本發(fā)明涉及陸地?zé)o線定位技術(shù)，具體涉及基于反向傳播神經(jīng)網(wǎng)絡(luò)模型的室內(nèi)無線網(wǎng)絡(luò)定位方法。

背景技術(shù)：

信息時代的迅速進步使得眾多領(lǐng)域?qū)ξ恢眯畔⒌男枨笤絹碓酱?，其中，室外定位技術(shù)已經(jīng)趨于成熟，而室內(nèi)定位還有待進一步的發(fā)展。在主流的室內(nèi)方法中，Wi-Fi(無線保真)定位憑著成本低、移植性好、環(huán)境適應(yīng)能力強等優(yōu)勢，得到了廣泛的應(yīng)用。

Wi-Fi是一種將裝有無線網(wǎng)卡的設(shè)備通過連接至同一無線網(wǎng)絡(luò)接入點(Access Point，AP)從而進行通信的技術(shù)。Wi-Fi無線網(wǎng)絡(luò)主要由無線AP和無線網(wǎng)卡組成，Wi-Fi定位技術(shù)是基于Wi-Fi無線網(wǎng)絡(luò)實現(xiàn)的。當下，在學(xué)校、機場、商場等室內(nèi)環(huán)境基本都實現(xiàn)了Wi-Fi網(wǎng)絡(luò)的覆蓋，且覆蓋的方式主要是大量的路由器陣列。這些路由器位置固定，工作時間穩(wěn)定，且易于維護，完全符合Wi-Fi室內(nèi)定位技術(shù)對于AP的要求。

如果能夠有效的利用這些布置規(guī)律的Wi-Fi接入點(Wi-Fi AP)，則可以在降低室內(nèi)定位成本的同時，提高室內(nèi)定位精度。與此同時，手機、平板、個人電腦等移動終端已經(jīng)成為生活的必備品，而且這些終端都裝有無線網(wǎng)卡，可以接收到附近AP的信號，符合Wi-Fi室內(nèi)定位對于無線網(wǎng)卡設(shè)備的要求。然而現(xiàn)有技術(shù)并未提供利用Wi-Fi接入點實現(xiàn)Wi-Fi室內(nèi)定位的方法或技術(shù)。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于為了解決現(xiàn)有技術(shù)室內(nèi)定位技術(shù)定位成本高、定位不準確等問題的出現(xiàn)；提供基于反向傳播神經(jīng)網(wǎng)絡(luò)模型的室內(nèi)無線網(wǎng)絡(luò)定位方法。

為了達到上述目的，本發(fā)明通過以下技術(shù)方案實現(xiàn)：

一種基于反向傳播神經(jīng)網(wǎng)絡(luò)模型的室內(nèi)無線網(wǎng)絡(luò)定位方法，所述方法包括：

檢測應(yīng)用場景中每個采樣點接收到的所有無線接入點的信號強度，將所述所有無線接入點的信號強度與對應(yīng)的所述采樣點的位置坐標進行歸一化處理；

將每個所述采樣點的所述所有無線接入點的信號強度作為輸入樣本輸入初步建立的反向傳播神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，完成所述反向傳播神經(jīng)網(wǎng)絡(luò)模型的建立；

將檢測得到的所述應(yīng)用場景中的任一地點的無線接入點的信號強度輸入至所述反向傳播神經(jīng)網(wǎng)絡(luò)模型，定位所述地點的位置坐標。

較優(yōu)地，在檢測應(yīng)用場景中每個采樣點接收到的所有無線接入點的信號強度，將所述所有無線接入點的信號強度與對應(yīng)的所述采樣點的位置坐標進行歸一化處理的步驟之前，所述方法還包括：

在所述應(yīng)用場景中建立平面直角坐標系，確定若干個采樣點的位置坐標。

可選地，在所述應(yīng)用場景中建立平面直角坐標系，確定若干個采樣點的位置坐標的步驟中，具體包含：

在所述應(yīng)用場景中設(shè)定任意相鄰所述采樣點的間隔，并將所述間隔作為采樣精度；

根據(jù)所述間隔確定若干個所述采樣點的位置坐標；

在所述應(yīng)用場景中設(shè)有若干個可檢測的所述無線接入點。

優(yōu)選地，在將每個所述采樣點的所述所有無線接入點的信號強度作為輸入樣本輸入初步建立的反向傳播神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，完成所述反向傳播神經(jīng)網(wǎng)絡(luò)模型的建立的步驟中，具體包括：

S21，將每個所述采樣點的所述所有無線接入點的信號強度作為所述輸入樣本輸入所述初步建立的反向傳播神經(jīng)網(wǎng)絡(luò)模型的輸入層并進入隱層；

S22，所述初步建立的反向傳播神經(jīng)網(wǎng)絡(luò)模型的隱層將所述輸入樣本轉(zhuǎn) 化為輸出數(shù)據(jù)，并傳輸至所述初步建立的反向傳播神經(jīng)網(wǎng)絡(luò)模型的輸出層；

S23，當所述輸出層輸出的所述采樣點的計算位置坐標與所述采樣點的位置坐標之間距離大于設(shè)定期望值時，進入誤差的反向傳播處理，調(diào)整所述輸出層和所述隱層的權(quán)值和閾值；跳轉(zhuǎn)至步驟S21；

S24，當所述輸出層輸出的所述采樣點的計算位置坐標與所述采樣點的位置坐標之間誤差小于所述設(shè)定期望值時，所述反向傳播神經(jīng)網(wǎng)絡(luò)模型建立完成。

較佳地，在進入誤差的反向傳播處理，整所述輸出層和所述隱層的權(quán)值和閾值的步驟中，具體包含：

采用誤差梯度下降法調(diào)整所述輸出層和所述隱層的權(quán)值和閾值。

在符合本領(lǐng)域常識的基礎(chǔ)上，上述各優(yōu)選條件，可任意組合，即得本發(fā)明各較佳實例。

本發(fā)明的積極進步效果在于：

本發(fā)明公開的基于反向傳播神經(jīng)網(wǎng)絡(luò)模型的室內(nèi)無線網(wǎng)絡(luò)定位方法，首先，檢測應(yīng)用場景中每個采樣點接收到的所有無線接入點的信號強度，將所有無線接入點的信號強度與對應(yīng)的采樣點的位置坐標進行歸一化處理；其次，將每個采樣點的所有無線接入點的信號強度作為輸入樣本輸入初步建立的反向傳播神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，完成反向傳播神經(jīng)網(wǎng)絡(luò)模型的建立；最后，將檢測得到的應(yīng)用場景中的任一地點的無線接入點的信號強度輸入至反向傳播神經(jīng)網(wǎng)絡(luò)模型，定位地點的位置坐標。本發(fā)明相比于現(xiàn)有技術(shù)，具有較強的對輸入?yún)?shù)的容錯能力，且定位速度快、定位精度高。本發(fā)明通過檢測無線網(wǎng)接入點返回的信號強度就能實現(xiàn)室內(nèi)定位，可以應(yīng)用于各種配有無線網(wǎng)接入點的室內(nèi)環(huán)境，大大降低了定位成本。

附圖說明

圖1為本發(fā)明基于反向傳播神經(jīng)網(wǎng)絡(luò)模型的室內(nèi)無線網(wǎng)絡(luò)定位方法的整體流程示意圖。

圖2為本發(fā)明基于反向傳播神經(jīng)網(wǎng)絡(luò)模型的室內(nèi)無線網(wǎng)絡(luò)定位方法的實施例示意圖之一。

圖3為本發(fā)明基于反向傳播神經(jīng)網(wǎng)絡(luò)模型的室內(nèi)無線網(wǎng)絡(luò)定位方法的實施例示意圖之二。

具體實施方式

下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例。基于本發(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

如圖1所示，一種基于反向傳播神經(jīng)網(wǎng)絡(luò)模型的室內(nèi)無線網(wǎng)絡(luò)定位方法，方法包括：

S0，在應(yīng)用場景中建立平面直角坐標系，確定若干個采樣點的位置坐標。步驟S0具體包含：

S0.1，在應(yīng)用場景中設(shè)定任意相鄰采樣點的間隔，并將間隔作為采樣精度。

S0.2，根據(jù)間隔確定若干個采樣點的位置坐標。

S0.3，在應(yīng)用場景中設(shè)有若干個可檢測的無線接入點。

如圖2所示的應(yīng)用場景，將每相鄰的兩個采樣點的間隔設(shè)置為1m，并選取相應(yīng)的位置作為采樣點。

S1，檢測應(yīng)用場景中每個采樣點接收到的所有無線接入點的信號強度，將所有無線接入點的信號強度與對應(yīng)的采樣點的位置坐標進行歸一化處理。

如圖2所示的應(yīng)用場景中，每個采樣點對應(yīng)用場景進行無線AP的信號強度采用。默認的無線AP的信號強度值設(shè)為-99dB，也即沒有無線AP的信號。

本實施例中，對126個采樣點重復(fù)采樣7遍，一共得到采樣記錄882條。接著對數(shù)據(jù)進行歸一化處理，將每一條數(shù)據(jù)記錄求其均值和方差，然后將該 記錄的每一項均減去均值除以方差，得到標準化數(shù)據(jù)。

現(xiàn)有技術(shù)中，人工神經(jīng)網(wǎng)絡(luò)包含大量的神經(jīng)元，它們按照一定的結(jié)構(gòu)相互連接并且相互作用，這種相互作用突觸權(quán)值來表示。通過不斷地調(diào)節(jié)神經(jīng)網(wǎng)絡(luò)的突觸權(quán)值，使得實際輸出與期望輸出的誤差越來越小，從而能夠智能地完成信息處理任務(wù)的過程即為神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程。人工神經(jīng)網(wǎng)絡(luò)具有獨特的非傳統(tǒng)表達方式和很強的學(xué)習(xí)能力，是智能控制的一個重要組成部分，在控制領(lǐng)域也得到了廣泛的應(yīng)用。本發(fā)明采用的BP(Back Propagation，反向傳播)神經(jīng)網(wǎng)絡(luò)是一種典型的人工神經(jīng)網(wǎng)絡(luò)，且其是一種具有多層感知和信息修正模型的前饋型神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的基本原理是梯度最速下降法。神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程是一種誤差邊向前傳播邊修正權(quán)系數(shù)的過程。

S2，將每個采樣點的所有無線接入點的信號強度作為輸入樣本輸入初步建立的反向傳播神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，完成反向傳播神經(jīng)網(wǎng)絡(luò)模型的建立。步驟S2包含：

本實施例中，將BP神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)設(shè)置為三層神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)模型。如圖3所示，x_j表示輸入層第j個節(jié)點的輸入，j＝1,2,…,M；其中M為當前定位場景下AP的數(shù)量；w_ij表示隱層第i個節(jié)點到輸入層第j個節(jié)點之間的權(quán)值；θ_i表示隱層第i個節(jié)點的閥值，也稱為偏置；f(x)表示隱層的激勵函數(shù)；w_kj表示輸出層第k個節(jié)點到隱層第i個節(jié)點之間的權(quán)值，假設(shè)隱層神經(jīng)元q個，即i＝1,2,…,q；a_k表示輸出層第k個節(jié)點的閥值，k＝1,2,…,L；g(x)表示輸出層的激勵函數(shù)；O_k表示輸出層第k個節(jié)點的輸出。

S21，將每個采樣點的所有無線接入點的信號強度作為輸入樣本輸入初步建立的反向傳播神經(jīng)網(wǎng)絡(luò)模型的輸入層并進入隱層。

S22，初步建立的反向傳播神經(jīng)網(wǎng)絡(luò)模型的隱層將輸入樣本轉(zhuǎn)化為輸出數(shù)據(jù)，并傳輸至初步建立的反向傳播神經(jīng)網(wǎng)絡(luò)模型的輸出層。

輸入樣本的前向傳輸過程，具體如下：

隱層第i個節(jié)點的輸入net_i如公式(1)所示：

隱層第i個節(jié)點的輸出y_i如公式(2)所示：

輸出層第k個節(jié)點的輸入net_k如公式(3)所示：

輸出層第k個節(jié)點的輸出o_k如公式(4)所示：

S23，當輸出層輸出的采樣點的計算位置坐標與采樣點的位置坐標之間距離大于設(shè)定期望值時，進入誤差的反向傳播處理，調(diào)整輸出層和隱層的權(quán)值和閾值；跳轉(zhuǎn)至步驟S21。

本實施例中，將采樣精度的40％作為設(shè)定期望值。采用誤差梯度下降法調(diào)整輸出層和隱層的權(quán)值和閾值。

本實施例中，誤差的反向傳播處理具體包含：

當輸入傳到輸出層后，這時輸出的值可能與期望值不符，誤差將反向傳播，調(diào)整網(wǎng)絡(luò)的參數(shù)。首先由輸出層開始逐層計算各神經(jīng)元的輸出誤差，然后根據(jù)誤差梯度下降法來調(diào)節(jié)各層的權(quán)值和閥值，使修改后的網(wǎng)絡(luò)的最終輸出能接近期望值。

定義每一個樣本p的二次型誤差準則函數(shù)為E_p如公式(5)所示，其中T_k期望輸出值。

這里取方差和的1/2是為了計算方便。系統(tǒng)對P個訓(xùn)練樣本的總誤差準則函數(shù)如公式(6)所示：

根據(jù)誤差梯度下降法依次修正輸出層權(quán)值的修正量△w_kj，輸出層閥值的修正量△a_k，隱層權(quán)值的修正量△w_ij，隱層閥值的修正量△θ_i。

公式(8)為輸出層權(quán)重調(diào)整公式：

公式(9)為輸出層閥值調(diào)整公式：

公式(10)為隱層權(quán)值調(diào)整公式：

公式(11)為隱層閥值調(diào)整公式：

又因為：

所以參數(shù)調(diào)整的公式如下：

S24，當輸出層輸出的采樣點的計算位置坐標與采樣點的位置坐標之間誤差小于設(shè)定期望值時，反向傳播神經(jīng)網(wǎng)絡(luò)模型建立完成。

S3，將檢測得到的應(yīng)用場景中的任一地點的無線接入點的信號強度輸入至反向傳播神經(jīng)網(wǎng)絡(luò)模型，定位地點的位置坐標。

本實施例中，當真實的任一地點輸出坐標為(X,Y)，模型輸出坐標為(Ox,Oy)，則模型的最小均方誤差LMS如公式(20)所示：

考慮BP神經(jīng)網(wǎng)絡(luò)模型的復(fù)雜度并不是太大，并且在測試了大量的參數(shù)(包括神經(jīng)網(wǎng)絡(luò)層數(shù)，隱層的節(jié)點數(shù)，隱層的激活函數(shù)，誤差的期望值)后，將模型的參數(shù)設(shè)置為：隱層激活函數(shù)為sigmoid，輸出層激活函數(shù)為線性函數(shù)，隱層節(jié)點個數(shù)變化在輸入層節(jié)點總數(shù)的2/3左右。

雖然以上描述了本發(fā)明的具體實施方式，但是本領(lǐng)域的技術(shù)人員應(yīng)當理解，這些僅是舉例說明，本發(fā)明的保護范圍是由所附權(quán)利要求書限定的。本 領(lǐng)域的技術(shù)人員在不背離本發(fā)明的原理和實質(zhì)的前提下，可以對這些實施方式做出多種變更或修改，但這些變更和修改均落入本發(fā)明的保護范圍。