CN116233747A - 一种基于迁移学习更新指纹库的ble定位方法、装置 - Google Patents

一种基于迁移学习更新指纹库的ble定位方法、装置 Download PDF

Info

Publication number
CN116233747A
CN116233747A CN202310222422.2A CN202310222422A CN116233747A CN 116233747 A CN116233747 A CN 116233747A CN 202310222422 A CN202310222422 A CN 202310222422A CN 116233747 A CN116233747 A CN 116233747A
Authority
CN
China
Prior art keywords
fingerprint library
time
positioning
model
rss data
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
CN202310222422.2A
Other languages
English (en)
Other versions
CN116233747B (zh
Inventor
王惠兵
张舜卿
宋海燕
蒋鹏良
吴达
卫伟
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.)
Jiangsu Hengxin Technology Co Ltd
Original Assignee
Jiangsu Hengxin Technology Co Ltd
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 Jiangsu Hengxin Technology Co Ltd filed Critical Jiangsu Hengxin Technology Co Ltd
Priority to CN202310222422.2A priority Critical patent/CN116233747B/zh
Publication of CN116233747A publication Critical patent/CN116233747A/zh
Application granted granted Critical
Publication of CN116233747B publication Critical patent/CN116233747B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2228—Indexing structures
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • 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
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/80—Services using short range communication, e.g. near-field communication [NFC], radio-frequency identification [RFID] or low energy communication
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Collating Specific Patterns (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于迁移学习更新指纹库的BLE定位方法，保证了模型的定位精度以及系统的鲁棒性，同时减少了离线开销，在至少两个时间点下，采集定位区域内不同位置处的RSS数据，形成不同时间点下的位置指纹库；基于高斯混合模型拟合位置指纹库中的RSS数据；基于深度迁移学习网络构建深度学习映射模型；深度学习映射模型能够获取位置指纹库中RSS数据关于时间的映射关系以及采用高斯混合模型表示的RSS数据的模型参数；在定位时刻，基于位置指纹库中RSS数据关于时间的映射关系以及高斯混合模型的模型参数更新位置指纹库；采用KNN算法，基于定位时刻测量得到的RSS和更新的位置指纹库计算得到的测量点的位置。

Description

一种基于迁移学习更新指纹库的BLE定位方法、装置
技术领域
本发明涉及室内定位技术领域，具体涉及一种基于迁移学习更新指纹库的BLE定位方法。
背景技术
近年来，人们对于室内定位技术展开了大量的研究工作。常见的基于BLE的室内定位技术一般有RSS(Received signal strength)测距定位和位置指纹法等。RSS测距方法受多径效应影响比较大。为了得到较好的室内定位的结果，位置指纹法在所有的定位方法中脱颖而出，虽然基于位置指纹定位的方法需要收集大量的测试样本且受环境的影响较大，并且构建位置指纹法的过程需要消耗一定的人力和物力，但是定位结果的精度相对较高。位置指纹可以是多种类型的，任何“位置独特”的特征都能作为一个位置指纹，比如接收的信号强度指示(RSS)、参考信号接收功率(RSRP)、信道状态信息(CSI)等。位置指纹定位一般按照训练(离线)阶段到定位(在线)阶段的步骤进行。在训练阶段，需要通过算法建立位置指纹定RSS和室内参考点(RP)之间的映射关系，常见的算法主要有NN(Nearest Neighbor)、K近邻法(KNN)、贝叶斯分类器和深度学习算法等。
BLE定位系统目前已经被应用于高精度定位，但是BLE受多径效应等环境因素影响较大，导致指纹库的鲁棒性降低。随着深度迁移学习的推广，根据信号的相关性在时域上构建新的指纹库的思路为室内高精度提高了新的思路。然而，传统的神经网络虽然可以提高定位精度以及降低工作量，但是环境变化导致接收信号强度(RSS)波动，从而引起指纹库中的数据变化的问题依旧没有解决。
现有技术中，Zhang Y,Wu C,Chen Y发表了《A low-overhead indoorpositioning system using csi fingerprint based on transfer learning》的文章，其中提出了一种基于改进的TrAdaboos迁移学习的室内定位。首先对原始的CSI(ChannelState Information)相位进行相位校正，建立源域和目标域相结合的指纹库，消除相位偏移后的CSI相位作为指纹特征。然后使用One-vs-Rest算法和One-Hot编码，可以实现TrAdaBoost算法的多分类能力。同时，利用修正因子对算法的迭代过程进行优化。此外，利用置信回归得到最终的估计位置。
但其实际应用过程中，仍然会出现不少问题。具体说明如下：
1、鲁棒性：该技术中的定位特征较少，但是时域和空域上通过迁移学习算法的训练，并没有较显著的定位效果，所以鲁棒性并不是很高。
2、定位精度：该技术中主要强调低开销，因此采集的定位特征较少，从而造成定位精度并不理想。
发明内容
针对上述问题，本发明提供了一种基于迁移学习更新指纹库的BLE定位方法，利用时域上RSS数据的相似性，基于深度迁移学习网络的获取不同时间的RSS之间的映射关系，从而更新目标域的指纹库，保证了模型的定位精度以及系统的鲁棒性，同时减少了离线开销。
其技术方案是这样：一种基于迁移学习更新指纹库的BLE定位方法，其特征在于，包括以下步骤：
步骤1：在至少两个时间点下，采集定位区域内不同位置处的RSS数据，形成不同时间点下的位置指纹库；
步骤2：基于高斯混合模型拟合位置指纹库中的RSS数据；
步骤3：基于深度迁移学习网络构建深度学习映射模型；将采集的不同时间点下的位置指纹库输入深度学习映射模型进行训练，直至模型收敛，获得训练好的深度学习映射模型，所述深度学习映射模型能够获取位置指纹库中RSS数据关于时间的映射关系以及采用高斯混合模型表示的RSS数据的模型参数；
步骤4：在定位时刻，基于位置指纹库中RSS数据关于时间的映射关系以及高斯混合模型的模型参数，更新位置指纹库；
步骤5：采用KNN算法，基于定位时刻测量得到的RSS和更新的位置指纹库计算得到的测量点的位置。
进一步的，在步骤1中，在定位区域
Figure BDA0004117241790000021
设置NRP个栅格区域作为参考点，采用BLE作为接入点，使用蓝牙抓包器和电脑抓取RSS数据，通过/>
Figure BDA0004117241790000022
表示在时间t下位置Lm处接收Ni个BLE的矢量信号，接收信号强度RSS数据/>
Figure BDA0004117241790000023
通过BLE矢量信号的相乘进行表示，用公式表示为r(Lm，t)＝y(Lm，t)⊙y*(Lm，t)；对采集的RSS数据进行位置标注，位置指纹库表示为：
Figure BDA0004117241790000031
其中，DBt表示时间t下的位置指纹库。
进一步的，在步骤2中，基于K阶高斯混合模型来拟合接收信号强度RSS数据，接收信号强度RSS数据的服从高斯分布，表示为：
Figure BDA0004117241790000032
其中，
Figure BDA0004117241790000033
表示为通过K阶高斯混合模型表示的接收信号强度RSS数据，ak(t)表示高斯分布中每个部分对应的权重，μk(t)表示均值，∑k(t)表示方差，CRSS表示构建高斯混合模型的一个常数，N(·)表示均值为μk(t)方差为∑k(t)的单高斯分布，且有
Figure BDA0004117241790000034
进一步的，在步骤3中，基于深度适配网络构建深度学习映射模型，将采集的两个不同时间下的位置指纹库输入深度学习映射模型进行训练，通过最小化位置指纹库的最大均值差异得到映射函数Φ(·)，用公式表示为：
Figure BDA0004117241790000035
/>
Figure BDA0004117241790000036
Figure BDA0004117241790000037
i，j∈(1，...，NRP)
其中，
Figure BDA0004117241790000038
表示最小化T1和T2时间下位置指纹库的最大均值差异，
Figure BDA0004117241790000039
和/>
Figure BDA00041172417900000310
表示通过深度学习映射模型推理得到的RSS数据与实际RSS数据相等，进而得到映射函数Φ(·)，映射函数Φ(·)用于表示位置指纹库中RSS数据关于时间的映射关系，同时获得高斯混合模型中的模型参数。
进一步的，在步骤3中训练深度学习定位模型时，采用联合损失函数，联合损失函数包括交叉熵损失函数和自适应最大均值差异的损失函数，利用ReLU和Adam优化器对深度学习定位模型的参数进行训练，最小化整个联合损失函数来优化模型中的参数，联合损失函数表示为：
Figure BDA0004117241790000041
其中，
Figure BDA0004117241790000042
为联合损失函数，/>
Figure BDA0004117241790000043
为交叉熵损失函数，/>
Figure BDA0004117241790000044
为自适应最大均值差异的损失函数，ζ∈(0，1)是平衡分类与差异损失函数之间重要比例的权重参数，gip表示实际标签向量组的第i个网格区域的归一化概率，/>
Figure BDA0004117241790000045
表示估计的一组归一化概率。
进一步的，在步骤4中，定位时刻的位置指纹库表示为：
Figure BDA0004117241790000046
Figure BDA0004117241790000047
其中Φ(·)表示从T1和T2时间的位置指纹库
Figure BDA0004117241790000048
和/>
Figure BDA0004117241790000049
学习到的位置指纹库中RSS数据关于时间的映射函数，基于映射函数Φ(·)更新定位时刻T3下位置指纹库中每个参考点处的RSS数据，进而得到更新的定位时刻T3的指纹库/>
Figure BDA00041172417900000410
进一步的，在步骤5中，采用KNN算法，基于实时测量得到的RSS计算得到测量点的位置，表示为：
Figure BDA00041172417900000411
Figure BDA00041172417900000412
其中，r(Lm，T3)表示T3时间下测量点的RSS数据，
Figure BDA00041172417900000413
为估计位置，/>
Figure BDA00041172417900000414
表示标准KNN定位算法，/>
Figure BDA00041172417900000415
为更新得到的定位时刻T3时间的指纹库。
进一步的，定位时刻T3与采集RSS数据的时间T1、T2满足T2-T1＞＞T3-T2。
一种计算机装置，其特征在于，其包括：包括处理器、存储器以及程序；
所述程序存储在所述存储器中，所述处理器调用存储器存储的程序，以执行上述的基于迁移学习更新指纹库的BLE定位方法。
一种计算机可读存储介质，其特征在于：所述计算机可读存储介质用于存储程序，所述程序用于执行上述的基于迁移学习更新指纹库的BLE定位方法。
本发明通过采集不同时间的带有位置标签的位置指纹，建立位置指纹库，通过深度迁移学习网络训练网络参数和迁移特征，在定位时刻，通过迁移特征和网络训练的参数构建对应的RSS，更新并构建定位时刻的位置指纹库，采用KNN算法，基于定位时刻测量得到的RSS和更新的位置指纹库计算得到的测量点的位置，采用本发明的方法具有较高的定位精度，较少的新收集的数据，并且因为只进行匹配和分类处理，而不进行复杂的指纹迁移处理，计算复杂度较低，减少了定位系统的计算过载。
附图说明
图1为实施例中的基于迁移学习更新指纹库的BLE定位方法的步骤示意图；
图2为实施例中的实验环境的示意图；
图3为实施例中的不同指纹库的定位误差的CDF图；
图4为实施例中的定位误差CDF图；
图5为删除异常值后定位误差对比图；
图6为一个实施例中计算机装置的内部结构图。
具体实施方式
如背景技术所示，鉴于现有技术中的基于迁移学习的室内定位方法鲁棒性较差，且定位精度并不理想的问题，见图1，本发明提供了一种基于迁移学习更新指纹库的BLE定位方法，至少包括以下步骤：
步骤1：在至少两个时间点下，采集定位区域内不同位置处的RSS数据，形成不同时间点下的位置指纹库；
步骤2：基于高斯混合模型拟合位置指纹库中的RSS数据；
步骤3：基于深度迁移学习网络构建深度学习映射模型；将采集的不同时间点下的位置指纹库输入深度学习映射模型进行训练，直至模型收敛，获得训练好的深度学习映射模型，所述深度学习映射模型能够获取位置指纹库中RSS数据关于时间的映射关系以及采用高斯混合模型表示的RSS数据的模型参数；
步骤4：在定位时刻，基于位置指纹库中RSS数据关于时间的映射关系以及高斯混合模型的模型参数，更新位置指纹库；
步骤5：采用KNN算法，基于定位时刻测量得到的RSS和更新的位置指纹库计算得到的测量点的位置。
具体在一个实施例中，在步骤1中，首先进行位置指纹库的初始化，在定位区域
Figure BDA0004117241790000051
设置NRP个栅格区域作为参考点，初始化的位置指纹库来自NRP个栅格区域的RSS数据和位置信息，通过/>
Figure BDA0004117241790000061
表示在时间t下位置Lm处接收Ni个BLE的矢量信号，接收信号强度RSS数据/>
Figure BDA0004117241790000062
通过BLE矢量信号的相乘进行表示，用公式表示为r(Lm，t)＝y(Lm，t)⊙y*(Lm，t)；位置指纹库表示为：/>
Figure BDA0004117241790000063
其中，DBt表示时间t下的位置指纹库。
然后获取位置指纹库中位置信息和RSS数据。首先，将采集的T1、T2的位置指纹库的数据即
Figure BDA0004117241790000064
这些信息数据需要采集人员手动收集。为了获得准确的位置信息，采用BLE作为接入点(Access point，AP)，使用蓝牙抓包器和电脑抓取RSS数据，并于采集的RSS数据进行了位置标注。
在步骤2中，基于K阶高斯混合模型来拟合接收信号强度RSS数据，表示为：
Figure BDA0004117241790000065
其中，
Figure BDA0004117241790000066
表示为通过K阶高斯混合模型表示的接收信号强度RSS数据，ak(t)表示高斯分布中每个部分对应的权重，μk(t)表示均值，∑k(t)表示方差，且有
Figure BDA0004117241790000067
K阶高斯混合模型可以作为一个由K个不同成分的高斯函数拟合的估计器，观察实际信号的核密度函数分布图，是符合高斯混合模型的，为此可以通过高斯混合模型来拟合接收信号强度RSS数据。
在一个实施例的步骤3中，基于深度适配网络构建深度学习映射模型，将采集的两个不同时间下的位置指纹库输入深度学习映射模型进行训练，通过最小化位置指纹库的最大均值差异得到映射函数Φ(·)，用公式表示为：
Figure BDA0004117241790000071
Figure BDA0004117241790000072
Figure BDA0004117241790000073
i，j∈(1，...，NRP)
其中，
Figure BDA0004117241790000074
表示最小化T1和T2时间下位置指纹库的最大均值差异，
Figure BDA0004117241790000075
和/>
Figure BDA0004117241790000076
表示通过深度学习映射模型推理得到T1和T2时间采集的RSS数据与实际RSS数据相等，进而得到映射函数Φ(·)，Φ(·)用于表示位置指纹库中RSS数据关于时间的映射关系，同时获得高斯混合模型中的模型参数。
本发明实施例中采用的深度适配网络(Deep Adaptation Network,DAN)是深度迁移学习网络的其中一种，深度适配网络包含了深度卷积神经网络(deep convolutionalneural network,DCNN)和全连接网络，其中深度卷积神经网络(用于完成复杂信号特征提取和降维的任务，实施例中将T1和T2时间的位置指纹库作为输入，然后根据深度卷积神经网络得到数据的迁移特征，紧接着，用全连接网络最小化两个网络之间的MMD，最后获得分类的坐标。
并且在步骤3中训练深度学习定位模型时，采用联合损失函数，联合损失函数包括交叉熵损失函数和自适应最大均值差异的损失函数，利用ReLU和Adam优化器对深度学习定位模型的参数进行训练，最小化整个联合损失函数来优化模型中的参数，联合损失函数表示为：
Figure BDA0004117241790000077
其中，
Figure BDA0004117241790000078
为联合损失函数，/>
Figure BDA0004117241790000079
为交叉熵损失函数，/>
Figure BDA00041172417900000710
为自适应最大均值差异的损失函数，ζ∈(0，1)是平衡分类与差异损失函数之间重要比例的权重参数，gip表示实际标签向量组的第i个网格区域的归一化概率，/>
Figure BDA00041172417900000711
表示估计的一组归一化概率。
具体在实施例中，在步骤4中，定位时刻的位置指纹库表示为：
Figure BDA00041172417900000712
Figure BDA0004117241790000081
其中Φ(·)表示从T1和T2时间的位置指纹库
Figure BDA0004117241790000082
和/>
Figure BDA0004117241790000083
学习到的位置指纹库中RSS数据关于时间的映射函数，基于映射函数Φ(·)更新定位时刻T3下位置指纹库中每个参考点处的RSS数据，进而得到更新的定位时刻T3的位置指纹库/>
Figure BDA0004117241790000084
在数学理论上，可以定义映射函数
Figure BDA0004117241790000085
表示从测量的RSS数据r(Lm，T3)到估计位置
Figure BDA0004117241790000086
之间的关系，用数学表达式形容为：
Figure BDA0004117241790000087
Figure BDA0004117241790000088
由于搜索空间包括了所有可能的数学函数，因此映射函数
Figure BDA0004117241790000089
的搜索具有挑战性。为了降低函数/>
Figure BDA00041172417900000810
的实现复杂度，将/>
Figure BDA00041172417900000811
分解为两个阶段，分别是位置指纹库推导和基于推导位置指纹库的标准KNN算法。用数学形式表示分解函数：
Figure BDA00041172417900000812
Figure BDA00041172417900000813
Figure BDA00041172417900000814
其中
Figure BDA00041172417900000815
表示标准KNN定位算法，/>
Figure BDA00041172417900000816
表示迁移函数从/>
Figure BDA00041172417900000817
和/>
Figure BDA00041172417900000818
到推导位置指纹库/>
Figure BDA00041172417900000819
的关系。在上述关系中，由于位置指纹库迁移函数/>
Figure BDA00041172417900000820
的设计原则有限，优化问题难以求解。/>
Figure BDA00041172417900000821
理论上可以用公式形容表达，但是实际上是一个不可直接求解的关系。
为此在本发明的实施例中，在步骤4中，按照步骤2中假设的时变高斯混合模型，将通过步骤3得到函数Φ(·)，函数Φ(·)定义为从T1和T2时间的位置指纹库
Figure BDA00041172417900000822
和/>
Figure BDA00041172417900000823
学习到的位置指纹库中RSS数据关于时间的映射函数，只需要采集少量定位时刻T3的RP位置信息和RSS的数据，基于映射函数Φ(·)更新定位时刻T3下位置指纹库中每个参考点处的RSS数据，进而得到更新的定位时刻T3的指纹库/>
Figure BDA00041172417900000824
定位时刻T3与采集RSS数据的时间T1、T2满足T2-T1＞＞T3-T2。
具体在步骤5中，采用KNN算法，基于实时测量得到的RSS计算得到测量点的位置，表示为：
Figure BDA0004117241790000091
Figure BDA0004117241790000092
其中，r(Lm，T3)表示T3时间下测量点的RSS数据，
Figure BDA0004117241790000093
为估计位置，/>
Figure BDA0004117241790000094
表示标准KNN定位算法，/>
Figure BDA0004117241790000095
为更新得到的定位时刻T3时间的位置指纹库。
本发明提出的更新位置指纹库的方法，在满足一定时间条件下，可以解决位置指纹库构建过程中耗时和易受环境变化影响的问题。本发明提出构建指纹库的思路也可以自动更新位置指纹库，从而降低了人力成本的开销和减少采集标签的工作量，为位置指纹库的更新提供了新的思路。
在实施例中，还基于上述实施例的基于迁移学习更新指纹库的BLE定位方法的算法，在实际环境中进行实际测试。
本实施例实现环境包括：首先，把蓝牙Dongle NR52832和电脑作为采集RSS的设备，采用智石科技的信标作为AP。进一步更多的，将NRF52832 dongle接到计算机上在RP和测试点接收BLE信号。BLE信号数据可视化的软件是wireshark2.0。计算机用Windows 10操作系统。本发明处理RSS数据在MatlabR2016a上，并建立了训练模型指纹库在Pycharm上生成。所有的软件硬件平台配置如表1所示。
表1实验平台参数
硬件平台 软件平台
一台计算机 Windows10
多个ibeacon Matlab/Pycharm
蓝牙Dongle：NR52832 Wireshark 2.0
实验场景：整个实验场景是在大学的实验室走廊。而且，场景图如图2所示。走廊被分成几个0.6m×0.6m的正方形。其中，三角形是排列位置的符号AP，点表示RP的位置。实验室走廊环绕着楼梯。由于很多人都白天在实验室里不停地走来走去，本发明选择在夜间采集位置指纹库，确保无人为走动而影响位置指纹库的准确性。
实验数据：为了研究拟定的可行性算法，本发明分别在T1、T2和T3收集了所有RP点的RSS。时间间隔设计为如下：DBT1和DBT2之间的差距是一天，并且DBT3在DBT2之后立即收集。还针对离线开销时间的作了简单的评估，需要5分钟在每个RP点收集。采集位置指纹库的总时间为52×5×3＝780分钟，即约13小时。尤其是在大规模定位系统环境中，提出的算法有更高的可行性。
指纹数据库重建过程：本发明以DBT1和DBT2为初始数据集并重建指纹数据库T3作为初始实验设计中的测试。提取的RSS用dbm表示，分贝范围为-100到0dbm。由于无法监控信号，将RSS中的默认值设为-100dbm。
结合实施例的实验结果来看，本发明的有益效果主要有以下几点：
1、具有较高的定位精度。如图3所示，对比与其他位置指纹库的定位精度的结果，采用本发明的方法生成位置指纹库的平均定位误差为0.8041米(m)，对比普通的迁移学习JDA算法的定位精度1.1558m；且在对比于其他位置指纹库的定位结果之后，验证了提出的本发明有很高的定位精度。
为了便于图标显示，将本发明方法命名为DAloc(domain adaptationlocalization)方法，结果显示，其生成数据库定位精度较其他算法较好。具体来说，本发明选择T3时间为所有更新指纹数据库的测试集。见图3，可以观察到DBT3、DALoc、JDA、DBT1和DBT2的曲线，DALoc、JDA、DBT1和DBT2的曲线在DBT3曲线的下方，从结果可以看出，人工实时采集的数据库仍然是最可靠和准确的。从图3中可以看出，一米以内的定位精度高于80％。另外，本发明的DALoc更新的数据库存在一米内定位误差的概率，约为70％。更值得注意的是，本发明的DAloc方法更新的位置指纹库中1.5m内定位误差的概率大于90％，定位误差得到了满意的结果。从图中还可以看出，其他指纹数据库定位结果在米级以内的概率小于50％。总的来说，虽然使用现有技术中JDA更新的位置指纹库的定位精度要高于原始时间T1和T2的位置指纹库，但本发明的DALoc方法的定位精度要高于现有技术中基线JDA方法的定位精度。
2、较少的新收集的数据。如图4所示，表示在构建所选RP区间后增加位置指纹库定位误差的CDF。实验选取了0.6m、1.2m和1.8m三个区间。由于实验场地范围有限，本发明选择了等间距、均匀分布在位置区域内的RP。随着域自适应网络中随着标签距离的增加，定位系统的定位误差性能。从图中可知，定位误差依次为0.8041m，0.8381m，0.8921m。与其他研究结果一样，定位精度与RP区间大小成反比。基于以上结果，如果新采集的数据能够更新指纹数据库，BLE定位系统可以提供0.8米左右的定位误差。
3、计算复杂度较低。如表2所示，基于KNN的方案无论数据量所花费的时间最少，因为只进行匹配和分类处理，而不进行复杂的指纹迁移处理。对于基于JDA的方案无论数据量所花费的时间最多，因为大部分计算时间用于完成迭代过程以找到合适的矩阵。本发明提出的基于深度迁移学习的定位方法具有较高的定位精度和较低的计算复杂度，减少了定位系统的计算过载。
表2不同位置指纹库的时间复杂度对比
Figure BDA0004117241790000111
4、异常值删除后定位精度提高：在图5中，根据箱线图，在统计分析中去除异常值后得到以下结论:首先，通过测量图中定位误差分布的偏度，可以观察到位置指纹库的平均定位误差由小到大的顺序为：DBT3<DBDALoc<DBJDA<DBT2<DBT1。该结论与理论分析一致。其次，从图中异常值的数量可以分析出DALoc系统的鲁棒性是最稳定的。
5、成本低，适用范围广：本发明的方案，设备维护简便，对于大型的商场、办公楼等室内定位场景，效果显著。
在本发明的实施例中，还提供了一种计算机装置，其包括：包括处理器、存储器以及程序；
程序存储在存储器中，处理器调用存储器存储的程序，以执行上述的基于迁移学习更新指纹库的BLE定位方法。
该计算机装置可以是终端，其内部结构图可以如图6所示。该计算机装置包括通过总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机装置的处理器用于提供计算和控制能力。该计算机装置的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机装置的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现基于迁移学习更新指纹库的BLE定位方法。该计算机装置的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机装置的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机装置外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
存储器可以是，但不限于，随机存取存储器(Random Access Memory，简称：RAM)，只读存储器(Read Only Memory，简称：ROM)，可编程只读存储器(Programmable Read-OnlyMemory，简称：PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，简称：EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，简称：EEPROM)等。其中，存储器用于存储程序，处理器在接收到执行指令后，执行程序。
处理器可以是一种集成电路芯片，具有信号的处理能力。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称：CPU)、网络处理器(NetworkProcessor，简称：NP)等。该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机装置的限定，具体的计算机装置可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在本发明的实施例中，还提供了一种计算机可读存储介质，计算机可读存储介质用于存储程序，程序用于执行上述的基于迁移学习更新指纹库的BLE定位方法。
本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、计算机装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、计算机装置、或计算机程序产品的流程图来描述的。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图中指定的功能。
以上对本发明所提供的基于迁移学习更新指纹库的BLE定位方法、计算机装置、计算机可读存储介质的应用进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于迁移学习更新指纹库的BLE定位方法，其特征在于，包括以下步骤：
步骤1：在至少两个时间点下，采集定位区域内不同位置处的RSS数据，形成不同时间点下的位置指纹库；
步骤2：基于高斯混合模型拟合位置指纹库中的RSS数据；
步骤3：基于深度迁移学习网络构建深度学习映射模型；将采集的不同时间点下的位置指纹库输入深度学习映射模型进行训练，直至模型收敛，获得训练好的深度学习映射模型，所述深度学习映射模型能够获取位置指纹库中RSS数据关于时间的映射关系以及采用高斯混合模型表示的RSS数据的模型参数；
步骤4：在定位时刻，基于位置指纹库中RSS数据关于时间的映射关系以及高斯混合模型的模型参数，更新位置指纹库；
步骤5：采用KNN算法，基于定位时刻测量得到的RSS和更新的位置指纹库计算得到的测量点的位置。
2.根据权利要求1所述的一种基于迁移学习更新指纹库的BLE定位方法，其特征在于：在步骤1中，在定位区域设置NRP个栅格区域作为参考点，采用BLE作为接入点，使用蓝牙抓包器和电脑抓取RSS数据，通过
Figure FDA0004117241780000011
表示在时间t下位置Lm处接收Ni个BLE的矢量信号，接收信号强度RSS数据/>
Figure FDA0004117241780000012
通过BLE矢量信号的相乘进行表示，用公式表示为r(Lm，t)＝y(Lm，t)⊙y*(Lm，t)；对采集的RSS数据进行位置标注，位置指纹库表示为：
Figure FDA0004117241780000013
其中，DBt表示时间t下的位置指纹库。
3.根据权利要求2所述的一种基于迁移学习更新指纹库的BLE定位方法，其特征在于：在步骤2中，基于K阶高斯混合模型来拟合接收信号强度RSS数据，接收信号强度RSS数据的服从高斯分布，表示为：
Figure FDA0004117241780000014
其中，
Figure FDA0004117241780000021
表示为通过K阶高斯混合模型表示的接收信号强度RSS数据，ak(t)表示高斯分布中每个部分对应的权重，μk(t)表示均值，∑k(t)表示方差，CRSS表示构建高斯混合模型的一个常数，N(·)表示均值为μk(t)方差为∑k(t)的单高斯分布，且有
Figure FDA0004117241780000022
4.根据权利要求3所述的一种基于迁移学习更新指纹库的BLE定位方法，其特征在于：在步骤3中，基于深度适配网络构建深度学习映射模型，将采集的两个不同时间下的位置指纹库输入深度学习映射模型进行训练，通过最小化位置指纹库的最大均值差异，计算得到映射函数Φ(·)，用公式表示为：
Figure FDA0004117241780000023
Figure FDA0004117241780000024
Figure FDA0004117241780000025
/>
i，j∈(1，...，NRP)
其中，
Figure FDA0004117241780000026
表示最小化T1和T2时间下位置指纹库的最大均值差异，
Figure FDA0004117241780000027
和/>
Figure FDA0004117241780000028
表示通过深度学习映射模型推理得到的RSS数据与实际RSS数据相等，进而得到映射函数Φ(·)，Φ(·)用于表示位置指纹库中RSS数据关于时间的映射关系，同时获得高斯混合模型中的模型参数。
5.根据权利要求4所述的一种基于迁移学习更新指纹库的BLE定位方法，其特征在于：在步骤3中训练深度学习定位模型时，采用联合损失函数，联合损失函数包括交叉熵损失函数和自适应最大均值差异的损失函数，利用ReLU和Adam优化器对深度学习定位模型的参数进行训练，最小化整个联合损失函数来优化模型中的参数，联合损失函数表示为：
Figure FDA0004117241780000029
其中，
Figure FDA00041172417800000210
为联合损失函数，/>
Figure FDA00041172417800000211
为交叉熵损失函数，/>
Figure FDA00041172417800000212
为自适应最大均值差异的损失函数，ζ∈(0，1)是平衡分类与差异损失函数之间重要比例的权重参数，gip表示实际标签向量组的第i个网格区域的归一化概率，/>
Figure FDA00041172417800000213
表示估计的一组归一化概率。
6.根据权利要求5所述的一种基于迁移学习更新指纹库的BLE定位方法，其特征在于：在步骤4中，定位时刻的位置指纹库表示为：
Figure FDA0004117241780000031
Figure FDA0004117241780000032
其中Φ(·)表示从T1和T2时间的位置指纹库
Figure FDA0004117241780000033
和/>
Figure FDA0004117241780000034
学习到的位置指纹库中RSS数据关于时间的映射函数，基于映射函数Φ(·)更新定位时刻T3下位置指纹库中每个参考点处的RSS数据，进而得到更新的定位时刻T3的指纹库/>
Figure FDA0004117241780000035
7.根据权利要求6所述的一种基于迁移学习更新指纹库的BLE定位方法，其特征在于：在步骤5中，采用KNN算法，基于实时测量得到的RSS计算得到测量点的位置，表示为：
Figure FDA0004117241780000036
Figure FDA0004117241780000037
其中，r(Lm，T3)表示T3时间下测量点的RSS数据，
Figure FDA0004117241780000038
为估计位置，/>
Figure FDA0004117241780000039
表示标准KNN定位算法，/>
Figure FDA00041172417800000310
为更新得到的定位时刻T3时间的指纹库。
8.根据权利要求6所述的一种基于迁移学习更新指纹库的BLE定位方法，其特征在于：定位时刻T3与采集RSS数据的时间T1、T2满足T2-T1＞＞T3-T2。
9.一种计算机装置，其特征在于，其包括：包括处理器、存储器以及程序；
所述程序存储在所述存储器中，所述处理器调用存储器存储的程序，以执行权利要求1所述的基于迁移学习更新指纹库的BLE定位方法。
10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质用于存储程序，所述程序用于执行权利要求1所述的基于迁移学习更新指纹库的BLE定位方法。
CN202310222422.2A 2023-03-09 2023-03-09 一种基于迁移学习更新指纹库的ble定位方法、装置 Active CN116233747B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310222422.2A CN116233747B (zh) 2023-03-09 2023-03-09 一种基于迁移学习更新指纹库的ble定位方法、装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310222422.2A CN116233747B (zh) 2023-03-09 2023-03-09 一种基于迁移学习更新指纹库的ble定位方法、装置

Publications (2)

Publication Number Publication Date
CN116233747A true CN116233747A (zh) 2023-06-06
CN116233747B CN116233747B (zh) 2023-12-22

Family

ID=86574825

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310222422.2A Active CN116233747B (zh) 2023-03-09 2023-03-09 一种基于迁移学习更新指纹库的ble定位方法、装置

Country Status (1)

Country Link
CN (1) CN116233747B (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110116565A (ko) * 2010-04-19 2011-10-26 목포대학교산학협력단 베이지안 알고리즘을 이용한 실내 측위 방법
WO2017185828A1 (zh) * 2016-04-26 2017-11-02 中兴通讯股份有限公司 指纹定位方法及装置
US20180332558A1 (en) * 2015-11-19 2018-11-15 The Hong Kong University Of Science And Technology Facilitation of indoor localization and fingerprint updates of altered access point signals
CN110381440A (zh) * 2019-06-16 2019-10-25 西安电子科技大学 基于深度学习的联合rss与csi的指纹室内定位方法
CN110536257A (zh) * 2019-08-21 2019-12-03 成都电科慧安科技有限公司 一种基于深度自适应网络的室内定位方法
US10671921B1 (en) * 2019-05-01 2020-06-02 Mapsted Corp. Crowd-sourced training of a neural network for RSS fingerprinting
CN111918211A (zh) * 2020-07-22 2020-11-10 杭州电子科技大学 一种基于kd树和改进加权knn的室内指纹定位方法
CN111935629A (zh) * 2020-07-30 2020-11-13 广东工业大学 一种基于环境特征迁移的自适配定位方法
CN112040405A (zh) * 2020-09-15 2020-12-04 河南工业大学 一种基于核极限学习机与粒子滤波的室内定位方法
CN112887902A (zh) * 2021-01-22 2021-06-01 湖南大学 一种基于高斯聚类与混合度量的WiFi指纹的室内定位方法
KR20210090058A (ko) * 2020-01-09 2021-07-19 조선대학교산학협력단 실내 측위용 데이터베이스 구축, 실내 측위 방법 및 시스템
CN114679683A (zh) * 2022-03-30 2022-06-28 南京邮电大学 一种基于派生指纹迁移的室内智能定位方法
WO2022190721A1 (en) * 2021-03-08 2022-09-15 Mitsubishi Electric Corporation Multi-band wi-fi fusion for wlan sensing field
CN115278520A (zh) * 2022-07-08 2022-11-01 南京邮电大学 一种基于指纹库迁移重构的5g室内定位方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110116565A (ko) * 2010-04-19 2011-10-26 목포대학교산학협력단 베이지안 알고리즘을 이용한 실내 측위 방법
US20180332558A1 (en) * 2015-11-19 2018-11-15 The Hong Kong University Of Science And Technology Facilitation of indoor localization and fingerprint updates of altered access point signals
WO2017185828A1 (zh) * 2016-04-26 2017-11-02 中兴通讯股份有限公司 指纹定位方法及装置
US10671921B1 (en) * 2019-05-01 2020-06-02 Mapsted Corp. Crowd-sourced training of a neural network for RSS fingerprinting
CN110381440A (zh) * 2019-06-16 2019-10-25 西安电子科技大学 基于深度学习的联合rss与csi的指纹室内定位方法
CN110536257A (zh) * 2019-08-21 2019-12-03 成都电科慧安科技有限公司 一种基于深度自适应网络的室内定位方法
KR20210090058A (ko) * 2020-01-09 2021-07-19 조선대학교산학협력단 실내 측위용 데이터베이스 구축, 실내 측위 방법 및 시스템
CN111918211A (zh) * 2020-07-22 2020-11-10 杭州电子科技大学 一种基于kd树和改进加权knn的室内指纹定位方法
CN111935629A (zh) * 2020-07-30 2020-11-13 广东工业大学 一种基于环境特征迁移的自适配定位方法
CN112040405A (zh) * 2020-09-15 2020-12-04 河南工业大学 一种基于核极限学习机与粒子滤波的室内定位方法
CN112887902A (zh) * 2021-01-22 2021-06-01 湖南大学 一种基于高斯聚类与混合度量的WiFi指纹的室内定位方法
WO2022190721A1 (en) * 2021-03-08 2022-09-15 Mitsubishi Electric Corporation Multi-band wi-fi fusion for wlan sensing field
CN114679683A (zh) * 2022-03-30 2022-06-28 南京邮电大学 一种基于派生指纹迁移的室内智能定位方法
CN115278520A (zh) * 2022-07-08 2022-11-01 南京邮电大学 一种基于指纹库迁移重构的5g室内定位方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YONG ZHANG等: ""A Low-Overhead Indoor Positioning System Using CSI Fingerprint Based on Transfer Learning"", 《IEEE SENSORS JOURNAL》 *
刘参;尚俊娜;李蕊江;岳克强;: "基于迁移学习的室内动态环境定位算法", 电信科学, no. 08 *
李成楠: ""基于RSS的位置指纹匹配算法研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Also Published As

Publication number Publication date
CN116233747B (zh) 2023-12-22

Similar Documents

Publication Publication Date Title
CN107703480B (zh) 基于机器学习的混合核函数室内定位方法
CN110990461A (zh) 大数据分析模型算法选型方法、装置、电子设备及介质
Bhattacharya et al. Outlier detection using neighborhood rank difference
CN107256237A (zh) 基于动态网格优化的lof聚类数据异常点检测方法和检测系统
CN110907762A (zh) 一种非侵入式负荷匹配辨识方法
Huang et al. A hybrid model for short-term dissolved oxygen content prediction
CN114861788A (zh) 一种基于dbscan聚类的负荷异常检测方法及系统
CN104536996B (zh) 一种同构环境下计算节点异常检测方法
CN111050282A (zh) 一种多次模糊推理加权knn定位方法
CN114977176B (zh) 电力负荷分解方法、装置、设备及存储介质
Ye et al. Hydrologic time series anomaly detection based on flink
CN108694472B (zh) 预测误差极值分析方法、装置、计算机设备和存储介质
CN112085926B (zh) 一种河道水污染预警方法及系统
CN116233747B (zh) 一种基于迁移学习更新指纹库的ble定位方法、装置
CN117421994A (zh) 一种边缘应用健康度的监测方法和监测系统
CN116470491A (zh) 基于copula函数的光伏功率概率预测方法及系统
CN106816871B (zh) 一种电力系统状态相似性分析方法
Hai-Jun et al. Fuzzy entropy clustering using possibilistic approach
CN111222688A (zh) 一种商业楼宇的日负荷预测方法
Liu et al. Short-term Load Forecasting Approach with SVM and Similar Days Based on United Data Mining Technology
CN115022348B (zh) 一种高端电池智能工厂云级架构数据存储方法
CN116383262B (zh) 一种基于电厂sis系统的能耗数据管理平台
CN113723006B (zh) 一种基于ls-svm的单台站地球变化磁场建模预测方法及系统
Yao et al. Research on fingerprint location technology for indoor scene of power communication operation and maintenance
Wenwen et al. Multi-source power data fusion method based on deep learning

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