一種基于ＢＰ神經網絡的室內定位模型

摘 要:室內定位技術是一種獲取室內的人和物位置信息的技術，以位置信息為基礎可為使用者提供多種服務，在軍事和民用領域都有著廣闊的應用前景#65377;在分析幾種常見的室內無線定位方法以及基于RSS的室內無線定位方法的基礎上，提出一種基于BP神經網絡的室內定位模型并借助MATLAB 7.0加以實現#65377;采用該方法進行室內定位，不需要WLAN以外的其他資源#65377;由于不需要知道定位節點和建筑物的詳細特性，用戶的隱私將會得到完全的保護#65377;仿真實驗證明該模型的有效性#65377;

關鍵詞:室內定位;RSS; BP神經網絡;IEEE 802.11b

中圖分類號:TN911.23 文獻標識碼:A

1 引 言

目前，室內定位算法主要有以下幾種#65377;

1)Time of arrival(TOA)

TOA定位的基本原理是通過測量節點間電波傳播的時間來確定節點的位置#65377;

TOA算法要求參加定位的各個基站在時間上實現嚴格同步#65377;在室內環境中，由于已知點到待測點的距離通常不遠，無線電波的傳播速度太快，且存在嚴重的多徑干擾，因此無法利用無線電波進行測距#65377;目前，基于TOA的室內定位技術通常是利用超聲波傳播速度較慢的特點(在20攝氏度時超聲波的傳播速度為343.38m/s)，來測量出已知點和待測點間的距離，進而求出待測點的位置^[1]#65377;

2)GPS L1 Re-radiating

GPS(Global Positioning System)是70年代初由美國開發的衛星導航定位系統，本質上它也是一個基于TOA的定位系統#65377;

GPS L1 Re-radiating是將GPS在L1頻段上的信號，通過戶外天線接收后，增益放大為室內可接收信號，進而基于GPS實現室內定位#65377;

3)Received signal strength，RSS

RSS定位的基本原理是利用移動裝置偵測所接收到的無線電波信號強弱，然后根據經驗模型或RSS隨距離衰減的模型來推斷節點間的距離，進而實現定位^[2]#65377;

該技術主要使用無線網絡本身的無線電信號來定位，不需額外添加硬件，是一種低功率#65380;廉價的定位技術^[3]#65377;

基于信號強度的室內定位方法分為經驗模型法和信號衰減模型法#65377;

(1)經驗模型法

在經驗模型法中，將RSSI數據轉換為位置信息的方法主要有判定法和概率法兩種#65377;

(2)信號衰減模型法

信號衰減模型法則無需實地測量位置和RSSI，而是依據信號強度和距離的特定關系，結合三角測量法，根據來自三個(或以上)AP的RSSI來計算出待測點的位置#65377;

基于TOA的定位模型在開放的室外環境中非常有效，但在室內環境卻存在一些問題#65377;使用超聲波雖可克服無線電波傳輸速度快的問題，但需構建專門的超聲波系統#65377;GPS也主要是針對戶外目標設計的定位系統，應用于室內存在定位精度不高等問題#65377;基于RSS的定位模型中，經驗法需進行大量的實地測量，同時無法保護定位用戶的隱私;而信號衰減法在室內受NLOS(非視距傳播)等因素影響，也使得定位精度較低#65377;

因此，本文提出了一種基于BP神經網絡的室內定位模型并借助MATLAB 7.0加以實現#65377;采用該方法進行室內定位，不需要WLAN以外的其他資源#65377;由于不需要知道定位節點和建筑物的詳細特性，用戶的隱私將隨之得到完全的保護#65377;

2 基于BP神經網絡的室內定位模型

BP神經網絡通常是指基于誤差反向傳播算法(Backpropagation)的多層前向神經網絡，目前，該算法已成為應用最為廣泛的神經網絡學習算法^[4]#65377;

BP神經網絡采用的是并行網絡結構，包括輸入層#65380;隱含層和輸出層，經作用函數后，再把隱節點的輸出信號傳遞到輸出節點，最后給出輸出結果#65377;該算法的學習過程由信息的前向傳播和誤差的反向傳播組成#65377;在前向傳播的過程中，輸入信息從輸入層經隱含層逐層處理，并傳向輸出層#65377;第一層神經元的狀態只影響下一層神經元的狀態#65377;如果在輸出層得不到期望的輸出結果，則轉入反向傳播，將誤差信號(目標值與網絡輸出之差)沿原來的連接通道返回，通過修改各層神經元權值，使得誤差均方最小#65377;神經網絡理論已經證明BP神經網絡具有強大的非線性映射能力和泛化功能，任一連續函數或映射均可采用三層網絡加以實現#65377;

計算技術與自動化2007年6月第26卷第2期李 瑛等:一種基于BP神經網絡的室內定位模型2.1 樣本數據的采集和處理

輸入向量為待測點收到的來自至少三個不同位置AP的RSSI值，輸出向量為待測點的坐標值(X，Y)#65377;

樣本采集在一個10mX10m的室內場地中進行#65377;使用3個來自SMC公司的AP和1臺配置了ORiNOCO PC CARD的筆記本電腦#65377;AP及無線網卡符合并工作在IEEE 802.11b標準下#65377;筆記本電腦所使用的操作系統為RedHat Linux 9.0#65377;樣本均勻分布在6mx6m的中心區域中#65377;

2.2 網絡結構的確定

Kolmogorov定理已經證明^[5]，任意一連續函數可由一個三層BP 網絡來實現#65377;雖然研究表明三層以上的BP網絡可以減少隱含層節點數，提高計算效率，但在缺乏理論指導的BP網絡設計中這樣做容易使問題趨向復雜化#65377;因此選擇三層BP神經網絡，即只有1個隱含層的BP神經網絡#65377;

該網絡輸入層的節點數由輸入向量的維數決定，輸入向量的維數是3，所以輸入層節點數確定為3個#65377;輸出層節點數由輸出向量的維數決定，這里輸出節點數為2 #65377;

隱含層節點數的選擇在BP網絡設計中是一個難點，目前還沒有理論上的指導#65377;過多的網絡節點會增加訓練網絡的時間，也會使網絡的泛化能力減弱，網絡的預測能力下降#65377;然而網絡節點過少則不能反映后續值與前驅值的相關關系，建模不充分#65377;經反復試驗，將隱含層節點數定為30，這樣形成了一個3-30-2結構的BP神經網絡，如圖1所示#65377;

2.3 學習算法的選擇

基本BP 算法采用梯度下降法使得誤差均方(mse)趨向最小，直至達到誤差要求#65377;但在實際應用中，存在收斂速度慢#65380;局部極值等缺點#65377;Matlab 7.0神經網絡工具箱中提供了十多種快速學習算法，一類是采用啟發式學習方法，如引入動量因子的traingdm 算法#65380;變速率學習算法traingda #65380;“彈性”學習算法trainrp等;另一類采用數值優化方法，如共軛梯度學習算法traincgf 等#65377;本研究選擇traincgf 算法#65377;該算法在不增加算法復雜性的前提下，可以提高收斂速度，并且可沿共扼方向達到全局最小點，較好地解決了經典BP算法所存在的收斂速度慢和可能出現局部最優解的問題#65377;

2.4 BP神經網絡的初始化#65380;訓練與仿真

1)建立網絡

net==newff(P3，[30，2]，{′tansig′，′purelin′}，′traincgf′)

newff()為建立BP 神經網絡的函數;P3為6維矩陣，表示3維輸入向量中每維輸入的最小值和最大值之間的范圍#65377;[30，2]表示隱層節點數是30，輸出層節點數是2，{′tansig′，′purelin′}表示隱含層中的神經元采用tansig轉換函數，輸出層采用purelin函數，′traincgf′表示選擇的學習算法#65377;

2)權重和閾值初始化

net==init(net)

給各連接權重LW{1，1}#65380;LW{2，1}及閾值b{1}#65380;b{2}賦予(-1，+1)間的隨機值#65377;

3)訓練

[net，tr]=train(net，P，T)

P為輸入向量，T為目標向量，根據網絡學習誤差逆傳遞算法，利用阻尼最小二乘算法迭代，由前一次訓練得到的網絡權重及閾值訓練得到新的網絡權重及閾值#65377;

為了使生成的BP網絡對輸入向量有一定的容錯能力，最好的方法是既使用理想的信號又使用帶有噪聲的信號對網絡進行訓練#65377;具體做法是先用理想的輸入信號對網絡進行訓練，直到起平方和誤差足夠小;然后，使用20組理想信號和帶有噪聲的信號對網絡進行訓練#65377;經過上述訓練后，網絡對無誤差的信號也可能會采用對付帶有噪聲信號的辦法，這樣會導致很大的代價，因此，需要采用理想的向量對網絡再次訓練，以保證網絡能對理想信號作出最好的反應#65377;

使用函數traincgf對網絡進行訓練時，當網絡平方和誤差小于3時停止網絡的訓練#65377;訓練過程中的誤差變化情況如圖2所示#65377;

根據訓練后的網絡及輸入向量進行仿真輸出#65377;

3 實驗結果及分析

利用訓練后的BP神經網絡進行了36次定位，并統計了36次定位的平均誤差，結果如圖3所示#65377;

與利用信號衰減模型定位相比(如圖4所示)，利用BP神經網絡定位具有更高的統計精度#65377;

與信號衰減模型相比，雖然BP神經網絡的模型解釋直觀性略有不足，但卻可獲得更精確的定位結果#65377;

利用BP神經網絡，雖然可解決傳統處理方法所不能處理的非線性映射問題，但在實際應用中，對如何選擇和確定一個合適的神經網絡結構沒有確切的理論指導，只能通過試驗—調整—再試驗的過程來確定一個合適的網絡結構#65377;同時，BP神經網絡的隱含層作用機理和隱含層節點個數的選擇是BP神經網絡的難點問題#65377;隱含層的節點個數的選擇需反復進行試驗，當多次輸出結果在一定誤差范圍內時才可確定#65377;

4 結束語

本文提出了一種基于BP神經網絡的室內定位模型，并在基于IEEE 802.11b標準的WLAN環境中對此模型進行了測試#65377;一個基于信號衰減模型的定位算法也在同樣的環境中進行了測試#65377;對比結果表明，利用BP神經網絡進行室內定位能取得更好的定位精度#65377;

在實驗過程中，節點表現出個體差異，部分節點的定位精度始終較低#65377;采用其他BP神經網絡參數值來進一步提高定位精度是今后進一步的研究方向#65377;

注：本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文。