论文研究-基于PDR反馈的Wi-Fi室内定位算法研究.pdf

所需积分/C币:30 2019-07-22 22:10:03 1.51MB .PDF
37
收藏 收藏
举报

Wi-Fi指纹定位易受周围环境的影响,稳定性差;行人航迹推算(pedestrian dead reckoning,PDR)定位需要待定位目标的初始位置,且容易产生累计误差。针对上述问题,提出了一种基于PDR反馈的Wi-Fi室内定位算法。该算法主要分为三个阶段:基于相关向量回归(relevance vector regression,RVR)的初始位置定位阶段、基于PDR定位的反馈阶段、基于K近邻(K-nearest neighbor,KNN)的指纹定位阶段。实验结果表明,提出的算法在定位精度和稳定性方面较其他的定位算法有明显的提高,并且该算法相对于Wi-Fi定位减小了时间复杂度,实时性较好。
第1期 赵建国,等:基于PDR反馈的WiFi室内定位算法研究 217 训练时,设z1相互独立,且来自模型 法的关链是行人的步态检测、行人的步长计算、运动方向的确 (3)定。其中,行人的步态检測和运动方向可以通过智能手机内置 其中:ε;为高斯噪声。则位詈坐标的概率密度函数可改写为传感器来获取,如加速度传感器、陀螺仪、电子罗盘等。而步长 的估算结果是影响PDR定位精度的关键因素 PDR算法的第一步就是步态检测。人的行走状态是一个 其中:N为样本规模;为所有特征向量组成的矩阵,且4=周期性的过程,不同的个体之间差异性很小。由于人的行 1,4(x,1),(x1,x2),…,k(xn,xy),n=1,2,…,N。为了走状态是周期 走状态是周期性的,所以加速度传感器测出的数据也呈现周期 避免过拟合的问题,这里为w附加一个落在0周围的正态分性。因此,可以通过分析加速度的周期性变化来实现计步。本 布,则所求概率为 文通过智能手机每隔200ms采集一次加速度的值,绘制出加 ,a2)p(y,a,) dwdado2(5)速度的变化曲线,如图3所示 其中:p(二,a2)可由马尔可大性质求得,p(w,,y)可据稀 疏贝叶斯学习理论拆分后化简,由于积分项为高斯函数的乘 二12 积,可得到积分后的近似解为 时间序列 图3滤波前后加速度传感器信号对比 (6) a2=aMp+p'(x)∑2(x 从图3中可以看出,在行走的过程中加速度传感器的信号 x1)=[1,(x1,x1),k(x1,x2),…,k(x1,x) 值呈周期性变化。由于原始信号在采集过程中冇在噪声,需要 其中:=a-2xy;协方差=(a-2ya+A)-1,A=dig采用窗口为N(N=10)的高斯平滑滤波对其进行处理 (an,a1,…,a、);0ip为满足(aw,oip)- arg max p(a,")条 (13) 件下的方差。任意设定α和a2约个初始解,然后进行不断 从图3可以看出,滤波后信号的波峰非常明显。根据行人 的迭代,得到训练值为 的行走状态,每一个波峰相当于走的一步。因此,当检测到波 峰时,则计步一次 (7) PDR定位算法的关键是步长的估算,步长估算结果的准 ‖T-←a‖ V-E.h (8)确性将直接影响到PDR定位的精度。本文主要是对已有步长 模型的改进,并通过实验证明了改进步长模型的有效性。目 式(⑦)中μ为第讠个平均权值;式(8)中h-1-αΣ,Σ,为Σ前,传统的步长模型有:人工智能步长模型、运动机械模型 对角线元素。 线性模型、非线性模型和常数/伪常数模型。其中,非线性模型 合适的核函数的选取对于RⅤR学习机器的效果有很大影相比其他四种模型较为简单,可以在智能手机上实现。但是该 响。在本文中,RSS信号的分布统计特性和非线性直接決定了模型在行走速度比较慢吋有较好的准确性,不太适用于快速行 核函数的选取。对于RVR学习机器来说,高斯核函数学习能走的情况。考虑到要适应各种不同的行走状态,本文主要对非 力较强,泛化性能较弱;而样条核函数恰好相反。因此本文采线性步长估算模型进行了改进,提高了算法的有效性 用径向基核( radial basis luuclion,RBF)与样条核( spline lunc 非线性步长估计模型根据步长与加速度的非线性关系,采 tion)构造组合的多核核函数 用统计分析的思想,建立数学模型。若已知行人一步内的最大 (9)和最小加速度,则根据该模型步长的计算可表示为 其中:S(x,y)作为一种全局性较强的样条核函数满足 L=H S(x,y)=+xy+xymin(x, 1-2x 其中:为步长;∥为模型系数 本文使用华为Nova2手机分别实现了传统的非线性步长 min(a,) (1⑩)模型和改进步长模型,实验发现,传统的非线性模型在行人快 卜列公式中G(x,y)、1(x,y)分别为高斯(Gans)和拉普速行走时准确性较差,原因是该模型忽略了行走时间这个关键 拉斯( Laplace)核函数,为两种径向基核函数,分别满是 性因素。针对该问題,本文改进了传统的步长估算模型,采用 G(x,y)=cxp(-δ (11) L=H1xan8×m甲+Bh2xm-am (15 Ln(x,y)=ep(-√nx-y2) (12 其中:H1和H2为模型参数,其初始值可以先进行预设,之后根 该组合核函数不仅最大限度地保留了学习能力而且提高据融合定位的结果进行修正。下面主要进行了两组实验对传 了其泛化性能,有效地解决了高斯核泛化能力弱的问题。同 统非线性模型和改进步长糢型作出比较。首先选取科大学科 时,拉普拉斯核函数作为一种调和函数,使核函数的学习能力 实验楼前作为实验坦馬,行人将手机固定在腰上,分别对1.42 得到了进一步的提高。纤验证,该组合核函数满足组合核函数和2.20步/s的行人速度进行加速度数据采集。在进行实验 构建的异构条件。RVR算法核函数的选择不受 Mercer定理的前,根据行人的实际步长和加速度的测量数值求出模型参数 限制,降低了核函数选择的复杂程度。这样就可以通过RVRH的值,其中H-0.3426、H1=0.1124、H,-0.2243。下面的 算法建立回归函数,得到更优的回归效果,达到对待定位目标实验都是在模型参数值不变的情况下进行的。 初始位置进行精确定位的需求。 1)1.42步/s的行走速度 模型参数保持不变,以1.42步/s的平均速度行走48m 2.2改进的PDR定位算法 分别运行传统非线性步长模型算法和本文算法,运行8次。从 在已知目标的初始位置后,PDR定位算法将根据行人的图4中可以看出,除了第2次,改进模型的效果都比传统模型 步长和行人栘动的方向来估算出行人移动后的位置。PD)R算好很多 218 计算机应用研究 第36卷 2)2.20步/s的行走速度 Predictor RvR predictor 模型参数保持不变,以1.42步的平均速度行走78m,-20 分别运行传统非线性步长模型算法和本文算法,运行8次。从-3 40 图5中可以看出,每一次改进模型的效果都比传统模型好很 多。在行走速度较快的情况下,相比第一次实验改进模型的70 效果更加突出,误差更小。因此,改进的模型更能适应各种行%510520253035246-6 走速度的状态,鲁棒性更好 VR 图7SVR模型训练效果 图8高斯核RⅤR损耗 传统棋 改进与模型 模型训练效果图 改进莎<些 图7和8表明,与RⅤR算法相比,SVR算法经过回归训练 2 得到的传播损耗模型在2.5~8m、30~40m等多处拟合效果 数56701234567较差训练结果并不埋想。对比图9的偏差曲线可知,在RVR 实验次数 图4行走速度为1.42步/的图5行走速度为220步/s的 回归训练中,本文所采用的组合核函数综合了单核核函数的优 模型误差对比 模型误差对比 势,使得误差基本可以控制在7dB以内,平均误差在1.5dB 左右,得到的回归曲线更加平滑,可以更好地提高定位的精度。 2.3基于KNN的指纹定位算法 为了验证RVR算法在室内定位中的可行性,在主频为230 在此定位算法的最后阶段,主要是采用KNN算法进行指GH的mei双核CP及38GB内存的PC机利用 MATLAB 纹匹配。匹配过程如下:在得到PDR定位的位置坐标(x,y)软件进行定位仿真实验。仿真环境模拟长16.15m、宽3.7m的 后,找出指纹库中与(x,y0)物理空间相邻坐标的指纹信息实实验室走廊室内定位场景,在走廊的两侧布有8个无线AP热点, 时采集待定位目标RS指纹向量,计算在线指纹与(x,o)相每个无线热点之间相隔4m,它们的坐标可以很容易得出。离线 邻坐标指纹信息间的欧氐距离〃,如式(16)所示,然后找出k采集阶段,设置采样距离为1m的48个信号采样点在线定 个D最小的点,根据KN算法得到最终位置(x,y),如式位阶段,对待定位目标进行随机选取。采用式(18)的经验对数 (17)所示,其中,为第i个参考点的权值。 传播损耗模型,令d=2,p(d)=-15,n=2,模拟实验室坏境建 D:V,(RSS -.) (16)立传播损耗模型。本文分别实现了RVR算法、SVR算法12 KNN算法。其中SVR算法采用高斯核函数、RⅤR算法采用组 (x,y)=∑t;(x;,y;: (17)合核函数KNN算法中K的值取5。仿真结果如图10所示。 在KNN算法中,K的取值取决于(x,y)相邻坐标的个 CDF compariso targe: functi 数。而相邻坐标的选取直接影响到定位的精度,设离线阶段采 集的参考点间距Im,每个参考点都在 lixin的正方形网格 ≥三0 二 的中心,这样在定位区域平面内,文以PDR估算坐标(x0, 三0.3 )为圆心,以r=2m为半径作圆,在圆内(包括在圆十)的参 考点被选做相邻坐标,如图6所示。 90 考01 303540 2.533.5445 r di 图9组合核RVR损耗模型图10不同定位误差下各个算法的 ▲PD估算坐标( 累积概率分布 △ 题L)相邻位置坐标 从图10中可以看出,基于RVR的定位算法在定位误差为 1.5m时概率为896%,大于SVR算法的73.5%;而于KN的 图6(x1y)相邻位置坐标 定位算法在定位误差为3m时的概率才达到86.7%。因此,本文 所提出的基于RVR的室内定位算法平均误差距离为1.42m,相 3算法验证及分析 对于对比算法极大地缩小了定位误差范围,叮以满足对初始位 本文的实验场景在科大图书2楼,大小为30mx40m,使置的精确定位需求,对于融合定位算法具有关键性的作用。 用测量的手机为基于 Android系统的华为Noa2。 3.2基于PDR反馈的融合定位实验分析 3.1基于RVR的WF定位实验分析 本文分别对基于PDR反馈的融合定位、基于RVR的Wi- 为了验证RVR算法在回归模型构建方面的有效性,本 Fi定位和PDR定位在图书馆2楼的走廊内进行了定位实验 在进行融合定位实验之前,首先对RⅤR算法的回归效果进行 图1l是对三种算法的定位结果,其中最左侧是起点,最右 了仿真分析。在同组指纹样本数据下,本文分别对单核侧为终点。行走路线为先从科大图书馆10mx10m的方形走 RVR算法、组合核RVR算法以及SVR算法进行了回归模型训廊左侧进入,然后从有侧走出停止。整个过程共行走46步,全 练仿真对比实验。为了模拟室内环境,本文参与模型训练的指程以匀速行走为主。 纹样本由传播损耗经验模型生成,该模型公式为 从图ll中可以看出,WiFi位山于受环境的影响,定位 结果不够稳定,出现跳变的现象。而且由于WiFi定位没有利 P(d)=p(do)+long( (18) 用方向信息,定位误差较大,与真实轨迹的重合度不高。而在 其中d为AP热点与参考点的实际物理距离;dl为预设参考距P)"定位的前半段与真实轨迹大体吻合,但由于PD定位存 离;P(d)为预设距离处的RSSI值;江n为路径损耗因子;X。为环在累计误差的缺陷,所以在后半段的重合度并不是很好。其 境因子;P(d)为距离d处的RS值。设距离为2m时的信号强中,基于PDR反馈的融合定位与真实轨迹的重合度最高,在单 度值为-35dB,n=3.5,环境因子X改为强度为4dB的高斯独定位误差比较大的区域,融合定位精度仍然很高。 白噪声。在生成的对数传播损耗模型上取200个样本点,分 图12显示了各个算法不同定位误差的累积概率分布。其 别进行回归模型训练仿真实验,仿真结果如图7~9所示 中,融合定位的平均误差为1.24m。而PDR定位和Wi-Fi定 第1期 赵建国,等:基于PDR反馈的WiFi室内定位算法研究 219 位的平均误差分别为1.82m和2.64m。从图12中可以看出,[2姚因结,魏东岩,袁洪,竽.基于反馈校正的WLAN与PDR融合定 融合定位的误差已经较为稳定,虽然部分位置受PDR定位误 位方法研究[J,仪器仪表学报,2016,37(2):446-453 差累积的影响,但可以及时通过WiFi定位进行修正,定位精 Tuanjie, Wei Dongyan, Yuan Hong, ei nl. Resear h on the feedback eo rection-based fusing method for WLAN and PDR positioning[ J. Chi 度最高。同时在融合定位中,在每一步的定位过程中其指纹匹 nese Journal of Scientific Instrument, 2016, 37(2): 446-453) 配个数相对于Wi-Fi定位人人减少,提高了算法的实时性。 [3 Vervisch-Picois S A, Samama N. Design of new codes for reducing in 6 terference between-like signals transmitted indoors C]//Proc of In ternational Conference on Indoor Positioning and Indoor Navigation 0.8 Piscataway, NJ: IEEE Press, 2013: 1-9 [4丁琳,管小卫,朱霞.基于RSI的集群实时定位系统迂计[冂.国 外电子测量技术,2014,33(12):69-73.( Ding lin, Guan xiaowei, Zhu Xia. Cluster real-time positioning system design based on RSSI J. Foreign Electronic Measurement Technolagy, 2014, 33 (12):69-73. positioning crror/m [5. Cho H H, Kim M 1, Kim S H. A study on PDR heading angle error 图11W- F1-PDR、PDR和Wi-Fi的图12不同定位误差下各个 correction algorithm using WLAn bascd localization informatior 行走轨迹对比 算法的累积概率分布 [MJ//Embedded and Multimedia Computing Technology and Ser vice. Berlin: Springer, 2012: 63-72 4结束语 [6周礼争.基于 Android的PD和WiFi指纹融合室内定位技术研 究[D].南昌:江西师范大学,2016.( Zhou lizheng. Research on in 本文针对WiFi定位易受周围环境影响以及PDR定位需 door positioning tcchnology based on Android with fusion of PDR and 要初始目标位置且存在累积误差等问题,提出了一种基于「7田基于指纹和PDR的室内定位研究 o University,2016) PDR反馈的融合定位算法。通过在WiFi定位系统中加入 2015.(Tian Feng. Inlor lo: alion res yerprinl HrIe PR的定位信息,取得了较好的定位效果。在融合定位中针 PDR[D]. Chongqing: Chongqing University, 2015. 对已有融合定位算法对目标初始位置定位精度普遍不高的问[8]周瑞,衰兴中,黄一鸣,基于卡尔曼滤波的 Wi-Fi-PDR驶合室内定 位[J].也子科技大学学报,2016,45(3):399-404.( Zhou rui 信息不仪克服了wH定位稳定性差的问题,而且缩小了定位[9. Stirling R, Collin],lek,ma. An innovative shor2y%kcm 题,提出了基于RⅤR算法的初始位置定位阶段,使得定位误差 Yuan Xingzhong, Huang Yiming. Wi-Fi-PDR fuscd indoor positionin 降到1.42m;在基于KNN的指纹定位算法中,利用PDR定位 based un Kalman filering[ J. Journal of University of Electronic Science and Technology of China, 2016, 45(3): 399-404 区域的范围,人人减少了指纹匹配的时间。通过以上算法的改 trian navigation system[ C]//Proc of European Nav 进,在融合定位系统的精度和实时性方面都得到了提高,平均 cncc.2003:110-115 定位误差由2.64m降到了1.24m。通过实验验证,本文提出[10]陈伟基于CPS和自包含传感器的行人室内外无缝定位算法研 究「D1.合肥 中国科学技术大学,2010.( Chen wei. Research or 的算法有敚地抵抗了复杂室内环境的影响,定位精度和实时性 GPS/Self-contained sensors based seamless outdoor/ indoor pedestrian 同时得到了提高,具有良好的定位效果。 positioning algorithm[ D]. Hefei: University of Science and Technology of China, 2010.) 参考文献 [ 11] Weinberg H. Using the ADXL202 in pedometer and personal navig 「1吴冲,苏兵,焦筱悛,等.基于改进动态RS算法的WiFi室内定位研 tion applications M1/ Analog Devices AN-602 Application Note 究J.常州大学学报:自然科学版,214,26(1):32-36.( Wu Chung, Norwood. ma, analog devices 2002 Su bing, Jiao Xiaoquan,etal, Research on Wi- Fi indoor positionin[12]陈丽娜.基于WLAN的位置指纹室内定位技术[M].北京:科学 RSSI algorithm[J. Journal of Chang 出版社,2015.( Chen lina. Location fingerprint indoor positionin zhou University for Natural Science Edition, 2014, 26(1): 32-36) technology based on WLAN[ M]. Beijing: Science Press, 2015.) (上接第209页 Xuemin, Wu Xijun Improved DV-Ilop location algorithm based on [2]饯志鸿,王义君.面向物联网的无线传感器冈络綜述[J].电子与 hop correction[ J]. Chinese Journal of Sensors and Actuators 信息学报,2013,35(1):215-227.( Qian Zhihon, Wang Yijun 2014,27(1):113-117.) teruel of things- oriented wireless sensor nel warks re view[J]dour-[I0」乔欣,常飞,T恩杰,等.基于跳距修正的WN拟牛顿迭代定位算 nal of Electronics Information Technology 2013, 35(1): 215 法「J1.传感技术学报,2014,27(6):797-801.( Qiao Xin, Chang Fei, Ding Enjie, et al. Modifying average hopping distances based [3]潘琢金,刘文春,罗振,等,无线传感器网络DVH定位算法的 iterative algorithm for Quasi-Newton in WSN[J]. Chinese Journal of 改进[冂.计算机工程与设计,2016,37(7):1701-1704.(Pan Sensors and Actuators, 2014, 27(6): 797-801.) Zhuojin, Liu wenchun, Luo zhen, et al. Improvement of DⅤ- Hop lo-[ll]于泉,孙顺运,徐保国,竽.基于改进粒子群算法的无线传感器网 calization algorithm for wireless sensor network[ J. Computer Engi 络节点定位[冂].计算机应用,2015,35(6):1519-1522.(Yu neering and Design, 2016, 37(7): 1701-1704.) Quan, Sun Shunyuan, Xu Baoguo, et al. Node localization in wireless [4 OguejioforO S, Aniedu A N, Ejiofor H C, et al. Trilateration based sensor networks based on improved particle swarm optimization[J] localization algorithm for wirele network[J]. International Journal of Computer Applications, 2015, 35(6): 1519-1522. Journal of Science and Modem Engineering, 2013, 1(10): 356-[12 Kaur A, Kumar P, Gupta G P. A novel DV-Hop algorithm based on Causs-Newton method[ C]// Proc of the 4th International Conference [5 Naeinni S, Chow C O, Ishi H Direc: lional mull i-hop cluslering rouling mn Parallel, Dislrilbuled and Grid Compuling. Pis NJ: IFFF protocol for wireless sensor networks[ J]. Intemational Journal of Ad Press,2016:625-629 hoc Ubiquitous Computing, 2013, 14(2): 123-134 L 13] Zhang Dengyin, Cui Guodong. A union node localization [6] Yang Xiang, Liu Meifeng, Deng Dengteng. An improved DV-Hop algo based on RSSI and DV-Hop for WSNs[ C]//Proc of the 2nd Interna rithm based on RSSI for WSN C //Proc of IEEE International Con tional Conference on Instrumentation Piscataway, NJ: IEEE Press Terence on1 Signal Pruc essing, Corlmunicaliuns and Compuling. Pised- 2013:1094-1098 tawa, NJ: IEEE Press, 2015: 1-5 14 Dennis J E J, Schnabel R B Numerical methods for unconstrained op- [7 Niculescu D, Nath B. DV based positioning in Ad hoc networks[ J] timization and nonlinear equations[ M]. Beijing: Science Press, 2009 Telecommunication Syslems, 2003, 22(1): 267-280 [8] Kumar s, Lobiyal DK. An advanccd dy- hop localization algorithm for[15]祝强,李少康,徐臻.LM算法求解大残差非线性最小二乘问题研 wireless sensor networks[J. Wireless Personal Communications 究[J.中国测试,2016,42(3):12-16.( Zhu Qiang, Li shaokang, 013,71(2):1365-1385 Xu Zhen. Study of solving nonlinear least squares under large residual [9]温江涛,范学敏,吴希军,基于RS跳数修王的DV-lHp改进算 based on Levenberg-Marquardt algorithm[J]. China Measurement 法[J].传感技术学报,2014,27(1):113-117.( Wen jiangtao,Fan &Test,2016,42(3):12-16.)

...展开详情
试读 5P 论文研究-基于PDR反馈的Wi-Fi室内定位算法研究.pdf
立即下载 低至0.43元/次 身份认证VIP会员低至7折
一个资源只可评论一次,评论内容不能少于5个字
您会向同学/朋友/同事推荐我们的CSDN下载吗?
谢谢参与!您的真实评价是我们改进的动力~
关注 私信
上传资源赚钱or赚积分
最新推荐
论文研究-基于PDR反馈的Wi-Fi室内定位算法研究.pdf 30积分/C币 立即下载
1/5
论文研究-基于PDR反馈的Wi-Fi室内定位算法研究.pdf第1页

试读结束, 可继续读1页

30积分/C币 立即下载 >