CN115357862A - 一种狭长空间中的定位方法 - Google Patents

一种狭长空间中的定位方法 Download PDF

Info

Publication number
CN115357862A
CN115357862A CN202211282950.9A CN202211282950A CN115357862A CN 115357862 A CN115357862 A CN 115357862A CN 202211282950 A CN202211282950 A CN 202211282950A CN 115357862 A CN115357862 A CN 115357862A
Authority
CN
China
Prior art keywords
value
fingerprint
layer
function
model
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.)
Granted
Application number
CN202211282950.9A
Other languages
English (en)
Other versions
CN115357862B (zh
Inventor
毕京学
姚国标
曹鸿基
苏飞
刘耀辉
郑国强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Jianzhu University
Original Assignee
Shandong Jianzhu University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Jianzhu University filed Critical Shandong Jianzhu University
Priority to CN202211282950.9A priority Critical patent/CN115357862B/zh
Publication of CN115357862A publication Critical patent/CN115357862A/zh
Application granted granted Critical
Publication of CN115357862B publication Critical patent/CN115357862B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种狭长空间中的定位方法，分为两个阶段，离线阶段和在线阶段。为方便表述，以狭长空间较窄的方向为x方向，以较长的方向为y方向。离线阶段负责指纹数据采集和处理,分别构建x方向和y方向模型，在线阶段先进行x坐标估计,然后判断x坐标与y方向上哪个模型间的距离最短，并以此模型估计y坐标。对窄方向上的指纹特征利用降噪自动编码器辅助的卷积神经网络进行深度挖掘，对长方向上的指纹特征利用改进粒子群优化的支持向量回归算法进行高维空间建模，并按照一定的策略进行定位估计，能够大幅提高定位精度。

Description

一种狭长空间中的定位方法
技术领域
本发明涉及一种狭长空间中的定位方法，属于空间定位技术领域。
背景技术
指纹定位方法是最常见的室内定位技术之一，通过离线构建指纹库和在线匹配定位实现位置估计。常用的算法有K近邻、贝叶斯推理、神经网络、支持向量机和深度学习等，定位精度约为2-5米，严重阻碍了室内定位技术的快速发展和推广应用。
狭长空间广泛存在于地下空间、GNSS信号拒止环境和室内场景，且具有独特的空间几何特性（即长度较长，宽度较小）。现有室内指纹定位方法多通过地图匹配或路径约束对指纹定位结果进行约束优化，然而由于指纹定位误差较大，此类方法对定位精度的改善并不明显。此外，一些学者利用卷积神经网络对所有方向上的指纹特征进行深度挖掘，但在某一方向上容易产生过拟合现象导致泛化性能较差。上述指纹定位研究都忽略了狭长空间本身的几何特性，没有充分利用各方向上的指纹特征，导致定位误差较大。
发明内容
本发明目的是提供了一种狭长空间中的定位方法，充分利用各方向上的指纹特征，大幅提高定位精度。
本发明为实现上述目的，通过以下技术方案实现：
步骤1：将空间延伸窄的方向作为x方向，将空间延伸长的方向作为y方向，根据x方向和y方向对空间进行网格化，将网格的每个交汇点作为参考点；在同一y方向上所有参考点构成一条路径。
步骤2：沿着每条路径分别在每个参考点处采集一定时间内的指纹信息，并同时保存参考点坐标和路径，未探测到的指纹特征赋值为一个极小的数值，所述极小数值为小于-120的任一数值，并对每个参考点处的指纹信息进行均值处理，对指纹特征数据进行归一化，所述归一化具体公式如下：
Figure 100002_DEST_PATH_IMAGE001
其中，
Figure DEST_PATH_IMAGE002
为第i个特征，
Figure 100002_DEST_PATH_IMAGE003
表示对应的归一化后数值，取值范围为[0,1]，
Figure DEST_PATH_IMAGE004
表示特征数据，
Figure 100002_DEST_PATH_IMAGE005
和
Figure DEST_PATH_IMAGE006
分别表示最小值和最大值函数。
步骤3：选取指纹特征
Figure 100002_DEST_PATH_IMAGE007
与x方向坐标构建和训练x方向降噪自动编码器卷积神经网络模型。
步骤3-1：将指纹特征添加高斯白噪声得到的新指纹特征
Figure DEST_PATH_IMAGE008
作为x方向降噪自动编码器卷积神经网络模型输入，具体公式如下：
Figure 100002_DEST_PATH_IMAGE009
Figure DEST_PATH_IMAGE010
表示高斯白噪声，是取值范围为[-1,1]的正态分布随机数，β为正整数，取值范围为[1,5]。
步骤3-2：通过卷积层最小化输入与重构信号之间的误差对网络参数进行调整，并使编码器得到抗干扰的特征
Figure 100002_DEST_PATH_IMAGE011
。
步骤3-4：将特征
Figure 253338DEST_PATH_IMAGE011
输入卷积神经网络，所述卷积神经网络包括Dropout层、池化层、全连接层、Softmax层和输出层；所述抽象特征通过Dropout层处理忽略部分特征，然后依次经过卷积层与池化层处理，压缩数据和减少参数数量；再通过全连接层进行特征图处理，全连接层中的每个神经元与前一层的所有神经元进行全连接，每个神经元的激活函数均为ReLu函数；最后通过Softmax回归输出x坐标。
步骤4：选取每条路径上对应的指纹特征
Figure DEST_PATH_IMAGE012
与y方向坐标，构建y方向粒子群优化的支持向量回归模型，每个路径对应着一个y方向粒子群优化的支持向量回归模型。
步骤4-1：所述y方向粒子群优化的支持向量回归模型采用ε-SVR，具体公式如下：
Figure 100002_DEST_PATH_IMAGE013
其中，
Figure DEST_PATH_IMAGE014
和
Figure 100002_DEST_PATH_IMAGE015
是拉格朗日乘子，取值范围为[0,C]，C为大于0的惩罚系数
Figure DEST_PATH_IMAGE016
表示第i个样本指纹特征，
Figure 100002_DEST_PATH_IMAGE017
表示第j个样本指纹特征，b表示位移，
Figure DEST_PATH_IMAGE018
表示核函数，具体为径向基函数，所述径向基函数的核宽为
Figure 100002_DEST_PATH_IMAGE019
。
步骤4-2：通过拉格朗日函数和卡罗需-库恩-塔克条件约束模型参数，使
Figure DEST_PATH_IMAGE020
接近y坐标，并最小化损失函数和最大化超平面间隔；具体公式如下：
Figure 691902DEST_PATH_IMAGE021
其中，
Figure DEST_PATH_IMAGE022
是SVR超平面的法向量，
Figure 100002_DEST_PATH_IMAGE023
和
Figure DEST_PATH_IMAGE024
是松弛变量，
Figure 100002_DEST_PATH_IMAGE025
为支持向量回归模型ε-SVR的容忍值，取值范围为[0.01,0.3]。
步骤4-3：采用粒子群优化算法计算参数
Figure DEST_PATH_IMAGE026
；具体公式如下：
Figure 100002_DEST_PATH_IMAGE027
其中，M为粒子群中粒子数目，
Figure DEST_PATH_IMAGE028
和
Figure 100002_DEST_PATH_IMAGE029
表示第i个粒子的参数值，
Figure DEST_PATH_IMAGE030
和
Figure 100002_DEST_PATH_IMAGE031
表示第i个粒子参数
Figure DEST_PATH_IMAGE032
的速度值，
Figure 100002_DEST_PATH_IMAGE033
和
Figure DEST_PATH_IMAGE034
表示粒子的最大速度，
Figure 100002_DEST_PATH_IMAGE035
和
Figure DEST_PATH_IMAGE036
表示粒子的最大位置，
Figure 100002_DEST_PATH_IMAGE037
和
Figure DEST_PATH_IMAGE038
表示最小位置；并且
Figure 100002_DEST_PATH_IMAGE039
；
Figure DEST_PATH_IMAGE040
表示取值为[0,1]的随机函数，
Figure 100002_DEST_PATH_IMAGE041
取值为[-1,1]的随机函数。
步骤4-4：将步骤4-3中得到的
Figure 642278DEST_PATH_IMAGE032
代入支持向量回归模型得到yPSOSVR模型。
步骤5：在空间任意位置实时采集数据，未探测到的数据赋为一个极小的数值，所述极小数值为小于-120的任一数值，构成一组对n维指纹特征，根据步骤2的归一化公式对其进行归一化。
步骤6：利用x方向降噪自动编码器卷积神经网络模型和归一化的n维指纹特征进行x坐标估计，并限制其Dropout层不作用。
步骤7：根据得到的x坐标分别计算其到各路径的距离
Figure DEST_PATH_IMAGE042
，具体公式如下所示：
Figure 100002_DEST_PATH_IMAGE043
式中，
Figure DEST_PATH_IMAGE044
为估算的坐标，
Figure 100002_DEST_PATH_IMAGE045
为第i条路径的坐标。
步骤8：筛选出最小
Figure 647274DEST_PATH_IMAGE042
对应的第i条路径的模型yPSOSVR；利用筛选得到的模型yPSOSVR和归一化的n维指纹特征进行y坐标估计，最终输出估计位置的x和y坐标。
优选的，所述x方向降噪自动编码器卷积神经网络模型其结构依次包含特征数据和噪声、输入层、两个卷积层、抽象特征、两个卷积层和抗噪声干扰的特征数据。
优选的，所述x方向降噪自动编码器卷积神经网络模型的卷积层中每个卷积单元参数通过反向传播算法最佳化得到，每个卷积单元都设置有ReLU激活函数，所述ReLU激活函数具体如下：
Figure DEST_PATH_IMAGE046
其中，
Figure 100002_DEST_PATH_IMAGE047
表示输入的特征。
优选的，所述参数
Figure DEST_PATH_IMAGE048
还可以使用改进的粒子群优化算法计算，具体方式如下：
步骤1：设定粒子群中粒子数目M、最大迭代次数T，以均方误差作为适应度函数，计算第i个粒子第t次迭代的适应度函数值
Figure 100002_DEST_PATH_IMAGE049
；
Figure DEST_PATH_IMAGE050
根据适应度函数值
Figure 100002_DEST_PATH_IMAGE051
计算每一次迭代中的局部最佳适应度函数值
Figure DEST_PATH_IMAGE052
和对应的位置
Figure 100002_DEST_PATH_IMAGE053
，
Figure DEST_PATH_IMAGE054
其中，
Figure 100002_DEST_PATH_IMAGE055
为第i个粒子第t次迭代的位置。
根据适应度函数值计算全局最佳适应度函数值
Figure DEST_PATH_IMAGE056
和对应的位置
Figure 100002_DEST_PATH_IMAGE057
，
Figure DEST_PATH_IMAGE058
其中，
Figure 100002_DEST_PATH_IMAGE059
为小于
Figure DEST_PATH_IMAGE060
的第t次迭代中粒子的索引，
Figure 100002_DEST_PATH_IMAGE061
为第
Figure DEST_PATH_IMAGE062
个粒子第t次迭代的位置。
步骤2：判断迭代次数是否大于设定的最大迭代次数T，如果符合，则将当前计算得到的
Figure 897865DEST_PATH_IMAGE057
作为最终输出的结果；如果不符合，则使用反比例函数和随机函数获得非线性随机衰减惯性权重，并继续步骤3；
Figure 100002_DEST_PATH_IMAGE063
其中，
Figure DEST_PATH_IMAGE064
是非线性随机衰减惯性权重，
Figure 100002_DEST_PATH_IMAGE065
和
Figure DEST_PATH_IMAGE066
的取值范围为[0.4,0.9]；
步骤3：利用得到的惯性权重值、局部最佳适应度函数值对应的位置
Figure 100002_DEST_PATH_IMAGE067
和全局最佳适应度函数值对应的位置
Figure DEST_PATH_IMAGE068
进行粒子更新，即更新粒子的位置和速度，迭代至迭代次数大于设定的最大迭代次数T，输出当前的位置
Figure 100002_DEST_PATH_IMAGE069
。
Figure DEST_PATH_IMAGE070
其中，
Figure 100002_DEST_PATH_IMAGE071
和
Figure DEST_PATH_IMAGE072
表示学习率，取值范围为[0,4]。
优选的，所述粒子数目和最大迭代次数满足如下关系：
Figure 100002_DEST_PATH_IMAGE073
。
本发明的优点在于：本发明将狭长空间分为窄方向和长方向，对窄方向上的指纹特征利用降噪自动编码器辅助的卷积神经网络进行深度挖掘，对长方向上的指纹特征利用改进粒子群优化的支持向量回归算法进行高维空间建模，并按照一定的策略进行定位估计，充分利用了各方向上的指纹特征，能够大幅提高定位精度。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
图1为本发明流程结构示意图。
图2 狭长空间示意图。
图3 降噪自动编码器卷积神经网络模型示意图。
图4 改进粒子群优化的支持向量回归模型示意图。
图5为三种方法的误差累积分布示意图。
图6为三种方法一定范围内定位误差统计示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
一种狭长空间中的定位方法，分为两个阶段，离线阶段和在线阶段，如图1所示。为方便表述，以狭长空间较窄的方向为x方向，以较长的方向为y方向。离线阶段负责指纹数据采集和处理,分别构建x方向和y方向模型，在线阶段先进行x坐标估计,然后判断x坐标与y方向上哪个模型间的距离最短，并以此模型估计y坐标。
具体包括以下步骤，步骤1）~4）为离线阶段，步骤5）~7）为在线阶段：
步骤1）：对狭长空间以一定的间隔进行格网化，如图2所示，位于格网点处的实心点为参考点，同一y方向上的所有参考点构成1条路径，最左边为路径1。由于狭长空间宽度有限，路径数目相对较少。假设图2为4米宽的狭长空间，格网间隔为1米，路径数为5，则从左向右分别为路径1（x=0）、路径2（x=1）、路径3（x=2）、路径4（x=3）和路径5（x=4）。
步骤2）：沿着每条路径分别在每个参考点处采集一定时间内的指纹信息，并同时保存参考点坐标和路径，设狭长空间内指纹特征数为n，样本数为m，未探测到的指纹特征赋值为一个极小的数值，对每个参考点处的指纹信息进行均值处理，得到表1所示的指纹数据集样例。
表1 指纹数据集样例
Figure DEST_PATH_IMAGE074
然后对指纹特征数据选用最大最小归一化函数进行归一化，如公式（1）所示，
Figure DEST_PATH_IMAGE075
为第i个特征，
Figure DEST_PATH_IMAGE076
表示对应的归一化后数值，取值范围为[0,1]，
Figure DEST_PATH_IMAGE077
表示特征数据，
Figure DEST_PATH_IMAGE078
和
Figure DEST_PATH_IMAGE079
分别表示最小值和最大值函数。
Figure DEST_PATH_IMAGE080
（1）
步骤3）：选取n维指纹特征
Figure DEST_PATH_IMAGE081
与第n+1列x坐标构建x方向降噪自动编码器卷积神经网络模型（xDACNN），xDACNN结构如图3所示，包含特征数据和噪声、输入层、卷积层、抽象特征、Dropout层、池化层、全连接层、Softmax层和输出层。
对n维指纹特征添加高斯白噪声得到新的n维指纹特征
Figure DEST_PATH_IMAGE082
，如公式（2）所示，高斯白噪声是均值为0和标准差为1，取值范围为[0,1]的正态分布随机数，用函数
Figure DEST_PATH_IMAGE083
表示，β为正整数，决定了高斯白噪声的取值范围。新的n维指纹特征
Figure 28982DEST_PATH_IMAGE082
作为降噪自动编码器（Denoising Autoencoder, DA）的输入层。
Figure DEST_PATH_IMAGE084
（2）
xDACNN的卷积层由若干卷积单元组成，每个卷积单元的参数通过反向传播算法最佳化得到。为加快训练速度和克服梯度消失，每个卷积层都紧跟着ReLU激活函数，使网络可以非线性表达。ReLu函数如公式（3）所示，获得最大数值。同时，通过最小化输入与重构信号之间的误差对网络参数进行调整，并借助两个卷积层使得编码器（Encoder）得到抗干扰的特征
Figure DEST_PATH_IMAGE085
。
Figure DEST_PATH_IMAGE086
（3）
将特征
Figure 436961DEST_PATH_IMAGE085
输入卷积神经网络（Convolutional Neural Network, CNN）后, 经过Dropout层处理忽略部分特征，保证稀疏性以减少过拟合现象的发生。然后依次经过卷积层与池化层处理，用于压缩数据和减少参数数量。随后紧跟着全连接层进行特征图处理，全连接层中的每个神经元与前一层的所有神经元进行全连接，每个神经元的激活函数均为ReLu函数。最后借助Softmax回归输出x坐标。
步骤4）：分别按照第n+3列路径选取n维指纹特征
Figure DEST_PATH_IMAGE087
与第n+2列y坐标，按照如图4所示，分别构建y方向粒子群优化的支持向量回归模型（yPSOSVR），即每个路径对应着一个yPSOSVR模型。
根据训练样本数据和任意设定的参数可以构建支持向量回归模型，但是这个支持向量回归模型并不一定是最优的，所以借助改进粒子群优化算法为支持向量回归模型选择一组全局最优参数才能构建最优模型。如图4所示，要筛选的全局最优参数为
Figure DEST_PATH_IMAGE088
，改进粒子群优化的支持向量回归模型由两部分组成，支持向量回归和改进粒子群优化。指纹特征与y坐标利用改进粒子群优化得到的
Figure 980069DEST_PATH_IMAGE088
经过支持向量回归模型训练可以得到yPSOSVR模型，该模型可用于后续y坐标估计；改进粒子群优化则需根据指纹特征与y坐标完成粒子初始化，基于初始化后粒子计算每个粒子对应的适应度函数，判断是否符合终止条件，若符合，则将最优参数
Figure 180106DEST_PATH_IMAGE088
向支持向量回归输出，否则利用非线性随机衰减函数计算惯性权重更新粒子，不断迭代直至符合终止条件为止。
选用的支持向量回归（Support Vector Regression，SVR）模型是ε-SVR，如公式（4）所示，其中，
Figure DEST_PATH_IMAGE089
和
Figure DEST_PATH_IMAGE090
是拉格朗日乘子，取值范围为[0,C]，C为大于0的惩罚系数，
Figure DEST_PATH_IMAGE091
表示第i个样本，b表示位移，
Figure DEST_PATH_IMAGE092
表示核函数，在此设为径向基函数（Radial basic function,RBF），如公式（5）所示，
Figure DEST_PATH_IMAGE093
表示RBF的核宽。
Figure DEST_PATH_IMAGE094
（4）
Figure DEST_PATH_IMAGE095
（5）
为了让SVR定位模型具有更高精度，希望模型得到的数值
Figure DEST_PATH_IMAGE096
尽可能地接近y坐标，并最小化损失函数和最大化超平面间隔，如公式（6）所示，
Figure DEST_PATH_IMAGE097
是SVR超平面的法向量，
Figure DEST_PATH_IMAGE098
和
Figure DEST_PATH_IMAGE099
是松弛变量。由拉格朗日函数和卡罗需-库恩-塔克（Karush-Kuhn-Tucker，KKT）条件可求得
Figure 999901DEST_PATH_IMAGE097
和b的最优解。因此，只需设定参数
Figure 550968DEST_PATH_IMAGE088
就可以得到SVR模型。
Figure 694504DEST_PATH_IMAGE021
（6）
使用改进的粒子群优化（Particle Swarm Optimization，PSO）算法能够跳出局部最小值，提高全局搜索能力，加快收敛速度，从而可以快速得到全局最优的参数
Figure 749048DEST_PATH_IMAGE088
。对PSO算法的改进主要体现在两个方面：一是对粒子的速度使用[-1,1]的随机函数确保粒子可以向任意方向移动；二是采用非线性随机衰减惯性权重提高全局寻优能力，避免陷入局部最小值。
在粒子初始化过程中，设定粒子群中粒子数目M、最大迭代次数T，粒子的位置P和速度V分别用
Figure 913313DEST_PATH_IMAGE088
和
Figure DEST_PATH_IMAGE100
来表示，粒子的最大速度分别为
Figure DEST_PATH_IMAGE101
和
Figure DEST_PATH_IMAGE102
，如公式（7）所示。其中，粒子的最大/最小位置分别为
Figure DEST_PATH_IMAGE103
，
Figure DEST_PATH_IMAGE104
，
Figure DEST_PATH_IMAGE105
和
Figure DEST_PATH_IMAGE106
，是预先自定义的数值，在设定最值时可满足
Figure DEST_PATH_IMAGE107
和
Figure DEST_PATH_IMAGE108
的关系，如
Figure DEST_PATH_IMAGE109
取值为100，
Figure 246949DEST_PATH_IMAGE104
取值为0.01，
Figure DEST_PATH_IMAGE110
和
Figure DEST_PATH_IMAGE111
分别表示取值为[0,1]和[-1,1]的随机函数。
Figure DEST_PATH_IMAGE112
（7）
任一初始化后的粒子带入到公式（4）即可得到一个确定的SVR模型，但这一模型不一定是最优的，下面需要借助初始化的粒子、指纹特征与y坐标不断进行适应度函数计算、判断是否符合终止条件、粒子更新等步骤实现最优粒子的筛选，也就是最优参数
Figure DEST_PATH_IMAGE113
的获取。
以均方误差（Mean Squared Error，MSE）为适应度函数，如公式（8）所示，可以计算每一次迭代中每个粒子的适应度函数值
Figure DEST_PATH_IMAGE114
。根据这些适应度函数值可以获得每一次迭代中的局部最佳适应度函数值
Figure DEST_PATH_IMAGE115
和对应的位置
Figure DEST_PATH_IMAGE116
，如公式（9）所示。同时，也可以获得全局最佳适应度函数值
Figure DEST_PATH_IMAGE117
和对应的位置
Figure DEST_PATH_IMAGE118
，如公式（10）所示，
Figure DEST_PATH_IMAGE119
为小于
Figure DEST_PATH_IMAGE120
的第t次迭代中粒子的索引。
Figure DEST_PATH_IMAGE121
（8）
Figure DEST_PATH_IMAGE122
（9）
Figure DEST_PATH_IMAGE123
（10）
终止条件是迭代次数大于设定的最大迭代次数T，如果不符合，则先利用反比例函数和随机函数获得非线性随机衰减惯性权重，如公式（11）所示，
Figure DEST_PATH_IMAGE124
是非线性随机衰减惯性权重，
Figure DEST_PATH_IMAGE125
为0.9，
Figure DEST_PATH_IMAGE126
为0.4，t是迭代次数；然后，利用得到的惯性权重值、局部最佳适应度函数值对应的位置
Figure DEST_PATH_IMAGE127
和全局最佳适应度函数值对应的位置
Figure DEST_PATH_IMAGE128
进行粒子更新，即更新粒子的位置和速度，如公式（12）所示，
Figure 692712DEST_PATH_IMAGE071
和
Figure DEST_PATH_IMAGE129
是取值范围为[0,4]的学习率；如果符合，则将
Figure DEST_PATH_IMAGE130
作为最终输出的结果。
Figure DEST_PATH_IMAGE131
（11）
Figure DEST_PATH_IMAGE132
（12）
于是，可以得到对应图2的 5个模型，yPSOSVR1，yPSOSVR2，yPSOSVR3，yPSOSVR4，yPSOSVR5。
步骤5）：在实验区域内的任意位置实时采集数据，未探测到的数据赋为一个极小的数值，构成一组对n维指纹特征，利用公式（1）对其进行归一化处理。
步骤6）：利用训练得到的xDACNN和归一化的n维指纹特征进行x坐标估计，此时Dropout层不起作用。
步骤7）：根据步骤6）得到的x坐标分别计算到各路径的距离
Figure DEST_PATH_IMAGE133
，如式（13）所示，其中，i对应的是路径的索引，筛选出最小
Figure 352494DEST_PATH_IMAGE133
对应的第i条路径的模型yPSOSVRi。
Figure DEST_PATH_IMAGE134
（13）
步骤8）：利用筛选得到的模型yPSOSVRi和归一化的n维指纹特征进行y坐标估计，最终输出估计位置的x和y坐标。
与现有的两种最先进的指纹定位方法CCpos和SVM进行对比。
CCpos方法将卷积降噪自动编码器和卷积神经网络用于在线阶段，而非离线阶段的模型训练，卷积降噪自动编码器从指纹中提取关键特征，卷积神经网络则使用提取的关键特征进行二维坐标估计。
SVM方法在离线阶段利用指纹对二维坐标分别建立多类分类器，在线阶段分别用于估计坐标。
利用Alcala Tutorial 2017 公共数据集在相同的实验配置下实现了三种定位方法，从图5的误差累积分布曲线中可以看出，本发明定位方法曲线明显高于其他两种方法；从图6的一定范围内定位误差统计可以看出，本发明定位方法的百分比明显高于CCpos方法；表2给出了三种方法百分之25误差、平均绝对误差、百分之75误差、百分之95误差和均方根误差的定位误差统计，除了平均绝对误差之外，本发明定位误差的误差值明显小于其他两种方法，同样可以看出本发明定位方法明显优于其他两种方法。
表2 三种方法定位误差统计（米）
Figure DEST_PATH_IMAGE135
从表2中还可以看出，相比于CCpos方法，本发明定位方法的百分之25误差减小了41.4%，百分之75误差减小了33.6%，百分之95误差减小了39.2%，均方根误差减小了35.7%。
综上所述，本发明提供的降噪自动编码器辅助卷积神经网络及粒子群优化支持向量回归的定位方法可以大幅提高狭长空间下的定位精度。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，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。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种狭长空间中的定位方法，其特征在于，包括以下步骤：
步骤1：将空间延伸窄的方向作为x方向，将空间延伸长的方向作为y方向，根据x方向和y方向对空间进行网格化，将网格的每个交汇点作为参考点；在同一y方向上所有参考点构成一条路径；
步骤2：沿着每条路径分别在每个参考点处采集一定时间内的指纹信息，并同时保存参考点坐标和路径，未探测到的指纹特征赋值为一个极小的数值，所述极小数值为小于-120的任一数值，并对每个参考点处的指纹信息进行均值处理，对指纹特征数据进行归一化，所述归一化具体公式如下：
Figure DEST_PATH_IMAGE001
其中，
Figure 146218DEST_PATH_IMAGE002
为第i个特征，
Figure DEST_PATH_IMAGE003
表示对应的归一化后数值，取值范围为[0,1]，
Figure 609560DEST_PATH_IMAGE004
表示特征数据，
Figure DEST_PATH_IMAGE005
和
Figure 829320DEST_PATH_IMAGE006
分别表示最小值和最大值函数；
步骤3：选取指纹特征
Figure DEST_PATH_IMAGE007
与x方向坐标构建和训练x方向降噪自动编码器卷积神经网络模型；
步骤3-1：将指纹特征添加高斯白噪声得到的新指纹特征
Figure 61718DEST_PATH_IMAGE008
作为x方向降噪自动编码器卷积神经网络模型输入，具体公式如下：
Figure DEST_PATH_IMAGE009
Figure 974311DEST_PATH_IMAGE010
表示高斯白噪声，是取值范围为[-1,1]的正态分布随机数，β为正整数，取值范围为[1,5]；
步骤3-2：通过卷积层最小化输入与重构信号之间的误差对网络参数进行调整，并使编码器得到抗干扰的特征
Figure DEST_PATH_IMAGE011
；
步骤3-4：将特征
Figure 862632DEST_PATH_IMAGE011
输入卷积神经网络，所述卷积神经网络包括Dropout层、池化层、全连接层、Softmax层和输出层；所述抽象特征通过Dropout层处理忽略部分特征，然后依次经过卷积层与池化层处理，压缩数据和减少参数数量；再通过全连接层进行特征图处理，全连接层中的每个神经元与前一层的所有神经元进行全连接，每个神经元的激活函数均为ReLu函数；最后通过Softmax回归输出x坐标；
步骤4：选取每条路径上对应的指纹特征
Figure 276296DEST_PATH_IMAGE012
与y方向坐标，构建y方向粒子群优化的支持向量回归模型，每个路径对应着一个y方向粒子群优化的支持向量回归模型；
步骤4-1：所述y方向粒子群优化的支持向量回归模型采用ε-SVR，具体公式如下：
Figure DEST_PATH_IMAGE013
其中，
Figure 563533DEST_PATH_IMAGE014
和
Figure DEST_PATH_IMAGE015
是拉格朗日乘子，取值范围为[0,C]，C为大于0的惩罚系数
Figure 709344DEST_PATH_IMAGE016
表示第i个样本指纹特征，
Figure DEST_PATH_IMAGE017
表示第j个样本指纹特征，b表示位移，
Figure 84962DEST_PATH_IMAGE018
表示核函数，具体为径向基函数，所述径向基函数的核宽为
Figure DEST_PATH_IMAGE019
；
步骤4-2：通过拉格朗日函数和卡罗需-库恩-塔克条件约束模型参数，使
Figure 443262DEST_PATH_IMAGE020
接近y坐标，并最小化损失函数和最大化超平面间隔；具体公式如下：
Figure DEST_PATH_IMAGE021
其中，
Figure 587935DEST_PATH_IMAGE022
是SVR超平面的法向量，
Figure DEST_PATH_IMAGE023
和
Figure 639068DEST_PATH_IMAGE024
是松弛变量，
Figure DEST_PATH_IMAGE025
为支持向量回归模型ε-SVR的容忍值，取值范围为[0.01,0.3]；
步骤4-3：采用粒子群优化算法计算参数
Figure 501982DEST_PATH_IMAGE026
；具体公式如下：
Figure DEST_PATH_IMAGE027
其中，M为粒子群中粒子数目，
Figure 333147DEST_PATH_IMAGE028
和
Figure DEST_PATH_IMAGE029
表示第i个粒子的参数值，
Figure 660223DEST_PATH_IMAGE030
和
Figure DEST_PATH_IMAGE031
表示第i个粒子参数
Figure 882257DEST_PATH_IMAGE032
的速度值，
Figure DEST_PATH_IMAGE033
和
Figure 232467DEST_PATH_IMAGE034
表示粒子的最大速度，
Figure DEST_PATH_IMAGE035
和
Figure 198149DEST_PATH_IMAGE036
表示粒子的最大位置，
Figure DEST_PATH_IMAGE037
和
Figure 317415DEST_PATH_IMAGE038
表示最小位置；并且
Figure DEST_PATH_IMAGE039
；
Figure 444771DEST_PATH_IMAGE040
表示取值为[0,1]的随机函数，
Figure DEST_PATH_IMAGE041
取值为[-1,1]的随机函数；
步骤4-4：将步骤4-3中得到的
Figure 282277DEST_PATH_IMAGE032
代入支持向量回归模型得到yPSOSVR模型；
步骤5：在空间任意位置实时采集数据，未探测到的数据赋为一个极小的数值，所述极小数值为小于-120的任一数值，构成一组对n维指纹特征，根据步骤2的归一化公式对其进行归一化；
步骤6：利用x方向降噪自动编码器卷积神经网络模型和归一化的n维指纹特征进行x坐标估计，并限制其Dropout层不作用；
步骤7：根据得到的x坐标分别计算其到各路径的距离
Figure 254912DEST_PATH_IMAGE042
，具体公式如下所示：
Figure DEST_PATH_IMAGE043
式中，
Figure 491334DEST_PATH_IMAGE044
为估算的坐标，
Figure DEST_PATH_IMAGE045
为第i条路径的坐标；
步骤8：筛选出最小
Figure 789591DEST_PATH_IMAGE042
对应的第i条路径的模型yPSOSVR；利用筛选得到的模型yPSOSVR和归一化的n维指纹特征进行y坐标估计，最终输出估计位置的x和y坐标。
2.根据权利要求1所述的狭长空间中的定位方法，其特征在于，所述x方向降噪自动编码器卷积神经网络模型其结构依次包含特征数据和噪声、输入层、两个卷积层、抽象特征、两个卷积层和抗噪声干扰的特征数据。
3.根据权利要求1所述的狭长空间中的定位方法，其特征在于，所述x方向降噪自动编码器卷积神经网络模型的卷积层中每个卷积单元参数通过反向传播算法最佳化得到，每个卷积单元都设置有ReLU激活函数，所述ReLU激活函数具体如下：
Figure 707868DEST_PATH_IMAGE046
其中，
Figure DEST_PATH_IMAGE047
表示输入的特征。
4.根据权利要求1所述的狭长空间中的定位方法，其特征在于，所述参数
Figure 15353DEST_PATH_IMAGE048
还可以使用改进的粒子群优化算法计算，具体方式如下：
步骤1：设定粒子群中粒子数目M、最大迭代次数T，以均方误差作为适应度函数，计算第i个粒子第t次迭代的适应度函数值
Figure DEST_PATH_IMAGE049
；
Figure 515736DEST_PATH_IMAGE050
；
根据适应度函数值
Figure DEST_PATH_IMAGE051
计算每一次迭代中的局部最佳适应度函数值
Figure 578369DEST_PATH_IMAGE052
和对应的位置
Figure DEST_PATH_IMAGE053
，
Figure 124888DEST_PATH_IMAGE054
其中，
Figure DEST_PATH_IMAGE055
为第i个粒子第t次迭代的位置，
根据适应度函数值计算全局最佳适应度函数值
Figure 236064DEST_PATH_IMAGE056
和对应的位置
Figure DEST_PATH_IMAGE057
，
Figure 184428DEST_PATH_IMAGE058
其中，
Figure DEST_PATH_IMAGE059
为小于
Figure 87138DEST_PATH_IMAGE060
的第t次迭代中粒子的索引，
Figure DEST_PATH_IMAGE061
为第
Figure 120953DEST_PATH_IMAGE062
个粒子第t次迭代的位置；
步骤2：判断迭代次数是否大于设定的最大迭代次数T，如果符合，则将当前计算得到的
Figure 239082DEST_PATH_IMAGE057
作为最终输出的结果；如果不符合，则使用反比例函数和随机函数获得非线性随机衰减惯性权重，并继续步骤3；
Figure DEST_PATH_IMAGE063
其中，
Figure 41953DEST_PATH_IMAGE064
是非线性随机衰减惯性权重，
Figure DEST_PATH_IMAGE065
和
Figure 118493DEST_PATH_IMAGE066
的取值范围为[0.4,0.9]；
步骤3：利用得到的惯性权重值、局部最佳适应度函数值对应的位置
Figure DEST_PATH_IMAGE067
和全局最佳适应度函数值对应的位置
Figure 905183DEST_PATH_IMAGE068
进行粒子更新，即更新粒子的位置和速度，迭代至迭代次数大于设定的最大迭代次数T，输出当前的位置
Figure DEST_PATH_IMAGE069
；
Figure 92582DEST_PATH_IMAGE070
其中，
Figure DEST_PATH_IMAGE071
和
Figure 343435DEST_PATH_IMAGE072
表示学习率，取值范围为[0,4]。
5.根据权利要求4所述的狭长空间中的定位方法，其特征在于，所述粒子数目和最大迭代次数满足如下关系：
Figure DEST_PATH_IMAGE073
。
CN202211282950.9A 2022-10-20 2022-10-20 一种狭长空间中的定位方法 Active CN115357862B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211282950.9A CN115357862B (zh) 2022-10-20 2022-10-20 一种狭长空间中的定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211282950.9A CN115357862B (zh) 2022-10-20 2022-10-20 一种狭长空间中的定位方法

Publications (2)

Publication Number Publication Date
CN115357862A true CN115357862A (zh) 2022-11-18
CN115357862B CN115357862B (zh) 2023-04-07

Family

ID=84007846

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211282950.9A Active CN115357862B (zh) 2022-10-20 2022-10-20 一种狭长空间中的定位方法

Country Status (1)

Country Link
CN (1) CN115357862B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117872269A (zh) * 2024-03-13 2024-04-12 电子科技大学 一种自适应数据处理的高精度定位方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100106745A1 (en) * 2008-10-23 2010-04-29 Electronics And Telecommunications Research Institute Method and apparatus for generating fingerprint database for wireless location
CN108594170A (zh) * 2018-04-04 2018-09-28 合肥工业大学 一种基于卷积神经网络识别技术的wifi室内定位方法
CN111678513A (zh) * 2020-06-18 2020-09-18 山东建筑大学 一种超宽带/惯导紧耦合的室内定位装置与系统
US20210092611A1 (en) * 2019-09-19 2021-03-25 Colorado State University Research Foundation Security-enhanced Deep Learning Fingerprint-Based Indoor Localization
CN113259883A (zh) * 2021-05-18 2021-08-13 南京邮电大学 一种面向手机用户的多源信息融合的室内定位方法
CN113627606A (zh) * 2020-05-06 2021-11-09 江苏科技大学 一种基于改进粒子群算法的rbf神经网络优化方法
CN114449439A (zh) * 2021-10-29 2022-05-06 国网河北省电力有限公司雄安新区供电公司 一种地下管廊空间的定位方法及装置
CN114859291A (zh) * 2022-07-07 2022-08-05 广东师大维智信息科技有限公司 狭长空间定位方法、计算机可读存储介质及计算机设备

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100106745A1 (en) * 2008-10-23 2010-04-29 Electronics And Telecommunications Research Institute Method and apparatus for generating fingerprint database for wireless location
CN108594170A (zh) * 2018-04-04 2018-09-28 合肥工业大学 一种基于卷积神经网络识别技术的wifi室内定位方法
US20210092611A1 (en) * 2019-09-19 2021-03-25 Colorado State University Research Foundation Security-enhanced Deep Learning Fingerprint-Based Indoor Localization
CN113627606A (zh) * 2020-05-06 2021-11-09 江苏科技大学 一种基于改进粒子群算法的rbf神经网络优化方法
CN111678513A (zh) * 2020-06-18 2020-09-18 山东建筑大学 一种超宽带/惯导紧耦合的室内定位装置与系统
CN113259883A (zh) * 2021-05-18 2021-08-13 南京邮电大学 一种面向手机用户的多源信息融合的室内定位方法
CN114449439A (zh) * 2021-10-29 2022-05-06 国网河北省电力有限公司雄安新区供电公司 一种地下管廊空间的定位方法及装置
CN114859291A (zh) * 2022-07-07 2022-08-05 广东师大维智信息科技有限公司 狭长空间定位方法、计算机可读存储介质及计算机设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
MENG SUN: "Geomagnetic Positioning-Aided Wi-Fi FTM Localization Algorithm for NLOS Environments", 《IEEE COMMUNICATIONS LETTERS》 *
杨雪苗: "狭长空间中基于测距的定位算法研究", 《中国优秀硕士学位论文全文数据库》 *
毕京学: "全向指纹和Wi-Fi感知概率的WKNN定位方法", 《测绘科学》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117872269A (zh) * 2024-03-13 2024-04-12 电子科技大学 一种自适应数据处理的高精度定位方法

Also Published As

Publication number Publication date
CN115357862B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN112801404B (zh) 一种基于自适应空间自注意力图卷积的交通预测方法
CN111666836B (zh) M-f-y型轻量化卷积神经网络的高分辨率遥感影像目标检测方法
CN111292525B (zh) 基于神经网络的交通流预测方法
CN112988723A (zh) 一种基于空间自注意力图卷积循环神经网络的交通数据修复方法
WO2023115598A1 (zh) 一种基于生成式对抗网络的平面叶栅定常流动预测方法
CN113408392B (zh) 基于卡尔曼滤波和神经网络的航迹补全方法
CN110942194A (zh) 一种基于tcn的风电预测误差区间评估方法
CN116937579B (zh) 一种考虑时空相关性的风电功率区间预测及其可解释方法
CN111815033A (zh) 一种基于rcnn和气象时序特征的海上风电功率预测方法
CN114936620B (zh) 基于注意力机制的海表面温度数值预报偏差订正方法
CN113705877A (zh) 基于深度学习模型的实时月径流预报方法
CN108596327A (zh) 一种基于深度学习的地震速度谱人工智能拾取方法
CN111445498A (zh) 一种采用Bi-LSTM神经网络的目标跟踪方法
CN111047078B (zh) 交通特征预测方法、系统及存储介质
CN115099461A (zh) 基于双分支特征提取的太阳辐射预测方法及系统
CN116702627B (zh) 一种基于深度卷积神经网络的城市暴雨内涝快速模拟方法
CN113947182B (zh) 基于双阶段堆叠图卷积网络的交通流预测模型构建方法
CN112257847A (zh) 一种基于CNN和LSTM预测地磁Kp指数的方法
CN115357862B (zh) 一种狭长空间中的定位方法
CN112859898A (zh) 一种基于双通道双向神经网络的飞行器轨迹预测方法
CN115828990A (zh) 融合自适应图扩散卷积网络的时空图节点属性预测方法
CN114814776B (zh) 基于图注意力网络和迁移学习的pd雷达目标检测方法
CN115694985A (zh) 基于tmb的混合网络流量攻击预测方法
CN118227979B (zh) 一种基于改进卷积神经网络利用热带太平洋次表层海温异常的预测enso方法
CN118009990B (zh) 一种基于Transformer模型的高精度潮位实时预报方法

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
GR01 Patent grant
GR01 Patent grant