CN115426710A - 一种面向室内指纹定位的稀疏特征补全方法 - Google Patents

Abstract

一种面向室内指纹定位的稀疏特征补全方法，涉及室内定位，针对实际定位过程中移动终端获取特征稀疏的问题，提出了一种补全的方法，具体的，通过最近邻(NearestNeighbor，NN)算法对比指纹数据库中所有的参考点的指纹，找到距离最近的点，通过生成对抗网络(Generative Adversarial Network，GAN)模型学习该点的特征分布情况，预测定位点的缺失指纹。本申请解决了基于多源信息融合的在线定位时由于设备异构或是硬件不支持等原因导致的部分信号特征缺失的问题，提高了定位精度。

Description

一种面向室内指纹定位的稀疏特征补全方法

技术领域

本发明属于室内定位领域，涉及一种面向室内指纹定位的稀疏特征补全方法。

背景技术

近年来，建筑物除了向空中延伸，也向地下延伸，除了在垂直空间扩展，水平空间的扩展规模也是越来越大，如何在广阔的室内空间准确的定位已成新一代社交应用的研究重点，应用于室内导航、详细客流统计、精确广告推送、客户行为分析和商场O2O应用、微信摇一摇周边、停车场反向寻车等。显然，卫星定位导航这种室外定位技术很难应用在这种场景，因为其信号容易受到建筑物的干扰，并且精准度和功耗等方面难以满足室内定位的需求。利用移动设备获取多种无线信号的室内融合定位服务引起了广泛关注，融合定位是指融合多种定位技术、多传感器的信息进行综合定位，以达到优势互补，提高定位精度、鲁棒性，降低定位成本。不管是WIFI、蓝牙、4G、5G、FM或者是地磁，因为室内和室外环境不一样，室内环境相对复杂，不同的场所特征完全不一样，目前来看单一技术无法同时满足精度、部署、成本这些需要的，融合定位必将成为室内定位的发展方向。

由于手机等智能终端设备的普及，并且内置丰富的高精度和可靠的传感器，基于群智感知的室内融合定位越来越成为大家关注及研究的热点之一。但是考虑到移动设备的异构性与硬件设置的局限性，在线室内融合定位系统实施时会出现各种问题，如传感器故障或是硬件设备限制导致的信号数据缺失或不完整，以致无法为用户准确定位。现有的基于特征的缺失值补全方案大都是基于数据集建立的，所以，亟需开发一套可以在线补全缺失数据的方案，以在线补全丢失的或是移动终端无法得到的信号数据，构建兼具可靠性和稳健性的实时定位系统。

发明内容

本发明要解决室内在线定位时，移动端设备异构或硬件限制导致信号指纹特征缺失的问题，提供了一种面向室内指纹定位的稀疏特征补全方法，通过填补信号缺失的指纹特征实现校准定位的目的，提高了定位精度。

本发明在定位特征值缺失时，根据终端已有数据通过最邻近算法找到数据库中特征相似的参考点，利用生成对抗网络(Generative Adversarial Network，GAN)学习高维复杂真实数据的概率分布，从而预测出定位点的缺失特征值，利用该预测值再定位实现在线实时矫正定位，减小定位误差。

本发明实现上述发明目的所采用的技术方案如下：

一种面向室内指纹定位的稀疏特征补全方法，包括以下步骤：

步骤1：获取定位点处待补全信号的指纹，将该指纹与指纹数据库进行对比，通过KNN算法找到指纹库中距离最近的K个参考点；

步骤2：获取定位点处特征较完整的另一种信号的指纹，将该指纹与步骤1得到的K个参考点处的指纹进行对比，通过NN算法找到距离最近的1个参考点；

步骤3：从指纹库中获取步骤2得到的参考点处的待补全信号的指纹，剔除对应定位点处已有特征的指纹，然后，通过生成对抗网络(Generative Adversarial Network，GAN)提取剩余指纹的特征，学习该指纹特征的分布，然后利用训练好的生成网络重建指纹；

步骤4：将重建后的指纹与步骤1获取的定位点处待补全信号的指纹进行拼接，输入定位算法，计算定位误差，将其与补全前的定位误差进行比较，验证重建指纹的有效性。

优选的，所述步骤1包括：

步骤1.1：建立的指纹数据库中包含多种类型的信号以及n个定位参考点，此处用到的两种信号记为S1、S2，信号S1在指纹库中各参考点的指纹特征向量集合表示为{X₁，X₂，…，X_i，...，X_n}，在各个参考点处的信号S1的指纹特征个数为m₁，则第i个参考点处的信号S1的指纹特征向量表示为

信号S2在指纹库中的指纹特征向量集合表示为{Y₁，Y₂，…，Y_i，…，Y_n}，在各个参考点处的信号S2指纹特征个数为m₂，则第i个参考点处的信号S2的指纹特征向量表示为

假设在线定位时，移动终端只获得信号S1的部分指纹特征，则S1为待补全信号，假设移动终端仅获得前m(m<m₁)维指纹特征数据，记为向量X′＝(x′₁，x′₂，...，x′_m)；获得信号S2的完整指纹特征数据，记为

步骤1.2：获取定位点待补全信号S1的指纹特征，记为向量X′，因为数据集中包含了信号S1完整的指纹特征信息，所以X′作为数据集的子集，一定能够在数据集中找到相对应的特征；

X′＝(x′₁，x′₂，...，x′_m) ⑴

步骤1.3：获取指纹数据库中特征对应X′的所有参考点的指纹特征，即指纹数据库中所有参考点处信号S1的前m维指纹特征，第i个参考点处的信号S1的前m维指纹特征向量记为

步骤1.4：分别计算X′与

的欧式距离：

此处K的取值没有特殊要求，不宜过小，可根据数据集的大小进行选择。

步骤1.5：选取前K个距离最小的点，即为候选点。

优选的，所述步骤2包括：

步骤2.1：获取定位点处信号S2的指纹特征，记为向量Y′；

Y′＝{y′_j|j＝1,2,....,m₂} ⑷

步骤2.2：从指纹数据库中获取这K个候选点处S2的指纹特征，记为向量Y_i：

Y_i＝{y_i,j|i＝1,2,....,K,j＝1,2,....,m₂)} ⑸

步骤2.3：分别计算Y′与Y_i的欧氏距离：

步骤2.4：选取距离最小的候选点，即为最相似点。

优选的，所述步骤3包括：

步骤3.1：获取最相似点处信号S1的所有指纹特征，记为向量

将该点处信号S1的前m维指纹特征提取出来,则经提取后剩下的特征记为(m₁-m)维向量，记为

步骤3.2：根据高斯分布的随机噪声生成(m₁-m)维向量Z；

Z＝{z_j|j＝1,....,(m₁-m)} ⑺

步骤3.3：判别器采用卷积神经网络结构，训练判别器D，固定生成器，将

作为判别器输入，将Z作为生成器输入，使判别器将判别器输入判别为真，将生成器生成数据判别为假，通过区分输入与重建指纹来优化判别网络，为简化式子，输入

用x表示；

步骤3.4：生成网络采用自编码器结构，生成器G由编码器G_E和解码器G_D两部分组成，训练生成器G，固定判别器，通过最小化输入与重建指纹的差异来优化生成器G，为简化式子，输入用x表示；

步骤3.5：经过多轮训练判别器和生成器，使得判别器判别生成器生成数据为真的概率最大，即求⑽的最优解；

步骤3.6：最后，训练好的生成器G输出的(m₁-m)维向量即为重建指纹，记为Z′；

Z′＝{z′_j|j＝1,....,(m₁-m)} ⑾

优选的，所述步骤4包括：

步骤4.1：将最终生成的(m₁-m)维向量Z′与X′拼接，再与信号S2输入训练好的定位模型进行融合定位；

步骤4.2：将该定位结果与X′和信号S2融合定位得到的定位结果进行比较，若进行特征值补全后的定位误差减小，则该特征值补全方案是可行的。

本发明的优点是：可以解决群智感知定位时，由于移动终端设备硬件的局限性或是其它原因导致的信号特征值丢失问题，特别是现有移动端软件获取的信号特征有限，比如移动终端只能得到两三个4G/5G频段的强度信息，特征数量太少，无法为我们提供充足定位的数据。通过生成对抗网络(Generative Adversarial Network，GAN)，可以简单的从潜在空间中推断出指纹的特征分布，生成同分布的指纹数据，用于在线定位时补全缺失的特征值，减小定位误差，提高定位精度。

附图说明

图1是本发明方法的流程图；

图2是本发明对抗网络的模型框架示意图。

具体实施方案

本发明针对在线定位阶段移动端信号特征值缺失导致定位误差较大的问题，提出了一种面向室内指纹定位的稀疏特征补全方法。如图1所示，本发明通过NN算法找到数据集中的最相似的参考点，以此作为基准特征，使用生成对抗网络预测不完整的信号数据，以补全信号特征值。

本发明实现上述发明目的所采用的技术方案如下：

一种面向室内指纹定位的稀疏特征补全方法，以4G信号和WiFi信号为例，包括以下步骤：

步骤1：获取定位点处4G信号的指纹，将该指纹与指纹数据库进行对比，通过KNN算法找到指纹库中距离最近的K个参考点；

步骤2：获取定位点处WiFi信号的指纹，将该指纹与步骤1得到的K个参考点处的指纹进行对比，通过NN算法找到距离最近的1个参考点；

步骤3：从指纹库中获取步骤2得到的参考点处的4G信号的指纹，剔除对应定位点处已有特征的指纹，然后，通过生成对抗网络(Generative Adversarial Network，GAN)提取剩余指纹的特征，学习该指纹特征的分布，然后利用训练好的生成网络重建指纹；

步骤4：将重建后的指纹与步骤1获取的定位点处待补全信号的指纹进行拼接，输入定位算法，计算定位误差，将其与补全前的定位误差进行比较，验证重建指纹的有效性。

步骤1具体包括：

步骤1.1：建立的指纹数据库中包含多种类型的信号以及n个定位参考点，4G信号在指纹库中的指纹特征向量集合表示为{X₁，X₂，…，Xi，...，X_n}，在各个参考点处的4G信号的指纹特征个数为m₁，则第i个参考点处的4G信号的指纹特征向量表示为

WiFi信号在指纹库中的指纹特征向量集合表示为{Y₁，Y₂，…，Y_i，…，Y_n}，在各个参考点处的WiFi信号指纹特征个数为m₂，则第i个参考点处的WiFi信号的指纹特征向量表示为

在数据集中随机选取几个参考点作为测试集，剩下的参考点作为训练集，获取测试点任意m(m<m₁)维4G指纹特征数据，记为向量X′＝(x′₁，x′₂，...，x′_m)；获得WiFi信号的完整指纹特征数据，记为

步骤1.2：获取测试点处4G信号的m(m<m₁)，m为自定义的一个随机数)维指纹特征，记为向量X′，因为数据集中包含了4G信号完整的指纹特征信息，所以X′作为数据集的子集，一定能够在数据集中找到相对应的特征；

X′＝(x′₁，x′₂，...，x′_m) ⑴

步骤1.3：获取指纹训练集中所有参考点处4G信号特征对应X′的指纹特征，第i个参考点处的4G信号的m维指纹特征向量记为

步骤1.4：分别计算X′与

的欧式距离：

此处K的取值没有特殊要求，不宜过小，可根据数据集的大小进行选择；

步骤1.5：选取前K个距离最小的点，即为候选点。

步骤2具体包括：

步骤2.1：获取定位点处WiFi信号的指纹特征，记为向量Y′；

Y′＝{y′_j|j＝1,2,....,m₂} ⑷

步骤2.2：从指纹数据库中获取这K个候选点处WiFi信号的指纹特征，记为向量Y_i：

Y_i＝{y_i,m|i＝1,2,....,K,j＝1,2,....m₂)} ⑸

步骤2.3：分别计算Y′与Y_i的欧氏距离：

步骤2.4：选取距离最小的候选点，即为最相似点。

步骤3具体包括：

步骤3.1：获取最相似点处4G信号的指纹，记为向量

将该点处4G信号对应测试点的m维指纹特征提取出来,则经提取后剩下的特征记为(m₁-m)维向量，记为

步骤3.2：根据高斯分布的随机噪声生成(m₁-m)维向量Z；

Z＝{z_j|j＝1,....,(m₁-m)} ⑺

步骤3.3：判别器采用卷积神经网络结构，训练判别器D，固定生成器，将

作为判别器输入，将Z作为生成器输入，使判别器将判别器输入判别为真，将生成器生成数据判别为假，通过区分输入与重建指纹来优化判别网络，为简化式子，输入

用x表示；

步骤3.4：生成网络采用自编码器结构，生成器G由编码器G_E和解码器G_D两部分组成，训练生成器G，固定判别器，通过最小化输入与重建指纹的差异来优化生成器G，为简化式子，输入用x表示；

步骤3.5：经过多轮训练判别器和生成器，使得判别器判别生成器生成数据为真的概率最大，即求⑽的最优解；

步骤3.6：最后，训练好的生成器G输出的(m₁-m)维向量即为重建指纹，记为Z′；

Z′＝{z′_j|j＝1,....,(m₁-m)} ⑾

步骤4具体包括：

步骤4.1：评估该特征值补全方案的性能，本发明实验采用的数据集是本人制作的关于信号频段强度的数据集，指纹库中参考点个数n＝144，4G信号的指纹大小m₁＝2000，WiFi信号的指纹大小m₂＝122，补全信号为4G，另一种指纹特征较完整的信号选取WiFi，从数据集任意选取几个参考点作为测试集，其余参考点作为训练集，通过随机抽取测试点处4G信号的m维指纹特征，m随机设置为远小于m₁的整数，模拟在线定位时的稀疏指纹特征；

步骤4.2：将最终生成的(m₁-m)维向量Z′与X′拼接，再与WiFi信号输入训练好的定位模型进行融合定位；

步骤4.3：将该定位结果与X′和WiFi信号融合定位得到的定位结果进行比较，发现特征值补全后的定位误差减小了，即该特征值补全方案是可行的。

由于移动设备终端的普及，基于群智感知的室内定位早已成为室内定位的研究热点，但是群智感知定位的实现仍存在许多问题，特别是基于机会信号的融合定位，如何充分利用空间中的多种机会信号比如4G/5G。APP只能得到4G/5G等信号的某几个频段的信息，因此无法用于定位，要利用这类信号进行高精度定位就需要得到更多频段的信息，所以我们通过建立指纹数据库，根据指纹数据库里参考点的指纹空间特征，填补我们手机移动终端无法得到的信息，以此来提高定位精度。

本说明书实施例所述的内容仅仅是对发明构思实现形式的某种举例，本发明的保护范围不应当被视为仅限于实施例所述的具体形式，本发明的保护范围也涉及本领域技术人员根据本发明构思所能想到的同等技术手段。

Claims (5)

1.一种面向室内指纹定位的稀疏特征补全方法，其特征在于：通过最邻近(NearestNeighbor，NN)算法对比指纹数据库，找到一个最相近点，再利用生成对抗网络(Generative Adversarial Network，GAN)对信号的特征缺失部分进行填补，具体地，包括以下步骤：

步骤1：获取定位点处待补全信号的指纹，将该指纹与指纹数据库进行对比，通过KNN算法找到指纹库中距离最近的K个参考点；

步骤2：获取定位点处另一种信号的指纹，将该指纹与步骤1得到的K个参考点处的指纹进行对比，通过NN算法找到距离最近的1个参考点；

步骤3：从指纹库中获取步骤2得到的参考点处的待补全信号的指纹，剔除对应定位点处已有特征的指纹，然后，通过生成对抗网络(Generative Adversarial Network，GAN)提取剩余指纹的特征，学习该指纹特征的分布，然后利用训练好的生成网络重建指纹；

步骤4：将重建后的指纹与步骤1获取的定位点处待补全信号的指纹进行拼接，输入定位算法，计算定位误差，将其与补全前的定位误差进行比较，验证重建指纹的有效性。

2.如权利要求1所述的面向室内指纹定位的稀疏特征补全方法，其特征在于：所述步骤1包括：

步骤1.1：建立的指纹数据库中包含多种类型的信号以及n个定位参考点，此处用到的两种信号记为S1、S2，信号S1在指纹库中的指纹特征向量集合表示为{X₁，X₂，…，X_i，...，X_n}，在各个参考点处的信号S1的指纹特征个数为m₁，则第i个参考点处的信号S1的指纹特征向量表示为

信号S2在指纹库中的指纹特征向量集合表示为{Y₁，Y₂，…，Y_i，…，Y_n}，在各个参考点处的信号S2指纹特征个数为m₂，则第i个参考点处的信号S2的指纹特征向量表示为

假设在线定位时，移动终端只获得信号S1的部分指纹特征，则S1为待补全信号，假设移动终端仅获得前m(m<m₁)维指纹特征数据，记为向量X′＝(x′₁，x′₂，...，x′_m)；获得信号S2的完整指纹特征数据，记为

步骤1.2：获取定位点待补全信号S1的指纹特征，记为向量x′，因为数据集中包含了信号S1完整的指纹特征信息，所以X′作为数据集的子集，一定能够在数据集中找到相对应的特征；

X′＝(x′₁，x′₂，...，x′_m) ⑴

步骤1.3：获取指纹数据库中特征对应X′的所有参考点的指纹特征，即指纹数据库中所有参考点处信号S1的前m维指纹特征，第i个参考点处的信号S1的前m维指纹特征向量记为

步骤1.4：分别计算X′与

的欧式距离：

此处K的取值没有特殊要求，不宜过小，可根据数据集的大小进行选择；

步骤1.5：选取前K个距离最小的点，即为候选点。

3.如权利要求1所述的面向室内指纹定位的稀疏特征补全方法，其特征在于：所述步骤2包括：

步骤2.1：获取定位点处信号S2的指纹特征，记为向量Y′；

Y′＝{y′_j|j＝1,2,....,m₂} ⑷

步骤2.2：从指纹数据库中获取这K个候选点处S2的指纹特征，记为向量Y_i：

Y_i＝{y_i,j|i＝1,2,....,K,j＝1,2,....,m₂)} ⑸

步骤2.3：分别计算Y′与Y_i的欧氏距离：

步骤2.4：选取距离最小的候选点，即为最相似点。

4.如权利要求1所述的面向室内指纹定位的稀疏特征补全方法，其特征在于：所述步骤3包括：

步骤3.1：获取最相似点处信号S1的所有指纹特征，记为向量

将该点处信号S1的前m维指纹特征提取出来,则经提取后剩下的特征记为(m₁-m)维向量，记为

步骤3.2：根据高斯分布的随机噪声生成(m₁-m)维向量Z；

Z＝{z_j|j＝1,....,(m₁-m)} ⑺

步骤3.3：判别器采用卷积神经网络结构，训练判别器D，固定生成器，将

作为判别器输入，将Z作为生成器输入，使判别器将判别器输入判别为真，将生成器生成数据判别为假，通过区分输入与重建指纹来优化判别网络，为简化式子，输入

用x表示；

步骤3.4：生成网络采用自编码器结构，生成器G由编码器G_E和解码器G_D两部分组成，训练生成器G，固定判别器，通过最小化输入与重建指纹的差异来优化生成器G，为简化式子，输入用x表示；

步骤3.5：经过多轮训练判别器和生成器，使得判别器判别生成器生成数据为真的概率最大，即求⑽的最优解；

步骤3.6：最后，训练好的生成器G输出的(m₁-m)维向量即为重建指纹，记为Z′。

Z′＝{z′_j|j＝1,....,(m₁-m)} ⑾

5.如权利要求1所述的面向室内指纹定位的稀疏特征补全方法，其特征在于：所述步骤4包括：

步骤4.1：将最终生成的(m₁-m)维向量Z′与X′拼接，再与信号S2输入训练好的定位模型进行融合定位；

步骤4.2：将该定位结果与X′和信号S2融合定位得到的定位结果进行比较，进行特征值补全后的定位误差减小，即该特征值补全方案是可行的。

Images