一种狭长空间中的定位方法

1.本发明涉及一种狭长空间中的定位方法，属于空间定位技术领域。


背景技术：

2.指纹定位方法是最常见的室内定位技术之一，通过离线构建指纹库和在线匹配定位实现位置估计。常用的算法有k近邻、贝叶斯推理、神经网络、支持向量机和深度学习等，定位精度约为2-5米，严重阻碍了室内定位技术的快速发展和推广应用。
3.狭长空间广泛存在于地下空间、gnss信号拒止环境和室内场景，且具有独特的空间几何特性（即长度较长，宽度较小）。现有室内指纹定位方法多通过地图匹配或路径约束对指纹定位结果进行约束优化，然而由于指纹定位误差较大，此类方法对定位精度的改善并不明显。此外，一些学者利用卷积神经网络对所有方向上的指纹特征进行深度挖掘，但在某一方向上容易产生过拟合现象导致泛化性能较差。上述指纹定位研究都忽略了狭长空间本身的几何特性，没有充分利用各方向上的指纹特征，导致定位误差较大。


技术实现要素：

4.本发明目的是提供了一种狭长空间中的定位方法，充分利用各方向上的指纹特征，大幅提高定位精度。
5.本发明为实现上述目的，通过以下技术方案实现：步骤1：将空间延伸窄的方向作为x方向，将空间延伸长的方向作为y方向，根据x方向和y方向对空间进行网格化，将网格的每个交汇点作为参考点；在同一y方向上所有参考点构成一条路径。
6.步骤2：沿着每条路径分别在每个参考点处采集一定时间内的指纹信息，并同时保存参考点坐标和路径，未探测到的指纹特征赋值为一个极小的数值，所述极小数值为小于-120的任一数值，并对每个参考点处的指纹信息进行均值处理，对指纹特征数据进行归一化，所述归一化具体公式如下：其中，为第i个特征，表示对应的归一化后数值，取值范围为[0,1]，表示特征数据，和分别表示最小值和最大值函数。
[0007]
步骤3：选取指纹特征与x方向坐标构建和训练x方向降噪自动编码器卷积神经网络模型。
[0008]
步骤3-1：将指纹特征添加高斯白噪声得到的新指纹特征作为x方向降噪自动编码器卷积神经网络模型输入，具体公式如下：
表示高斯白噪声，是取值范围为[-1,1]的正态分布随机数，β为正整数，取值范围为[1,5]。
[0009]
步骤3-2：通过卷积层最小化输入与重构信号之间的误差对网络参数进行调整，并使编码器得到抗干扰的特征。
[0010]
步骤3-4：将特征输入卷积神经网络，所述卷积神经网络包括dropout层、池化层、全连接层、softmax层和输出层；所述抽象特征通过dropout层处理忽略部分特征，然后依次经过卷积层与池化层处理，压缩数据和减少参数数量；再通过全连接层进行特征图处理，全连接层中的每个神经元与前一层的所有神经元进行全连接，每个神经元的激活函数均为relu函数；最后通过softmax回归输出x坐标。
[0011]
步骤4：选取每条路径上对应的指纹特征与y方向坐标，构建y方向粒子群优化的支持向量回归模型，每个路径对应着一个y方向粒子群优化的支持向量回归模型。
[0012]
步骤4-1：所述y方向粒子群优化的支持向量回归模型采用ε-svr，具体公式如下：其中，和是拉格朗日乘子，取值范围为[0,c]，c为大于0的惩罚系数表示第i个样本指纹特征，表示第j个样本指纹特征，b表示位移，表示核函数，具体为径向基函数，所述径向基函数的核宽为。
[0013]
步骤4-2：通过拉格朗日函数和卡罗需-库恩-塔克条件约束模型参数，使接近y坐标，并最小化损失函数和最大化超平面间隔；具体公式如下：其中，是svr超平面的法向量，和是松弛变量，为支持向量回归模型ε-svr的容忍值，取值范围为[0.01,0.3]。
[0014]
步骤4-3：采用粒子群优化算法计算参数；具体公式如下：其中，m为粒子群中粒子数目，和表示第i个粒子的参数值，和表示第i个
粒子参数的速度值，和表示粒子的最大速度，和表示粒子的最大位置，和表示最小位置；并且；表示取值为[0,1]的随机函数，取值为[-1,1]的随机函数。
[0015]
步骤4-4：将步骤4-3中得到的代入支持向量回归模型得到ypsosvr模型。
[0016]
步骤5：在空间任意位置实时采集数据，未探测到的数据赋为一个极小的数值，所述极小数值为小于-120的任一数值，构成一组对n维指纹特征，根据步骤2的归一化公式对其进行归一化。
[0017]
步骤6：利用x方向降噪自动编码器卷积神经网络模型和归一化的n维指纹特征进行x坐标估计，并限制其dropout层不作用。
[0018]
步骤7：根据得到的x坐标分别计算其到各路径的距离，具体公式如下所示：式中，为估算的坐标，为第i条路径的坐标。
[0019]
步骤8：筛选出最小对应的第i条路径的模型ypsosvr；利用筛选得到的模型ypsosvr和归一化的n维指纹特征进行y坐标估计，最终输出估计位置的x和y坐标。
[0020]
优选的，所述x方向降噪自动编码器卷积神经网络模型其结构依次包含特征数据和噪声、输入层、两个卷积层、抽象特征、两个卷积层和抗噪声干扰的特征数据。
[0021]
优选的，所述x方向降噪自动编码器卷积神经网络模型的卷积层中每个卷积单元参数通过反向传播算法最佳化得到，每个卷积单元都设置有relu激活函数，所述relu激活函数具体如下：其中，表示输入的特征。
[0022]
优选的，所述参数还可以使用改进的粒子群优化算法计算，具体方式如下：步骤1：设定粒子群中粒子数目m、最大迭代次数t，以均方误差作为适应度函数，计算第i个粒子第t次迭代的适应度函数值；根据适应度函数值计算每一次迭代中的局部最佳适应度函数值和对应的位置，其中，为第i个粒子第t次迭代的位置。
[0023]
根据适应度函数值计算全局最佳适应度函数值和对应的位置，
其中，为小于的第t次迭代中粒子的索引，为第个粒子第t次迭代的位置。
[0024]
步骤2：判断迭代次数是否大于设定的最大迭代次数t，如果符合，则将当前计算得到的作为最终输出的结果；如果不符合，则使用反比例函数和随机函数获得非线性随机衰减惯性权重，并继续步骤3；其中，是非线性随机衰减惯性权重，和的取值范围为[0.4,0.9]；步骤3：利用得到的惯性权重值、局部最佳适应度函数值对应的位置和全局最佳适应度函数值对应的位置进行粒子更新，即更新粒子的位置和速度，迭代至迭代次数大于设定的最大迭代次数t，输出当前的位置。
[0025]
其中，和表示学习率，取值范围为[0,4]。
[0026]
优选的，所述粒子数目和最大迭代次数满足如下关系：。
[0027]
本发明的优点在于：本发明将狭长空间分为窄方向和长方向，对窄方向上的指纹特征利用降噪自动编码器辅助的卷积神经网络进行深度挖掘，对长方向上的指纹特征利用改进粒子群优化的支持向量回归算法进行高维空间建模，并按照一定的策略进行定位估计，充分利用了各方向上的指纹特征，能够大幅提高定位精度。
附图说明
[0028]
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
[0029]
图1为本发明流程结构示意图。
[0030]
图2 狭长空间示意图。
[0031]
图3 降噪自动编码器卷积神经网络模型示意图。
[0032]
图4 改进粒子群优化的支持向量回归模型示意图。
[0033]
图5为三种方法的误差累积分布示意图。
[0034]
图6为三种方法一定范围内定位误差统计示意图。
具体实施方式
[0035]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0036]
一种狭长空间中的定位方法，分为两个阶段，离线阶段和在线阶段，如图1所示。为方便表述，以狭长空间较窄的方向为x方向，以较长的方向为y方向。离线阶段负责指纹数据采集和处理,分别构建x方向和y方向模型，在线阶段先进行x坐标估计,然后判断x坐标与y方向上哪个模型间的距离最短，并以此模型估计y坐标。
[0037]
具体包括以下步骤，步骤1）~4）为离线阶段，步骤5）~7）为在线阶段：步骤1）：对狭长空间以一定的间隔进行格网化，如图2所示，位于格网点处的实心点为参考点，同一y方向上的所有参考点构成1条路径，最左边为路径1。由于狭长空间宽度有限，路径数目相对较少。假设图2为4米宽的狭长空间，格网间隔为1米，路径数为5，则从左向右分别为路径1（x=0）、路径2（x=1）、路径3（x=2）、路径4（x=3）和路径5（x=4）。
[0038]
步骤2）：沿着每条路径分别在每个参考点处采集一定时间内的指纹信息，并同时保存参考点坐标和路径，设狭长空间内指纹特征数为n，样本数为m，未探测到的指纹特征赋值为一个极小的数值，对每个参考点处的指纹信息进行均值处理，得到表1所示的指纹数据集样例。
[0039]
表1 指纹数据集样例然后对指纹特征数据选用最大最小归一化函数进行归一化，如公式（1）所示，为第i个特征，表示对应的归一化后数值，取值范围为[0,1]，表示特征数据，和分别表示最小值和最大值函数。
[0040]
ꢀꢀꢀꢀꢀꢀꢀ
（1）步骤3）：选取n维指纹特征与第n 1列x坐标构建x方向降噪自动编码器卷积神经网络模型（xdacnn），xdacnn结构如图3所示，包含特征数据和噪声、输入层、卷积层、抽象特征、dropout层、池化层、全连接层、softmax层和输出层。
[0041]
对n维指纹特征添加高斯白噪声得到新的n维指纹特征，如公式（2）所示，高斯白噪声是均值为0和标准差为1，取值范围为[0,1]的正态分布随机数，用函数表示，β为正整数，决定了高斯白噪声的取值范围。新的n维指纹特征作为降噪自动编码器（denoising autoencoder, da）的输入层。
[0042]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（2）xdacnn的卷积层由若干卷积单元组成，每个卷积单元的参数通过反向传播算法最佳化得到。为加快训练速度和克服梯度消失，每个卷积层都紧跟着relu激活函数，使网络可以非线性表达。relu函数如公式（3）所示，获得最大数值。同时，通过最小化输入与重构信号之间的误差对网络参数进行调整，并借助两个卷积层使得编码器（encoder）得到抗干扰的特征。
[0043]
ꢀꢀꢀꢀꢀꢀꢀꢀ
（3）将特征输入卷积神经网络（convolutional neural network, cnn）后, 经过dropout层处理忽略部分特征，保证稀疏性以减少过拟合现象的发生。然后依次经过卷积层与池化层处理，用于压缩数据和减少参数数量。随后紧跟着全连接层进行特征图处理，全连接层中的每个神经元与前一层的所有神经元进行全连接，每个神经元的激活函数均为relu函数。最后借助softmax回归输出x坐标。
[0044]
步骤4）：分别按照第n 3列路径选取n维指纹特征与第n 2列y坐标，按照如图4所示，分别构建y方向粒子群优化的支持向量回归模型（ypsosvr），即每个路径对应着一个ypsosvr模型。
[0045]
根据训练样本数据和任意设定的参数可以构建支持向量回归模型，但是这个支持向量回归模型并不一定是最优的，所以借助改进粒子群优化算法为支持向量回归模型选择一组全局最优参数才能构建最优模型。如图4所示，要筛选的全局最优参数为，改进粒子群优化的支持向量回归模型由两部分组成，支持向量回归和改进粒子群优化。指纹特征与y坐标利用改进粒子群优化得到的经过支持向量回归模型训练可以得到ypsosvr模型，该模型可用于后续y坐标估计；改进粒子群优化则需根据指纹特征与y坐标完成粒子初始化，基于初始化后粒子计算每个粒子对应的适应度函数，判断是否符合终止条件，若符合，则将最优参数向支持向量回归输出，否则利用非线性随机衰减函数计算惯性权重更新粒子，不断迭代直至符合终止条件为止。
[0046]
选用的支持向量回归（support vector regression，svr）模型是ε-svr，如公式
（4）所示，其中，和是拉格朗日乘子，取值范围为[0,c]，c为大于0的惩罚系数，表示第i个样本，b表示位移，表示核函数，在此设为径向基函数（radial basic function, rbf），如公式（5）所示，表示rbf的核宽。
[0047]
ꢀꢀꢀꢀꢀ
（4）
ꢀꢀꢀꢀꢀꢀꢀ
（5）为了让svr定位模型具有更高精度，希望模型得到的数值尽可能地接近y坐标，并最小化损失函数和最大化超平面间隔，如公式（6）所示，是svr超平面的法向量，和是松弛变量。由拉格朗日函数和卡罗需-库恩-塔克（karush-kuhn-tucker，kkt）条件可求得和b的最优解。因此，只需设定参数就可以得到svr模型。
[0048]
ꢀꢀꢀꢀꢀꢀ
（6）使用改进的粒子群优化（particle swarm optimization，pso）算法能够跳出局部最小值，提高全局搜索能力，加快收敛速度，从而可以快速得到全局最优的参数。对pso算法的改进主要体现在两个方面：一是对粒子的速度使用[-1,1]的随机函数确保粒子可以向任意方向移动；二是采用非线性随机衰减惯性权重提高全局寻优能力，避免陷入局部最小值。
[0049]
在粒子初始化过程中，设定粒子群中粒子数目m、最大迭代次数t，粒子的位置p和速度v分别用和来表示，粒子的最大速度分别为和，如公式（7）所示。其中，粒子的最大/最小位置分别为，，和，是预先自定义的数值，在设定最值时可满足和的关系，如取值为100，取值为0.01，和分别表示取值为[0,1]和[-1,1]的随机函数。
[0050]
ꢀꢀꢀꢀꢀꢀꢀꢀ
（7）
任一初始化后的粒子带入到公式（4）即可得到一个确定的svr模型，但这一模型不一定是最优的，下面需要借助初始化的粒子、指纹特征与y坐标不断进行适应度函数计算、判断是否符合终止条件、粒子更新等步骤实现最优粒子的筛选，也就是最优参数的获取。
[0051]
以均方误差（mean squared error，mse）为适应度函数，如公式（8）所示，可以计算每一次迭代中每个粒子的适应度函数值。根据这些适应度函数值可以获得每一次迭代中的局部最佳适应度函数值和对应的位置，如公式（9）所示。同时，也可以获得全局最佳适应度函数值和对应的位置，如公式（10）所示，为小于的第t次迭代中粒子的索引。
[0052]
ꢀꢀꢀꢀꢀꢀ
（8）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（9）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（10）终止条件是迭代次数大于设定的最大迭代次数t，如果不符合，则先利用反比例函数和随机函数获得非线性随机衰减惯性权重，如公式（11）所示，是非线性随机衰减惯性权重，为0.9，为0.4，t是迭代次数；然后，利用得到的惯性权重值、局部最佳适应度函数值对应的位置和全局最佳适应度函数值对应的位置进行粒子更新，即更新粒子的位置和速度，如公式（12）所示，和是取值范围为[0,4]的学习率；如果符合，则将作为最终输出的结果。
[0053]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（11）（12）于是，可以得到对应图2的 5个模型，ypsosvr1，ypsosvr2，ypsosvr3，ypsosvr4，ypsosvr5。
[0054]
步骤5）：在实验区域内的任意位置实时采集数据，未探测到的数据赋为一个极小的数值，构成一组对n维指纹特征，利用公式（1）对其进行归一化处理。
[0055]
步骤6）：利用训练得到的xdacnn和归一化的n维指纹特征进行x坐标估计，此时
dropout层不起作用。
[0056]
步骤7）：根据步骤6）得到的x坐标分别计算到各路径的距离，如式（13）所示，其中，i对应的是路径的索引，筛选出最小对应的第i条路径的模型ypsosvri。
[0057]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（13）步骤8）：利用筛选得到的模型ypsosvri和归一化的n维指纹特征进行y坐标估计，最终输出估计位置的x和y坐标。
[0058]
与现有的两种最先进的指纹定位方法ccpos和svm进行对比。
[0059]
ccpos方法将卷积降噪自动编码器和卷积神经网络用于在线阶段，而非离线阶段的模型训练，卷积降噪自动编码器从指纹中提取关键特征，卷积神经网络则使用提取的关键特征进行二维坐标估计。
[0060]
svm方法在离线阶段利用指纹对二维坐标分别建立多类分类器，在线阶段分别用于估计坐标。
[0061]
利用alcala tutorial 2017 公共数据集在相同的实验配置下实现了三种定位方法，从图5的误差累积分布曲线中可以看出，本发明定位方法曲线明显高于其他两种方法；从图6的一定范围内定位误差统计可以看出，本发明定位方法的百分比明显高于ccpos方法；表2给出了三种方法百分之25误差、平均绝对误差、百分之75误差、百分之95误差和均方根误差的定位误差统计，除了平均绝对误差之外，本发明定位误差的误差值明显小于其他两种方法，同样可以看出本发明定位方法明显优于其他两种方法。
[0062]
表2 三种方法定位误差统计（米）从表2中还可以看出，相比于ccpos方法，本发明定位方法的百分之25误差减小了41.4%，百分之75误差减小了33.6%，百分之95误差减小了39.2%，均方根误差减小了35.7%。
[0063]
综上所述，本发明提供的降噪自动编码器辅助卷积神经网络及粒子群优化支持向量回归的定位方法可以大幅提高狭长空间下的定位精度。
[0064]
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。