[發明專利]一種基于核極限學習機與粒子濾波的室內定位方法

在審

• 申請號: 202010969778.9
• 申請日: 2020-09-15
• 公開（公告）號: CN112040405A
• 公開（公告）日: 2020-12-04
• 發明（設計）人: 馬利;張建平;馮肖亮;吳蘭;閆晶晶;王偉生;張曉東;鄭維
• 申請（專利權）人: 河南工業大學
• 主分類號: H04W4/02
• 分類號: H04W4/02;H04W64/00;G06N20/00;G06N3/08
• 代理公司: 鄭州天陽專利事務所(普通合伙) 41113
• 代理人: 蔡文雅

1.一種基于核極限學習機與粒子濾波的室內定位方法，其特征在于，該室內定位方法包括離線階段和在線階段兩部分，在離線階段，設置n個AP點，在目標區域上合理選擇均勻的參考點RP，在每個參考點，采集每個AP的無線信號強度，然后參考點上的RSSI指紋數據表示為(si,ri)(i＝1,2…n)，實際的物理坐標為si＝(xi,yi)，該點指紋信息ri＝(ri1,ri2,…rim)是由m個AP組成的RSSI值，建立起指紋數據庫，得到RSSI高維向量與地理位置坐標二維向量的一一對應關系，在實際定位時，即在線階段，利用用戶接收到的一組RSSI，利用已經訓練好的模型與建立好的指紋數據庫中的指紋進行匹配，通過篩選匹配的結果來確定最后定位的位置。

2.根據權利要求1所述的基于核極限學習機與粒子濾波的室內定位方法，其特征在于，具體包括以下步驟：

一、首先采集WiFi的信號強度并記錄位置坐標來構建指紋數據庫，步驟如下：

1)實驗場地內布設n個AP，以試驗區域一個角為坐標原點，n個AP坐標分別放置試驗區的四個角，并記錄其坐標；

2)從原點起每隔1m間距設置一個指紋點，遍歷整個實驗區域，共計m個；

3)手持手機在預先布設的指紋點上，通過WIFI指紋采集APP采集并記錄每個指紋點對應的n個AP的RSSI值(RSSI_AP1i,RSSI_AP2i,RSSI_AP3i,……RSSI_APni)(i＝1,2,3…m)，每點采集時長10min，采集頻率1次/s；

4)將m個指紋點的采集數據通過高斯濾波方法進行濾波，濾波后的數據求平均值，作為最終結果同對應物理坐標(X_RP,Y_RP)錄入1m間距的指紋點離線數據庫；

5)重復步驟3)、4)，建立0.5m間距、2m間距的指紋點離線數據庫；

6)未知節點采集:在該實驗場地內隨機選取p個未知節點，記錄每個未知節點實際物理坐標(X_test,Y_test)，采集每個未知節點n個AP的RSSI值，方法同上；

7)將以上采集的數據存儲并建立數據庫，該數據庫就是指紋數據庫；

二、建立基于核函數的極限學習機，將采集的指紋數據庫通過基于核函數的極限學習機進行訓練，得到未知節點的位置坐標與信號強度之間的映射關系，假設設置L個參考點和n個接入點，那么ELM的輸入矩陣可以寫為

輸入層與隱含層之間的權值為：

輸出表達式為：

對于極限學習機，樣本數為N的(x_i,y_i)，x_i＝[x_i1,x_i2,…x_in]^T，y_i＝[y_i1,y_i2,…y_in]^T，L個隱層節點的SLFN可描述為：

f(x)＝Ψ(x)β 公式(4)

亦為：

其中μ_i和b_i為輸入權值和隱層神經元閾值，β_i表示隱層第i個神經元與輸出層的連接權值，Ψ(x)是隱層神經元的激活函數；

以矩陣形式表示為：

Ψβ＝Y 公式(6)

其中，

因為隨機產生輸入權值和隱層神經元閾值所以無需調整Ψ，隱層與輸出層連接權值β通過求解方程組min_β‖Ψβ-Y‖

解得：

β＝Ψ^-1Y 公式(7)

其中Ψ^-1是Moore-Penrose廣義逆矩陣；

KELM通過最小化訓練誤差和輸出權值的范數對網絡進行訓練，也就是最小化

||∑β_iψ_i(x_j)-y_j|| 公式(8)

由標準優化理論公式(8)，得到的最小化可寫為：

s.t.ψ(x_i)β＝y_i-ξ_i,i＝1,2,…,N 公式(10)

其中C為正則化參數；ξ_i是訓練誤差；

由KKT理論可知，以上問題等于解決下式優化問題：

式中η為拉格朗日算子；

解上述優化問題得：

Cξ_i＝η_i,i＝1,2,…,N 公式(13)

Ψ(x_i)β-y_i+ξ_i＝0,i＝1,2,…,N 公式(14)

式中η＝[η₁,η₂,…,η_N]^T。

將公式(9)、(10)和公式(11)帶入公式(12)、公式(13)、公式(14)解得：

定義核函數K(x_i,x_j)＝ψ(x_i)·ψ(x_j)^T，i,j＝1,2,…,N，則KELM隱層輸出為：

滿足Mercer條件，上式可寫為：

將選取如下的高斯RBF核函數形式，即：

k(x_i,x_j)＝exp(-||x_i-x_j||²/(2σ²)) 公式(18)

式中：σ為高斯RBF核函數的參數。

因此，KELM的隱層與輸出層的連接權值β為：

確定β權重值后，通過KELM進行訓練，那么，可以得到未知節點的位置坐標與信號強度之間的映射關系為：

Z_i,k＝h(S_i,X_k)+ζ_k 公式(20)

三、粒子濾波定位

在室內對未知節點的位置的判定可以看作一個概率的隨機過程，因此，采用粒子濾波算法來進行定位，在室內環境中根據需要分布有n個節點，且位置己知，運用粒子濾波解決未知節點定位之前需要建立動態空間模型。未知節點的位置狀態近似建模為：

式中，X_k＝[x_k,y_k]^T為未知節點的二維坐標，為x_k+1的k-1時刻的不同時刻未知節點坐標點的離散狀態轉移矩陣，u_k-1為服從高斯分布的過程噪聲；

觀測方程由KELM訓練得出：

Z_i,k＝h(S_i,X_k)+ζ_k 公式(22)

式中，ζ_i,k為服從高斯分布的觀測建模噪聲；

四、粒子濾波迭代定位，步驟如下：

1)首先進行數據初始化，K＝0時，設置初始位置參數

附近取m個粒子，將這些粒子初始權重先驗分布概率為p(x₀)；由于估計位置是由粒子的集合來標識的，因此節點測量值也是粒子集合；

2)其次進行更新，在k時刻，濾波估計的更新就是對不同的粒子賦予不同權重的過程，高斯似然函數能夠給靠近最新的測量值的粒子比較大的權重，得到新的權重值，計算過程如下：

歸一化權值，得到：

綜上，未知節點位置可估計為：

3)然后進行重采樣，重采樣主要是為了克服粒子退化問題，

設定閾值N_th，有效粒子的數量為；

如果N_eff＞N_th，則說明粒子發生退化，需要重采樣；

4)最后預測結果，根據式(26)估計未知節點的位置坐標；當下一時刻k＝k+1時，轉到步驟2)。