基于移动终端无线射频信号强度的智能标定算法及系统的制作方法

1.本发明涉及无线射频信号强度观测值标定领域，特别涉及一种基于移动终端无线射频信号强度的智能标定算法及系统。


背景技术：

2.在室内定位领域，可以利用移动终端无线射频信号传播的多路径效应进行环境感知，通过获取信号特征进行指纹定位。但是由于不同移动终端的软件、硬件都不相同，使得不同移动终端在同一位置接收到的射频信号强度观测值存在较大差异，导致指纹定位不可用。为了解决上述问题，需要对射频信号强度观测值进行标定，使得其他移动终端与标准移动终端在同一位置接收到的射频信号强度观测值趋于一致。
3.本发明提出一种基于移动终端无线射频信号强度的智能标定算法及系统，基于此，为了进一步加快标定算法的建立与优化，避免陷入局部最优，本发明还提出了一种非线性的收敛因子a得到改进的bp神经网络标定模型，使得其他移动终端与标准移动终端在同一位置接收到的射频信号强度观测值趋于一致。用户仅通过手持移动终端即可完成标定工作，有效消除了各移动终端的软硬件异构差异，操作简单，可提高对环境的适应性，可扩展性强，适用性广。


技术实现要素：

4.本发明是为了解决现有技术中，由于各移动终端软硬件异构导致接收到的射频信号强度观测值存在较大差异，且传统标定方法步骤复杂，适应范围窄、可扩展性低的问题。
5.为了解决这一技术问题，本发明提出一种基于移动终端无线射频信号强度的智能标定算法及系统，可对每个移动终端建立对应的改进的bp神经网络标定模型，其中，所述方法包括如下步骤：
6.根据提出的非线性收敛因子得到改进的bp神经网络标定模型建立标定模型库，记录并保存终端型号及对应的标定模型参数；
7.手持某个移动终端进行标定之前，判断该终端型号是否在标定模型库中；
8.若否，则以标准移动终端在所有采集点上所有ap的所有原始射频信号强度观测值作为标准采样数据，以该移动终端在对应采集点上所有对应ap的所有原始射频信号强度观测值作为测试采样数据；根据所述标准采样数据以及所述测试采样数据建立并训练得到改进的bp神经网络标定模型，记录并保存终端型号及对应的标定模型参数；
9.若是，则直接利用标定模型库对应的标定模型参数进行标定；
10.手持该移动终端进行标定时以在室内任意位置接收到的原始射频信号强度观测值作为标定模型输入，将其经过改进的bp神经网络标定模型进行处理，最终得到的输出作为标定值以完成对该移动终端的智能标定。
11.基于移动终端无线射频信号强度的智能标定算法，利用改进的bp神经网络标定模型建立标定模型库的方法，包括如下步骤：
12.步骤1：在室内任意选择若干个采集点，标准手机在所有采集点上采集射频信号强度，综合表示为初始标准采样数据，以移动终端在对应采集点上所有对应ap的所有原始射频信号强度观测值作为测试采样数据，以所述测试采样数据为改进的bp神经网络标定模型的真实输入值，以所述初始标准采样数据为改进的bp神经网络标定模型的真实输出值，随机初始化神经网络的各层权值阈值作为初始鲸鱼群位置向量x
i
，设置鲸鱼种群大小n，当前鲸鱼种群迭代次数t＝0，鲸鱼种群最大迭代数t
max
，当前bp神经网络迭代次数t，bp神经网络最大迭代次数t
max
；
13.步骤2：当鲸鱼种群迭代次数t小于鲸鱼种群最大迭代次数t
max
时，计算每只鲸鱼的适应度值f(x
i
),找出最好的适应度及对应的最优鲸鱼位置x
best
；
[0014][0015]
其中，y
i
为标准采样数据的第i个rssi真实值，y为测试采样数据的第i个rssi预测值，n为样本个数；
[0016]
步骤3：为了加快标定算法的建立与优化，更新迭代速度有所提升，提出了一种非线性的收敛因子a模拟包围猎物的收缩行为，收敛因子a只随着当前迭代次数t动态变化，可以较为有效避免陷入局部最优；
[0017][0018]
其中,t为当前鲸鱼种群迭代次数，t
max
为鲸鱼种群最大迭代次数；更新鲸鱼位置参数a、c；
[0019]
a＝2ar
‑
a
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0020]
c＝2r
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0021]
其中,r是[0,1]的一个随机数；
[0022]
步骤4：随机产生概率p，判断p是否小于0.5，若p≥0.5，则进行收缩包围位置更新：
[0023][0024]
其中,t为当前鲸鱼种群迭代次数；x
best
为最优鲸鱼位置；x
i
为当前鲸鱼位置；a和c为步骤3所得出的系数向量；
[0025]
若p<0.5，且当|a|<1时进行螺旋游走：
[0026][0027]
其中,表示当前鲸鱼与最优位置的距离；b为常数，定义对数螺旋线形状；l为[
‑
1,1]中随机数；
[0028]
当|a|≥1时根据以下公式进行随机游走：
[0029][0030]
其中,x
rand
为随机选取的位置向量；
[0031]
步骤5：鲸鱼种群迭代次数t自增，根据步骤2比较更新最优位置；当到达鲸鱼种群最大迭代次数t
max
时，输出x
best
即最优权值w
ij
、阈值θ
j
,并作为bp神经网络最优初始参数；
[0032]
步骤6：bp神经网络进行正向传播过程，通过神经元之间的连接权值w
ij
和神经元阈值θ
j
进行数据加工，并采用非线性sigmoid激活函数获得预测输出值。
[0033][0034][0035]
其中，w
ij
为神经元i到神经元j的连接权值；θ
j
为神经元j阈值；i
j
为神经元j输入值；o
j
为神经元j输出值；rssi
x,i
为神经元i的输入值。
[0036]
步骤7：bp神经网络进行误差反向传播过程，通过正向传播过程获得预测输出值，根据智能设备的预测输出值与标准智能设备的真实输出值之间的差异得到当前迭代次数的损失函数e
j
，将误差逆向传播至上一层神经元中得到该层误差，逐层传递直至最上层隐藏层，基于梯度下降法对连接权值和阈值进行不断调整。
[0037][0038][0039][0040]
其中，rssi
y,j
为神经元j真实输出值；rssi
′
y,j
为输出层神经元j预测输出值；w
′
ij
为更新后权值；θ
′
j
为更新后阈值；η∈(0,1)为学习率，若其值偏大则收敛快但容易陷入局部最优，若偏小则收敛慢但逼近全局最优。
[0041]
步骤8：经过反复学习训练，当bp神经网络当前迭代次数t到达bp神经网络最大迭代次数t
max
时，选取损失函数e
j
最小的bp神经网络作为最终标定模型，保存当前改进的bp神经网络标定模型的参数。
[0042]
步骤9：将多个移动终端重复步骤1至8，进而建立标定模型库。
[0043]
本发明还提出了一种基于移动终端无线射频信号强度的智能标定系统，其中，所述系统包括：
[0044]
数据采集模块，以标准移动终端在所有采集点上所有ap的所有原始射频信号强度观测值作为标准采样数据，以其他移动终端在对应采集点上所有对应ap的所有原始射频信号强度观测值作为测试采样数据；
[0045]
模型建立模块，根据所述标准采样数据以及所述测试采样数据建立并训练得到改进的bp神经网络标定模型，记录并保存终端型号及对应的标定模型参数；
[0046]
智能标定模块，以移动终端在室内任意位置接收到的射频信号值作为标定模型输入，将其经过改进的bp神经网络标定模型进行处理，最终得到的输出作为标定值以完成对该移动终端的智能标定。
[0047]
与现有技术相比，本发明提出的一种基于移动终端无线射频信号强度的智能标定算法及系统，可避免算法陷入局部最优，提高对环境的适应性，可扩展性强，适用性广，可仅
通过手持的移动终端即可完成标定工作，有效消除了不同移动终端的软硬件异构差异，操作简单。
[0048]
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
[0049]
图1为本发明实施例1的原理框架图；
[0050]
图2为本发明实施例1的流程图；
[0051]
图3为本发明实施例2的结构示意图。
具体实施方式
[0052]
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的首选实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
[0053]
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
[0054]
实施例1
[0055]
请参阅图1与图2，对于本发明提出第一实施例提出的一种基于移动终端无线射频信号强度的智能标定算法，其具体实施方式包括如下步骤：
[0056]
s101，根据提出的非线性收敛因子得到改进的bp神经网络标定模型建立标定模型库，记录并保存终端型号及对应的标定模型参数；
[0057]
s102，手持移动终端进行标定之前，判断该终端型号是否在标定模型库中，若否，则以标准移动终端在所有采集点上所有ap的所有原始射频信号强度观测值作为标准采样数据，以该移动终端在对应采集点上所有对应ap的所有原始射频信号强度观测值作为测试采样数据；
[0058]
s103，以移动终端在室内任意位置接收到的原始射频信号强度观测值作为标定模型输入，将其经过改进的bp神经网络标定模型进行处理，最终得到的输出作为标定值以完成对该移动终端的智能标定。
[0059]
本技术的标定算法是为了建立标准移动终端和其他移动终端之间的标定模型，一个移动终端最终只有一个对应的标定模型，与采集点没有直接关系，即标定模型的采样数据既可以是在一个采集点采集的，也可以是在很多采集点采集的，并且射频信号指的是wifi、蓝牙等。标准采样数据和测试采样数据中采集点是一一对应的，且ap及其所有rssi也是一一对应的。
[0060]
在s102中，对其他移动终端是否存在该型号的标定模型分两种情况讨论：
[0061]
a、若存在该移动终端型号的标定模型，则跳转至步骤s103，在对移动终端进行标定之前，当判断出该终端型号存在标定库中，则可使用该移动终端在室内任意位置接收到的原始射频信号强度观测值作为标定模型输入，将其经过改进的bp神经网络标定模型进行
处理，最终得到的输出作为标定值以完成对该移动终端的智能标定；
[0062]
b、若终端型号不在标定库中，则以标准移动终端在所有采集点上所有ap的所有原始射频信号强度观测值作为标准采样数据，以该终端在对应采集点上所有ap的所有原始射频信号强度观测值作为测试采样数据，再跳转至步骤s101，也即根据所述标准采样数据以及所述测试采样数据建立并训练得到改进的bp神经网络标定模型，记录并保存终端型号及对应的标定模型参数，最后跳转至步骤s103完成移动终端智能标定。
[0063]
在此需要指出的是，采集到的射频信号是室内环境中早已存在的信号源，不需要再次特意布设ap。
[0064]
此外，为了保证标准采样数据和测试采样数据是稳定可靠的，设置在每个采集点采样时间为10分钟，采样频率为5秒。
[0065]
进一步地，从所述标准移动终端获取的所述标准采样数据或从所述其他移动终端获取的所述测试采样数据的原始数据发送格式为：
[0066]
{p1{(ap
11
,rssi1,...,rssi
i
,...,rssi
k
),...,(ap
1n
,rssi1,...,rssi
i
,...,rssi
k
)}，
[0067]
......
[0068]
p
i
{(ap
i1
,rssi1,...,rssi
i
,...,rssi
k
),...,(ap
in
,rssi1,...,rssi
i
,...,rssi
k
)}，
[0069]
......
[0070]
p
j
{(ap
j1
,rssi1,...,rssi
i
,...,rssi
k
),...,(ap
jn
,rssi1,...,rssi
i
,...,rssi
k
)}}
[0071]
其中，p
i
为第i个采集点位置，i＝1,2,...,j,j为采集点个数，ap
in
为在p
i
采集点上接收到的第n个ap，rssi
k
为采集到的第k次原始射频信号强度观测值。
[0072]
s101，基于根据提出的非线性收敛因子得到改进的bp神经网络标定模型建立标定模型库，记录并保存终端型号及对应的标定模型参数。
[0073]
在本步骤中，其具体实施过程如下：
[0074]
步骤1：在室内任意选择若干个采集点(如果室内中有多个环境，比如走廊、房间、楼梯间等，在每个场景下都会选几个采集点代表这个场景，综合下来就表示该室内环境)，以标准手机在所有采集点上采集射频信号强度，综合表示为初始标准采样数据(比如在a点采了n1条数据，b点采了n2条数据，综合就是n1 n2条数据)，以移动终端在对应采集点上所有对应ap的所有原始射频信号强度观测值作为测试采样数据；
[0075]
以所述测试采样数据为改进的bp神经网络标定模型的真实输入值，以所述初始标准采样数据为改进的bp神经网络标定模型的真实输出值，随机初始化神经网络的各层权值阈值作为初始鲸鱼群位置向量x
i
，设置鲸鱼种群大小n，当前鲸鱼种群迭代次数t＝0，鲸鱼种群最大迭代次数t
max
，当前bp神经网络迭代次数t，bp神经网络最大迭代次数t
max
；
[0076]
步骤2：计算每只鲸鱼的适应度值f(x
i
),找出最好的适应度及对应的最优鲸鱼位置x
best
；
[0077]
[0078]
其中，y
i
为标准采样数据的第i个rssi真实值，y为测试采样数据的第i个rssi预测值，n为样本个数；
[0079]
步骤3：为了加快标定算法的建立与优化，更新迭代速度有所提升，提出了一种非线性的收敛因子a模拟包围猎物的收缩行为，收敛因子a只随着当前迭代次数t动态变化，可以较为有效避免陷入局部最优，更新鲸鱼位置参数a、a、c：
[0080][0081]
a＝2ar
‑
a
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0082]
c＝2r
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0083]
其中,t为当前鲸鱼种群迭代次数，t
max
为最大迭代数，r是[0,1]的一个随机数；
[0084]
步骤4：随机产生概率p，判断p是否小于0.5，若p≥0.5，则进行收缩包围位置更新：
[0085][0086]
其中,t为当前鲸鱼种群迭代次数；x
best
为最优鲸鱼位置；x
i
为当前鲸鱼位置；a和c为步骤3所得出的系数向量；
[0087]
若p<0.5，且当|a|<1时进行螺旋游走：
[0088][0089]
其中,表示当前鲸鱼与最优位置的距离；b为常数，定义对数螺旋线形状；l为[
‑
1,1]中随机数；
[0090]
当|a|≥1时根据以下公式进行随机游走：
[0091][0092]
其中,x
rand
为随机选取的位置向量；
[0093]
步骤5：鲸鱼种群迭代次数t自增，根据步骤2比较更新最优位置；当到达鲸鱼种群最大迭代次数t
max
时，输出x
best
即最优权值w
ij
、阈值θ
j
,并作为bp神经网络最优初始参数；
[0094]
步骤6：bp神经网络进行正向传播过程，通过神经元之间的连接权值w
ij
和神经元阈值θ
j
进行数据加工，并采用非线性sigmoid激活函数获得预测输出值。
[0095][0096][0097]
其中，w
ij
为神经元i到神经元j的连接权值；θ
j
为神经元j阈值；i
j
为神经元j输入值；o
j
为神经元j输出值；rssi
x,i
为神经元i的输入值。
[0098]
步骤7：bp神经网络进行误差反向传播过程，通过正向传播过程获得预测输出值，根据智能设备的预测输出值与标准智能设备的真实输出值之间的差异得到当前迭代次数的损失函数e
j
，将误差逆向传播至上一层神经元中得到该层误差，逐层传递直至最上层隐藏层，基于梯度下降法对连接权值和阈值进行不断调整。
[0099][0100][0101][0102]
其中，rssi
y,j
为神经元j真实输出值；rssi
′
y,j
为输出层神经元j预测输出值；w
′
ij
为更新后权值；θ
′
j
为更新后阈值；η∈(0,1)为学习率，若其值偏大则收敛快但容易陷入局部最优，若偏小则收敛慢但逼近全局最优。
[0103]
步骤8：经过反复学习训练，当bp神经网络迭代次数t到达bp神经网络最大迭代次数t
max
时，选取损失函数e
j
最小的bp神经网络作为最终标定模型，保存当前改进的bp神经网络标定模型的参数。
[0104]
步骤9：将多个移动终端重复步骤1至8，进而建立标定模型库。
[0105]
当行人手持移动终端需要进行标定时，首先系统会自动在服务器的标定数据库中匹配该终端型号，若存在，则可手持移动终端在室内任意位置对接收到的射频信号强度观测值进行标定，否则要先在采集点采集测试采样数据，建立该终端型号的改进的bp神经网络标定模型后再进行标定。
[0106]
在此需要补充的是，室内任意位置可以是采样数据的采集点，也可以是其他位置，在任意位置上移动终端接收到所有ap的原始射频信号强度观测值会即时进行标定。
[0107]
实施例2
[0108]
请参阅图3，对于本发明第二实施例提出的一种基于移动终端无线射频信号强度的智能标定系统，包括依次连接的数据采集模块11、模型建立模块12以及智能标定模块13；
[0109]
其中所述数据采集模块11具体用于：
[0110]
以标准移动终端在所有采集点上所有ap的所有原始射频信号强度观测值作为标准采样数据，以移动终端在对应采集点上所有对应ap的所有原始射频信号强度观测值作为测试采样数据；
[0111]
其中所述模型建立模块12具体用于：
[0112]
根据所述标准采样数据以及所述测试采样数据建立并训练得到改进的bp神经网络标定模型，记录并保存终端型号及对应的标定模型参数；
[0113]
其中所述智能标定模块13具体用于：
[0114]
以移动终端在室内任意位置接收到的射频信号值作为标定模型输入，将其经过改进的bp神经网络标定模型进行处理，最终得到的输出作为标定值以完成对该移动终端的智能标定。
[0115]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成。所述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，包括上述方法所述的步骤。所述的存储介质，包括：rom/ram、磁碟、光盘等。
[0116]
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。