技术领域
[0001] 本
发明属于室内定位技术领域，特别是一种基于多层融合网络动态匹配的室内定位方法。
背景技术
[0002] 近年来，随着无线
传感器网络及
物联网技术的迅速发展，室内定位技术展现出广阔的发展前景和商业价值。譬如，大型超市对货物的
跟踪管理，医院对病人的
位置实时监控，博物馆内对馆藏物品的导航和智能家居等不胜枚举。因此在巨大的市场
牵引力的作用下，寻找一种适合室内复杂定位环境下的高
精度实时定位系统，已经成为业界的研究重点。过去对室内定位的研究主要停留在GPS，RFID，
超声波，WiFi等技术。然而，采用GPS
信号进行室内定位时，穿透
建筑物墙壁后的
射频信号非常弱到之后定位误差过大。另一方面，采用RFID，
超声波，WiFi等技术进行定位时，需要耗费大量的人力物力搭建复杂的定位设施环境，不仅成本高，定位精度和安全性也得不到有效保障。可见光技术的发展给无线定位领域带来了新的技术革命。可见光通信(Visible light communication)作为一种新兴的无线通信方式，在电磁环境、使用环境、安全性等方面与传统通信方式对比具有明显的优势。这使得可见光定位成为新一代无线定位领域中热点问题。
[0003] 基于可见光的定位方法主要可分为四类：基于邻近关系的定位方法，基于几何关系的定位方法，统计定位方法和基于指纹的方法，其中基于指纹的定位方法由于不需要额外的参数估计以及较好的定位性能而受到了广泛关注。但是在实际可见光定位环境中，直接用指纹定位方法对实测样本进行定位容易使接收信号强度(Received Signal Strength)
波动的影响，造成较大的定位误差。其中RSS波动主要由发射机功率变化，未知的发射机功率等动态因素造成。RSS的波动性是制约指纹定位精度的关键因素，寻找一种克服复杂室内环境RSS波动的高精度定位系统，已经得到了广泛关注。
[0004] 文献“Guo X,Shao S,Ansari N,et al.Indoor Localization Using Visible Light via Fusion of Multiple Classifiers[J].IEEE Photonics Journal,2017,PP(99):1-1”是一种基于多分类器融合的指纹定位方法，该方法包括以下几个步骤：1)在划分好的格点采集RSS建立线下指纹库；2)利用线下建立的指纹库训练三种分类器进行室内定位分类器设计；3)利用一组额外的线下
训练数据的分类结果和真实结果之间的误差最小化，得到分类器对应的融合权重；4)在线上定位阶段，利用实测数据的RSS的分类结果，组合线下训练分类器权重得到最终的定位结果。的和各个格点上的线下分类器结果比较选取权向量，通过加权多个分类器的输出获取最终的定位结果。基于多个分类器的指纹定位方法，虽然在一定程度上提高了室内定位精度，但其缺点也较为明显，主要表现在以下两个方面：1)当发射机功率变化极大时，RSS波动明显，多分类器产生的结果无法抑制RSS波动带来的影响；2)每个格点中RSS数据分布存在差异，分类器效果也不仅相同，对于整个室内环境采取同一个融合权重，容易造成错误的加权，不仅难以提升融合后的精度，反而会降低融合的精度。这些
缺陷造成该方法的效果在范围较大，RSS波动明显的环境中急剧降低。因此，该类方法由于上述问题的存在而在复杂的室内环境中很难形成准确、实时、稳定的源位置估计。
发明内容
[0005] 本发明的目的是针对技术背景中基于RSS的多分类融合及求取融合权重时存在的缺陷，提出了一种基于多层融合网络动态匹配的高精度室内定位方法。该方法充分利用多种指纹及多种分类器之间存在的互补优势，构建多层融合网络，并且在全局误差最小准则下，获取最优权值矩阵，在线阶段则通过同时综合多分类器输出结果作为权值选取策略。本发明一方面增加了多种定位模式克服了RSS波动带来的匹配误差对性能下降的影响，另一方面优化了权重，充分挖掘多种定位模式之间的互补优势，从而提高了定位精度和稳健性。
[0006] 为了实现本发明的目的，将采用以下技术方案：一种适用于复杂室内环境的定位方法，它基于多层融合网络和线上动态匹配方法对信号源目标进行位置估计，它包括以下步骤：
[0007] 步骤1.在需要定位的环境中固定好LED的位置作为发射机，并将环境划分为等大小的格点。
[0008] 步骤2.建立离线指纹库，构建多样化指纹层：
[0009] 步骤2-1.搭建可见光定位环境，依次将光电
二极管(Photo Diode,PD)置于定位环境中的各个格点并记录下此时的PD的位置坐标。然后发射信号，记下PD接收到的各发射机发射的信号。
[0010] 步骤2-2.提取步骤2-1记录的信号数据的周期
功率谱密度，提取多种指纹特征[0011] 步骤2-3.将步骤2-2中提取的多种指纹存储下来。
[0012] 步骤3.训练分类器，构建多样化分类器层：
[0013] 步骤3-1.从指纹库中每个格点等份的取出一部分指纹数据。
[0014] 步骤3-2.步骤3-1取出的多指纹数据分别输入多个
机器学习算法中得到对应的分类器。
[0015] 步骤4.利用指纹库中剩余部分的指纹数据计算每个格点的全局融合权重，并把它储存在权重矩阵中。
[0016] 步骤5.实时定位：
[0017] 步骤5-1.把数据输入到步骤2的多样化指纹层，得到多种指纹特征
[0018] 步骤5-2.将步骤5-1得到的多种指纹输入到步骤3的多样化分类器层，输出分别对应多指纹的多种分类器的位置估计。
[0019] 步骤5-3.按照多指纹多分类器得到的位置估计索引权值矩阵中的权向量。
[0020] 步骤5-4.利用步骤5-3获得的权向量对步骤5-2的多种位置估计结果进行加权，得到对信号源最终的位置估计。
[0021] 其中，步骤1-4为线下阶段，即定位前的准备工作，步骤5为线上阶段，即实际定位阶段。
[0022] 本发明的方案通过充分提取接收信号的特征并结合多种分类器构建多层融合网络，来进行多指纹-多算法的动态匹配，有效的利用了不同指纹和分类器之间性能互补优势，提高了定位的准确性。动态匹配方法克服了技术背景中方法融合形式不能完全克服数据波动性和融合权重不能正确反映不同位置估计的缺点，从而使得低于平均性能的位置估计仍然有助于最终的位置估计。在线匹配时考虑在不同格点不同指纹-分类器组合性能的差异，在每个格点均训练一个权重。并且动态匹配过程中充分所有位置估计之间的多样性，降低了数据波动带来的权值选择误差带来的定位性能下降，提高了匹配准确率。最后根据匹配结果动态的融合各个位置估计值，得到所述定位终端最终的定位位置。从而本发明提出的基于多层融合网络的动态匹配方法是一种适合复杂室内环境下的高精度实时定位新方法。
[0023] 本发明的有益效果为，提出了基于多层融合网络的动态匹配方法，充分挖掘了多指纹之间，多算法之间的性能互补优势，提高了定位的稳健性；同时动态匹配的方法克服了背景技术中融合权重不能正确反映定位模式性能差异的问题，提高了定位的准确性。从而本发明提出的多层融合网络的动态匹配方法是一种定位精度高、稳健性好的实时定位方法。
附图说明
[0025] 图2为技术背景中采用的融合定位方法和本发明方法的定位误差性能比较图；
[0026] 图3为技术背景中采用的融合定位方法和本发明方法的定位误差累积百分比。
具体实施方式
[0027] 下面结合附图和
实施例，详细描述本发明的技术方案。
[0028] 实施例
[0029] 1.实验场地布置
[0030] 实验环境为0.7m×0.7m的试验台，位于新泽西理工学院教师纪念馆大楼四楼的优化网络实验室，现将实验场地划分为225个点，每个格点为0.05m×0.05m。使用四个可见光
光源作为发射器，其中每个光源由两个白光LED阵列组成，这些发射器的坐标位置分别为[-1.13,0.67,1.48]T，[1.56,-0.7,1.48]T，[-1.13,0.5,1.48]T和[1.56,0.47,1.48]T。
[0031] 2.获取数据并形成离线多种指纹库
[0032] 2-1.搭建可见光室内定位环境。
信号传输由两个配备LFTX
子板的USRP N210作为驱动光源，另一个带有LFRX子板的USRP N120用作信号接收器，利用
雪崩光电探测器APD 130A2/M作为光电转换器。即通过USRP传输由GNURadio生成的四个不同
频率的正弦信号(分别为800kHz，850kHz，900kHz和950kHz)。并且，由4偏置提供的23.6伏特直流电源的正弦信号组合ZFBT-6GW+作为四个可见光的驱动源。
[0033] 2-2.PD作为接收器置于测试环境中任意格点，接收传输的信号。并转发到USRP进行信号提取。同时记录下此时的格点编号和二维坐标，以及信号数据。
[0034] 2-3.对步骤2-2记录的信号，提取信号的周期功率谱密度的峰值，表示为该信号的RSS值。设在n时刻，m格点接收到第k个发射器发射的RSS测量值为 为了不赘述，在此给出时刻n在第一个格点提取的RSS数据(单位为dBm)
[0035]
[0036] 2-4.将步骤2-3中得到的不同格点的RSS存储下来，得到大小为225×4×N的RSS指纹库ΘRSS：
[0037]
[0038] 其中下标代表格点位置，N是在每个格点收集的RSS样本的个数。
[0039] 2-5.在2-4的RSS指纹库的
基础上，形成信号强度差异(Difference of signal strength，DIFF)指纹。由发射器之间的信号强度差异得到
[0040]
[0041] 其中r是格点编号，i和j是发射器编号，在1到4之间且i小于j，为方便说明，给出2-3中的RSS测量值形成的SSD信息
[0042]
[0043] 2-6.将步骤2-5中得到的不同格点的DIFF存储下来，得到大小为225×6×N的DIFF指纹库ΘDIFF：
[0044]
[0045] 2-7.在2-4的RSS指纹库的基础上，形成双曲线定位指纹(Hyperbolic Location Fingerprinting)指纹。首先将信号强度值由分贝毫瓦(dbm)转换为0-255的整数即
[0046]
[0047] 然后由路由器之间的信号强度比值得到
[0048]
[0049] 其中 r是格点编号，i和j是发射器编号。为方便说明，给出2-3中的RSS测量值形成的HLF信息：
[0050]
[0051] 2-8.将步骤2-7中得到的不同格点的HLF存储下来，得到大小为225×6×N的HLF指纹库ΘHLF:
[0052]
[0053] 3.训练分类器，得到多种定位模式
[0054] 3-1.取出步骤2-4，2-6和2-8得到的指纹库ΘRSS、ΘSSD和ΘHLF中每个格点60％的数据得到训练指纹库。
[0055] 3-2.将步骤3-1得到的训练指纹库输入到多种机器学习算法中，这里选用K最近邻(K-nearest neighbors,KNN)、
随机森林(Random Forest,RF)和极限学习机(Extreme Learning Machine,ELM)三种机器学习算法，从而得到三个分类器hi(i＝1,2,3)。
[0056] 3-3.取出指纹库中ΘRSS、ΘSSD和ΘHLF中剩余40％数据分别得到Θ1、Θ2和Θ3，输入到分类器hi中，得到预测结果hi(Θj)(i＝1,2,3，j＝1,2,3)。例如输入RSS指纹库的剩余数据Θ1到KNN分类器h1
[0057]
[0058] 其中h1(·): 是分类器的映射函数，描述从指纹值到其格点位置的映射，其中N1＝0.4×N。
[0059] 3-4.根据指纹种类数I＝3，分类器种类数J＝3，共产生K＝I×J中不同定位模式为方便说明，将K种定位模式记作
[0060] Z＝[z1,z2,...,zK]T (10)
[0061] 4.获取全局融合权重
[0062] 4-1.定义映射函数f(·): 描述从格点序号到格点真实二维坐标的映射，然后根据步骤3-4得到的预测结果，定义融合误差表达式：
[0063]
[0064] 其中Z(r,n)代表n时刻在格点r获得的多种定位结果，K是产生的位置估计的个数，e(Z(r,n)|w)代表数据Z(r,n)在权重w下融合的定位误差，p是真实格点二维坐标，||·||2代表二范数。
[0065] 4-2.求解下面的非线性规划问题，即可得到格点r上的全局融合权重：
[0066]
[0067] 其中wr＝[wr1 wr2 … wrK]T,N为在格点r上收集的每种指纹的样本个数。可以得到大小为225×K的权重矩阵：
[0068]
[0069] 5.确定未知源的坐标位置
[0070] 5-1.线上匹配，为了提高匹配准确率，我们充分利用每个分类器的匹配结果，首先根据分类器预测结果得到匹配格点：
[0071]
[0072] 其中 是测试样本产生的分类结果。然后从权重矩阵中选出对应的最优融合权重[0073] 5-2.利用步骤5-1中匹配得到的融合权值以及对应指纹-分类器的定位位置，可得的估计:
[0074]
[0075] 现针对坐标为[0.05,0.05]T的格点进行算法实测验证，某时刻该点实测RSS数据矢量为
[0076]
[0077] 则DIFF指纹为
[0078]
[0079] HLF指纹为
[0080]
[0081] 然后经线上匹配，得到
[0082]
[0083] 即根据不同指纹-分类器的匹配结果分别为第2,17,2,2,2,2,2,1和2个格点，然后分别权重矩阵W中取出对应的最优权重为
[0084]
[0085] 九种不同的预测的二维坐标矩阵为
[0086]
[0087] 则未知源位置的二维坐标估计值为 则最终定位误差为
[0088] 本发明经对实验场地中9000个测试样本(即每个格点40个样本)进行实测定位，其结果为：平均定位误差为5厘米,定位误差小于3厘米的占67％。图2为背景技术中采用的融合定位方法和本发明方法的定位误差性能比较图，其中较背景技术方法而言，本发明方法具有明显的优势。因为这是因为背景技术方法一方面融合的定位结果不能完全克服信号数据的波动性，另一方面该方面权值求解策略并没有充分挖掘不同位置估计值之间的内在关联特性，在指纹性能或分类器性能具有较大差异性时，融合权重不能正确反映不同指纹、分类器的重要性，使得融合性能会有较大下降。而本发明提出的方法能充分利用不同指纹之间和不同算法之间的互补优势，即使定位性能较差的指纹-分类器组合仍然有助于最终的位置估计。
