CN114745674A - 一种基于改进bp神经网络的测距模型定位算法 - Google Patents

Abstract

本发明公开了一种基于改进BP(Back Propagation)神经网络的测距模型定位算法。首先，在目标区域内部署若干个位置已知的接入点(Access Point，AP)和参考点(Reference Point，RP)建立指纹数据库；其次，将指纹数据库进行z‑score标准化，然后进行差分变换；再次，基于变换后的RSSI(Received Signal Strength Indicator)矢量和BP神经网络构建RSSI‑距离关系模型；最后，将目标点收集到的RSSI数据经过相同预处理后通过构建的测距模型得到目标点与每个RP之间的距离并利用最小二乘法解算出目标点的位置坐标。本发明专利利用BP神经网络良好的非线性拟合能力，提出了一种基于改进BP神经网络的测距模型定位算法，其降低了Wi‑Fi信号波动对定位性能的影响，在快速构建准确、稳定的测距模型的同时有效地提升了定位系统性能。

Description

一种基于改进BP神经网络的测距模型定位算法

技术领域

本发明属于室内定位技术，具体涉及一种基于改进BP神经网络的测距模型定位算法。

背景技术

随着数据业务和多媒体业务的快速增加，人们对定位与导航的需求日益增大，基于位置的服务(LBS,Location-based Service)也变得越来越重要。现如今，室外定位技术如GNSS(Global Navigation Satellite System)已经趋于成熟，可以满足用户亚米级的定位需求。但是由于GNSS只适用于卫星和用户之间的视距环境，因此无法在室内环境中工作。而人们大部分的时间是在室内环境中度过的，因此对于室内的位置服务需求更加迫切。近年来，由于各行各业的应用不断增加，基于Wi-Fi、红外线、超声波、蓝牙、Zigbee等室内定位技术得到了长足发展。其中，基于Wi-Fi的室内定位技术因其部署成本低、定位精度高的优势受到广大相关人员的青睐，已经逐渐成为室内定位技术的主流。

Wi-Fi定位方法大致分为两类：基于测距的定位方法和基于非测距的定位方法。基于测距的定位方法包括到达时间(Time Of Arrive，TOA)、到达时间差(Time DifferenceOf Arrive，TDOA)、到达角度(Angle Of Arrive，AOA)以及信号传播模型法。基于非测距的定位方法主要是位置指纹定位。其中，信号传播模型法无需部署大量硬件设备且计算简单快捷，因此应用较为广泛。基于信号传播模型的定位方法的关键在于通过接收到大量的数据建立RSSI(Received Signal Strength Indicator)与距离之间的非线性函数关系，构建准确、可靠的信号传播模型。一旦得到终端与多个AP(Access Point)之间的距离，就可以通过三边法估计终端的最终位置。

然而，由于室内环境较为复杂，许多因素都制约着信号传播模型法的精度。现有的一些室内定位方面的研究表明，定位精度很大程度上取决于所构建的信号传播模型的准确性和鲁棒性。针对此问题，本发明提出了一种基于改进BP(Back Propagation)神经网络的测距模型定位算法，离线阶段通过对RSSI数据进行z-score标准化以及差分变换预处理，然后利用BP神经网络良好的非线性拟合能力和容错能力，基于变换后的RSSI数据和BP神经网络构建出准确性和鲁棒性更强的RSSI-距离关系模型；在线阶段基于测距模型获得目标点与每个RP之间的距离，最后利用最小二乘法解算出目标点的位置。该方法在构建更加准确、稳定的测距模型的同时抑制了Wi-Fi信号波动对定位精度的影响。

发明内容

本发明的目的是提供一种基于改进BP神经网络的测距模型定位算法，它通过RSSI数据预处理和BP神经网络构建测距模型来获取RSSI与距离的关系，然后基于目标点与每个RP之间的距离和最小二乘法确定目标点的位置，该方法降低了Wi-Fi信号波动对定位性能的影响，在快速构建准确、稳定的测距模型的同时有效地提升了定位系统性能。

本发明所述的一种基于改进BP神经网络的测距模型定位算法，包括以下步骤：

步骤一、在目标区域内随机放置m(m≥1,m为整数)个无线接入点(AP，AccessPoint)，记为AP₁,…,AP_m，第h个AP记为AP_h(h≤m,h为整数)，AP的通信范围包含整个目标区域。线性等间隔标定G＝M×N个参考点(RP,Reference Point)，邻近参考点之间的间隔为R，它们的位置坐标依次为

依次表示为r₁,…,r_M,r_M+1,…r_G，目标区域长度、宽度分别为X、Y，且X＝(M+1)×R，Y＝(N+1)×R。

步骤二、在目标区域采集m个AP信号，设r_i,q(i＝1,…,G；q＝1,…m)为第i个定位点接收到的第q个AP的信号的RSSI。假设室内定位区域是一个二维平面，用RSSI_i表示第i个定位点接收到的AP信号的RSSI向量，即RSSI_i＝[r_i,1,r_i,2,…,r_i,m]。

步骤三、将第i个定位点接收到的AP信号的RSSI向量按照z-score标准化进行变换为:

其中υ_i和σ_i分别为平移因子和比例因子。他们分别表示RSSI矢量分量的均值和标准差，计算公式为:

步骤四、基于步骤三的z-score标准化后的数据和BP神经网络构建测距模型，具体包括以下步骤：

步骤四(一)、BP神经网络层数确定。由于神经网络只包含输入层、隐藏层和输出层，而输入层和输出层只能分别设置一个，但是隐藏层可以设置一个或者多个。考虑到随着隐藏层数量的增加，估计精度可能会略有提高。但容易出现过拟合问题，即网络模型对训练数据效果好，但对测试数据效果不太好。除此之外，网络训练的时间也会增加。因此使用BP神经网络建立一个三层结构的测距模型，即一个输入层、一个隐藏层以及一个输出层，如附图2所示。

步骤四(二)、BP神经网络每层节点数确定。对于输入层，设第i个定位点和第j个定位点之间的差分变换后的RSSI矢量为(i＝j表示在同一位置)：

将

作为网络结构中输入层的输入变量，即

因此输入层的节点数为m，即部署的AP个数。对于输出层，由于网络的最终输出为第i个定位点与第j个定位点之间的估计距离

因此输出层的节点数为1。对于隐藏层，其节点数由经验公式

确定。其中m为输入层节点数，O为输出层节点数，a∈[1,10]为一个正整数常量，可通过前期大量的实验和实测数据得到。

步骤四(三)、BP神经网络参数更新。设输入层到隐藏层的权重向量和隐藏层到输出层的权重向量分别为

和

第k(k＝1,2,…,L)个节点在隐藏层的偏移量和节点在输出层的偏移量分别为

和θ²。其节点值

和距离估计

更新得：

其中f(x)为激活函数，从输入层到隐藏层的激活函数设置为f(x)＝(arctan(x)+1)^-1，从隐藏层到输出层的激活函数设置为f(x)＝x。即

步骤四(四)、网络训练终止。计算损失函数

其中D_ij为第i个定位点与第j个定位点之间的真实距离，S为训练样本的数量。当损失函数E小于某个阈值或者达到迭代次数时，确定网络的最终权重和偏差值，即构建出定位区域的测距模型。

步骤五、在目标点处收集m个AP的RSSI，即RSSI＝[rssi₁,rssi₂,…,rssi_m]。然后同样进行步骤三的z-score标准化处理，并将目标点与每个RP之间差分变换后的RSSI矢量的平方作为步骤四构建的测距模型的输入数据，最后获得目标点与每个RP之间的估计距离

步骤六、设置阈值θ_d，排除估计距离中大于阈值θ_d的距离，得到新的距离估计矢量

其中θ_d可通过前期大量的实验和实测数据得到。

步骤七、设新的距离估计矢量

所对应的RP坐标为

将距离方程两边平方得

然后将上述公式的前H-1个方程减去最后一个方程，得Ap₀＝b。其中A为常矩阵，b为常向量，p₀为估计的坐标向量，定义如下：

最后基于最小二乘法解算出目标点的坐标，即p₀＝(A^TA)^-1A^Tb。

有益效果

本发明从BP神经网络出发，首先，在目标区域部署参考点并建立指纹数据库；然后，对指纹数据库的数据进行z-score标准化及差分变换；其次，基于差分变换后的数据和BP神经网络进行训练构建测距模型即获得目标区域内反映RSSI与距离的关系的测距模型。最后，将目标点收集到的RSSI数据经过相同预处理后导入构建的测距模型得到目标点与每个RP之间的距离并利用最小二乘法解算出目标点的位置坐标。本发明降低了Wi-Fi信号波动对定位性能的影响，在快速构建准确、稳定的测距模型的同时有效地提升了定位系统性能。

附图说明

图1为本发明流程图；

图2为基于改进BP神经网络的测距模型示意图；

具体实施方案

下面结合附图对本发明作进一步说明：

如图1所示的一种基于改进BP神经网络的测距模型定位算法，具体包含以下步骤：

步骤一、在目标区域内随机放置m(m≥1,m为整数)个无线接入点(AP，AccessPoint)，记为AP₁,…,AP_m，第h个AP记为AP_h(h≤m,h为整数)，AP的通信范围包含整个目标区域。线性等间隔标定G＝M×N个参考点(RP,Reference Point)，邻近参考点之间的间隔为R，它们的位置坐标依次为

依次表示为r₁,…,r_M,r_M+1,…r_G，目标区域长度、宽度分别为X、Y，且X＝(M+1)×R，Y＝(N+1)×R。

步骤二、在目标区域采集m个AP信号，设r_i,q(i＝1,…,G；q＝1,…m)为第i个定位点接收到的第q个AP的信号的RSSI。假设室内定位区域是一个二维平面，用RSSI_i表示第i个定位点接收到的AP信号的RSSI向量，即RSSI_i＝[r_i,1,r_i,2,…,r_i,m]。

步骤三、将第i个定位点接收到的AP信号的RSSI向量按照z-score标准化进行变换为:

其中υ_i和σ_i分别为平移因子和比例因子。他们分别表示RSSI矢量分量的均值和标准差，计算公式为:

步骤四、基于步骤三的z-score标准化后的数据和BP神经网络构建测距模型，具体包括以下步骤：

步骤四(一)、BP神经网络层数确定。由于神经网络只包含输入层、隐藏层和输出层，而输入层和输出层只能分别设置一个，但是隐藏层可以设置一个或者多个。考虑到随着隐藏层数量的增加，估计精度可能会略有提高。但容易出现过拟合问题，即网络模型对训练数据效果好，但对测试数据效果不太好。除此之外，网络训练的时间也会增加。因此使用BP神经网络建立一个三层结构的测距模型，即一个输入层、一个隐藏层以及一个输出层，如附图2所示。

步骤四(二)、BP神经网络每层节点数确定。对于输入层，设第i个定位点和第j个定位点之间的差分变换后的RSSI矢量为(i＝j表示在同一位置)：

将

作为网络结构中输入层的输入变量，即

因此输入层的节点数为m，即部署的AP个数。对于输出层，由于网络的最终输出为第i个定位点与第j个定位点之间的估计距离

因此输出层的节点数为1。对于隐藏层，其节点数由经验公式

确定。其中m为输入层节点数，O为输出层节点数，a∈[1,10]为一个正整数常量，可通过前期大量的实验和实测数据得到。

步骤四(三)、BP神经网络参数更新。设输入层到隐藏层的权重向量和隐藏层到输出层的权重向量分别为

和

第k(k＝1,2,…,L)个节点在隐藏层的偏移量和节点在输出层的偏移量分别为

和θ²。其节点值

和距离估计

更新得：

其中f(x)为激活函数，从输入层到隐藏层的激活函数设置为f(x)＝(arctan(x)+1)^-1，从隐藏层到输出层的激活函数设置为f(x)＝x。即

步骤四(四)、网络训练终止。计算损失函数

其中D_ij为第i个定位点与第j个定位点之间的真实距离，S为训练样本的数量。当损失函数E小于某个阈值或者达到迭代次数时，确定网络的最终权重和偏差值，即构建出定位区域的测距模型。

步骤五、在目标点处收集m个AP的RSSI，即RSSI＝[rssi₁,rssi₂,…,rssi_m]。然后同样进行步骤三的z-score标准化处理，并将目标点与每个RP之间差分变换后的RSSI矢量的平方作为步骤四构建的测距模型的输入数据，最后获得目标点与每个RP之间的估计距离

步骤六、设置阈值θ_d，排除估计距离中大于阈值θ_d的距离，得到新的距离估计矢量

其中θ_d可通过前期大量的实验和实测数据得到。

步骤七、设新的距离估计矢量

所对应的RP坐标为

将距离方程两边平方得

然后将上述公式的前H-1个方程减去最后一个方程，得Ap₀＝b。其中A为常矩阵，b为常向量，p₀为估计的坐标向量，定义如下：

最后基于最小二乘法解算出目标点的坐标，即p₀＝(A^TA)^-1A^Tb。

Claims (2)

1.一种基于改进BP神经网络的测距模型定位算法，其特征在于包括以下步骤：

步骤一、在目标区域内随机放置m(m≥1,m为整数)个无线接入点(AP，Access Point)，记为AP₁,…,AP_m，第h个AP记为AP_h(h≤m,h为整数)，AP的通信范围包含整个目标区域。线性等间隔标定G＝M×N个参考点(RP,Reference Point)，邻近参考点之间的间隔为R，它们的位置坐标依次为

依次表示为r₁,…,r_M,r_M+1,…r_G，目标区域长度、宽度分别为X、Y，且X＝(M+1)×R，Y＝(N+1)×R。

步骤二、在目标区域采集m个AP信号，设r_i,q(i＝1,...,G；q＝1,...m)为第i个定位点接收到的第q个AP的信号的RSSI。假设室内定位区域是一个二维平面，用RSSI_i表示第i个定位点接收到的AP信号的RSSI向量，即RSSI_i＝[r_i,1,r_i,2,…,r_i,m]。

步骤三、将第i个定位点接收到的AP信号的RSSI向量按照z-score标准化进行变换为:

其中υ_i和σ_i分别为平移因子和比例因子。他们分别表示RSSI矢量分量的均值和标准差，计算公式为:

步骤四、基于步骤三的z-score标准化后的数据和BP神经网络构建测距模型。

2.根据权利要求1所述的一种基于改进BP神经网络的测距模型定位算法，其特征在于所述步骤四包括以下步骤：

步骤四、基于步骤三的z-score标准化后的数据和BP神经网络构建测距模型，具体包括以下步骤：

步骤四(一)、BP神经网络层数确定。由于神经网络只包含输入层、隐藏层和输出层，而输入层和输出层只能分别设置一个，但是隐藏层可以设置一个或者多个。考虑到随着隐藏层数量的增加，估计精度可能会略有提高。但容易出现过拟合问题，即网络模型对训练数据效果好，但对测试数据效果不太好。除此之外，网络训练的时间也会增加。因此使用BP神经网络建立一个三层结构的测距模型，即一个输入层、一个隐藏层以及一个输出层，如附图2所示。

步骤四(二)、BP神经网络每层节点数确定。对于输入层，设第i个定位点和第j个定位点之间的差分变换后的RSSI矢量为(i＝j表示在同一位置)：

将

作为网络结构中输入层的输入变量，即

因此输入层的节点数为m，即部署的AP个数。对于输出层，由于网络的最终输出为第i个定位点与第j个定位点之间的估计距离

因此输出层的节点数为1。对于隐藏层，其节点数由经验公式

确定。其中m为输入层节点数，O为输出层节点数，a∈[1,10]为一个正整数常量，可通过前期大量的实验和实测数据得到。

步骤四(三)、BP神经网络参数更新。设输入层到隐藏层的权重向量和隐藏层到输出层的权重向量分别为

和

第k(k＝1,2,…,L)个节点在隐藏层的偏移量和节点在输出层的偏移量分别为

和θ²。其节点值

和距离估计

更新得：

其中f(x)为激活函数，从输入层到隐藏层的激活函数设置为f(x)＝(arctan(x)+1)^-1，从隐藏层到输出层的激活函数设置为f(x)＝x。即

步骤四(四)、网络训练终止。计算损失函数

其中D_ij为第i个定位点与第j个定位点之间的真实距离，S为训练样本的数量。当损失函数E小于某个阈值或者达到迭代次数时，确定网络的最终权重和偏差值，即构建出定位区域的测距模型。

Images