基于无线基站场强频度的精确定位方法与流程

1.本发明涉及的是一种无线定位领域的技术，具体是一种基于无线基站场强频度的精确定位方法。


背景技术：

2.在无线定位方法中，基于指纹的定位方法具有广泛的应用，在机器学习方法兴起之后，又有不少技术将指纹方法和机器学习进行了结合。在机器学习中，数据的表示方式是很重要的，尤其是对机器学习的效率和无线定位的效果会产生重要的影响。


技术实现要素：

3.本发明针对现有技术存在的上述不足，提出一种基于无线基站场强频度的精确定位方法，充分利用无线基站的场强或功率数据，并通过频度分析的方式形成特定格式的输入数据，能够有效提取数据特征，进行机器学习，从而实现定位。
4.本发明是通过以下技术方案实现的：
5.本发明涉及一种基于无线基站场强频度的精确定位方法，在待定位区域内采集无线基站的场强数据或功率数据，并根据每个周期内的数据频度生成样本，以采集点位置为标签用于训练神经网络或机器学习，实现精确定位。
6.所述的待定位区域内预先经网格化处理：将区域按照网格划分，每个网格作为离散的位置点。
7.所述的数据频度是指：按不同等级的场强或功率分组，以组内数据出现的频率作为数据频度，其中分组的目的是将连续的数值处理为离散的数据，应当以均匀、尽量密集地分组，当数据本身为离散数据，则可以不进行分组。
8.所述的数据频度，当场强或功率数据按照其等级从小到大地划分为p1，p2...pn共n个等级，p1＜p2＜
…
＜pn；经过频度数据处理的场强或功率数据x＝a1a2…ak
，其中：各个基站的分析结果ai＝a
ibi1bi2
…bin
，其中b
ij
为第i个基站的原始数据的数值为j的出现频度：对某个位置的第i个基站的所有si条原始数据，其场强或功率值在等级pj的个数为n
ij
，则其频度b
ij
＝n
ij
/si；各个基站的分析结果ai中，包含一个附加位ai，代表当前基站的所有si条场强或功率数据占该位置所有基站的数据量总和s＝∑isi的比例，即ai＝si/s，则有∑
iai
＝1，其中每个基站的数据中包含一个标志位ai，其表示第i个基站的数据量占所有基站的数据量的比例，有助于训练和预测。
9.优选地，对于待定位区域附近的n个基站以外的基站数据可直接忽略；对于在某次数据采集中没有出现的需采集基站i，将基站i的数据量占比ai设置为0，并将其场强或功率频度的分布{b
ij
}设置为：b
i1
设置为1，b
i1
是最小场强或功率p1对应的频度，并设置b
ij
＝0(j≠1)，这样设置是为了dbm频度数组的和为1。当最小场强或功率是pk，则将b
ik
设置为1即可；也可设置一个比最小场强或功率更小的值作为边界。
10.所述的样本是指：通过一个数组arri存储各个基站的场强或功率值的频度信息，
数组arri的下标为场强或功率的等级，对应的值arri为对应等级的频度b
ij
。数组arri的下标0可以表示各个基站的数据占比ai。这是由于各个基站在某次测量中出现的数据量一般来说并不完全相同，在使用特定的采样率进行采样时，对于信号质量较差的基站，在一段时间的采集中，其中部分时间可能无法得到数据，就会导致该基站的数据量较少；而信号质量较好的基站，其数据量就是采样率
×
采集时间。这种不同基站的数据量不同的情况需要表征在数据中。这样，第i个基站对应的数组arri中，长度为n 1，且arri[0]＝ai，arri[j]＝b
ij
，将所有的k个基站组合起来，得到长为(n 1)
×
k的数组。
[0011]
优选地，所述的样本，需在一个位置多次采集数据，一次采集需要持续一段时间，以减少随机性。只有多次采集数据才能进行机器学习的训练。然而，在测试时，测量未必能持续足够长的或特定的时间，所以需要对训练数据的时间间隔进行切割，具体来说，将采集的较长时间的数据切割为较短时间间隔的数据，这样的数据进行训练可以更好在实际场景中应用。
[0012]
所述的神经网络，其输入为(n 1)
×
k的浮点数组，输出为位置相关的信息：当使用分类器时则以位置编号作为类别；当使用感知器时则直接输出位置坐标。技术效果
[0013]
与现有技术相比，本发明通过对场强或功率的各个等级进行频度分析来表征位置的特征再进行机器学习，定位的准确率提升5％～10％。
附图说明
[0014]
图1为实施例流程示意图；
[0015]
图2为实施例效果示意图；
[0016]
图中所示为k＝8个基站、场强或功率使用手机端的dbm数据的情况下，经过图1数据处理之后的频度分布示意图。
具体实施方式
[0017]
如图1所示，为本实施例涉及一种基于无线基站场强频度的精确定位方法，包括以下步骤：
[0018]
步骤1、在待定位区域的各个位置，即网格按照一定的采样率采集大量的数据，每一条数据包括了基站id和对应的信号功率，分别对应安卓手机返回的物理基站id(pci)和dbm(信号场强或功率)。将获得的大量数据按照时间间隔划分为多组数据，如将每3秒采集的数据划分为一组，每条数据都包含了一个基站id和基站的场强或功率数据dbm，其中dbm的范围为-140～-44。
[0019]
步骤2、将步骤1)中的各组数据进行频度分析，得到分析结果ai＝a
ibi1bi2
…bin
中的b
i1
对应于第i个基站的dbm＝-140的频度，b
ij
对应于第i个基站的dbm＝-141 j的频度，b
in
对应于第i个基站的dbm＝-44的频度，n＝97；各个基站的dbm数据量占所有基站的比例记录在ai中。
[0020]
在图2所示样例中，共有8个基站及其数据(a
ibi1bi2
…bin
)，1号基站的数据量占比a1约为0.1，即1号基站的场强或功率数据(dbm)量占8个基站的dbm数据量之和的比例为0.1。该基站的dbm数据频度分布位于第1至97位，其中，dbm＝-81的频度约为67％，对应于b
1，60
，
dbm＝-77的频度约为33％，对应于b
1，64
。
[0021]
步骤3、当某个位置的某次测量中，某些基站并没有数据时，将表示数据量占比的ai设置为0。为了保持dbm频度b
ij
满足和为1的性质，将b
i1
设置为1，这意味dbm＝-140的数据出现频度为100％，而其他位都为0。这样设置的原因在于-140表示了dbm的取值范围内最小的值；当某种场强或功率的数据表示并非如此，需要设置对应的最小值的频度为1，其他位为0；或者，在数组(b
i1bi2
…bin
)中添加一位表示比场强或功率数据的最小值更小的数据的频度，其只有在基站没有数据时值为100％，其它情况都为0。
[0022]
步骤4、将每个网格的数据按照不同的时间间隔划分后，通过步骤2)和步骤3)的处理得到格式统一的浮点数组作为训练样本，例如在如图2所示的具有8个基站的情况下，这些数据都是长为8
×
98＝784的浮点数组。将训练样本对具有3个隐藏层的分类神经网络进行训练，该网络使用relu(rectified linear unit，线性整流函数)作为激活函数，使用交叉熵(cross-entropy)作为损失函数，使用sgd作为优化算法。
[0023]
步骤5、在在线阶段，采用训练后的分类神经网络对待测数据进行分类，实现精确定位。
[0024]
经过具体实际实验，在室内场景按照上述步骤采集数据，共80个网格(每个网格的大小为3m
×
3m)，选取8个信号较好的基站数据按照上述步骤进行分析)，处理后得到数条8
×
98＝784的浮点数组和对应的标签(位置编号)，输入到上述分类神经网络。
[0025]
由于不同的移动终端设备的传感器灵敏度不同，所以以下测试结果仅针对huaweinova 8pro(5g版)设备。为了进行效果对比，首先对没有经过频度分析处理的数据进行机器学习训练。经过多种机器学习方法的测试，对于未经本方法处理的数据，较优的结果是使用knn(k-nearest neighbors algorithm，使用欧氏范数作为距离函数，邻居个数为5)，定位的准确率为76％。
[0026]
对于由50条左右的场强或功率数据进行频度分析得出的数据作为输入，定位的准确率达到94％，且对于发生错误的定位结果，其定位误差的平均距离为1.19个网格(约为3.57m)；对于由20条左右的场强或功率数据进行频度分析得出的数据作为输入，定位的准确率达到86％，且对于发生错误的预测，其误判的平均距离为1.77个网格(约为5.31m)。可见，对于没有使用本方法进行处理的数据，定位准确率(76％)远不如本方法进行数据处理后的定位准确率。
[0027]
优选地，当使用多层感知器作为机器学习的方法时，其输出为位置的真实坐标。在测试时，为了确定定位的正确率，需要将多层感知器输出的坐标与正确的坐标对比，当落在正确位置的网格内，就判做定位结果正确。在这种情况下，对于由50条左右的场强或功率数据进行频度分析得出的数据作为输入，定位的准确率达到92％；对于由20条左右的场强或功率数据进行频度分析得出的数据作为输入，定位的准确率达到81％。需要指出的是，上述正确率虽然较分类神经网络的准确率低，但是这并不表明二者的优劣，在只是为了表示数据处理方法的效果。同样，的准确率也要高于未经本方法进行数据处理的准确率(76％)。并且本方法也可以应用在任何离散的或者连续的数据上，例如toa(time ofarrival)或者aoa(angle ofarrival)信息，也可以通过划分等级的方式将连续值转化为离散值之后进行数据统计。
[0028]
与现有技术相比，本方法处理的数据有更好的机器学习效果。而且，不同灵敏度的
传感器获得的数据量往往相差很大，通过频度数据来表征不同位置的特征，能够在一定程度上减轻这种差异。利用机器学习抗干扰能力强，且时间成本基本只集中在前期训练过程、而后期分类速度快所以时效性强的特点，实现了一种更精确、更高效、抗干扰性能更强的无线定位方法。
[0029]
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整，本发明的保护范围以权利要求书为准且不由上述具体实施所限，在其范围内的各个实现方案均受本发明之约束。