[發(fā)明專利]基于路徑匹配與編碼譯碼循環(huán)神經(jīng)網(wǎng)絡(luò)的室內(nèi)定位方法

有效

• 申請?zhí)枺?/td>: 201710750288.8
• 申請日: 2017-08-28
• 公開（公告）號(hào): CN107396322B
• 公開（公告）日: 2019-12-27
• 發(fā)明（設(shè)計(jì)）人: 柏思琪;萬群;顏銘江;張毅
• 申請（專利權(quán)）人: 電子科技大學(xué)
• 主分類號(hào): H04W4/02
• 分類號(hào): H04W4/02;H04W4/021;H04W4/33;H04W64/00;G01C21/20
• 代理公司: 51232 成都點(diǎn)睛專利代理事務(wù)所(普通合伙)
• 代理人: 孫一峰

1.基于路徑匹配與編碼譯碼循環(huán)神經(jīng)網(wǎng)絡(luò)的室內(nèi)定位方法，該方法用于基于M個(gè)AP、一個(gè)移動(dòng)設(shè)備和定位服務(wù)器構(gòu)成的定位系統(tǒng)，所述AP與移動(dòng)設(shè)備構(gòu)成M個(gè)收發(fā)對，其特征在于，所述的定位方法包括訓(xùn)練階段和測試階段；

訓(xùn)練階段：

在待定位區(qū)域中設(shè)計(jì)的路徑上行走，并采集移動(dòng)設(shè)備在各路徑上行走時(shí)來自AP的動(dòng)態(tài)RSS時(shí)間序列；對RSS時(shí)間序列進(jìn)行預(yù)處理；用插值法得到對應(yīng)的位置時(shí)間序列；建立編碼譯碼循環(huán)神經(jīng)網(wǎng)絡(luò)模型，用LSTM作為模型的基本組件，定位服務(wù)器利用預(yù)處理后的RSS時(shí)間序列及對應(yīng)的位置時(shí)間序列對循環(huán)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練；訓(xùn)練階段具體包括以下步驟：

S1、數(shù)據(jù)采集：

手持移動(dòng)設(shè)備在待定位區(qū)域數(shù)據(jù)采集路徑上勻速移動(dòng)，同時(shí)移動(dòng)設(shè)備無線網(wǎng)卡接收來自M個(gè)AP以固定速率發(fā)送的數(shù)據(jù)包，獲取RSS數(shù)據(jù)，把從路徑的起點(diǎn)到終點(diǎn)采集的數(shù)據(jù)作為一次RSS時(shí)間序列數(shù)據(jù)采集；數(shù)據(jù)采集總共進(jìn)行N次，第n次數(shù)據(jù)采集的RSS時(shí)間序列記為：

ⁿS＝[ⁿs₁ⁿs₂…ⁿs_T]，n＝1,...,N，

其中T表示序列的長度，ⁿs_t(t＝1,...T)表示第n次數(shù)據(jù)采集來自各AP以△t為區(qū)間長度的等長時(shí)間區(qū)間[(t-1)△t,t·△t]內(nèi)的RSS數(shù)據(jù)的均值組成的RSS向量，記為：

S2、數(shù)據(jù)預(yù)處理：

數(shù)據(jù)預(yù)處理包括對步驟S1中采集到的數(shù)據(jù)集{ⁿS,n＝1,...,N}進(jìn)行中心化、歸一化、切片以得到適合循環(huán)神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)訓(xùn)練的數(shù)據(jù)集；

數(shù)據(jù)集的中心化的方法是把所有數(shù)據(jù)減去其均值；

數(shù)據(jù)集的歸一化方法是把中心化后的數(shù)據(jù)除以其標(biāo)準(zhǔn)差；

當(dāng)數(shù)據(jù)集中時(shí)間序列ⁿS長度T較大時(shí)，可采用重疊切片的方式得到T-L+1個(gè)長度L(L<T)較小的RSS時(shí)間序列^ntx，即^ntx＝[ⁿs_t,...,ⁿs_t+L-1]，t＝1,...,T-L+1；

S3、獲取位置標(biāo)簽：

根據(jù)采集路徑的端點(diǎn)、長度和T的大小插值得到與RSS時(shí)間序列對應(yīng)的位置時(shí)間序列^nty＝[ⁿy_t,...,ⁿy_t+L-1]，t＝1,...,T-L+1，即RSS時(shí)間序列^ntx對應(yīng)的位置標(biāo)簽序列，其中ⁿy_t∈R²表示RSS向量ⁿs_t對應(yīng)的二維位置坐標(biāo)；將序列對{^ntx,^nty}作為訓(xùn)練編碼譯碼循環(huán)神經(jīng)網(wǎng)絡(luò)模型的輸入和輸出對，記為{x,y}；

S4、建立編碼譯碼循環(huán)神經(jīng)網(wǎng)絡(luò)模型：

模型由編碼器和譯碼器兩部分組成，兩部分均采用循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)；

譯碼器的目的是，給定的固定長向量表示c和先前預(yù)測到的路徑{y₁,...,y_t-1}，預(yù)測下一個(gè)時(shí)刻的位置y_t，即譯碼器將聯(lián)合概率分解為有序條件概率來定義匹配路徑y(tǒng)的概率：

其中，y＝(y₁,...,y_L)，對于循環(huán)神經(jīng)網(wǎng)絡(luò)，每個(gè)條件概率模型為：

p(y_t|{y₁,...,y_t-1},c)＝g(y_t-1,s_t,c)

其中g(shù)為非線性多層函數(shù)用于輸出y_t的概率，s_t為譯碼器的隱藏層狀態(tài)；為了引入對齊機(jī)制，重新定義模型架構(gòu)：

p(y_i|{y₁,...,y_i-1},x)＝g(y_i-1,s_i,c_i)

其中s_i為譯碼器在i時(shí)刻的隱藏層狀態(tài)，計(jì)算方式為：

s_i＝f(s_i-1,y_i-1),c_i)

對于每個(gè)目標(biāo)位置y_i都有一個(gè)不同的編碼c_i，

權(quán)重α_ij的計(jì)算方式為：

其中e_ij＝a(s_i-1,h_j)，是一個(gè)對齊模型，它表示譯碼器中第i-1時(shí)刻與編碼器中第i時(shí)刻的匹配程度；將對齊模型a參數(shù)化為與所提出的系統(tǒng)的所有其他組件聯(lián)合訓(xùn)練的前饋神經(jīng)網(wǎng)絡(luò)；

編碼器處理輸入RSS時(shí)間序列x，通過下面公式把輸入序列編碼成固定長向量表示c，

h_t＝f(x_t,h_t-1)，

和

c＝q({h₁,...,h_L})，

其中為t時(shí)刻的采樣數(shù)據(jù)，為t時(shí)刻的隱藏狀態(tài)；f和q表示某個(gè)非線性函數(shù)，設(shè)定用LSTM單元作為f；

編碼器采用雙向循環(huán)神經(jīng)網(wǎng)絡(luò),包含前向和后向循環(huán)神經(jīng)網(wǎng)絡(luò)，前向循環(huán)神經(jīng)網(wǎng)絡(luò)按原始順序讀取輸入序列并計(jì)算前向隱藏層狀態(tài)后向循環(huán)神經(jīng)網(wǎng)絡(luò)以逆向讀取輸入序列得到后向隱藏層狀態(tài)最后的編碼器隱藏層狀態(tài)由前向和后向隱藏層狀態(tài)拼接得到，

測試階段：

移動(dòng)設(shè)備獲取在線RSS數(shù)據(jù)，得到RSS時(shí)間序列；對RSS時(shí)間序列進(jìn)行預(yù)處理，把預(yù)處理后的RSS時(shí)間序列作為已訓(xùn)練好的深度學(xué)習(xí)模型的輸入，得到的輸出序列作為對移動(dòng)設(shè)備的路徑位置估計(jì)。