專利名稱：一種改進的基于分簇神經網絡的室內指紋定位方法
技術領域：
本發明屬于無線通信和無線網絡定位技術領域，特別涉及一種改進的基于分簇神經網絡的室內指紋定位方法。
背景技術：
近年來，隨著社會和經濟的不斷發展，以及信息和通信技術的不斷進步，基于位置信息服務(location based service, LBS)在緊急救助、導航、追蹤以及本地搜索等方面需求不斷增加，呈現出廣闊的商業前景和市場價值。目前，基于智能終端所開發的定位應用絕大多數局限于室外定位環境，然而人們對于室內定位技術的需求也與日俱增，如機場大廳、購物商城、寫字樓、醫院等需要為特殊客戶提供定位導航等服務，從而更加便利人們的生活，提供更好的用戶體驗，提高商家服務質量。常用的室內定位算法主要包括幾何測量法、近似法、指紋定位法三種。由于各建筑物室內的布局多樣化，室內環境復雜變化多端，人員流動性大等對室內無線信號測量如接收信號強度(receive signal strength, RSS)、到達時間(time ofarrival, Τ0Α)、到達時間差(time difference of arrival, TD0A)等產生很大的影響,通過對RSS等信號特征來描述精確的位置信息非常困難。因而基于電波傳播模型的前兩種室內定位算法難以獲取較高的室內定位精度。對于指紋定位算法通過對采集的室內信號特征值構成的指紋進行匹配從而再進行空間位置的映射來實現終端的位置估計，算法簡單而精度高，并可以通過指紋庫的實時更新來適應室內環境的變化，因而被廣范應用于室內定位系統中。指紋定位算法分為離線階段和在線階段。離線階段利用終端來采集室內各參考點處的無線信號特征信息如RSS、TOA等，由各參考點處收集到的指紋信息構成整個室內布局的離線指紋數據庫。在線階段，通過對某一未知待定位的盲點處的無線信號特征信息進行采樣構成實時的指紋信息，再通過指紋匹配算法來獲取終端的位置估計。常用的指紋匹配算法包括最近鄰居法，核函數法，支持向量機法以及神經網絡法(artificial neuralnetworks, ANN)。其中，神經網絡指紋匹配算法能夠提供更高的定位精度與定位穩定度,但該算法的計算與存儲開銷大，對于大型的室內場所以及終端計算能力及存儲能力受限的情況限制了該算法的可實施性。分簇神經網絡指紋定位法通過對數據庫指紋進行分簇將室內整個定位區域劃分為不同的小區域然后進行ANN模型的訓練與最終的位置估計，并能減少計算與存儲開銷，提高終端定位的實時性。然而，分簇神經網絡算法的次優全局收斂性問題成為該定位算法定位精度的重要影響因素，降低了定位精度性能。針對這一問題，本發明采用徑向基函數(Radio Basis Function, RBF)神經網絡模型,提出了一種改進的分簇神經網絡的指紋定位方法，通過對加權因子進行約束來聯合最優化神經網絡模型，從而在降低計算復雜度以及內存需求的同時，提高分簇神經網絡指紋定位算法的定位精度，為用戶提供更優的位置信息服務
發明內容
為了解決分簇神經網絡指紋定位算法中模型訓練的次優全局收斂性導致定位精度降低的問題，本發明提供了一種改進的基于分簇神經網絡的室內指紋定位方法。一種改進的基于分簇神經網絡的室內指紋定位方法，其特征在于，所述方法具體包括以下步驟步驟I :離線階段，在室內均勻分布的參考點處采集指紋信息構建指紋數據庫；步驟2 :離線階段，采用聚類算法對指紋數據庫中的指紋信息進行分類，產生不同的類和類中心；步驟3 :離線階段，利用改進的約束加權神經網絡模型對各參考點的指紋與位置信息進行人工神經網絡訓練，得出最優的網絡模型，并將優化得到的參考點處的模型參數輸入到指紋數據庫中。步驟4 :在線階段，采集室內的實時指紋信息；步驟5 :在線階段，將采集到的實時指紋信息與數據庫中的類中心進行類匹配，選擇最佳匹配的2 3個類作為初步定位區域；步驟6 :在線階段，根據類匹配結果，將初步定位區域中包括的實時指紋信息作為所選擇的類中的各個參考點的神經網絡模型的輸入端，選擇M個具有最小實際輸出與期望輸出偏差的模型對應的位置估計進行加權，從而獲取最終的精確位置估計。步驟I中，離線階段室內指紋數據庫的建立具體包括以下步驟步驟101 :根據室內布局設置均勻分布的參考點RPi,位置坐標Ii=Ui, Yi), i =1,2, -,L0其中，L為室內參考點的個數。步驟102 :在每一個參考點處采集來自室內檢測到的η個無線接入點的信道參數信息 Vi ( τ ) = [vi；1( τ )，· ·，vi； η( τ )]Τ，τ =1，· · ·，m, m>l,其中，Vi,」(τ )為參考點 RPi 處在時刻τ時接收來自第j個接入點的信道參數信息，m為采樣周期。步驟103 =Vi(T)為參考點RPi的指紋信息,將所有參考點采集的指紋信息存儲在數據庫中。同時，將各參考點處各接入點的采樣均值設置成為室內無線圖譜V :
權利要求
1.一種改進的基于分簇神經網絡的室內指紋定位方法，其特征在于，所述方法具體包括以下步驟 步驟I:離線階段，在室內均勻分布的參考點處采集指紋信息構建指紋數據庫； 步驟2:離線階段，采用聚類算法對指紋數據庫中的指紋信息進行分類，產生不同的類和類中心； 步驟3 :離線階段，利用改進的約束加權神經網絡模型對各參考點的指紋與位置信息進行人工神經網絡訓練，得出最優的網絡模型，并將優化得到的參考點處的模型參數輸入到指紋數據庫中； 步驟4 :在線階段，采集室內的實時指紋信息； 步驟5 :在線階段，將采集到的實時指紋信息與數據庫中的類中心進行類匹配，選擇最佳匹配的2 3個類作為初步定位的定位區域； 步驟6 :在線階段，根據類匹配結果，將初步定位區域中包括的實時指紋信息作為所選擇的類中的各個參考點的神經網絡模型的輸入端，選擇M個具有最小實際輸出與期望輸出偏差的模型對應的位置估計進行加權，從而獲取最終的精確位置估計。
2.根據權利要求I所述的一種改進的基于分簇神經網絡的室內指紋定位方法，其特征在于，所述步驟I中，離線階段室內指紋數據庫的建立具體包括以下步驟 步驟101 :根據室內布局設置均勻分布的參考點RPi,位置坐標Ii=Ui, yi),i =1,2,…，L ;其中，L為室內參考點的個數； 步驟102 :在每一個參考點處采集來自室內檢測到的η個無線接入點的信道參數信息Vi ( τ ) = [vi；1( τ )，· ·，vi；n( τ )]T，τ =1，· · ·，m, m>l,其中，Vi,」(τ )為參考點 RPi 處在時刻 τ時接收來自第j個接入點的信道參數信息，m為采樣周期； 步驟103 :將信道參數信息Vi ( τ )作為參考點RPi的指紋信息存儲在數據庫中，同時，將各參考點處各接入點的采樣均值設置成為室內無線圖譜V : 'vU V2,l …K, —vU V2,2 …VL,2(I) J1 Hw ■■· ν η_ 其中，/ =丄Σ: νΜ(Γ);Π1為采樣周期；Vi，j( τ )為參考點RPi處在時刻τ時接收來 Π J自第j個接入點的信道參數信息。
3.根據權利要求I所述的一種改進的基于分簇神經網絡的室內指紋定位方法，其特征在于，所述步驟2中，離線階段指紋聚類算法采用K-均值聚類算法或仿射傳播聚類算法，將無線圖譜V中的L個參考點的指紋信息進行聚類，產生K個不同的類Ct，k = 1，2，. . .，K，各類分別產生一個聚類中心Cko
4.根據權利要求I所述的一種改進的基于分簇神經網絡的室內指紋定位方法，其特征在于，所述步驟3中，利用改進的約束加權神經網絡模型對各參考點的指紋與位置信息進行人工神經網絡訓練，得出最優的網絡模型，包括以下幾個步驟步驟301 :改進的約束加權神經網絡模型的設置 a.神經網絡輸入端；輸入端數據為時刻τ時，在參考點RPi來自室內η個無線接入點的信道信息參數，此η個參數值構成指紋信息Vi(T) = [v, i ( τ )，...，Vi，n ( τ )] τ ; b.神經網絡隱層端；根據步驟2中聚類結果，確定隱層端包含的神經元個數Nk，Nk為類Ci'中成員個數，模型隱層神經元激勵函數為歸一化高斯核函數Iii(V)
5.根據權利要求4所述的一種改進的基于分簇神經網絡的室內指紋定位方法，其特征在于，所述最優化算法包括牛頓法、共軛梯度法或Levenberg-Marquardt最小二乘法。
6.根據權利要求I所述的一種改進的基于分簇神經網絡的室內指紋定位方法，其特征在于，所述步驟5中，在線階段匹配算法包括最小I1泛數法或最小歐氏距離法，選取最佳匹配的2 3個類；計算I1泛數距離R-Ci I或歐式距離
7.根據權利要求I所述的一種改進的基于分簇神經網絡的室內指紋定位方法，其特征在于，所述步驟6中，根據類匹配結果，將初步定位區域中包括的實時指紋信息作為所選類中的各參考點的人工神經網絡的輸入端，然后從中選取實際輸出與期望輸出偏差最小的M個參考節點位置信息進行加權獲取最終的位置估計
全文摘要
本發明公開了無線通信和無線網絡定位技術領域，特別涉及一種改進的基于分簇神經網絡的室內指紋定位方法。其技術方案是，離線階段，用參考點處采集的指紋信息構建指紋數據庫；利用聚類算法對指紋數據庫中的指紋進行分類；再利用人工神經網絡模型對各參考點的指紋與位置信息進行訓練，得出最優的網絡模型。在線階段，將采集的實時指紋信息與指紋數據庫中的類中心進行類匹配，確定初步定位區域；并將初步定位區域中包括的實時指紋信息作為參考點的神經網絡模型的輸入端，從而獲取最終的精確位置估計。本發明的有益效果是，保障分簇人工神經網絡指紋定位法較低的計算與存儲開銷，提高分簇人工神經網絡指紋定位法的定位精度，為用戶提供準確位置信息。
文檔編號H04W64/00GK102932738SQ20121042978
公開日2013年2月13日 申請日期2012年10月31日 優先權日2012年10月31日
發明者丁根明, 談振輝, 張金寶, 張令文, 陳銘珅, 白嗣東 申請人:北京交通大學