應用卷積神經網絡的測距算法研究

楊亞楠，夏　斌，袁文浩，謝　楠

(山東理工大學 計算機科學與技術學院， 山東 淄博　255049)

物聯網中常用的定位技術主要有GPS、北斗、WIFI、 iBeacon[1-2]、Zigbee[3-4]、超寬帶[5-6]等。這些技術提供的定位算法從測距的角度可以分為基于測距和基于非測距的算法。由于非測距定位算法精度較低，從提高定位精度來說，應該重點研究基于測距的定位算法。測距定位[7-9]需要測量節點之間的距離，利用該距離來確定未知節點的位置。常用的測距方法有接收信號強度指示(received signal strength indication,RSSI)、到達時間(time of arrival,TOA)和到達角。

基于RSSI的測距由于只需要較少的開銷和較低的實現復雜度，故近些年來得到了充分的研究。文獻[10]提出了一種新的接收信號強度指示方法，通過改進參數值和引入噪聲因子，有效降低了測量誤差，提高了距離估計精度。文獻[11]利用多重濾波算法對采集的RSSI進行數據濾波處理，采用最小二乘法多次對信號衰減模型的參數進行擬合，得到滿足具體環境的參數值，通過測距模型進行實時測距。文獻[12]使用中值濾波方式，對所獲取的RSSI數據進行濾波處理，降低了環境變化對測距數據的影響。文獻[13]在室內環境下對收集的RSSI測量進行自適應濾波來改進估計精度。這些測距算法基本上都是以無線信號傳播模型為基礎，通過擬合或直接根據經驗得出信號傳播模型的未知參數，再由測得的RSSI值得到對應的距離值。此類測距算法過于依賴經驗和特定的環境，普適性不強，測距精度不高。

為了避免對信號傳播模型中復雜參數的擬合，提高測距精度,可以采用基于卷積神經網絡(convolutional neural network，CNN)[14-15]的測距算法。卷積神經網絡是一種基于多層監督學習的人工神經網絡，改善了傳統模式識別方法存在的提取特征難的問題，不僅具有傳統神經網絡的優點，即較好的容錯性、自適應性和自學習能力，還具有自動提取特征、權值共享的特點。

1　基于RSSI的測距算法

基于RSSI的測距算法的基本原理是：無線電信號在空間中傳播時會發生能量的損耗，而能量損耗的多少與信號傳播的距離存在一定的函數關系，無線信號接收端按照信號傳播損耗模型，將接收信號強度值轉換成節點之間的距離。實際應用的RSSI測距公式見式(1)。

RSSI=-(10×n×log10(d)+A)

(1)

圖1　基于RSSI的測距算法流程

式中的A和n為待定參數，其中A為距離信號發射源1 m處接收到的信號強度平均值的絕對值，而n為信號傳輸常數，與信號傳播環境有關。

基于RSSI的測距算法流程如圖1所示。

2　基于CNN的測距算法

如圖2所示，基于卷積神經網絡的測距算法流程大致分2個階段：訓練階段和測試階段。訓練階段在定位區域采集樣本數據，構建樣本數據庫并訓練卷積神經網絡。測試階段中，通過卷積神經網絡對實時捕獲的RSSI信號進行特征提取，從而估計節點之間的距離。由于RSSI值變化很大，在預處理階段根據公式對其歸一化。具體算法:首先，確定測距算法的卷積神經網絡的網絡模型。采用如圖3所示的卷積神經網絡結構。

1) 輸入層。無線信號在復雜的測距環境傳輸時，受多徑效應、非視距傳輸等因素的影響，信號波動較大。因此，多次測量RSSI信號，構造卷積神經網絡的輸入集合：

其中：RSSIp,q表示未知節點到第q∈(1,2,…,Q)個參考節點的第p∈(1,2,…,P)次測量值。

圖2　基于卷積神經網絡的測距算法流程

圖3　卷積神經網絡模型

(2)

(3)

4) 全連接層。全連接層l的輸出可通過對輸入特征圖Xl-1的加權偏置和激活函數f(·)的響應得到，如式(4)所示。

Xl=f(ωlXl-1+Bl)

(4)

其中：Xl是全連接層l的輸出；f(·)稱為激活函數；ωl是全連接網絡的權重系數；Bl是全連接層l的偏置項。

5) 輸出層。將輸入層的數據集合經過各層的特征提取和特征處理之后，形成了網絡的輸出數據。

其次，通過已有的訓練數據對卷積神經網絡模型進行訓練。運行定位系統并記錄RSSI數據，利用這些測得的數據訓練卷積神經網絡。

最后，通過卷積神經網絡對實時捕獲的RSSI信號進行特征提取，從而估計節點之間的距離。

基于CNN的測距算法流程見圖4。

3　實驗結果與分析

本實驗采用基于ZigBee的測距平臺。該平臺由參考節點、未知節點和網關節點組成。參考節點不斷對外發射射頻信號；未知節點接收到該射頻信號，通過檢測獲取自身與參考節點之間的接收信號強度RSSI，并將檢測信息包傳送給網關；網關與上位機相連，可顯示RSSI數值。

本次實驗采用6 m×6 m的矩形區域，在此區域中的頂點處分別放置4個參考節點，在除了參考節點外的任何位置上，可以測得未知節點和每個參考節點之間的RSSI值。實驗中訓練數據共有468組，測試數據共有100組。采用的是6層結構的卷積神經網絡，RSSI信號的輸入集合大小為(8×8)，各層的參數設置如表1所示。

圖4　基于CNN的測距算法流程

層種類特征圖個數卷積核大小1卷積層43×32下采樣層42×23卷積層82×24下采樣層81×15全連接層324×4

圖5　未知節點與參考節點1間的測距誤差的累積分布函數

圖7　未知節點與參考節點3間的測距誤差的累積分布函數

未知節點到參考節點的測距誤差CNN測距算法RSSI測距算法參考節點10.78901.4161參考節點20.98341.4726參考節點30.91212.0178參考節點40.91881.7585

為驗證所提出的基于卷積神經網絡測距算法的有效性，本次實驗將傳統的RSSI測距算法與其進行對比。測距誤差為測量距離的真實值與測量值之差的絕對值。圖5～8分別給出了這兩種測距算法測距誤差的累積分布函數曲線圖，其中橫坐標表示測距誤差，縱坐標表示累積分布函數。從圖5中可以看出：在90%的累積分布點，基于卷積神經網絡的測距算法、傳統的RSSI測距算法的測距誤差分別小于1.7 m和2.7 m。表2給出了CNN算法與RSSI算法平均測距誤差的比較。由表2可看出：CNN算法的平均測距誤差明顯比RSSI算法對應的值小，CNN算法的平均誤差距離均在1 m以內，而RSSI算法均在1 m以上。因此，由實驗結果可得：CNN的測距精度明顯優于傳統的測距算法。

4　結束語

本文提出了一種基于卷積神經網絡的測距方法，在訓練階段，采集樣本數據，構建樣本數據庫，訓練卷積神經網絡模型參數。在測試階段，通過卷積神經網絡對實時捕獲的RSSI信號進行特征提取，從而估計測量距離。實驗結果表明：該算法與傳統RSSI測距算法相比，避免了對信號傳播模型中復雜參數的擬合，提高了測距精度。

參考文獻：

[1]ZAFARI F,PAPAPANAGIOTOU I.Enhancing iBeacon Based Micro-Location with Particle Filtering[C]//IEEE Global Communications Conference.[S.l.]:IEEE,2015:1-7.

[2]TSAI M F,YE C K,SINN A.Smart service relying on Internet of Things technology in parking systems[J].Journal of Supercomputing,2016:1-24.

[3]HABAEBI M H,KHAMIS R O,ZYOUD A,et al.RSS Based Localization Techniques for ZigBee Wireless Sensor Network[C]//International Conference on Computer and Communication Engineering.[S.l.]:IEEE,2014:72-75.

[4]THALORE R,KHURANA M,JHA M K.Performance Comparison of 2D and 3D Zigbee Wireless Sensor Networks[C]//International Conference on ICT for Sustainable Development.2016:10.

[5]BRIESE D,KUNZE H,ROSE G.High Precision UWB-Based 3D Localization for Medical Environment[C]//IEEE International Conference on Ubiquitous Wireless Broadband.[S.l.]:IEEE,2015:1-5.

[6]LI X,YANG S.The indoor real-time 3D localization algorithm using UWB[C]//International Conference on Advanced Mechatronic Systems.[S.l.]:IEEE,2015:337-342.

[7]NGUYEN T L N,YOAN S.Matrix Completion Optimization for Localization in Wireless Sensor Networks for Intelligent IoT:[J].Sensors,2016,16(5):722.

[8]常小凱,朱婉婕,李德奎.三維無線傳感器網絡定位的可行方向算法[J].北京郵電大學學報,2016,39(2):98-102.

[9]ZHANG Y,LIANG J,YU J.Nodes localization method based on the improved PSO algorithm without time synchronization[C]//IEEE International Conference on Cyber Technology in Automation,Control,and Intelligent Systems.[S.l.]:IEEE,2015:1132-1137.

[10] SINGH A P,SINGH D P,KUMAR S.NRSSI:New proposed RSSI method for the distance measurement in WSNs[C]//International Conference on Next Generation Computing Technologies.India:IEEE,2015:296-300.

[11] 陶佳峰,楊曉洪,王劍平,等.基于RSSI的室內測距模型優化技術[J].傳感器與微系統,2017,36(1):24-26.

[12] 王群,李宗骍,李千目,等.基于實時運動狀態的RSSI測距室內定位算法[J].南京理工大學學報(自然科學版),2015,39(2):229-235.

[13] KAYA S B,ALKAR A Z.Location estimation improvement by signal adaptive RSSI filtering[C]//Signal Processing and Communications Applications Conference.[S.l.]:IEEE,2014:1183-1186.

[14] LIU M,SHI J,LI Z,et al.Towards Better Analysis of Deep Convolutional Neural Networks[J].IEEE Transactions on Visualization & Computer Graphics,2017,23(1):91.

[15] 李彥冬,郝宗波,雷航.卷積神經網絡研究綜述[J].計算機應用,2016,36(9):2508-2515.