CN115175122A - 一种基于半张量积压缩感知的室内定位方法 - Google Patents
一种基于半张量积压缩感知的室内定位方法 Download PDFInfo
- Publication number
- CN115175122A CN115175122A CN202210778330.8A CN202210778330A CN115175122A CN 115175122 A CN115175122 A CN 115175122A CN 202210778330 A CN202210778330 A CN 202210778330A CN 115175122 A CN115175122 A CN 115175122A
- Authority
- CN
- China
- Prior art keywords
- positioning
- rss
- model
- stp
- tensor product
- 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
- 238000000034 method Methods 0.000 title claims abstract description 31
- 239000011159 matrix material Substances 0.000 claims abstract description 30
- 238000005259 measurement Methods 0.000 claims abstract description 7
- 238000005457 optimization Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 230000006835 compression Effects 0.000 abstract description 6
- 238000007906 compression Methods 0.000 abstract description 6
- 230000008447 perception Effects 0.000 abstract 2
- 238000005516 engineering process Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种基于半张量积压缩感知(Semi‑tensor Product Compression Sensing,STP‑CS)的室内定位方法。首先,在目标区域内部署和标定若干个位置已知的接入点(Access Point,AP)和参考点(Reference Point,RP);其次,采集每一个RP的接收信号强度(Received SignalStrength,RSS)数据,然后对采集的RSS数据进行聚类,并找到聚类中心;再次,在在线阶段进行聚类匹配的粗定位,将在线测量的RSS与聚类中心比较,判断在线测量的RSS位于哪一个聚类中,从而缩小定位的区域;最后,利用半张量积理论,构造一个低阶的AP选择矩阵,然后利用STP‑CS方法构造STP‑CS模型,再通过迭代重加权最小二乘(Iterative Re‑weighted Least Square,IRLS)算法实现对位置的估计。本发明专利利用半张量理论构造低阶的随机测量矩阵,从而提出了一种基于半张量积压缩感知的室内定位方法,其在保证定位精度的同时,降低了开销,提高了定位的实时性。
Description
技术领域
本发明属于室内定位技术,具体涉及一种基于半张量积压缩感知的室内定位方法。
背景技术
随着物联网技术的发展,基于位置的服务(Location Based Service,LBS)已被广泛应用于各个领域,其中定位技术是LBS的关键技术之一。常见的全球卫星定位系统(Global Positioning System,GPS)定位精度高,但在室内环境中,由于受到各种障碍物和移动物体的遮挡,信号衰减严重,无法准确定位。幸运的是,由于无线局域网(WirelessLocal Area Network,WLAN)的普及,基于WLAN的室内定位系统已成为室内环境最常用的定位方法之一。
在WLAN定位系统中,一般可以分为两种室内定位技术,一种是基于信号空间相似度的定位技术,另一种是基于稀疏恢复的室内定位技术。在基于稀疏恢复的室内定位技术中,多采用压缩感知(Compression Sensing,CS)模型。传统的基于CS的定位方法将空间位置建模成稀疏向量,把测量矩阵作为AP选择矩阵,稀疏基矩阵作为无线电地图,测量值作为在线测量的接收信号强度(Received Signal Strength,RSS)值来进行定位。其主要包含两个阶段:离线阶段和在线阶段。离线阶段,在预先标定好的若干参考点(Reference Point,RP)处测量来自不同接入点(Access Point,AP)的RSS,然后通过采集到的RSS数据建立位置指纹数据库,并利用聚类算法实现对数据的聚类;在线阶段,主要分为两部分,一是进行聚类匹配的粗定位,即是把在线采集的用户的RSS与每个聚类的中心进行比较,判断用户位于哪个聚类中,从而缩小定位的区域。二是在缩小区域之后,构造AP选择矩阵,然后利用压缩感知模型进行精细定位。
然而,当目标环境部署大量AP时,通过传统CS模型构造的AP选择矩阵会增加计算复杂度和存储空间。针对此问题,本发明提出了一种基于半张量积压缩感知(Semi-tensorProduct Compression Sensing,STP-CS)的室内定位方法,首先通过离线阶段对数据库进行聚类,其次在在线阶段进行聚类匹配的粗定位,再次利用半张量积理论,来构造低阶的AP选择矩阵,最后利用STP-CS方法构造STP-CS模型,实现对位置的精确估计。该方法可以实现与传统CS相似的定位性能,也能通过构造低阶的随机测量矩阵降低存储空间和计算复杂度,而且与传统的定位技术相比,在保证定位精度的同时,提高了定位的实时性并降低了开销。
发明内容
本发明的目的是提供一种基于半张量积压缩感知的室内定位方法,首先通过离线阶段对数据库进行聚类,其次在在线阶段进行聚类匹配的粗定位,再次利用半张量积理论,来构建低阶的AP选择矩阵,最后利用STP-CS方法构造STP-CS模型,再通过迭代重加权最小二乘(Iterative Re-weighted Least Square,IRLS)算法实现对位置的估计。该方法与传统的定位技术相比,在保证定位精度的同时,在实时性和开销上也有很大的提升。
本发明所述的一种基于半张量积压缩感知的室内定位方法,包括以下步骤:
步骤一、在目标区域内,随机部署L个无线接入点(Access Point,AP)和标定N个参考点(Reference Point,RP),同时标定k个测试点(Test Point,TP);
步骤二、在已知位置的RP处收集RSS读数的时间样本。在第j个RP处采集的第i个AP的原始RSS时间样本集记为{ψi,j(τ),τ=1,...,q,q>1},其中q为在第j个RP处对第i个AP采集的数据总次数。由此可以对采集到的RSS取均值,并建立离线数据库
其中ψi,j表示的是在第j个RP的第i个AP处所测量的RSS均值;
步骤三、通过聚类算法将离线阶段收集的RP划分为多个聚类,并为每个聚类分配一个聚类中心;
步骤四、在线阶段,测量每个测试点处的RSS样本值y;
步骤五、在线阶段的粗定位阶段,通过比较在线测量的RSS样本值y与聚类中心的距离,找到距离最近的聚类区域作为新的目标区域,从而缩小定位区域的大小。其中,缩小后的聚类区域中的RP数量为N';
步骤六、在线阶段的精细定位阶段,利用半张量积理论,来构造低阶的AP选择矩阵,从而搭建STP-CS模型;
步骤七、根据构造的STP-CS模型,利用IRLS算法实现稀疏位置的恢复,找到用户位置的索引,从而得到位置的估计。
所述步骤六包括以下步骤:
步骤六(一)、由于用户在给定时刻的位置在离散空间域中是唯一的,因此可以将定位问题转化为需要求解的稀疏问题。因此,可以使用稀疏向量θ来表示用户的位置。θ是一个N'×1的向量,其中,只有θ(n)=1,其余元素都等于0。最终的用户位置为θ=1所对应的位置索引,即RP的索引。所以,通过寻找最优θ,可以找到相应的用户位置,表示为
θ=[0,…,0,1,0…,0]T
步骤六(二)、利用Fisher准则找到该聚类区域中得分最高的AP子集,得到维度为的AP选择矩阵。其中,是所有AP的一个子集,是所有AP的最佳子集。而M是原始CS模型中AP的一个子集,因此,在STP-CS模型中需要满足
步骤六(三)、STP-CS模型既满足了传统CS模型的采样要求,又满足了CS理论的限制等距性和相互不相干特性。与传统的CS模型相比,该模型只改变了矩阵的大小,但不改变矩阵的任何特征。因此,该模型中y仍然表示在线测量的RSS值,表示为
半张量积的计算方法如下
所述步骤七包括以下步骤:
步骤七(一)、STP-CS问题可以通过凸优化来解决,即需要求解的是l1范数的最小化问题
步骤七(二)、采用IRLS算法来实现,在该算法中,引入了迭代权重的概念,即
w=|Y(n-1)|-1
其中权重值通过迭代得到;
步骤七(三)、最后得到位置索引,然后通过位置索引找到对应的位置,可以表示为
θn+1=DnΦT(t)[Φ(t)DnΦT(t)]-1 YM×1
本发明首先对离线阶段采集的数据进行聚类,并找到聚类中心;然后,在在线阶段进行聚类匹配的粗定位,将在线测量的RSS与聚类中心比较,从而缩小定位的区域;最后,构造一个低阶的AP选择矩阵,利用STP-CS方法构造STP-CS模型,再通过IRLS算法实现对位置的估计。本发明与传统的定位技术相比,在保证定位精度的同时,提高了定位的实时性并降低了开销。
附图说明
图1为本发明流程图;
图2为系统框架图;
图3为实验环境图,包含2个走廊区域(即区域1和2)和1个实验室区域(即区域3),且在实验环境中均匀标记参考点和测试点;
图4为不同方法的定位误差累积分布图对比。
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所示的一种基于半张量积压缩感知的室内定位方法,具体包含以下步骤:
步骤一、在目标区域内,随机部署L个无线接入点(Access Point,AP)和标定N个参考点(Reference Point,RP),同时标定k个测试点(Test Point,TP);
步骤二、在已知位置的RP处收集RSS读数的时间样本。在第j个RP处采集的第i个AP的原始RSS时间样本集记为{ψi,j(τ),τ=1,…,q,q>1},其中q为在第j个RP处对第i个AP采集的数据总次数。由此可以对采集到的RSS取均值,并建立离线数据库
其中ψi,j表示的是在第j个RP的第i个AP处所测量的RSS均值;
步骤三、通过聚类算法将离线阶段收集的RP划分为多个聚类,并为每个聚类分配一个聚类中心;
步骤四、在线阶段,测量每个测试点处的RSS样本值y;
步骤五、在线阶段的粗定位阶段,通过比较在线测量的RSS样本值y与聚类中心的距离,找到距离最近的聚类区域作为新的目标区域,从而缩小定位区域的大小。其中,缩小后的聚类区域中的RP数量为N';
步骤六、在线阶段的精细定位阶段,利用半张量积理论,来构造低阶的AP选择矩阵,从而搭建STP-CS模型。具体包括以下步骤:
6a、由于用户在给定时刻的位置在离散空间域中是唯一的,因此可以将定位问题转化为需要求解的稀疏问题。因此,可以使用稀疏向量θ来表示用户的位置。θ是一个N'×1的向量,其中,只有θ(n)=1,其余元素都等于0。最终的用户位置为θ=1所对应的位置索引,即RP的索引。所以,通过寻找最优θ,可以找到相应的用户位置,表示为
θ=[0,…,0,1,0…,0]T
6b、利用Fisher准则找到该聚类区域中得分最高的AP子集,得到维度为的AP选择矩阵。其中,是所有AP的一个子集,是所有AP的最佳子集。而M是原始CS模型中AP的一个子集,因此,在半张量积压缩感知模型中需要满足
6c、STP-CS模型既满足了传统CS模型的采样要求,又满足了CS理论的限制等距性和相互不相干特性。与传统的CS模型相比,该模型只改变了矩阵的大小,但不改变矩阵的任何特征。因此,该模型中y仍然表示在线测量的RSS值,表示为
半张量积的计算方法如下
步骤七、根据构造的STP-CS模型,利用IRLS算法实现稀疏位置的恢复,找到用户位置的索引,从而得到位置的估计。具体包括以下步骤:
步骤七(一)、STP-CS问题可以通过凸优化来解决,即需要求解的是l1范数的最小化问题
步骤七(二)、采用IRLS算法来实现,在该算法中,引入了迭代权重的概念,即
w=|Y(n-1)|-1
其中权重值通过迭代得到;
步骤七(三)、最后得到位置索引,然后通过位置索引找到对应的位置,可以表示为
θn+1=DnΦT(t)[Φ(t)DnΦT(t)]-1 YM×1
Claims (3)
1.一种基于半张量积压缩感知的室内定位方法,其特征在于包括以下步骤:
步骤一、在目标区域内,随机部署L个无线接入点(Access Point,AP)和标定N个参考点(Reference Point,RP),同时标定k个测试点(Test Point,TP);
步骤二、在已知位置的RP处收集RSS读数的时间样本。在第j个RP处采集的第i个AP的原始RSS时间样本集记为{ψi,j(τ),τ=1,...,q,q>1},其中q为在第j个RP处对第i个AP采集的数据总次数。由此可以对采集到的RSS取均值,并建立离线数据库
其中ψi,j表示的是在第j个RP的第i个AP处所测量的RSS均值;
步骤三、通过聚类算法将离线阶段收集的RP划分为多个聚类,并为每个聚类分配一个聚类中心;
步骤四、在线阶段,测量每个测试点处的RSS样本值y;
步骤五、在线阶段的粗定位阶段,通过比较在线测量的RSS样本值y与聚类中心的距离,找到距离最近的聚类区域作为新的目标区域,从而缩小定位区域的大小。其中,缩小后的聚类区域中的RP数量为N';
步骤六、在线阶段的精细定位阶段,利用半张量积理论,来构造低阶的AP选择矩阵,从而搭建STP-CS模型;
步骤七、根据构造的STP-CS模型,利用IRLS算法实现稀疏位置的恢复,找到用户位置的索引,从而得到位置的估计。
2.根据权利要求1所述的一种基于半张量积压缩感知的室内定位方法,其特征在于所述步骤六包括以下步骤:
步骤六、在线阶段的精细定位阶段,利用半张量积理论,来构造低阶的AP选择矩阵,从而搭建STP-CS模型。具体包括以下步骤:
步骤六(一)、由于用户在给定时刻的位置在离散空间域中是唯一的,因此可以将定位问题转化为需要求解的稀疏问题。因此,可以使用稀疏向量θ来表示用户的位置。θ是一个N'×1的向量,其中,只有θ(n)=1,其余元素都等于0。最终的用户位置为θ=1所对应的位置索引,即RP的索引。所以,通过寻找最优θ,可以找到相应的用户位置,表示为
θ=[0,…,0,1,0...,0]T
步骤六(二)、利用Fisher准则找到该聚类区域中得分最高的AP子集,得到维度为的AP选择矩阵。其中,是所有AP的一个子集,是所有AP的最佳子集。而M是原始CS模型中AP的一个子集,因此,在STP-CS模型中需要满足
步骤六(三)、STP-CS模型既满足了传统CS模型的采样要求,又满足了CS理论的限制等距性和相互不相干特性。与传统的CS模型相比,该模型只改变了矩阵的大小,但不改变矩阵的任何特征。因此,该模型中y仍然表示在线测量的RSS值,表示为
半张量积的计算方法如下
3.根据权利要求1所述的一种基于半张量积压缩感知的室内定位方法,其特征在于所述步骤七包括以下步骤:
步骤七、根据构造的STP-CS模型,利用IRLS算法实现稀疏位置的恢复,找到用户位置的索引,从而得到位置的估计。具体包括以下步骤:
步骤七(一)、STP-CS问题可以通过凸优化来解决,即需要求解的是l1范数的最小化问题
步骤七(二)、采用IRLS算法来实现,在该算法中,引入了迭代权重的概念,即
w=|Y(n-1)|-1
其中权重值通过迭代得到;
步骤七(三)、最后得到位置索引,然后通过位置索引找到对应的位置,可以表示为
θn+1=DnΦT(t)[Φ(t)DnΦT(t)]-1YM×1
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210778330.8A CN115175122A (zh) | 2022-07-01 | 2022-07-01 | 一种基于半张量积压缩感知的室内定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210778330.8A CN115175122A (zh) | 2022-07-01 | 2022-07-01 | 一种基于半张量积压缩感知的室内定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115175122A true CN115175122A (zh) | 2022-10-11 |
Family
ID=83491050
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210778330.8A Pending CN115175122A (zh) | 2022-07-01 | 2022-07-01 | 一种基于半张量积压缩感知的室内定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115175122A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120149415A1 (en) * | 2010-12-13 | 2012-06-14 | Shahrokh Valaee | System, method and computer program for anonymous localization |
CN102821465A (zh) * | 2012-09-07 | 2012-12-12 | 哈尔滨工业大学 | 基于分区信息熵增益的wlan室内定位方法 |
CN107147433A (zh) * | 2017-04-26 | 2017-09-08 | 重庆大学 | 基于半张量积压缩感知模型的确定性随机观测阵构造方法 |
CN107743296A (zh) * | 2017-11-15 | 2018-02-27 | 中国矿业大学(北京) | 一种基于压缩感知的rssi区域分段式定位方法 |
CN109286894A (zh) * | 2018-11-19 | 2019-01-29 | 中国矿业大学(北京) | 一种基于压缩感知与多边测量相结合的定位方法 |
AU2019101331A4 (en) * | 2019-11-02 | 2019-12-19 | Wenying Wen | Energy-efficient and secure transmission based on Semi-Tensor Compressive Sensing for Internet of Multimedia Things |
CN113708771A (zh) * | 2021-07-20 | 2021-11-26 | 南京邮电大学 | 一种基于斯特拉森算法的半张量积压缩感知方法 |
-
2022
- 2022-07-01 CN CN202210778330.8A patent/CN115175122A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120149415A1 (en) * | 2010-12-13 | 2012-06-14 | Shahrokh Valaee | System, method and computer program for anonymous localization |
CN102821465A (zh) * | 2012-09-07 | 2012-12-12 | 哈尔滨工业大学 | 基于分区信息熵增益的wlan室内定位方法 |
CN107147433A (zh) * | 2017-04-26 | 2017-09-08 | 重庆大学 | 基于半张量积压缩感知模型的确定性随机观测阵构造方法 |
CN107743296A (zh) * | 2017-11-15 | 2018-02-27 | 中国矿业大学(北京) | 一种基于压缩感知的rssi区域分段式定位方法 |
CN109286894A (zh) * | 2018-11-19 | 2019-01-29 | 中国矿业大学(北京) | 一种基于压缩感知与多边测量相结合的定位方法 |
AU2019101331A4 (en) * | 2019-11-02 | 2019-12-19 | Wenying Wen | Energy-efficient and secure transmission based on Semi-Tensor Compressive Sensing for Internet of Multimedia Things |
CN113708771A (zh) * | 2021-07-20 | 2021-11-26 | 南京邮电大学 | 一种基于斯特拉森算法的半张量积压缩感知方法 |
Non-Patent Citations (4)
Title |
---|
QIAOLIN PU; XIN LAN: "Large Environment Indoor Localization Leveraging Semi-Tensor Product Compression Sensing", IEEE INTERNET OF THINGS JOURNAL, 25 April 2023 (2023-04-25) * |
XIN LAN; QIAOLIN PU: "Indoor Localization Based on Semi-tensor Product Compression Sensing", 2022 IEEE 10TH ASIA-PACIFIC CONFERENCE ON ANTENNAS AND PROPAGATION (APCAP), 7 November 2022 (2022-11-07) * |
李玲霞;郭可可;田增山;周牧;: "基于相关性测序的TD-LTE分布式系统室内定位算法", 电子与信息学报, no. 05, 9 April 2018 (2018-04-09) * |
钱鹏;郭艳;李宁;孙保明;: "基于压缩感知的多目标定位与功率估计", 计算机科学, no. 03, 15 March 2016 (2016-03-15) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110012428B (zh) | 一种基于WiFi的室内定位方法 | |
CN108989976B (zh) | 一种智慧教室内的指纹定位方法及系统 | |
CN104853435B (zh) | 一种基于概率的室内定位方法和装置 | |
CN108376408B (zh) | 一种基于曲率特征的三维点云数据快速加权配准方法 | |
CN108627798B (zh) | 基于线性判别分析和梯度提升树的wlan室内定位算法 | |
CN110536257B (zh) | 一种基于深度自适应网络的室内定位方法 | |
CN109348416B (zh) | 基于二分k均值的指纹室内定位方法 | |
CN110933633B (zh) | 一种基于csi指纹特征迁移的船载环境室内定位方法 | |
CN110276746B (zh) | 一种鲁棒性遥感图像变化检测方法 | |
CN112135248A (zh) | 一种基于K-means最优估计的WIFI指纹定位方法 | |
CN111027140A (zh) | 基于多视角点云数据的飞机标准件模型快速重构方法 | |
CN115175122A (zh) | 一种基于半张量积压缩感知的室内定位方法 | |
CN113420593A (zh) | 基于混合推理网络的小样本sar自动目标识别方法 | |
CN109858517B (zh) | 一种以运动方向为主导的轨迹相似性度量方法 | |
CN109561384B (zh) | 一种复合噪声条件下的无线传感器网络节点定位方法 | |
CN114679683A (zh) | 一种基于派生指纹迁移的室内智能定位方法 | |
CN110933631A (zh) | 基于wifi位置指纹的室内定位方法 | |
CN111918211B (zh) | 一种基于kd树和改进加权knn的室内指纹定位方法 | |
Ebaid et al. | Optimum NN algorithms parameters on the ujiIndoorLoc for Wi-Fi fingerprinting indoor positioning systems | |
CN111932612B (zh) | 基于二阶隐马尔科夫模型的智能车视觉定位方法及装置 | |
CN113473373A (zh) | 一种uwb室内定位方法 | |
CN114374931A (zh) | 基于近邻成分分析的度量学习的指纹定位方法 | |
CN111735449A (zh) | 一种地磁匹配定位方法及装置 | |
CN111382830A (zh) | 一种基于混合粒子群算法的信号到达角度估计方法和装置 | |
CN114745674B (zh) | 一种基于改进bp神经网络的测距模型定位算法 |
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 |