[發明專利]一種基于眾包數據的室內定位方法

有效

• 申請號: 201810731808.5
• 申請日: 2018-07-05
• 公開（公告）號: CN109141420B
• 公開（公告）日: 2020-06-05
• 發明（設計）人: 陳媛芳;吳鋌;胡偉通;王瀟皓;張辰婷
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G01C21/20
• 分類號: G01C21/20;H04W64/00
• 代理公司: 杭州君度專利代理事務所(特殊普通合伙) 33240
• 代理人: 朱月芬

1.一種基于眾包數據的室內定位方法，包括如下步驟：

步驟一：搭建分布式的實時計算系統：

實時計算系統遵循基于移動通信的網絡輔助體系結構，看作由N個固定信號發射器T＝{t₁,t₂,…t_N}和M個移動信號接收器R＝{r₁,r₂,…r_M}組成的無線網，各個移動終端周期性地通過數據庫向數據分析中心上報數據；具體實施時固定信號發射器指WiFi路由器或支持藍牙的個人電腦，移動信號接收器指各個用戶支持WiFi和藍牙的移動終端；

步驟二：數據分析中心收集數據、采用LiCS算法實時分析與定位：數據分析中心實時收集步驟一中各個移動終端上報的數據，每一條記錄包含用戶最新的時間戳；數據分析中心運行LiCS算法對收集到的數據進行實時分析與定位；

首先用EM聚類算法分析群體行為，然后實時訓練出最優位置估計神經網絡，從而實現實時定位，使得每一條記錄帶有聚簇序號來指示其位置；

EM聚類算法給出每條記錄具體步驟如下：

步驟1、使用EM聚類算法對數據分析中心收集到的各終端的無線移動數據進行聚類，分析其群體行為，為每條記錄計算屬于每一個聚簇的后驗概率，EM聚類算法將當前記錄劃分到后驗概率最大的聚簇中；由于EM聚類算法采用極大似然估計來確定模型的參數，初始化參數后的參數迭代公式極大化訓練集的似然值，即發生概率，所以最終的似然值表征聚類結果的好壞，隨著算法的持續迭代而增加，越高的似然值代表聚類結果越好；

對每一個聚簇計算該聚簇的聚簇中心的位置，給該聚簇標上唯一的序號，用以指示聚簇位置，建立一張序號-聚簇中心位置索引表，每一條記錄都將被劃入它的聚簇中并帶有該聚簇的序號；

步驟2、搭建一個神經網絡，訓練并進行定位，具體步驟如下：

步驟2.1、數據預處理：將所有的記錄整理成信號三元組RSS、MAC_T和MAC_R，即對于特定地點的接收信號強度RSS，MAC_T是通信信號發射器的MAC地址，MAC_R是通信信號接收器的MAC地址；

步驟2.2、搭建神經網絡：以p(t)表示在時刻t對移動終端位置的估計，最初收集數據中用記錄中的聚簇序號來指示，我們搭建一個神經網絡用已觀察到的值p(t)，p(t-1)，p(t-2)，…,p(t-i+1)來計算p(t+1)，見式⑶：

α_j為神經網絡的隱層第j個節點到輸出節點的連接權重，j＝0,1,2,…,s；β_ij為第i個輸入值到第j個隱層節點的連接權重,i＝0,1,2,…,r、j＝0,1,2,…,s；r為用于計算當前定位的已觀察到的位置的數量；s為隱層節點的數量；∈為估計誤差；使用邏輯斯蒂函數作為隱層的激活函數；

步驟2.3、搭建完畢后的訓練：訓練時將每個用戶的記錄都按時間先后順序排序，將帶有聚簇位置的時序信號三元組作為神經網絡的輸入，以最小化輸出和真實位置的偏差為目標，采用隨機梯度下降法，得到參數α_j和β_ij的最優值配置，從而獲得一個擁有最優參數配置的位置估計模型；

步驟2.4、用帶有最優參數配置的神經網絡定位目標：給出目標的起始位置p(0)，計算接收到的新的信號三元組和所有聚簇中心的歐幾里得距離，即新的信號三元組來自定位目標，如果聚簇序號K擁有最短距離，則p(0)＝k；使用訓練得到的最優位置估計模型，從起始位置p(0)開始，獲得位置的時間序列，基于已觀察到的位置p(t)，p(t-1)，p(t-2)，…,p(t-k+1)，使用式⑶計算出p(t+1)；

步驟2.5、對步驟2.1～2.4中數據收集、EM聚類分析、神經網絡位置估計實時進行，不斷更新；借助新獲取的信號三元組，能夠周期性地訓練最優位置估計模型；如果接收器能夠檢測到更多的信號發射器，更有效地區分不同的位置以提高定位準確度；

步驟三、數據分析中心將目標的準確定位發送至移動終端。

2.如權利要求1所述的一種基于眾包數據的室內定位方法，其特征在于：步驟二中EM聚類算法通過對以下兩個步驟進行反復迭代來最大化似然值：令S^u為用戶u的簽入數據，其中時間戳是必須的；θ為包含聚簇序號的聚類模型參數；目標是找到屬于全部用戶u的參數θ的最大似然估計；

E步：基于當前建立的參數θ^t，計算當前建立的參數θ^t的對數似然函數的期望值，見式(1)：

M步：找到合適的參數θ新值，使參數θ^t最大化，見式⑵：