TWI391699B - 使用改良式機率類神經網路之定位方法 - Google Patents

Description

使用改良式機率類神經網路之定位方法

本發明係關於一種室內定位方法，尤其是一種運用改良式機率類神經網路進行定位之室內定位方法。

全球定位系統(Global Positioning System，GPS)係目前最廣為應用的定位系統，其主要利用三角定位的原理來進行定位。然而GPS主要用於室外的定位，而在室內環境中，會受到障礙物的屏蔽效應影響，無法收到有效的衛星訊號，因此難以應用在室內環境定位中(indoor positioning)。此外，GPS在區域較小的場合其定位精確度亦不穩定。

在室內定位中，並沒有因為環境空間的縮小而降低定位的複雜度，反而因為諸多的因素而增加了定位的困難度。舉例來說，室內環境的障礙物、干擾等等，都會對定位產生干擾。

無線技術的特性非常適合應用於室內定位系統。目前可支援室內定位的無線網路技術包含：無線區域網路(Wireless Local Area Network，WLAN)、無線感測器網路(Wireless Sensor Network，WSN)、無線射頻辨識系統(Radio Frequency Identification，RFID)、藍芽(Bluetooth)等。其中著名的WSN之一紫蜂(Zigbee)網路在節點與網路管理便利、低功耗、支援接收信號強度顯示(Received Signal Strength Indication，RSSI)功能等各種特點，使其在室內定位的角色上受到重視。此外在位置的量測中，三角測量法、場景分析、鄰近點等三種技巧可用於定位，因此常為定位系統分別或組合使用來達到定位的目的。

在室內定位中，常以三角量測法計算無線網路之接收訊號強度(Received Signal Strength，RSS)，然而，以此方式所設計之系統卻容易因為RSS的訊息誤差而導致三角量測法無法計算或所計算的偏差值太大。實際上以目前的射頻技術而言，欲達到完全正確的RSS量測值，不僅在受到干擾的情況下無法達成，甚至在無干擾的空間裡RRS的數值更是無法準確的還原發送端與接收端之間的距離關係。在來源資訊受損的情況下，需應用一個具備容錯功能、適應式的演算方式在此定位問題。類神經網路具備上述特性，但是一般的類神經網路缺點則是需要大量的計算以及訓練，不利於應用於室內的定位。

基於上述原因，需要一種室內定位方法，能有效的改善無線網路RSS數值誤差過大時，造成定位計算錯誤的問題。

本發明係提供一種定位方法，其主要係當於一室內場合時，能提供一種精確的定位方法，為本發明之目的。

為達到前述發明目的，本發明所運用之技術手段及藉由該技術手段所能達到之功效包含有：一種使用改良式機率類神經網路之定位方法，用於決定一待測物於一平面空間之一定位座標，該平面空間係由互相垂直之一第一軸向和一第二軸向所構成，該定位座標係由該待測物於該第一軸向和該第二軸向之定位值表示。該方法包含設置複數信號感測器於該平面空間；提供對應於該第一軸向之一第一訓練資料集，其中該第一訓練資料集包含複數第一類別向量；決定該待測物之一輸入訊號於該第一軸向上對應於該等複數信號感測器之一第一輸出向量集，其中該第一輸出向量集包含複數第一輸出向量；根據一第一公式以及一第二公式計算該待測物於該第一軸向之定位值；提供對應於該第二軸向之一第二訓練資料集，其中該第二訓練資料集包含複數第二類別向量；決定該待測物之該輸入訊號於該第二軸向上對應於該等複數信號感測器之一第二輸出向量集，其中該第二輸出向量集包含複數第二輸出向量；及根據該第一公式以及該第二公式計算該待測物於該第二軸向之定位值。

其中該第一公式係，該第二公式係。

為讓本發明之上述及其他目的、特徵及優點能更明顯易懂，下文特舉本發明之較佳實施例，並配合所附圖式，作詳細說明如下：本發明於x軸和y軸形成之一平面空間上設置複數信號感測器，並以一待測物於該平面空間上到處移動來估測該待測物之座標。該複數信號感測器可以包含藍芽(Bluetooth)裝置以及家用無線基地台(Access Point，AP)，而該待測物可以是一行動台(Mobile Station)。本發明之定位架構係於ZigBee無線感測器網路下接收行動台之訊號強度，並以改良式機率類神經網路(Modified Probabilistic Neural Network，MPNN)來求得待測物之座標位置，細節如以下詳述。

MPNN具有四層神經元組，分別為輸入訊號層(Input Layer)、類別層(Pattern Layer)、總合層(Summing Layer)與輸出層(Output Layer)。假設MPNN具有類別向量c之訓練資料集，如下所示：

c={c₁ ,c₂ ,...,c_m }　(1)

其中，m為類別c的數量。在此情況下，對於輸入訊號x而言，其最接近類別c_i 有一對應之輸出向量yi，表示如下：

y={y₁ ,y₁ ,...,y_m }　(2)

其中，m為類別c的數量。

在MPNN中，其提供一機率密度函數，表示如下：

其中，σ為高斯函數之平滑係數。

根據上述的公式，絕對輸出可表示為：

其中z ₁ 為類別向量c_i 內樣本之數量。此外，j可為1和2，分別代表待定位點之x軸與y軸座標。換言之，當j=1時，公式(4)的可得到待定位點之x軸座標，而當j=2時，公式(4)的可得到待定位點之y軸座標。

參見第1圖，其係繪示本發明之利用MPNN定位的示意圖。第1圖中，MPNN之輸入層表示所輸入之輸入訊號x，並將該輸入訊號x與訓練資料集c內每一類別向量c₁ 至c_m 的差值求出。MPNN之類別層用以根據公式(3)計算輸入訊號x與訓練資料c_i 之間的相似度，並與z_i 相乘後經由總合層加總得到公式(9)的分母，以及與z_i 和y_i 相乘後經由總合層加總得到公式(9)的分子。

根據以上公式(1)至(4)，當j=1時，可得到待測物對應於x軸座標之值，亦即其x軸之座標位置。欲求得待測物對應於y軸座標之值(亦即當j=2時)，只要重複執行上述公式(1)至(4)即可。但必須注意的是，當j=2時(求得待測物對應於y軸座標之值)，公式(1)之訓練資料集係與j=1(求得待測物對應於x軸座標之值)之訓練資料集c不同，因此所得到的輸出向量亦不同。

根據以上的方式，本發明可較精確地求出待測物之座標值，本發明之實驗數據將於以下描述，以便突顯本發明相較於傳統三角定位方式之優點。

參見第2圖，其係繪示複數待測點於一平面空間之擺放示意圖。在第2圖中，係於該平面空間內(0,0)、(0,6)、(6,0)和(6,6)等四個座標所圍繞的區域中均勻擺放196個待測點，而(0,0)、(0,6)、(6,0)和(6,6)四個座標上則擺放四組基地台設備1、2、3和4。基於第2圖之待測點擺放架構，本發明先以傳統之三角定位法對每個待測點進行定位，所得到的定位結果可參照第3圖。在第3圖的定位結果中，顯示某些待測點之定位座標超出該四個座標所圍繞的區域，所得到的結果不甚準確。接著，使用本發明之MPNN定位法對該196個待測點進行定位，其定位結果可參見第4圖。在第4圖中，顯示所有的待測點之定位座標係介於該四個座標所圍繞的區域，所得到的定位結果較為集中及準確。

本發明之定位方法，係於ZigBee無線感測器網路下接收行動台之訊號強度，並以改良式機率類神經網路來求得待測物之座標位置，以達到精確定位的功效。

雖然本發明已利用上述較佳實施例揭示，然其並非用以限定本發明，任何熟習此技藝者在不脫離本發明之精神和範圍之內，相對上述實施例進行各種更動與修改仍屬本發明所保護之技術範疇，因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。

[本發明]

1、2、3、4．．．基地台設備

第1圖：本發明之利用改良式機率類神經網路進行定位的示意圖。

第2圖：本發明定位實驗之複數待測物於一平面空間的擺放示意圖。

第3圖：習知三角定位法之定位結果示意圖。

第4圖：本發明利用改良式機率類神經網路定位之定位結果示意圖。

Claims (2)

1. 一種使用改良式機率類神經網路之定位方法，用於決定一待測物於一平面空間之一定位座標，該平面空間係由互相垂直之一第一軸向和一第二軸向所構成，該定位座標係由該待測物於該第一軸向和該第二軸向之定位值表示，該方法包含：設置複數信號感測器於該平面空間；提供對應於該第一軸向之一第一訓練資料集，其中該第一訓練資料集包含複數第一類別向量；決定該待測物之一輸入訊號於該第一軸向上對應於該等複數信號感測器之一第一輸出向量集，其中該第一輸出向量集包含複數第一輸出向量；根據一第一公式以及一第二公式計算該待測物於該第一軸向之定位值；提供對應於該第二軸向之一第二訓練資料集，其中該第二訓練資料集包含複數第二類別向量；決定該待測物之該輸入訊號於該第二軸向上對應於該等複數信號感測器之一第二輸出向量集，其中該第二輸出向量集包含複數第二輸出向量；及根據該第一公式以及該第二公式計算該待測物於該第二軸向之定位值，其中該第一公式係，該第二公式係。
2. 依申請專利範圍第1項所述之使用改良式機率類神經網路之定位方法，其中該第一軸向和該第二軸向係分別為x軸及y軸。