基于大数据的无线实时位置定位方法
【专利摘要】本发明公开了基于大数据的无线实时位置定位方法，步骤如下：将被定位的检测区域网格化，设置在检测区域内的若干无线路由器发射无线信号，在网格化后区域的每个方格内用无线信号接收器多次采集无线路由器的无线信号的信息，将采集的无线信号信息组成大数据集无线信号指纹库；信号预处理；参数训练：训练深度神经网络DNN；基于训练的深度神经网络DNN的信号特征提取和特征分类；基于隐马尔科夫模型HMM的位置估计。本发明在不影响实时定位速度的情况下提升定位结果的准确性，成功将定位问题融入到大数据的背景中，并有效的利用大数据的优势来提高实时定位系统的性能。
【专利说明】基于大数据的无线实时位置定位方法
【技术领域】
[0001]本发明通常涉及无线定位技术，尤其涉及基于大数据的无线实时位置定位方法。【背景技术】
[0002]目前在世界范围内的定位技术主要有GPS定位、W1-Fi定位、蓝牙定位等，GPS定位主要应用于室外，W1-F1、蓝牙定位既可用于室内，也可用于室外。GPS定位由于其特殊的工作方式，与本发明的具体实现相差较远。本定位技术适用但不限于W1-F1、蓝牙等定位方式。由于W1-Fi定位相对成熟，下面以W1-Fi定位技术为背景来介绍本发明的具体内容。
[0003]随着无线路由器的普及，目前大部分公共区域都已经实现十几个甚至几十个W1-Fi信号覆盖，而且这些路由器在向四周传播W1-Fi信号的同时，也不停的发送其物理地址与信号强度等信息，只要在其信号覆盖范围内，即使不知道W1-Fi的密码，也同样能获得这些信息。W1-Fi定位技术正是充分利用了这类公共的信息，从而实现实时定位。
[0004]W1-Fi定位技术包括硬件与软件两部分，硬件包括无线信号发射器(如无线路由器)、信号接收器(如手机)、定位显示终端(如显示屏)等，软件主要实现用采集到的信号判断位置等功能。其中传统的定位方式有两种:一种是基于硬件的定位，该定位方式利用硬件测到的物理量(如信号传送时间，达到角度等)确定位置，对硬件要求比较高；一种是基于指纹的定位，该定位过程大体上分两个阶段，首先在采集阶段收集定位区域的无线信号作为指纹，然后在定位阶段利用目标对象当前获得的无线信号与这些指纹进行匹配并定位。随着软件算法的越来越成熟，基于指纹算法的定位方式越来越普及。指纹算法的大致流程如图1所示。
[0005]目前国内外相关的无线定位研究包括，芬兰Ekahau公司成立于2000年，提供以W1-Fi技术为基础的实时定位系统。江苏苏州的优频科技有限公司从事无线网络芯片及相关产品研发设计，如基于无线局域网(W1-Fi)的物联网系统，包括无线定位模块、定位卡或腕带等。上海锐帆信息科技有限公司从事有源RFID、RTLS实时定位系统等安全产品的研究。
[0006]现有的与定位相关专利主要有，芬兰Ekahau公司的专利[ISequence-basedpositioning technique,申请号 / 专利号 EP1532465A1,发明设计人:Pauli Misikangas ；Petri MYLLYMAKI；]和[2基于序列的定位技术，申请号/专利号03815410.2，发明设计人:P.米西坎加斯；P.米吕迈基]等。他们在专利中提出，用隐马尔可夫模型对位置序列进行建模，采用双向递推的方法用观测结果序列来求取最伟的定位位置。其公式如下:
[0007]
【权利要求】
1.基于大数据的无线实时位置定位方法，其特征是，包括如下步骤: 首先，将被定位的检测区域网格化，设置在检测区域内的无线路由器发射无线信号，在网格化后区域的每个方格内用无线信号接收器多次采集无线路由器的无线信号的信息，将采集的无线信号信息组成大数据集无线信号指纹库； 信号预处理:将大数据集无线指纹库中的无线信号数据或者无线接收器所观测到的信号向量进行归一化处理； 参数训练:采用受限玻尔兹曼机RBM训练和误差反向传播BP训练相结合的方式对深度神经网络DNN的参数进行学习，训练深度神经网络； 基于训练的深度神经网络DNN的信号特征提取和特征分类:所述特征提取是提取当前时刻所观测到的无线信号的特征，利用训练的深度神经网络DNN对归一化处理后的输入向量进行非线性变换，将输入向量投影到合适的空间；所述特征分类是将提取到的特征进行分类，从而实现对当前实际位置所对应的方格进行实时位置估计； 最后，基于隐马尔科夫模型HMM的位置估计:利用所估计位置在时间上连续性，将深度神经网络DNN的多个输出转换为隐马尔科夫序列，采用隐马尔科夫模型HMM对隐马尔科夫序列进行实时位置估计，从而得到最佳的实时定位位置。
2.如权利要求1所述的基于大数据的无线实时位置定位方法，其特征是，所述无线信号信息包括无线信号自身的物理地址与无线信号强度信息。
3.如权利要求1所述的基于大数据的无线实时位置定位方法，其特征是，所述信号预处理的具体步骤为:输入为一组无线信号向量，对该无线信号向量而言，每一个元素代表了一个无线信号发射器在同一观测位置上的信号强度；对于每一个无线信号发射器而言，在由近及远的无线信号接收器上所观测到的该发射器所发出的无线信号强度由-30向-100递减；故采用公式V = (R+100)/70将信号向量归一化到[O I]范围内；其中，R表示某观测位置所观测到各信号发射器所发出的信号强度组成的向量，V表示预处理后的结果，同时也是神经网络的输入。
4.如权利要求1所述的基于大数据的无线实时位置定位方法，其特征是，所述特征提取的具体步骤为:采用深度神经网络DNN来提取特征向量，所述特征提取是由底层输入层经过中间隐藏层往最上层隐藏层传递的过程，层与层之间的传递包括线性变换公式(4)和非线性变换公式(5):
5.如权利要求1所述的基于大数据的无线实时位置定位方法，其特征是，所述特征分类的具体步骤为: 引入分类器实现对输入的无线信号向量的分类:将采集到的信号归一化预处理后输入DNN,通过底层输入层传递到最上层隐藏层，提取得到信号的特征，再通过分类器在输出层得到估计结果I”即输入信号向量R的实际位置I位于各个方格Ii的概率Pd = Ii IR)，从而实现对信号实际位置的预估计。
6.如权利要求1所述的基于大数据的无线实时位置定位方法，其特征是，所述参数训练的具体步骤为: 参数预训练:先采用无位置信息的无线信号向量，用无监督的方法，逐层对深度神经网络进行RBM预训练，完成DNN神经网络的参数初始化； 参数预训练完成后:再采用有位置信息的信号向量，用有监督的方法，通过BP训练，用输出结果和预期结果的误差来反向调整网络参数，实现对参数的进一步调整，使深度神经网络最终能实现特征提取和分类； 所述预训练是逐层进行的，先用输入层数据来训练输入层神经元和第一层隐藏层神经元的之间的权重系数及这两层神经元的偏置，并获得第一层隐藏层的神经元状态； 再用第一层隐藏层的神经元状态来训练第一层隐藏层神经元和第二层隐藏层神经元之间的权重系数及这两层神经元的偏置； 以此类推，直到训练完除顶层输出层外的其他神经元权重系数和偏置；此时完成了DNN神经网络的参数预训练； 完成了网络参数的逐层预训练后，需要用随机取值的方法对最上层隐藏层与顶层输出层之间的权重系数进行初始化，才能接下来对整个网络进行全局BP训练。
7.如权利要求6所述的基于大数据的无线实时位置定位方法，其特征是，所述BP训练中，采用有监督的全局参数训练的方法:已知无线信号强度向量的实际位置属于某个方格，通过不断调整网络参数使得网络的输出和真实的结果相同。
8.如权利要求1所述的基于大数据的无线实时位置定位方法，其特征是，基于隐马尔科夫模型HMM的位置估计的具体步骤为: 通过深度神经网络计算1-T时间段内时刻t观测到的信号向量Rt属于方格Ii的概率P (Ii I Rt)，其中1≤t≤T ;因此在1-T时间段内，对于这个概率序列，利用HMM来推断序列中某个信号Rt对应的位置； 令HMM模型为Θ = (L, R, A, B, π )，其中L为状态量，L中第i个元素Ii (1 ≤i≤N，N为定位区域的网格数)表示定位区域中的方格i ;R为观测量，R中第t个元素Rt(l<t<T，T为观测序列的长度)表示t时刻观测到的无线信号强度向量;A为状态转移矩阵，A中第i行第j列的元素aij(l ≤ i, j ≤ N)表示当前时刻实际位置I在方格Ii的情况下，下一时刻实际位置i'在方格Ij的转移概率P0- =IjIl = Ii) ;B为观测矩阵，B中第j行第t列的元素bjt (I≤j≤N，I≤t≤T)表示在方格Ij观测到信号Rt的观测概率P (Rt 11 = Ij)；^为初始状态矩阵，π中第i个元素π Jl < i < N)表示初始时刻实际位置1°为方格Ii的初始概率P (1° = Ii);那么有
【文档编号】G01S5/02GK103945533SQ201410205616
【公开日】2014年7月23日 申请日期:2014年5月15日 优先权日:2014年5月15日
【发明者】张伟, 刘侃, 田天, 宫世杰 申请人:济南嘉科电子技术有限公司