CN114280536A - 一种基于mfk混合滤波和多输入bp神经网络的测距方法 - Google Patents

Abstract

本发明涉及一种基于MFK混合滤波和多输入BP神经网络的测距方法，包括以下步骤：1)接收端采集拟合测距需要的输入数据；2)对每组RSSI数据进行MFK混合滤波算法预处理，并计算得到预处理后的每组RSSI数据的算数平均值；3)构建BP神经网络，并以RSSI数据的算数平均值、接收端距离地面高度、信标发射功率、室内温度和室内湿度数据共同作为输入数据，接收端与信标的距离作为输出数据进行训练；4)以待定位位置处的RSSI数据、接收端距离地面高度、信标发射功率、室内温度和室内湿度数据作为BP神经网络的输入得到待定位位置与信标之间的距离。与现有技术相比，本发明计算简单、抗噪性好，能够有效提高测距精度，也为后续定位精度的提高提供了保障。

Description

一种基于MFK混合滤波和多输入BP神经网络的测距方法

技术领域

本发明涉及蓝牙室内定位技术领域，尤其是涉及一种基于蓝牙RSSI的MFK混合滤波算法和多输入BP神经网络的测距方法。

背景技术

随着物联网技术的发展和人们对室内定位的需求日益迫切，各种室内定位研究逐渐成为热点。在超宽带(UWB)、WiFi、射频识别(RFID)、红外线等众多室内定位方法中，低功耗蓝牙以其低功耗、成本低、部署方便等优点获得研究员们的青睐，最新推出的低功耗蓝牙5.1更是在原本的基础上，传输速率、传输距离和测向等性能方面得到进一步提高。

在基于测距的低功耗蓝牙室内定位方法中，由于室内环境较为复杂，接收到的RSSI值受到室内多径效应、经墙壁等障碍物反射衍射的影响存在较多异常值、稳定性较差，导致测距定位精度不高。因此，现有方法中的数据预处理阶段需要先对RSSI值进行滤波，但是单一的滤波方法抗噪效果不佳，去除的异常值也不是相对整体样本而言的，在测距阶段一般采用对数路径损耗模型得到对应的距离，但该模型中的常数和路径损耗值受环境影响无法确定，而使用最小二乘拟合曲线的方式虽然能够不用考虑参数赋值问题，但会由于RSSI值的波动问题导致模型后期测距精度不高，因此急需解决现有的蓝牙室内定位滤波和测距方式存在精度差的问题。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于MFK混合滤波和多输入BP神经网络的测距方法。

本发明的目的可以通过以下技术方案来实现：

一种基于MFK混合滤波和多输入BP神经网络的测距方法，包括以下步骤：

1)接收端采集拟合测距需要的输入数据，包括多组RSSI数据、接收端与信标的距离、接收端距离地面高度、信标发射功率、室内温度和室内湿度数据；

2)对每组RSSI数据进行MFK混合滤波算法预处理，并计算得到预处理后的每组RSSI数据的算数平均值；

3)构建BP神经网络，并以RSSI数据的算数平均值、接收端距离地面高度、信标发射功率、室内温度和室内湿度数据共同作为输入数据，接收端与信标的距离作为输出数据进行训练，得到训练好的BP神经网络；

4)应用训练好的BP神经网络，以待定位位置处的RSSI数据、接收端距离地面高度、信标发射功率、室内温度和室内湿度数据作为BP神经网络的输入得到待定位位置与信标之间的距离。

所述的步骤1)具体为：

设定一个蓝牙信标作为信号发射端，接收端每间隔相同距离采集并记录一段时间内的一组RSSI数据，由此得到与多个距离对应的多组RSSI数据，并且在测量RSSI数据的同时采集接收端距离地面高度、信标发射功率、室内温度和室内湿度数据。

所述的步骤2)具体包括以下步骤：

21)对于每组RSSI数据，计算每个数据的马氏距离，并直接剔除超过设定阈值的异常值；

22)对于每组剔除异常值后的RSSI数据，采用反馈滤波算法进行平滑处理，得到一次平滑后的RSSI数据；

23)对于一次平滑后的RSSI数据采用卡尔曼滤波算法进一步进行平滑处理，得到二次平滑后的RSSI数据，完成数据得预处理。

所述的步骤21)中，马氏距离d²(x,G)的表达式为：

其中，G为样本数据，即每组RSSI数据，μ为均值向量，σ²为协方差，x表示待测数据。

所述的步骤22)中，采用反馈滤波算法进行平滑处理具体表达式为：

其中，RSSI_n-1为每组剔除异常值后的RSSI数据中上一时刻的RSSI值，RSSI_n为当前时刻的RSSI值，α为参数，

为一次平滑后每组RSSI数据中当前时刻的RSSI值。

所述的步骤22)中，参数α的取值为0.8。

所述的步骤3)中，BP神经网络的结构设计具体包括层数设计、传输函数选定和模型构建。

在BP神经网络结构的层数设计中，输入层神经元为5个，输出层神经元为1个，隐含层神经元个数L取值以测距效果最佳为准，且

其中，n为输入层神经元个数，m为输出层神经元个数，a为[1,10]之间的常数。

在BP神经网络结构的传输函数选定中，隐含层选用S型正切激活函数，输出层采用对数激活函数。

在BP神经网络结构的模型构建中，采用matlab中的神经网络工具箱进行神经网络训练，模型构建训练步骤具体为：

取部分输入和输出数据作为训练集；

初始化网络中所有连接权、阈值ε、误差和学习率；

计算隐含层、输出层的输入输出和各层的传递误差；

更新权值和阈值；

若满足误差＜ε或训练次数＜1000，则模型训练完毕保存阈值有效参数，否则继续训练。

与现有技术相比，本发明具有以下优点：

本发明提供的混合滤波算法和测距方法，针对数据预处理阶段采集的RSSI值受多路径、非视距等因素影响而波动较大、存在异常值的问题，首先采用马氏距离算法剔除相对于整体样本数据而言的异常值，然后采用反馈滤波算法平滑数据曲线，缩小差值，接着采用卡尔曼滤波算法进一步平滑曲线，最后取算数平均值作测距输入数据。在数据拟合测距阶段，将RSSI值、接收端高度、信标发射功率、室内温度和室内湿度数据作为输入数据，采用多输入BP神经网络算法得到接收端和低功耗蓝牙信标的距离，本发明为低功耗蓝牙室内定位提供一种混合滤波算法和新型的测距方法，该方法计算简单、抗噪性好，能够有效提高测距精度，也为后续定位精度的提高提供了保障。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本发明实施例中提供的一种基于蓝牙RSSI的MFK混合滤波算法和多输入BP神经网络测距的方法的流程示意图。

图2为MFK混合滤波算法流程图。

图3为多输入BP神经网络模型示意图。

图4为BP神经网络训练流程图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

实施例

为了便于理解，如图1所示，本发明提供一种基于MFK混合滤波和多输入BP神经网络的测距方法，需要说明的是，本发明实施例公开的测距方法中，实验设备包括低功耗蓝牙信标、接收端、PC机、支架等，低功耗蓝牙信标可选用深圳市研为通讯科技有限公司的型号为EW-BCN02L的ibeacon设备，它是基于蓝牙5.1协议的定位信标，IOS系统或安卓系统均可支持，本例中使用华为荣耀V10智能手机作为接收端来采集RSSI值并记录其高度，温湿度传感器采集室内温湿度数据并记录上传，通过信标配套的软件设定信标发射功率，手机把接收到的RSSI值传给PC机，PC机用Matlab软件进行数据的滤波处理以及Python语言训练BP神经网络模型测距，该方法包括以下步骤：

步骤101、接收端采集拟合测距需要的输入数据，具体为：

选定一个低功耗蓝牙信标作为信号发射端，每间隔相同距离，接收端采集一组RSSI数据，并记录RSSI数据和对应的接收端与信标间距，在测量RSSI的同时，采集接收端距离地面高度、信标发射功率、室内温度和室内湿度数据。

步骤102、对每处距离采集的RSSI值进行MFK混合滤波算法预处理，通过马氏距离滤波直接剔除相对于整个样本而言的异常值，如图2所示，具体为：

对每组RSSI数据首先采用马氏(Mahalanobis)距离算法直接剔除相对于整体样本数据而言的异常值，马氏距离计算公式为：

式中，多次测量得到的RSSI值(x₁,x₂,...x_n)作为样本数据G，均值向量为μ，协方差为σ²，x为待测数据。

将处理后的RSSI数据采用反馈滤波算法进一步平滑曲线，缩小差值，则RSSI过滤计算公式为：

式中，RSSI_n-1为每组剔除异常值后的RSSI数据中上一时刻的RSSI值，RSSI_n为当前时刻的RSSI值，

为平滑后每组RSSI数据中当前时刻的RSSI值，α为常数参数，取值为0.8。

将得到的RSSI值采用卡尔曼滤波算法，进一步平滑曲线；

最后对每组过滤、平滑后的RSSI数据取算数平均值作测距的输入数据。

步骤103、将滤波后的RSSI值、接收端高度、信标发射功率、室内温度和室内湿度作为输入数据，采用多输入BP神经网络算法进行拟合预测，如图3所示，BP神经网络结构设计具体包括：

(1)层数的设计

多输入BP神经网络输入层神经元为5个，输出层神经元为1个，隐含层神经元个数L取值以测距效果最佳为准，本例取6，其计算公式为：

式中n为输入层神经元个数，m为输出层神经元个数,a为[1,10]之间的常数。

(2)传输函数的选定

为了满足样本数据非线性的要求，选用可以较好地处理非线性问题的激活函数，隐含层选用S型正切激活函数，公式如下：

式中，x为各个输入层神经元的输入加权和。

输出层采用对数激活函数，公式如下：

式中x为各个隐含层神经元的输入加权和。

(3)模型的构建

选用matlab中的神经网络工具箱进行神经网络训练，如图4所示，模型构建训练步骤如下：

选取部分输入和输出数据作为训练集；

初始化网络中所有连接权、阈值、误差和学习率；

计算隐含层、输出层的输入输出和各层的传递误差；

更新权值和阈值；

满足误差＜ε或训练次数＜1000，则模型训练完毕保存阈值等有效参数，否则返回第三步继续训练。

步骤104、根据多输入BP神经网络算法构建的多输入与对应距离的关系，输入采集的多项数据，得到接收端与信标间的距离并进行误差分析。

本申请针对数据预处理阶段采集的RSSI值受多路径、非视距等因素影响而波动较大、存在异常值的问题，首先采用马氏距离算法剔除相对于整体样本数据而言的异常值，然后采用反馈滤波算法平滑数据曲线，缩小差值，接着采用卡尔曼滤波算法进一步平滑曲线，最后取算数平均值作测距输入数据。在数据拟合测距阶段，将RSSI值、接收端高度、信标发射功率、室内温度和室内湿度数据作为输入数据，采用多输入BP神经网络算法得到接收端和低功耗蓝牙信标的距离。本发明为低功耗蓝牙室内定位提供一种混合滤波算法和新型的测距方法，该方法计算简单、抗噪性好，能够有效提高测距精度，也为后续定位精度的提高提供了保障。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.一种基于MFK混合滤波和多输入BP神经网络的测距方法，其特征在于，包括以下步骤：

1)接收端采集拟合测距需要的输入数据，包括多组RSSI数据、接收端与信标的距离、接收端距离地面高度、信标发射功率、室内温度和室内湿度数据；

2)对每组RSSI数据进行MFK混合滤波算法预处理，并计算得到预处理后的每组RSSI数据的算数平均值；

3)构建BP神经网络，并以RSSI数据的算数平均值、接收端距离地面高度、信标发射功率、室内温度和室内湿度数据共同作为输入数据，接收端与信标的距离作为输出数据进行训练，得到训练好的BP神经网络；

4)应用训练好的BP神经网络，以待定位位置处的RSSI数据、接收端距离地面高度、信标发射功率、室内温度和室内湿度数据作为BP神经网络的输入得到待定位位置与信标之间的距离。

2.根据权利要求1所述的一种基于MFK混合滤波和多输入BP神经网络的测距方法，其特征在于，所述的步骤1)具体为：

设定一个蓝牙信标作为信号发射端，接收端每间隔相同距离采集并记录一段时间内的一组RSSI数据，由此得到与多个距离对应的多组RSSI数据，并且在测量RSSI数据的同时采集接收端距离地面高度、信标发射功率、室内温度和室内湿度数据。

3.根据权利要求1所述的一种基于MFK混合滤波和多输入BP神经网络的测距方法，其特征在于，所述的步骤2)具体包括以下步骤：

21)对于每组RSSI数据，计算每个数据的马氏距离，并直接剔除超过设定阈值的异常值；

22)对于每组剔除异常值后的RSSI数据，采用反馈滤波算法进行平滑处理，得到一次平滑后的RSSI数据；

23)对于一次平滑后的RSSI数据采用卡尔曼滤波算法进一步进行平滑处理，得到二次平滑后的RSSI数据，完成数据得预处理。

4.根据权利要求3所述的一种基于MFK混合滤波和多输入BP神经网络的测距方法，其特征在于，所述的步骤21)中，马氏距离d²(x,G)的表达式为：

其中，G为样本数据，即每组RSSI数据，μ为均值向量，σ²为协方差，x表示待测数据。

5.根据权利要求3所述的一种基于MFK混合滤波和多输入BP神经网络的测距方法，其特征在于，所述的步骤22)中，采用反馈滤波算法进行平滑处理具体表达式为：

其中，RSSI_n-1为每组剔除异常值后的RSSI数据中上一时刻的RSSI值，RSSI_n为当前时刻的RSSI值，α为参数，

为一次平滑后每组RSSI数据中当前时刻的RSSI值。

6.根据权利要求5所述的一种基于MFK混合滤波和多输入BP神经网络的测距方法，其特征在于，所述的步骤22)中，参数α的取值为0.8。

7.根据权利要求1所述的一种基于MFK混合滤波和多输入BP神经网络的测距方法，其特征在于，所述的步骤3)中，BP神经网络的结构设计具体包括层数设计、传输函数选定和模型构建。

8.根据权利要求7所述的一种基于MFK混合滤波和多输入BP神经网络的测距方法，其特征在于，在BP神经网络结构的层数设计中，输入层神经元为5个，输出层神经元为1个，隐含层神经元个数L取值以测距效果最佳为准，且

其中，n为输入层神经元个数，m为输出层神经元个数，a为[1,10]之间的常数。

9.根据权利要求7所述的一种基于MFK混合滤波和多输入BP神经网络的测距方法，其特征在于，在BP神经网络结构的传输函数选定中，隐含层选用S型正切激活函数，输出层采用对数激活函数。

10.根据权利要求7所述的一种基于MFK混合滤波和多输入BP神经网络的测距方法，其特征在于，在BP神经网络结构的模型构建中，采用matlab中的神经网络工具箱进行神经网络训练，模型构建训练步骤具体为：

取部分输入和输出数据作为训练集；

初始化网络中所有连接权、阈值ε、误差和学习率；

计算隐含层、输出层的输入输出和各层的传递误差；

更新权值和阈值；

若满足误差＜ε或训练次数＜1000，则模型训练完毕保存阈值有效参数，否则继续训练。

Images