基于堆叠受限玻尔兹曼机和随机森林算法的室内定位方法与流程

本发明涉及无线通信技术和数据挖掘技术，属于无线通信大数据的室内定位方法，包括无监督深度学习特征提取方法和有监督机器学习定位方法，其中特征提取方法采用深度学习中的堆叠受限玻尔兹曼机算法，利用无监督的学习过程来提取原始数据中的深层次抽象特征，再采用机器学习中的随机森林算法训练室内定位模型。

背景技术：

定位技术，通常是指在某一空间中事先测得一组参考点的位置，然后通过这些已知参考点的位置来估算该空间内未知的移动终端的位置的过程。其在日常生活和生产以及公共事业和商务应用等许多领域都有着广泛的应用背景。但是用于室内定位时，由于建筑物对卫星信号的影响，定位能力受到很大的限制，相反，基于无线网络技术的定位系统进行室内定位时，定位效果明显提高。wlan技术因其在室内布设简单、部署广泛、价格低廉等特性更加适用于室内定位，而其中利用位置指纹库实现的定位技术因为其实现简单，定位精度高受到了较高的关注。

在现有的位置指纹库室内定位模型中，大部分采用的是主成分分析(pca)来进行数据特征提取，但主成分分析法只能提取数据间的线性特征，而忽略了数据间高于二阶的关系，限制了非线性特征的提取，针对于此，有些人提出了基于核函数的主成分分析(kpca)法来进行特征提取，这种方法可以有效提取数据间的非线性特征。但利用坐标变换方式提取特征可能会导致数据之间深层次的特征丢失，从而影响后面模型定位的准确性。

本文的模型优势在于采用堆叠受限玻尔兹曼机提取特征，直接从原始信号数据中学习深度特征，再带入到后面的随机森林模型训练，确保学习到特征的有效性，避免了一些有效信息的丢失，提高了定位精度。

技术实现要素：

本发明旨在利用深度学习方法学习信号强度数据的深层次的、抽象的特征，自主挖掘数据间内在的某种不易为人们感知的关联，再利用深度学习得到的特征来做定位，其目的是解决wifi室内定位过程中，减小对于不同接收设备和其他环境因素所带来的采集信号误差，使最终定位获取更大精度的问题。

一种基于堆叠受限玻尔兹曼机和随机森林算法的室内定位方法，其特征在于:

通过步骤1～4获得基于wlan信号强度的室内定位模型：

1)在所述室内定位运用场景中，布置m个参考节点(referencepoint,rp)和n个接入节点(accesspoint,ap)，在q个时刻，获取每个参考节点所接收到的接入节点(需要接收全部接入点的信号，如果收不到某个接入点信号，则用0表示)的信号强度数据，形成数据样本集c＝{c1、c2、……cq}，

其中：为第m个参考节点在第q个时刻，所检测到的第n个接入节点的信号强度数据,q＝1、2……q、n＝1、2……n，m＝1、2、……m；如果接收不到信号，则用0表示信号强度；

2)将步骤1获取的数据样本集c进行归一化处理，得到数据c^*。

3)深度特征提取：

基于受限玻尔兹曼机算法构建一个含有多个隐藏层的深度特征学习模型，预训练原始数据；深度学习网络每一层的权重分别为w1、w2…wf，特征集为hf；

具体步骤如下：

3-1)确定该深度学习网络的结构，设定其总共有f+1层，包括1个输入层，f-1个隐藏层和1个输出层，并确定每层的单元数g⁽¹⁾,g⁽²⁾…g^(f+1)；

3-2)将步骤2所得的n维数据样本集c^*作为输入层。

3-3)设定该层的初始权重w，采用对比散度算法进行训练，得到训练结果h1。

3-4)将训练结果h1作为其下一层的输入，并重复上一步骤，得到训练结果h2。

3-5)重复步骤3-3)，3-4)f次，得到第f+1层的输出结hf和该深度学习网络每一层的权重w1，w2…wf，训练结束。

4)将深度学习提取到的特征集hf作为定位输入数据集，利用随机森林算法进行训练建模，得到随机森林模型；

该随机森林模型输出结果为某个参考节点，其中1，2，3…n为参考节点编号，a1，a2，a3…an为某测量点所测得的接入节点信号强度，b1，b2，b3…bn为具体的信号强度值。

定位时，通过步骤a～d，获得待定位点的位置信息：

a)采用与步骤1)相同的方法，记录室内定位场景中的某个待定位点在当前时刻所能接收到的接入节点的信号强度数据，并保存到向量e中，e＝[a1a2a3…an]；an某个待定位点处检测到的第n个接入节点的信号强度数据,n＝1、2……n；如果接收不到信号，则用0表示信号强度；

b)采用与步骤2)相同的归一化方法和规则，将矩阵e归一化处理，得到向量f；

c)设定堆叠受限玻尔兹曼机网络的层数为f+1层，每层的权重采用步骤3所得到的权重w1，w2…wf，再将处理后的矩阵f作为该神经网络的输入，得到输出结果u^(f)。

d)将步骤c得到的数据集u^(f)作为输入，代入由步骤4所训练得到的随机森林模型中，其输出值对应到步骤1中所设置的n个参考节点之一。

具体内容可表现为：

,其中a1，a2，a3…an为某待定位节点所测得的各个接入节点的信号强度，不同待定位节点所得到的a1，a2，a3…an是不一样的，而b1，b2，b3…bn为已经确定了的某个固定数值，比如20db,11db等。

附图说明

图1.室内环境节点布置图

图2.本发明的方法流程

图3.堆叠限制玻尔兹曼机网络特征提取示意图

图4.单层限制玻尔兹曼机特征映射结构图

图5.误差距离为1.5m时随接入节点(ap)数量变化的定位准确率对比图。

具体实施方式

下面结合实施例对本发明作进一步说明，但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下，做出各种替换和变更，均应包括在本发明的保护范围内。

一种基于堆叠受限玻尔兹曼机和随机森林算法的室内定位方法，其特征在于:

通过步骤1～4获得基于wlan信号强度的室内定位模型：

1)在所述室内定位运用场景中，布置m个参考节点(referencepoint,rp)和n个接入节点(accesspoint,ap)，在q个时刻，获取每个参考节点所接收到的接入节点(需要接收全部接入点的信号，如果收不到某个接入点信号，则用0表示)的信号强度数据，形成数据样本集c＝{c1、c2、……cq}，

其中：为第m个参考节点在第q个时刻，所检测到的第n个接入节点的信号强度数据,q＝1、2……q、n＝1、2……n，m＝1、2、……m；如果接收不到信号，则用0表示信号强度；

2)将步骤1获取的数据样本集c进行归一化处理，得到数据与cq对应，即是归一化了的

3)深度特征提取：

基于受限玻尔兹曼机算法构建一个含有多个隐藏层的深度特征学习模型，预训练原始数据；深度学习网络每一层的权重分别为w1、w2…wf，特征集为hf；

具体步骤如下：

3-1)确定该深度学习网络的结构，设定其总共有f+1层，包括1个输入层，f-1个隐藏层和1个输出层，并确定每层的单元数n⁽¹⁾,n⁽²⁾…n^(f+1)；

3-2)将步骤2所得的n维数据样本集c^*作为输入层。

具体地：

选定数据集x1作为第一层的输入变量，其形式为：

3-3)设定该层的初始权重w，采用对比散度算法进行训练，得到训练结果h1。

其输出为：

其中n⁽²⁾为第1层隐含层单元数。

3-4)将训练结果h1作为其下一层的输入，并重复上一步骤，得到训练结果h2。

其中n⁽³⁾为第2层隐含层单元数。

3-5)重复步骤3-3)，3-4)f次，得到第f+1层的输出结hf和该深度学习网络每一层的权重w1，w2…wf，训练结束。

hf为：

其中n^((f+1)为第f层隐含层单元数。

4)将深度学习提取到的特征集hf作为定位输入数据集，利用随机森林算法进行训练建模，得到随机森林模型；

该随机森林模型输出结果为某个参考节点，其中1，2，3…n为参考节点编号，a1，a2，a3…an为某测量点所测得的接入节点信号强度，b1，b2，b3…bn为具体的信号强度值。

定位时，通过步骤a～d，获得待定位点的位置信息：

a)采用与步骤1)相同的方法，记录室内定位场景中的某个待定位点在当前时刻所能接收到的接入节点的信号强度数据，并保存到向量e中，e＝[a1a2a3…an]；an某个待定位点处检测到的第n个接入节点的信号强度数据,n＝1、2……n；如果接收不到信号，则用0表示信号强度；

b)采用与步骤2)相同的归一化方法和规则，将矩阵e归一化处理，得到向量f＝[b1b2b3…bn]；

c)设定堆叠受限玻尔兹曼机网络的层数为f+1层，每层的权重采用步骤3所得到的权重w1，w2…wf，再将处理后的矩阵f作为该神经网络的输入，得到输出结果u^(f)。

d)将步骤c得到的数据集u^(f)作为输入，代入由步骤4所训练得到的随机森林模型中，其输出值对应到步骤1中所设置的n个参考节点之一。

具体内容可表现为：

,其中a1，a2，a3…an为某待定位节点所测得的各个接入节点的信号强度，不同待定位节点所得到的a1，a2，a3…an是不一样的，而b1，b2，b3…bn为已经确定了的某个固定数值，比如20db,11db等。