[发明专利]一种改进的基于分簇神经网络的室内指纹定位方法

说明书

技术领域

本发明属于无线通信和无线网络定位技术领域，特别涉及一种改进的基于分簇神经网络的室内指纹定位方法。

背景技术

近年来，随着社会和经济的不断发展，以及信息和通信技术的不断进步，基于位置信息服务（location based service,LBS）在紧急救助、导航、追踪以及本地搜索等方面需求不断增加，呈现出广阔的商业前景和市场价值。目前，基于智能终端所开发的定位应用绝大多数局限于室外定位环境，然而人们对于室内定位技术的需求也与日俱增，如机场大厅、购物商城、写字楼、医院等需要为特殊客户提供定位导航等服务，从而更加便利人们的生活，提供更好的用户体验，提高商家服务质量。

常用的室内定位算法主要包括几何测量法、近似法、指纹定位法三种。由于各建筑物室内的布局多样化，室内环境复杂变化多端，人员流动性大等对室内无线信号测量如接收信号强度（receive signal strength,RSS）、到达时间（time ofarrival,TOA）、到达时间差（time difference of arrival,TDOA）等产生很大的影响，通过对RSS等信号特征来描述精确的位置信息非常困难。因而基于电波传播模型的前两种室内定位算法难以获取较高的室内定位精度。对于指纹定位算法通过对采集的室内信号特征值构成的指纹进行匹配从而再进行空间位置的映射来实现终端的位置估计，算法简单而精度高，并可以通过指纹库的实时更新来适应室内环境的变化,因而被广范应用于室内定位系统中。

指纹定位算法分为离线阶段和在线阶段。离线阶段利用终端来采集室内各参考点处的无线信号特征信息如RSS、TOA等，由各参考点处收集到的指纹信息构成整个室内布局的离线指纹数据库。在线阶段，通过对某一未知待定位的盲点处的无线信号特征信息进行采样构成实时的指纹信息，再通过指纹匹配算法来获取终端的位置估计。常用的指纹匹配算法包括最近邻居法,核函数法,支持向量机法以及神经网络法（artificial neural networks,ANN）。其中，神经网络指纹匹配算法能够提供更高的定位精度与定位稳定度，但该算法的计算与存储开销大，对于大型的室内场所以及终端计算能力及存储能力受限的情况限制了该算法的可实施性。分簇神经网络指纹定位法通过对数据库指纹进行分簇将室内整个定位区域划分为不同的小区域然后进行ANN模型的训练与最终的位置估计，并能减少计算与存储开销，提高终端定位的实时性。然而，分簇神经网络算法的次优全局收敛性问题成为该定位算法定位精度的重要影响因素，降低了定位精度性能。针对这一问题，本发明采用径向基函数（Radio Basis Function,RBF）神经网络模型，提出了一种改进的分簇神经网络的指纹定位方法，通过对加权因子进行约束来联合最优化神经网络模型，从而在降低计算复杂度以及内存需求的同时，提高分簇神经网络指纹定位算法的定位精度，为用户提供更优的位置信息服务。

发明内容

为了解决分簇神经网络指纹定位算法中模型训练的次优全局收敛性导致定位精度降低的问题，本发明提供了一种改进的基于分簇神经网络的室内指纹定位方法。

一种改进的基于分簇神经网络的室内指纹定位方法，其特征在于，所述方法具体包括以下步骤：

步骤1：离线阶段，在室内均匀分布的参考点处采集指纹信息构建指纹数据库；

步骤2：离线阶段，采用聚类算法对指纹数据库中的指纹信息进行分类，产生不同的类和类中心；

步骤3：离线阶段，利用改进的约束加权神经网络模型对各参考点的指纹与位置信息进行人工神经网络训练，得出最优的网络模型，并将优化得到的参考点处的模型参数输入到指纹数据库中。

步骤4：在线阶段，采集室内的实时指纹信息；

步骤5：在线阶段，将采集到的实时指纹信息与数据库中的类中心进行类匹配，选择最佳匹配的2~3个类作为初步定位区域；

步骤6：在线阶段，根据类匹配结果，将初步定位区域中包括的实时指纹信息作为所选择的类中的各个参考点的神经网络模型的输入端，选择M个具有最小实际输出与期望输出偏差的模型对应的位置估计进行加权，从而获取最终的精确位置估计。

步骤1中，离线阶段室内指纹数据库的建立具体包括以下步骤：

步骤101：根据室内布局设置均匀分布的参考点RP_i，位置坐标l_i=(x_i，y_i),i＝1,2,…,L。其中，L为室内参考点的个数。