一种基于信号多重消噪的蓝牙室内定位系统的制作方法

本发明涉及的是信息系统技术领域，具体涉及一种基于信号多重消噪的蓝牙室内定位系统。

背景技术：

在室内环境下蓝牙信号多径、易衰减、穿透能力低等缺陷,采用基于小波变换、改进的集合经验模态分解法和elman神经网络对信号进行消噪，然后利用taylor级数展开定位算法确定目标位置。随着小波理论的日益完善，其以自身良好的时频特性在非平稳信号消噪领域受到越来越多的关注。不过小波消噪的效果依赖于小波基的选取，另外其自适应性较差及大噪声情况下消噪效果不理想。而经验模态分解法(emd)以及改进的集合经验模态分解法(eemd)通过信号的特征时间尺度分解信号，自适应好，但仍存在边界问题，消噪效果尚不理想。elman神经网络对于噪声幅值不敏感，非线性映射能力强,具有计算量小、实时性好等优点，适合于复杂环境下的去噪。为充分发挥上述三种消噪方法的优点，提出了基于小波变换、eemd和elman神经网络三级消噪算法，对接收到的蓝牙信号进行多重消噪，从而有效的提高信噪比，减小噪声和非视距传播(nlos)造成的系统误差。

综上所述，本发明设计了一种基于信号多重消噪的蓝牙室内定位系统。

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信号多重消噪的蓝牙室内定位系统，提高了定位系统的定位精度，并对环境的变化具有一定的适应性。

为了实现上述目的，本发明是通过如下的技术方案来实现：一种基于信号多重消噪的蓝牙室内定位系统，包括以下步骤：

1、小波变换消噪，小波变换将信号分解到不同频带，通过阈值选择可以有效的滤除高频带中的噪声信号；

2、总体平均经验模态分解消噪，利用信号的局部特征时间尺度，从原信号中提取出若干阶固有模态函数(imf)和一个残余量，分解出的各阶imf分量突出了数据的局部特征，残余分量体现了信号中的缓慢变化量，达到消除高频噪声的目的；

3、神经网络消噪，具有更强的计算能力，突出优点是具有很强的优化计算和联想记忆功能，具有非线性连续有理函数的逼近功能，可以得到较好的消噪效果；

4、taylor级数展开定位，首先假定目标初始位置，然后对距离误差方程在初始位置进行泰勒展开，忽略二阶以上分量，然后利用最小二乘算法得到目标的改进位置，重复上述过程，直到误差足够小，得到目标的最终定位结果。

所述的步骤1具体包括：1.1、对含噪信号进行抽样离散化；1.2、对含噪的信号做离散小波变换，获得经验小波分解系数；1.3、通过选定的阈值得到真实信号小波系数的估计值；1.4、对获得的估计值进行小波逆变换，重构得到原始信号。

所述的步骤2具体包括：2.1、对小波消噪后的信号加入一组高斯白噪音；2.2、进行emd分解，产生一组imf的分量；2.3、把一阶imf去除，进行信号重构得到eemd重构后的信号。

所述的步骤3具体包括：3.1、初始化神经网络的权值和阈值；3.2、进行数据实测对网络进行训练；3.3、训练过程中根据迭代误差调整网络的权值和阈值；3.4、将所需的消噪数据输入神经网络进行处理得到消噪后数据。

本发明具有以下有益效果：

1、采用小波变换、eemd和elman神经网络进行三级去噪，充分发挥这三种消噪方法的优点，在复杂的室内环境下取得了良好的消噪效果。该算法可以有效的提高信噪比，特别是在大噪声条件下可以取得较好的消噪效果。

2、taylor级数展开定位算法通过设置初始估计位置，然后利用递归算法确定目标位置，在每一次递归中通过rssi测量误差的局部最小二乘解来改进估计位置。

采用本发明所述方法可以在一定程度上消除了室内复杂环境造成的测距误差的影响，可以有效的适应噪声的变化。获得更高的定位精度。

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为本发明的基于小波变换消噪流程图；

图2为本发明的总体平均经验模态分解消噪流程图；

图3为本发明的elman神经网络消噪消噪流程图。

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1-3，本具体实施方式采用以下技术方案：一种基于信号多重消噪的蓝牙室内定位系统，包括以下步骤：

1、小波变换消噪，小波变换将信号分解到不同频带，通过阈值选择可以有效的滤除高频带中的噪声信号；

2、总体平均经验模态分解消噪，利用信号的局部特征时间尺度，从原信号中提取出若干阶固有模态函数(imf)和一个残余量，分解出的各阶imf分量突出了数据的局部特征，残余分量体现了信号中的缓慢变化量，达到消除高频噪声的目的；

3、神经网络消噪，具有更强的计算能力，突出优点是具有很强的优化计算和联想记忆功能，具有非线性连续有理函数的逼近功能，可以得到较好的消噪效果；

4、taylor级数展开定位，首先假定目标初始位置，然后对距离误差方程在初始位置进行泰勒展开，忽略二阶以上分量，然后利用最小二乘算法得到目标的改进位置，重复上述过程，直到误差足够小，得到目标的最终定位结果。

所述的步骤1具体包括：1.1、对含噪信号进行抽样离散化；1.2、对含噪的信号做离散小波变换，获得经验小波分解系数；1.3、通过选定的阈值得到真实信号小波系数的估计值；1.4、对获得的估计值进行小波逆变换，重构得到原始信号。

所述的步骤2具体包括：2.1、对小波消噪后的信号加入一组高斯白噪音；2.2、进行emd分解，产生一组imf的分量；2.3、把一阶imf去除，进行信号重构得到eemd重构后的信号。

所述的步骤3具体包括：3.1、初始化神经网络的权值和阈值；3.2、进行数据实测对网络进行训练；3.3、训练过程中根据迭代误差调整网络的权值和阈值；3.4、将所需的消噪数据输入神经网络进行处理得到消噪后数据。

本发明的小波变换消噪，小波变换将信号分解到不同频带，通过阈值选择可以有效的滤除高频带中的噪声信号。为了改善硬阈值和软阈值在消噪上的不足，本具体实施方式阀值得选择采用软硬折衷法。总体平均经验模态分解消噪，总体平均经验模态分解(eemd)是一种附加白噪声的emd分解方法，能够减小emd分解时存在的模态混叠问题。利用信号的局部特征时间尺度，从原信号中提取出若干阶固有模态函数(imf)和一个残余量，分解出的各阶imf分量突出了数据的局部特征，残余分量体现了信号中的缓慢变化量，达到消除高频噪声的目的。神经网络消噪，elman神经网络与前向神经网络非常相似，具有更强的计算能力，突出优点是具有很强的优化计算和联想记忆功能，具有非线性连续有理函数的逼近功能，可以得到较好的消噪效果。

本具体实施方式提高了定位系统的定位精度，并对环境的变化具有一定的适应性。

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。