基于ELMAN神经网络的蓝牙室内微定位系统的制作方法

本发明涉及的是信息系统，具体涉及一种基于elman神经网络的蓝牙室内微定位系统。

背景技术：

本发明在已有的基于蓝牙的室内定位基础上，运用elman神经网络算法，对于其稳定性和精度有了很大的提高。在蓝牙的摆放位置上，位置的变化基本不会因其误差。并且在系统主机模块，可以链接上位机，直接将数据传输，进行更为复杂的定位计算，增强了该方法的适用性。室内定位技术的方法已渐渐趋于成熟，但基于蓝牙的室内定位，在不同的室内环境中，其精度和稳定度都会受到不同的影响。本发明正是针对这一情况，弥补了蓝牙室内定位技术的精度和稳定性问题，并且在此基础上，对于环境的变化也具有一定的适应性，同时为进行复杂的定位算法提供了技术支持。

技术实现要素：

针对现有技术上存在的不足，本发明目的是在于提供一种基于elman神经网络的蓝牙室内微定位系统，提高了定位技术的精度和稳定性，且对环境具有一定的适应性，同时为进行复杂的定位算法提供了技术支持。

为了实现上述目的，本发明是通过如下的技术方案来实现：基于elman神经网络的蓝牙室内微定位系统，包括系统主机、蓝牙锚点和定位目标构成，所述的系统主机包括嵌入式处理器、蓝牙主节点(蓝牙模块)和通信模块，所述的嵌入式处理器采用意法半导体公司的stm32f103zet6高性能微处理器,通讯模块采用simcom公司的sim900a模块，主节点蓝牙模块采用低功耗蓝牙无线数传模块rl-cc2541-s3。sim900a用于与上位机的通信，cc2541采集定位所需的主机信号强度指示，一块蓝牙模块固定在定位目标上，在定位的室内区域中布设系统主机和蓝牙锚节点，其中固定在定位目标上的蓝牙模块工作在主机模式，蓝牙主节点(蓝牙模块)和蓝牙锚节点(蓝牙模块)工作在从机模式。

所述的蓝牙主节点和蓝牙锚节点(蓝牙模块)分别测得接收的rssi值，并通过蓝牙通信发送到主节点，再由蓝牙主节点通过通信接口将各节点的rssi值传递给嵌入式处理器，处理器首先将数据的均值的和标准差计算出来，然后采用拉伊达准则，把误差较大的值舍去，这时将采集到的数据中进行高斯滤波，从而达到去除rssi中的高斯噪声成分的目的。

所述的定位系统的目标位置的计算采用elman神经网络，elman神经网络由输入层、隐含层、输出层构成，其连接权通过学习进行修正；反馈连接由一组“结构”单元构成，用来记忆前一时刻的输出值,其连接权值是固定的；输入层由一个蓝牙主节点和两个或更多的蓝牙锚节点提供的rssi测量值组成，隐层神经元的数量可依照kolmogorov针对三层神经网络提出的经验公式获得。即nhid＝2nin+1，其中nhid为隐层神经元的数目，nin为输入神经元的数目。输出层由两个神经元构成，其输出为相应定位目标的估计位置；该算法分为两个步骤：第一步首先进行室内定位的初始化网络的权值，然后从输入层计算隐层和输出层的输出；第二步是从输出层和隐层向输入层计算迭代误差，然后根据迭代误差调整网络的权值，当迭代误差小于设定门限或超过最大迭代次数时结束。结束后系统存储最终确定的网络权值，然后将采集到的数据传输到处理器，计算最终结果。

本发明具有以下有益效果：

1、精度和稳定性的提高：传统的室内蓝牙定位，具有精度低和稳定性不足的问题，本案中通过前期的对异常数据采用拉伊达准则剔除，再经过高斯滤波减小噪声对于测量值的影响，最终由elman神经网络算法计算出目标的估计位置，经过这些步骤，有效的提升了基于蓝牙室内定位的精度和稳定性问题。

2、环境的适应性：本案采用的elman神经网络算法，具有较强的逼近任意非线性映射的能力，使其可以在非理想的基站分布形式中使用，消除了室内定位时，锚节点非理想分布对定位精度的影响，提高了环境的适应程度。

附图说明

下面结合附图和具体实施方式来详细说明本发明；

图1为本发明的结构示意图；

图2为本发明的elman神经网络结构图(rssi为信号强度，x，y为目标位置坐标)。

具体实施方式

为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。

参照图1-图2，本具体实施方式采用以下技术方案：1、定位系统的构成，蓝牙室内微定位系统由系统主机、蓝牙锚点和定位目标构成，其中系统主机由嵌入式处理器、蓝牙主节点和通信模块组成。嵌入式处理器采用意法半导体公司的stm32f103zet6高性能微处理器,通讯模块采用simcom公司的sim900a模块，蓝牙模块采用低功耗蓝牙无线数传模块rl-cc2541-s3。sim900a可以低功耗实现数据的无线传输，主要用于与上位机的通信。cc2541可采集定位所需的主机信号强度指示(receivedsignalstrengthindication，rssi)，提高了定位锚节点的集成度降低了系统的功耗。在系统中，一块蓝牙模块固定在定位目标上，在定位的室内区域中布设系统主机和蓝牙锚节点，其中固定在定位目标上的蓝牙模块工作在主机模式，蓝牙主节点和蓝牙锚节点工作在从机模式。

2、数据的处理，主节点和锚节点蓝牙模块分别测得接收的rssi值，并通过蓝牙通信发送到主节点，再由主节点通过通信接口将各节点的rssi值传递给嵌入式处理器，处理器首先将数据的均值的和标准差计算出来，然后采用拉伊达准则，把误差较大的值舍去。这时采集到的数据中还含有噪声，电子系统中的噪声随机分布满足的是高斯分布，所以这时将数据进行高斯滤波，有效减小随机噪声对测量值得影响，从而达到去除rssi中的高斯噪声成分的目的。

3、目标位置的计算，elman神经网络是一种典型的局部回归网络，是一种具有局部记忆单元和局部反馈连接的递归神经网络。elman神经网络由输入层、隐含层、输出层构成，其连接权可以通过学习进行修正；反馈连接由一组“结构”单元构成，用来记忆前一时刻的输出值,其连接权值是固定的。输入层由一个蓝牙主节点和两个或更多的蓝牙锚节点提供的rssi测量值组成，隐层神经元的数量可依照kolmogorov针对三层神经网络提出的经验公式获得。即nhid＝2nin+1，其中nhid为隐层神经元的数目，nin为输入神经元的数目。输出层由两个神经元构成，其输出为相应定位目标的估计位置。该算法分为两个步骤：第一步首先进行室内定位的初始化网络的权值，然后从输入层计算隐层和输出层的输出；第二步是从输出层和隐层向输入层计算迭代误差，然后根据迭代误差调整网络的权值，当迭代误差小于设定门限或超过最大迭代次数时结束。结束后系统存储最终确定的网络权值，然后将采集到的数据传输到处理器，计算最终结果。

本具体实施方式通过前期的对异常数据采用拉伊达准则剔除，再经过高斯滤波减小噪声对于测量值的影响，最终由elman神经网络算法计算出目标的估计位置，经过这些步骤，有效的提升了基于蓝牙室内定位的精度和稳定性问题。采用的elman神经网络算法，具有较强的逼近任意非线性映射的能力，使其可以在非理想的基站分布形式中使用，消除了室内定位时，锚节点非理想分布对定位精度的影响，提高了环境的适应程度。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。