本發(fā)明涉及一種基于optics密度聚類和bp神經(jīng)網(wǎng)絡(luò)的超寬帶室內(nèi)定位方法。

背景技術(shù)：

超寬帶(uwb)無線通信時(shí)，根據(jù)錨節(jié)點(diǎn)與目標(biāo)節(jié)點(diǎn)間傳輸數(shù)據(jù)的到達(dá)時(shí)間(toa)、到達(dá)時(shí)間差(tdoa)、到達(dá)角度(aoa)或者信號(hào)強(qiáng)度(rssi)，可計(jì)算錨節(jié)點(diǎn)與目標(biāo)節(jié)點(diǎn)間幾何距離，再利用錨節(jié)點(diǎn)與目標(biāo)節(jié)點(diǎn)間平面或立體幾何關(guān)系，得出目標(biāo)節(jié)點(diǎn)位置。為了提高該定位方法的定位精度，現(xiàn)有的改進(jìn)方案多采用聚類算法、卡爾曼濾波得到目標(biāo)節(jié)點(diǎn)坐標(biāo)數(shù)據(jù)。但現(xiàn)有方法存在受環(huán)境影響大、非視距情況下精度低的問題。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明針對(duì)現(xiàn)有技術(shù)的不足，提供一種基于optics密度聚類和bp神經(jīng)網(wǎng)絡(luò)的超寬帶室內(nèi)定位方法，以減小現(xiàn)有室內(nèi)定位方法受環(huán)境影響大和定位精度低的問題。

為了達(dá)到上述目的，本發(fā)明一種基于optics密度聚類和bp神經(jīng)網(wǎng)絡(luò)的超寬帶室內(nèi)定位方法，主要包括以下步驟：

首先，以超寬帶定位系統(tǒng)采集到的已知位置上目標(biāo)節(jié)點(diǎn)坐標(biāo)信息為基礎(chǔ)，對(duì)已知位置上采集到的多個(gè)坐標(biāo)信息進(jìn)行optics密度聚類，篩選該已知位置點(diǎn)對(duì)應(yīng)的多個(gè)可靠坐標(biāo)；

其次，用該已知位置點(diǎn)與可靠坐標(biāo)均值中心形成數(shù)據(jù)對(duì)(已知位置，可靠訓(xùn)練樣本)；

第三，對(duì)復(fù)數(shù)個(gè)已知位置點(diǎn)進(jìn)行同樣的聚類篩選，形成各自已知位置點(diǎn)對(duì)應(yīng)的數(shù)據(jù)對(duì)；

第四，通過bp神經(jīng)網(wǎng)絡(luò)對(duì)所有已知位置點(diǎn)的數(shù)據(jù)對(duì)的集合進(jìn)行訓(xùn)練，得出bp神經(jīng)網(wǎng)絡(luò)定位識(shí)別模型；

最后，利用訓(xùn)練好的bp神經(jīng)網(wǎng)絡(luò)定位識(shí)別模型對(duì)可靠待識(shí)別點(diǎn)進(jìn)行位置識(shí)別，得出的識(shí)別結(jié)果即為最終定位坐標(biāo)。

優(yōu)選地，所述超寬帶定位系統(tǒng)包括至少三個(gè)定位錨節(jié)點(diǎn)和一個(gè)移動(dòng)目標(biāo)節(jié)點(diǎn)，每個(gè)錨節(jié)點(diǎn)和移動(dòng)目標(biāo)節(jié)點(diǎn)上各配有一根天線；所述錨節(jié)點(diǎn)圍成平面所投影地面按照相鄰設(shè)定的距離取參考位置，則該參考位置稱為已知位置。

本發(fā)明采用超寬帶定位系統(tǒng)包括四個(gè)定位錨節(jié)點(diǎn)(a1，a2，a3，a4)和一個(gè)移動(dòng)目標(biāo)節(jié)點(diǎn)(tag)，錨節(jié)點(diǎn)和目標(biāo)節(jié)點(diǎn)各配有一根天線。在實(shí)驗(yàn)室采用吸頂方式水平固定四個(gè)錨節(jié)點(diǎn)，形成一個(gè)600*400cm²的矩形，天線朝下與地面垂直；移動(dòng)目標(biāo)節(jié)點(diǎn)水平固定在遙控車上，天線朝上與地面垂直；通過超寬帶定位系統(tǒng)相配套的配置軟件，根據(jù)實(shí)際建立空間直角坐標(biāo)系，設(shè)置各個(gè)定位錨節(jié)點(diǎn)的坐標(biāo)a1(0，0，285)、a2(400，600，285)、a3(0，600，285)、a4(400，600，285)，啟動(dòng)超寬帶定位系統(tǒng)即可通過串口接收該系統(tǒng)返回的融合定位數(shù)據(jù)。四個(gè)錨節(jié)點(diǎn)圍成平面所投影地面按照相鄰50cm取參考位置，稱為已知位置。

與現(xiàn)有技術(shù)相比，本發(fā)明利用optics密度聚類算法對(duì)超寬帶定位系統(tǒng)采集到的原始坐標(biāo)數(shù)據(jù)進(jìn)行優(yōu)化過濾，再利用bp神經(jīng)網(wǎng)絡(luò)的非線性映射能力建立起定位識(shí)別模型，提高超寬帶定位系統(tǒng)的環(huán)境適應(yīng)性，從而得到相對(duì)基于聚類方法、卡爾曼濾波等方式更精確的定位結(jié)果。

附圖說明

圖1為本發(fā)明的流程示意圖。

具體實(shí)施方式

以下結(jié)合附圖和具體實(shí)施例對(duì)本發(fā)明進(jìn)行詳細(xì)描述，但不作為對(duì)本發(fā)明的限定。

參照?qǐng)D1，本發(fā)明實(shí)施例一種基于optics密度聚類和bp神經(jīng)網(wǎng)絡(luò)的超寬帶室內(nèi)定位方法，主要包括以下步驟：

首先，以超寬帶定位系統(tǒng)采集到的已知位置上目標(biāo)節(jié)點(diǎn)坐標(biāo)信息為基礎(chǔ)，對(duì)已知位置上采集到的多個(gè)坐標(biāo)信息進(jìn)行optics密度聚類，篩選該已知位置點(diǎn)對(duì)應(yīng)的多個(gè)可靠坐標(biāo)；

其次，用該已知位置點(diǎn)與可靠坐標(biāo)均值中心形成數(shù)據(jù)對(duì)(已知位置，可靠訓(xùn)練樣本)；

第三，對(duì)復(fù)數(shù)個(gè)已知位置點(diǎn)進(jìn)行同樣的聚類篩選，形成各自已知位置點(diǎn)對(duì)應(yīng)的數(shù)據(jù)對(duì)；

第四，通過bp神經(jīng)網(wǎng)絡(luò)對(duì)所有已知位置點(diǎn)的數(shù)據(jù)對(duì)的集合進(jìn)行訓(xùn)練，得出bp神經(jīng)網(wǎng)絡(luò)定位識(shí)別模型；

最后，利用訓(xùn)練好的bp神經(jīng)網(wǎng)絡(luò)定位識(shí)別模型對(duì)可靠待識(shí)別點(diǎn)進(jìn)行位置識(shí)別，得出的識(shí)別結(jié)果即為最終定位坐標(biāo)。

所述超寬帶定位系統(tǒng)包括四個(gè)定位錨節(jié)點(diǎn)和一個(gè)移動(dòng)目標(biāo)節(jié)點(diǎn)，每個(gè)錨節(jié)點(diǎn)和移動(dòng)目標(biāo)節(jié)點(diǎn)上各配有一根天線；所述四個(gè)錨節(jié)點(diǎn)圍成平面所投影地面按照相鄰設(shè)定的距離取參考位置，則該參考位置稱為已知位置。

采用超寬帶定位系統(tǒng)包括四個(gè)定位錨節(jié)點(diǎn)(a1，a2，a3，a4)和一個(gè)移動(dòng)目標(biāo)節(jié)點(diǎn)(tag)，每一個(gè)錨節(jié)點(diǎn)和目標(biāo)節(jié)點(diǎn)配有一根天線。在實(shí)驗(yàn)室采用吸頂方式水平按照位置固定四個(gè)錨節(jié)點(diǎn)，形成一個(gè)400*600cm²的矩形，天線朝下與地面垂直；移動(dòng)目標(biāo)節(jié)點(diǎn)水平固定在遙控車上，天線朝上與地面垂直；通過超寬帶定位系統(tǒng)相配套的配置軟件，根據(jù)a1為原點(diǎn)建立空間直角坐標(biāo)系，根據(jù)實(shí)際距離設(shè)置各個(gè)定位錨節(jié)點(diǎn)的坐標(biāo)：a1(0，0，285)、a2(400，600，285)、a3(0，600，285)、a4(400，600，285)，啟動(dòng)超寬帶定位系統(tǒng)即可通過串口接收該系統(tǒng)返回的融合定位數(shù)據(jù)。所述中已知位置點(diǎn)為四個(gè)錨節(jié)點(diǎn)圍成平面所投影地面按照相鄰50cm取參考位置，共96個(gè)位置。

下面說明采集數(shù)據(jù)和使用數(shù)據(jù)：

1)將tag放置在某一已知位置si，按照超寬帶定位系統(tǒng)串口通訊協(xié)議進(jìn)行數(shù)據(jù)采集，每次讀取n個(gè)坐標(biāo)，構(gòu)成集合(m1，m2，…，mn)，n取經(jīng)驗(yàn)值15。

2)將取得的坐標(biāo)集合mi(i＝1，2，…，n)采用optics密度聚類算法，將集合mi中密度較大的多個(gè)數(shù)據(jù)中心作為已知位置si可靠的訓(xùn)練樣本點(diǎn)。

3)在同一已知位置si，重復(fù)步驟2)k次，取得si可靠的樣本訓(xùn)練點(diǎn)集合k的取值根據(jù)bp神經(jīng)網(wǎng)絡(luò)訓(xùn)練效果決定。

4)重復(fù)步驟1)～3)，取得n(n≤96)個(gè)已知位置坐標(biāo)及其可靠估計(jì)坐標(biāo)構(gòu)成訓(xùn)練樣本集合使用該訓(xùn)練樣本集合訓(xùn)練bp神經(jīng)網(wǎng)絡(luò)，從而獲得bp神經(jīng)網(wǎng)絡(luò)定位識(shí)別模型。

在定位階段，將tag放在某一待定位識(shí)別位置，按照步驟1)和步驟2)的做法，獲得待定位識(shí)別位置的估計(jì)坐標(biāo)將其輸入到訓(xùn)練好的bp神經(jīng)網(wǎng)絡(luò)定位識(shí)別模型進(jìn)行擬合，從而得到tag所處位置坐標(biāo)(x，y)。

上述步驟中optics密度聚類算法在本發(fā)明中的作用如下：

對(duì)超寬帶uwb定位系統(tǒng)產(chǎn)生的原始坐標(biāo)數(shù)據(jù)進(jìn)行排序，輸出除掉噪聲點(diǎn)之后的聚類數(shù)據(jù)。

輸入?yún)?shù)：超寬帶uwb定位系統(tǒng)產(chǎn)生的原始坐標(biāo)集合mi(i＝1，2，…，n)、∈、minpts。

輸出參數(shù)：除掉噪聲點(diǎn)之后并且排序好的聚類數(shù)據(jù)集合ei(i＝1，2，…，n)。

領(lǐng)域半徑∈與核心點(diǎn)時(shí)的閾值minpts來源：由于該算法對(duì)輸入?yún)?shù)不敏感，按照經(jīng)驗(yàn)取值即可。

算法描述如下：

引入數(shù)據(jù)結(jié)構(gòu)：

mi，i＝1，2，…，n：optics算法的輸入數(shù)組。

pi，i＝1，2，…，n：optics算法的輸出數(shù)組，pi∈{1，2，…，n}表示排在第i個(gè)位置的坐標(biāo)的編號(hào)。

ri，i＝1，2，…，n：第i號(hào)坐標(biāo)的可達(dá)距離。

ci，i＝1，2，…，n：第i號(hào)坐標(biāo)的核心距離。

vi，i＝1，2，…，n：為輔助數(shù)組，標(biāo)記坐標(biāo)是否已經(jīng)存在輸出序數(shù)組中，0表示未在pi中，1表示已在pi中。

初始化偽算法：

1.給定參數(shù)∈和minpts。

2.賦值原始數(shù)據(jù)數(shù)組m。

3.生成n∈(i)，i＝1，2，…，n。

4.生成ci，i＝1，2，…，n。

5.令vi＝0，i＝1，2，…，n。

6.令ri＝undefined，i＝1，2，…，n。

7.令k＝1。

8.將數(shù)組seedlist初始化為空。

主程序偽算法：

算法可做如下文字描述：

輸入：超寬帶uwb定位系統(tǒng)產(chǎn)生的原始坐標(biāo)數(shù)據(jù)形成一個(gè)數(shù)組m，領(lǐng)域半徑∈，定義核心點(diǎn)時(shí)的閾值minpts。

1、建立三個(gè)數(shù)組，有序數(shù)組(核心點(diǎn)及該核心點(diǎn)的直接密度可達(dá)點(diǎn))，結(jié)果數(shù)組(存儲(chǔ)樣本輸出及處理次序)，輔助數(shù)組。

2、如果m數(shù)組中數(shù)據(jù)全部處理完，則算法結(jié)束，否則從m數(shù)組中選擇一個(gè)未處理且未核心對(duì)象的點(diǎn)，將該核心點(diǎn)放入結(jié)果數(shù)組，該核心點(diǎn)的直接密度可達(dá)點(diǎn)放入有序數(shù)組，直接密度可達(dá)點(diǎn)并按可達(dá)距離升序排列；

3、如果有序數(shù)組為空，則回到步驟2，否則從有序數(shù)組中取出第一個(gè)點(diǎn)；

3.1判斷該點(diǎn)是否為核心點(diǎn)，不是則回到步驟3，是的話且如果該點(diǎn)不在結(jié)果數(shù)組則將該點(diǎn)存入結(jié)果數(shù)組；

3.2該點(diǎn)是核心點(diǎn)的話，找到其所有直接密度可達(dá)點(diǎn)，并將這些點(diǎn)放入有序數(shù)組，且將有序數(shù)組中的點(diǎn)按照可達(dá)距離重新排序，如果該點(diǎn)已經(jīng)在有序數(shù)組中且新的可達(dá)距離較小，則更新該點(diǎn)的可達(dá)距離。

3.3重復(fù)步驟3，直至有序數(shù)組為空。

4、算法結(jié)束。

利用上述產(chǎn)生的提取密度較大的聚類，即用于訓(xùn)練bp神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)。

提取密度較大的聚類方法如下：

給定半徑∈和minpts，此處的∈要求小于上述的領(lǐng)域半徑。

1、從輸出數(shù)組pi中按順序取出點(diǎn)，如果該點(diǎn)的可達(dá)距離不大于給定半徑∈，則該坐標(biāo)屬于當(dāng)前類別tempei(i＝1)，否則至步驟2；

2、如果該點(diǎn)的核心距離大于給定半徑∈，則該點(diǎn)為噪聲，可以忽略，否則該點(diǎn)屬于新的聚類tempei(i＝i+1)，跳至步驟1；

3、輸出數(shù)組遍歷結(jié)束，比較各個(gè)聚類中tempei(i＝1，2，…，n)數(shù)據(jù)個(gè)數(shù)，將數(shù)據(jù)多的數(shù)組ei輸出，作為可靠的樣本點(diǎn)或待識(shí)別點(diǎn)，算法結(jié)束。

至此，聚類算法結(jié)束，輸出已優(yōu)化過的坐標(biāo)數(shù)據(jù)集合ei，用均值的方式取該聚類的中心。

另一關(guān)鍵步驟中所用bp神經(jīng)網(wǎng)絡(luò)在本發(fā)明中的作用和流程如下。

作用：對(duì)已知位置坐標(biāo)及其對(duì)應(yīng)可靠坐標(biāo)構(gòu)成訓(xùn)練樣本集合進(jìn)行學(xué)習(xí)訓(xùn)練，建立定位識(shí)別模型；對(duì)待定位識(shí)別位置的估計(jì)坐標(biāo)進(jìn)行識(shí)別，得出最終定位識(shí)別結(jié)果。bp神經(jīng)網(wǎng)絡(luò)提供了非線性映射的能力，以減小室內(nèi)定位環(huán)境影響，提高定位精度。

bp神經(jīng)網(wǎng)絡(luò)在本專利中分訓(xùn)練和識(shí)別輸出兩個(gè)過程。

訓(xùn)練過程歸結(jié)為“模式順傳播”、“誤差逆?zhèn)鞑ァ?、“記憶?xùn)練”、“學(xué)習(xí)收斂”4個(gè)步驟。

1)模式順傳播

模式順傳播是指由可靠訓(xùn)練樣本點(diǎn)構(gòu)成的輸入模式經(jīng)輸入層通過中間層向輸出層的傳遞過程。由輸入模式提供給網(wǎng)絡(luò)的輸入層開始的，輸入層各個(gè)單元對(duì)應(yīng)于已知位置坐標(biāo)及其對(duì)應(yīng)可靠坐標(biāo)構(gòu)成訓(xùn)練樣本集合中的

設(shè)可靠訓(xùn)練樣本點(diǎn)構(gòu)成的輸入模式向量為：

ai＝{xi1，xi2，…，xim}，i＝1，2，……n；n為學(xué)習(xí)模式對(duì)數(shù)，m為輸入層單元個(gè)數(shù)；

對(duì)應(yīng)輸入模式的已知位置點(diǎn)輸出向量為：

yi＝{yi1，yi2，…，yip}，i＝1，2，……n；n為與輸入學(xué)習(xí)模式對(duì)相對(duì)應(yīng)的輸出模式數(shù)；p為支單元數(shù)。

根據(jù)m-p神經(jīng)元模式原理，首先按式(2.1)計(jì)算第一隱含層各單元的輸入模式。

式中，wij為輸入層至第一隱含層的連接權(quán)；θij為第一隱含層的單元閥值；j＝1，2，3，……，第一隱含層神經(jīng)元。

人工神經(jīng)元是模擬生物神經(jīng)元的非線性信息傳遞特性，以si作為s函數(shù)的自變量，計(jì)算第一隱含層各單元的輸出，s函數(shù)的數(shù)學(xué)表達(dá)式如式(2.2)所示：

將2.1帶入式2.2得：

按模式傳播的思想，由(2.4)和(2.5)式計(jì)算輸出層各單元的輸入(第二隱含層的輸出)和網(wǎng)絡(luò)實(shí)際輸出。

式中：wjk，wkp分別為中間層，中間層至輸出層的連接權(quán)：θbk，θp分別為中間和輸出的閥值。

一個(gè)輸入模式至此完成了一遍順序傳播過程。

2)誤差逆?zhèn)鞑?/p>

誤差逆?zhèn)鞑ブ干窠?jīng)網(wǎng)絡(luò)的已知位置值與輸出值之間的誤差信號(hào)，由輸出層經(jīng)過中間層向輸入層逐層修正連接過程。首先是要計(jì)算本次輸出值與已知位置值之間的誤差，依據(jù)誤差的大小自動(dòng)調(diào)節(jié)輸出層到隱含層之間的連接權(quán)值wkp、隱含層之間的連接權(quán)值wjk和隱含層到輸入層之間的連接權(quán)值wij的大小，也就是由輸入層的誤差δy向中間層的誤差δbk傳遞的過程。這里誤差逆?zhèn)鞑ミ^程的數(shù)學(xué)表達(dá)式為：

式中：是由式(2.5)確定的輸出值；y為已知位置值；δy、δbk、δaj分別為輸出層、第二隱含層和第一隱含層各單元所得的誤差值。式(2.6)的物理含義是：項(xiàng)表示網(wǎng)絡(luò)在已知位置值引導(dǎo)下的希望輸出與網(wǎng)絡(luò)學(xué)習(xí)后輸出值之間的絕對(duì)誤差；項(xiàng)是根據(jù)各單元的實(shí)際響應(yīng)調(diào)整偏差值(本次輸出值的導(dǎo)數(shù))。當(dāng)輸出層某單元的輸入在0附近，其輸出變化幅度較大時(shí)，處于峰值附近，與項(xiàng)相乘后，增強(qiáng)了偏差的校正作用。反之，當(dāng)的絕對(duì)值較大時(shí)，其輸出變化幅度很小，即此單元所受激勵(lì)對(duì)此單元這一次學(xué)習(xí)過程所起的校正作用不大，而此時(shí)正好處于較小值的部分，當(dāng)與項(xiàng)相乘后，減弱了偏差的校正作用。采用慣性校正法各層權(quán)值及閾值修正計(jì)算公式的表達(dá)式為：

wkp(m+1)＝wkp(m)+ηδybk+aδwkp(m)，輸出層權(quán)值修正；

wjk(m+1)＝wjk+ηθbkai+aδwjk(m)，輸出層與隱含層連接權(quán)值修正；

wij(m+1)＝wij(m)+ηδajxm+aδwij(m)，輸入層與隱含層連接權(quán)值修正；

θp(m+1)＝θp(m)+ηδp+aδθp(m)，輸出層閥值修正；

θbk(m+1)＝θbk(m)+ηδbk+aδθbk(m)，輸出層與隱含層閥值修正；

θaj(m+1)＝θaj(m)+ηδaj+aδθaj(m)，輸入層與隱含層閥值修正。(2.7)

式中：α為學(xué)習(xí)系數(shù)(0＜a＜1)；η為學(xué)習(xí)率(步長(zhǎng))；m為樣本號(hào)；δw(m)和δθ(m)分別為權(quán)值和閾值的前次校正量。全局誤差計(jì)算公式為：

由式(2.7)可知，連接權(quán)的調(diào)整量依賴于三個(gè)因素：α，η和bk(aj、xm)。首先，調(diào)整量與誤差δ成比例，即誤差越大，調(diào)整的幅度也就越大。其次與連接權(quán)所對(duì)應(yīng)的中間層單元的輸出值bk成比例，某中間層單元的激活值越高，它在這次學(xué)習(xí)過程中就顯得越活躍，則與其相關(guān)的連接權(quán)的調(diào)整幅度也就應(yīng)該越大。調(diào)整量與學(xué)習(xí)率η和學(xué)習(xí)系數(shù)α成比例，通常取值在0.25至0.90之間。

3)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練

神經(jīng)網(wǎng)絡(luò)根據(jù)已知位置值與輸出層輸出值的誤差調(diào)整連接權(quán)值和節(jié)點(diǎn)值的過程。

4)全局誤差迭代收斂

網(wǎng)絡(luò)訓(xùn)練的收斂過程就是誤差趨向于極小值的過程，全局誤差由(2.8)式確定。

至此bp神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)束，得到bp神經(jīng)網(wǎng)絡(luò)定位識(shí)別模型。

與現(xiàn)有技術(shù)相比，本發(fā)明利用optics密度聚類算法對(duì)超寬帶定位系統(tǒng)采集到的原始坐標(biāo)數(shù)據(jù)進(jìn)行優(yōu)化過濾，再利用bp神經(jīng)網(wǎng)絡(luò)的非線性映射能力建立起定位識(shí)別模型，提高超寬帶定位系統(tǒng)的環(huán)境適應(yīng)性，從而得到相對(duì)基于聚類方法、卡爾曼濾波等方式更精確的定位結(jié)果。

以上已將本發(fā)明做一詳細(xì)說明，但顯而易見，本領(lǐng)域的技術(shù)人員可以進(jìn)行各種改變和改進(jìn)，而不背離所附權(quán)利要求書所限定的本發(fā)明的范圍。