基于室内定位服务的行为判定

仲雪涵

（郑州大学 河南省 郑州市 450001 ）

摘 要：随着经济水平的提高，老年人的生活质量也越来越受到重视。为了在室内对用户实行定位服务，本文设置相隔但有门相同的两个房间，设置了 4 台无线电传感器，用户携带的可穿戴传感器，其间以一定频率交换无线电数据。由于无线电信号强度（ RSS ）随着源和接收器间的距离而衰减。本文将 4 个锚点测得的无线电信号强度的数据假设为样本观测数据，计算出每组数据的四个特征值，将轨迹特征值的矩阵作为 BP 神经网络的学习样本。最后利用搭建的网络对需要判断的轨迹类型识别，得出用户的行为信息。

关键词：定位服务；无线电； BP 神经网络

引言

室内定位 [1] 一般使用多个位置固定的传感器，以及由用户携带的可穿戴传感器，锚点和移动传感器以一定频率交换无线电数据包，并且对于每个信标，测量其无线电信号强度，由于 RSS 随着源和接收器间的距离而衰减 [2] 。因此，可以将 RSS 同信标的距离关联起来。于是定位系统原则上可以利用一段时间内收集的 RSS 信息来预测用户位置。

1材料与方法

1.1 场景选取

本文考虑如下场景：包含两个房间，由走廊隔开，总大小长 12.6米至宽 4.5 米平米，四个锚点 A1-A4 布置在两个房间拐角处，距离地面高度为 1.5 米。移动传感器穿戴在用户胸前。测量 RSS 的频率为每秒 8 次。用户行走轨迹有六种类型，起点为箭头处，终点为 M 处（距门 0.6 米）。用户行走速度近似匀速，为 1 米每秒。房间示意图如下：

图 1 房间示意图

将六种轨迹类型分为 H 和 L 两个类别。直线类型 1 和 5 为 H ，表示走出房间；其余曲线类型为 L 。

1.2 建立 BP 神经网络 [3]

1.2.1 数据预处理

根据每条轨迹的 RSS 测量值序列，将 4 个锚点测得的无线电信号强度的数据假设为样本观测数据矩阵，每个样本为 xij ，并标准化处理：

(1)

通过 RSS 测量值序列预测轨迹类别，要求依据已知资料制定一种分类方法，类别是已经给定的，找出类型 1 与类型 5 的轨迹条数以及其它类型轨迹的条数，通过以上求权值的步骤，将各个轨迹数据的权值称之为学习样本，其中，训练样本集总数为 240 个，异常类样本集有 80 个，正常类样本集有 160 个。

1.2.2 初始网络参数设定

网络最大训练次数： 20000 ；隐含层神经元数量： 10 ；学习率：

0.05 ；训练目标误差： 0.0065 。

利用逐步增长或逐步修剪法最终确定神经元的个数。逐步增长是一个从简单网络开始，逐步增加隐含层神经元个数直到适合为止；逐步修剪是一个从复杂网络开始逐步删除隐含层神经元个数。

1.2.3 建立神经网络

BP 神经网络在信息正向传递的同时，误差函数 ( 一般定义为目标输出与实际输出的均方根误差 ) 会从输出端直接作用于输入端。在信息正向传输过程中，输入信息经由输入层至隐含层再到输出层。若是输出层的实际输出跟期望输出误差较大，则计算输出层的误差值 E ，然后将误差值返回到网络中以调整各神经元之间的权值，使得误差值减小，以逼近目标输出， BP 神经网络结构如下图所示：

隐含层各神经元的输出为：

(2)

输出层各神经元的输出为：

(3)

1.2.4 网络的训练

BP 网络训练过程 [4] 如下：

1) 初始化权值、阈值为 0 到 1 之间的随机值：

2) 将特征向量 x 0 ,x 1 ,...,x n-1 作为 BP 神经网络的输入向量；3) 分别计算中间层输出和期望输出；

4) 计算实际输出与期望输出的误差。

2结果

通过 200000 次的训练次数，均方误差逐渐在改变，随着训练过程的改变均方误差实际达到 0.057685 ，目标达到 0.0065 。

BP 神经网络模型检验的方法主要是交叉验证，交叉验证的基本思想是把在某种意义下将原始数据进行分组，一部分作为训练集，另一部分作为验证集，训练集的数量为 240 ，验证集的数量 134 ，首先用训练集对分类器进行训练，再利用验证集来测试训练得到的模型，以此来作为评价分类器的性能指标，在此基础上，反复地做训练、测试以及模型的选择。

计算实际输出序列权重，测试数据权重调整，利用样本数据进行验证：轨迹类型预判正确率为 90.12% 。

3讨论

除了通过建立神经网络对判定用户的运动方式，还可通过建立指纹库 [5] 的方式。基于位置指纹的匹配定位技术则可以达到此要求，当室内环境改变时，可以通过及时更新指纹库的方法恢复进行室内定位的精确度。目前可以根据聚类方法将指纹按照相似性聚类，通过设计关联函数对在线定位阶段参与定位的位置指纹进行判断，通过将判断为无效的旧的位置指纹移除数据库来提高指纹库的准确性和时效性。可以看出，基于位置指纹的匹配定位方法可扩展性较强。 ■

参考文献

[1] 冯辰 . 基于压缩感知的 RSS 室内定位系统的研究与实现 [D]. 北京交通大学 ,2011.

[2] 李健伟 . 基于 RSS 的室内无线定位系统的设计与实现 [D]. 山东大学 ,2016.

[3] 邢进良 .BP 神经网络模型及其应用 [J]. 沙洋师范高等专科学校学报 ,2007(05):46-50.

[4] 李红波 , 刘滢鸿 , 徐宁 . 基于 BP 神经网络模型的房价敏感性分析[J]. 昆明理工大学学报 ( 社会科学版 ),2012,12(06):57-63.

[5] 毛勤 . 基于 WiFi 位置指纹的室内定位算法的研究与优化 [D]. 广东工业大学 ,2016.