下而上地对第一个RBM进行训练,每训练好一个RBM,就固定其网络结构,将其隐藏层的输出作为下一个RBM可见层的输入,依次进行迭代训练,直到所有RBM都预训练完成,每一层RBM自底向上对输入的原始信号进行提取、抽象,学习概率分布,使RBM的概率分布能够尽可能地接近训练数据,尽可能保留重要信息,提取特征,将最后一层RBM的输出数据作为BP的输入数据,输出数据是有位置标签的指纹数据,是信号指纹向量和参考点所处的位置坐标,输出结果完成预训练阶段;
(2)微调
在预训练结束后,将最后一层RBM的输出作为BP的输入,计算输出位置结果和准确位置的误差,将误差反向传播,自顶而下对DBN网络参数进行微调,使得神经网络的总体效果达到最优,DBN网络模型中BP网络的输入已经过若干层RBM网络的优化,因此可以解决BP网络因随机初始值而容易陷入局部最小值和收敛速度慢的问题;
3)在线定位
首先,计算预处理后的信号指纹数据向量与各个聚类中心的欧氏距离,判断其所属类簇,然后利用训练好的对应类的DBN网络模型估测当前目标所在的位置。
附图说明
图1为深度置信网络进行机器学习主要原理图。
具体实施方式
以下结合图例,对本发明进行详细说明。
本发明提出的基于深度置信网络的信号指纹定位方法主要包含两个阶段:离线阶段和在线阶段。
如图1所示,本发明的主要步骤如下:
1)获取训练数据。
训练数据包括参考点的UWB能量谱特征向量和地磁信号样本,获取UWB能量谱特征向量主要包括以下步骤:
(1)将接收到的信号进行J层小波包分解,在第j层上可以得到2j个节点,相应的将信号的整个带宽分成2j个子频带,计算每个节点的能量、总能量以及每个节点占总能量的百分比;
(3)用每个节点或子频带的能量占信号总能量的百分比构成的向量作为能量谱特征向量。
2)进行深度置信网络的参数学习。
本发明利用深度置信网络进行特征指纹的训练,网络由多个RBM组成的概率生成性模型,结合贪婪算法进行网络的训练,贪婪算法在不考虑全局最优的情况下寻找问题的局部最优解,大大降低了计算复杂度,加快了训练过程。网络训练过程主要包括两个阶段:预训练及微调。在整个训练过程中,无监督预训练被认为是数据向前传播。贪婪算法以逐层的方式加速特征提取,最后通过原始数据与恢复数据之间的距离来进行后向传播,实现网络参数的微调。
预训练:将参考点的UWB能量谱特征向量和地磁信号样本作为深度置信网络中第一层RBM的输入,输入到深度置信网络中。每一层RBM是由可见层和隐藏层组成双层模型,每层中的每个神经元彼此之间没有链接,层之间的神经元具有完整的链接。RBM训练过程主要包括以下几个步骤:
(1)将训练数据赋给可见层v1,利用公式计算出隐藏层神经元被激活的概率P(h1|v1);
(2)从计算的概率分布中抽取一个样本:h1~P(h1|v1);
(3)用h1重构可见层,利用公式计算出可见层神经元被激活的概率P(v2|h1);
(4)从计算的概率分布中抽取一个样本:v2~P(v2|h1);
(5)用v2重构隐藏层,利用公式计算出隐藏层神经元被激活的概率P(h2|v2);
(6)更新网络参数,包括连接权值、可见层偏置以及隐藏层偏置。
采用多次循环可充分训练每一个RBM,经过多次训练隐藏层可尽可能地精准地显示可见层的特征且能够尽可能地还原显层。在充分训练一层RBM后,将最终隐藏层的结果输入到下一层RBM,依次进行迭代训练,直到DBN中所有的RBM都训练完成。将最后一层RBM的输出数据作为BP的输入数据,输出数据是有位置标签的指纹数据,是信号指纹向量和参考点所处的位置坐标,输出结果完成预训练阶段。
微调:计算输出位置结果和准确位置的误差,将误差反向传播,自顶而下对DBN网络参数进行微调。由于DBN网络模型中BP网络的输入已经过若干层RBM网络的优化,因此可以解决BP网络因随机初始值而容易陷入局部最小值和收敛速度慢的问题。至此,完成微调阶段。
3)判断信号所属类簇。
当计算预处理后的信号指纹数据向量与各个聚类中心的欧氏距离,判断其所属类簇。
4)模型估测目标位置。
在判断信号所属哪个类簇之后,将无位置标签的信号输入到对应类的已训练好的DBN网络模型中,通过保存的网络模型参数,训练输出定位结果,是带有位置坐标的数据,即完成目标位置估测。
Claims (1)
1.一种基于深度置信网络的信号指纹定位方法,其特征在于,采用DBN(Deep BeliefNetworks,深度置信网络)实现基于深度学习的指纹定位,其结构是由多层RBM(RestrictedBoltzmann Machine,受限玻尔兹曼机)和一层BP(back propagation,反向传播)神经网络组成,其中,RBM采用无监督的学习,而BP采用有监督学习,原始信号是UWB(Ultra-wideBandwidth,超宽带)能量谱特征向量和地磁信号样本,通过原始信号实现DBN参数学习,在在线定位阶段基于信号特征指纹对目标位置进行估计;主要包括以下步骤:
1)获取原始信号
需要获取UWB能量谱特征向量和地磁信号样本,获取UWB能量谱特征向量主要包括以下步骤:
(1)将接收到的信号进行J层小波包分解,在第j层上可以得到2j个节点,相应的将信号的整个带宽分成2j个子频带,计算每个节点的能量、总能量以及每个节点占总能量的百分比;
(3)用每个节点或子频带的能量占信号总能量的百分比构成的向量作为能量谱特征向量;
2)DBN参数学习
(1)无监督贪婪算法逐层训练(预训练)
首先输入原始信号到第一个RBM,原始信号是无位置标签的指纹数据,是参考点接收到的有序的UWB及地磁信号指纹构成的多维向量,自下而上地对第一个RBM进行训练,每训练好一个RBM,就固定其网络结构,将其隐藏层的输出作为下一个RBM可见层的输入,依次进行迭代训练,直到所有RBM都预训练完成,每一层RBM自底向上对输入的原始信号进行提取、抽象,学习概率分布,提取特征,RBM训练过程主要包括以下步骤:
①将训练数据赋给可见层v1,利用公式计算出隐藏层神经元被激活的概率P(h1|v1);
②从计算的概率分布中抽取一个样本:h1~P(h1|v1);
③用h1重构可见层,利用公式计算出可见层神经元被激活的概率P(v2|h1);
④从计算的概率分布中抽取一个样本:v2~P(v2|h1);
⑤用v2重构隐藏层,利用公式计算出隐藏层神经元被激活的概率P(h2|v2);
⑥更新网络参数,包括连接权值、可见层偏置以及隐藏层偏置;
将最后一层RBM的输出数据作为BP的输入数据,输出数据是有位置标签的指纹数据,是信号指纹向量和参考点所处的位置坐标,输出结果完成预训练阶段;
(2)微调
在预训练结束后,将最后一层RBM的输出作为BP的输入,计算输出位置结果和准确位置的误差,将误差反向传播,自顶而下对DBN网络参数进行微调;
3)在线定位
首先,计算预处理后的信号指纹数据向量与各个聚类中心的欧氏距离,判断其所属类簇,然后利用训练好的对应类的DBN网络模型估测当前目标所在的位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111274143.8A CN114040347A (zh) | 2021-10-29 | 2021-10-29 | 一种基于深度置信网络的信号指纹定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111274143.8A CN114040347A (zh) | 2021-10-29 | 2021-10-29 | 一种基于深度置信网络的信号指纹定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114040347A true CN114040347A (zh) | 2022-02-11 |
Family
ID=80136010
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111274143.8A Pending CN114040347A (zh) | 2021-10-29 | 2021-10-29 | 一种基于深度置信网络的信号指纹定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114040347A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103945533A (zh) * | 2014-05-15 | 2014-07-23 | 济南嘉科电子技术有限公司 | 基于大数据的无线实时位置定位方法 |
CN107247260A (zh) * | 2017-07-06 | 2017-10-13 | 合肥工业大学 | 一种基于自适应深度置信网络的rfid定位方法 |
KR20190053470A (ko) * | 2017-11-10 | 2019-05-20 | 주식회사 셀리지온 | 딥러닝 기반 측위 시스템 및 이의 구축 방법 |
CN110401978A (zh) * | 2019-07-19 | 2019-11-01 | 中国电子科技集团公司第五十四研究所 | 基于神经网络和粒子滤波多源融合的室内定位方法 |
CN110536245A (zh) * | 2019-08-28 | 2019-12-03 | 杭州电子科技大学 | 一种基于深度学习的室内无线定位方法及系统 |
US20200311468A1 (en) * | 2019-03-29 | 2020-10-01 | Fuji Xerox Co., Ltd. | Indoor localization using real-time context fusion of visual information from static and dynamic cameras |
CA3085269A1 (en) * | 2019-07-04 | 2021-01-04 | Mapsted Corp. | Magnetic fingerprint neural network training for mobile device indoor navigation |
CN112580479A (zh) * | 2020-12-13 | 2021-03-30 | 成都易书桥科技有限公司 | 一种基于空洞卷积神经网络的地磁式室内定位系统 |
CN113411741A (zh) * | 2020-10-23 | 2021-09-17 | 湖南国天电子科技有限公司 | 一种基于WiFi和地磁指纹的分区融合定位方法 |
-
2021
- 2021-10-29 CN CN202111274143.8A patent/CN114040347A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103945533A (zh) * | 2014-05-15 | 2014-07-23 | 济南嘉科电子技术有限公司 | 基于大数据的无线实时位置定位方法 |
CN107247260A (zh) * | 2017-07-06 | 2017-10-13 | 合肥工业大学 | 一种基于自适应深度置信网络的rfid定位方法 |
KR20190053470A (ko) * | 2017-11-10 | 2019-05-20 | 주식회사 셀리지온 | 딥러닝 기반 측위 시스템 및 이의 구축 방법 |
US20200311468A1 (en) * | 2019-03-29 | 2020-10-01 | Fuji Xerox Co., Ltd. | Indoor localization using real-time context fusion of visual information from static and dynamic cameras |
CA3085269A1 (en) * | 2019-07-04 | 2021-01-04 | Mapsted Corp. | Magnetic fingerprint neural network training for mobile device indoor navigation |
CN110401978A (zh) * | 2019-07-19 | 2019-11-01 | 中国电子科技集团公司第五十四研究所 | 基于神经网络和粒子滤波多源融合的室内定位方法 |
CN110536245A (zh) * | 2019-08-28 | 2019-12-03 | 杭州电子科技大学 | 一种基于深度学习的室内无线定位方法及系统 |
CN113411741A (zh) * | 2020-10-23 | 2021-09-17 | 湖南国天电子科技有限公司 | 一种基于WiFi和地磁指纹的分区融合定位方法 |
CN112580479A (zh) * | 2020-12-13 | 2021-03-30 | 成都易书桥科技有限公司 | 一种基于空洞卷积神经网络的地磁式室内定位系统 |
Non-Patent Citations (5)
Title |
---|
DUC V. LE: "Unsupervised Deep Feature Learning to Reduce the Collection of Fingerprints for Indoor Localization Using Deep Belief Networks", 《2018 INTERNATIONAL CONFERENCE ON INDOOR POSITIONING AND INDOOR NAVIGATION (IPIN)》 * |
PENG LIU: "Fingerprint-Based Indoor Localization Algorithm with Extended Deep Belief Networks", 《2020 INFORMATION COMMUNICATION TECHNOLOGIES CONFERENCE (ICTC)》 * |
丁瑞;孙幼聪;孙鹏;李妍;: "基于卷积神经网络的地磁室内定位", 电子制作, no. 15 * |
李新春;郭欣欣;: "基于可靠AP选择和深度置信网络的室内定位算法", 计算机应用研究, no. 08 * |
杨晋生;刘斌;: "基于改进的DBN的WLAN指纹定位数据库构建算法", 光电子・激光, no. 09 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ibrahim et al. | CNN based indoor localization using RSS time-series | |
Niitsoo et al. | Convolutional neural networks for position estimation in tdoa-based locating systems | |
Bae et al. | Large-scale indoor positioning using geomagnetic field with deep neural networks | |
CN111479231B (zh) | 一种用于毫米波大规模mimo系统的室内指纹定位方法 | |
Njima et al. | Indoor localization using data augmentation via selective generative adversarial networks | |
CN112748397B (zh) | 非视距条件下基于自适应bp神经网络的uwb定位方法 | |
CN105790813B (zh) | 一种大规模mimo下基于深度学习的码本选择方法 | |
CN102932738A (zh) | 一种改进的基于分簇神经网络的室内指纹定位方法 | |
Zhang et al. | An efficient machine learning approach for indoor localization | |
CN111428819A (zh) | 一种基于堆叠自编码网络和svm的csi室内定位方法 | |
CN112818891A (zh) | 通信干扰信号类型智能识别方法 | |
WO2019134549A1 (zh) | 基于深度学习的定位方法、装置、计算机设备及存储介质 | |
Elesawi et al. | Hierarchical multi-building and multi-floor indoor localization based on recurrent neural networks | |
CN111461251A (zh) | 基于随机森林与自编码器的WiFi指纹的室内定位方法 | |
Hsu et al. | An adaptive Wi-Fi indoor localisation scheme using deep learning | |
Alitaleshi et al. | WiFi fingerprinting based floor detection with hierarchical extreme learning machine | |
CN113596989A (zh) | 一种用于智慧车间的室内定位方法及系统 | |
Zhang et al. | Feature fusion using stacked denoising auto-encoder and GBDT for Wi-Fi fingerprint-based indoor positioning | |
Zha et al. | LT-SEI: Long-tailed specific emitter identification based on decoupled representation learning in low-resource scenarios | |
Chen et al. | Deep neural network based on feature fusion for indoor wireless localization | |
CN114040347A (zh) | 一种基于深度置信网络的信号指纹定位方法 | |
CN116259057A (zh) | 基于联盟博弈解决联邦学习中数据异质性问题的方法 | |
Tarekegn et al. | Reduce fingerprint construction for positioning iot devices based on generative adversarial nets | |
CN113347559B (zh) | 一种基于深度学习的强鲁棒性无线定位方法 | |
Sonny et al. | Fingerprint Image-Based Multi-Building 3D Indoor Wi-Fi Localization Using Convolutional Neural Networks |
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 |