[发明专利]一种室内位置的反向传播神经网络概率密度预测方法

说明书

本发明公开了一种室内位置的反向传播神经网络概率密度预测方法，首先选取多层室内结构的正方形测试区域作为试验场地，以矩形网格形式共选取n*n个标准参考点，在试验场地的四角分别设置RSSI信号发射器，将选取的标准参考点测得的RSSI值和角度值两类数据汇总到同一标准数据集；将测得的标准数据集进行归一化处理；将处理后的标准数据集按照7:3划分为训练集和测试集；改进并分析传统的反向传播神经网络模型，最终得到改进后的BPNN模型；最后得到参考标准点的累积误差分布函数和概率密度函数。本发明解决了不同环境下的室内位置数据存在的分布情况模拟不好及其概率计算误差较大的问题，提高了室内定位精度。

技术领域

本发明属于室内定位技术领域，具体涉及一种室内位置的反向传播神经网络概率密度预测方法。

背景技术

近年来，定位技术应用于手机、平板电脑和便携设备等新型移动设备的数量不断上升，并且随着网络设备功能的快速增长室内定位技术在位置感知相关应用的扩展方面也发挥着越来越重要的作用。在室内环境中由于室外复杂的障碍环境使得室内无法接收到准确的GPS信号或接受到的信号中存在很大的误差无法精准的应用到室内定位中,因此基于室内信息的定位服务是具有很大的研究价值和商业价值。室内定位可支持各种应用程序计划，可改变移动装置的传统使用模式，如博物馆导航，消防等领域。

室内定位虽有着广泛的应用领域，但是室内定位技术的精度问题面临着巨大的挑战，室内环境的动态性多种多样，温度，角度，时间等因素都会直接或者间接导致最终定位结果产生误差，最终定位的位置误差是一个不可或缺的因素，因此如何降低室内定位误差是一个重要的问题。

发明内容

本发明目的是提供一种室内位置的反向传播神经网络概率密度预测方法，解决了不同环境下的室内位置数据存在的分布情况模拟不好及其概率计算误差较大的问题，提高了室内定位精度。

本发明所采用的技术方案是，一种室内位置的反向传播神经网络概率密度预测方法，具体按照以下步骤实施：

步骤1、选取多层室内结构的正方形测试区域作为试验场地如图1所示，以矩形网格形式共选取n*n个标准参考点，每个标准参考点等间距选取，标准参考点即构成室内区域取值的参考位置，通过路径损耗模型获得实际标准参考坐标，在试验场地的四角分别设置RSSI信号发射器，将选取的标准参考点测得的RSSI值和角度值两类数据汇总到同一标准数据集；

步骤2、将步骤1测得的标准数据集按照最大最小的数值处理方法进行归一化处理；将处理后的标准数据集按照7:3划分为训练集和测试集；

步骤3、改进并分析传统的反向传播神经网络模型，最终得到改进后的BPNN模型；

步骤4、利用改进后的BPNN模型作用于步骤2数据预处理后得到的测试集，得到参考标准点的累积误差分布函数和概率密度函数。

本发明的特点还在于，

步骤2具体按照以下步骤实施：

步骤2.1、将步骤1得到的标准数据集进行归一化处理，环境为Python，版本号为3.6.0，开发所使用的编译器为PyCharm智能集成开发工具，利用最大最小的数值处理方法如公式1所示，分别对数据集中的RSSI值和角度值进行数据归一化：

当处理RSSI值时，x表示步骤1标准数据集中的RSSI值，minA和maxA分别是标准数据集中RSSI值的最小值和最大值，x′表示经过归一化处理的RSSI值；当处理角度值时，A代表标准数据集中的角度值，minA和maxA分别是标准数据集中角度值的最小值和最大值，x′表示经过数据归一化处理的角度值；

步骤2.2、将步骤2.1得到的归一化的标准数据集按照7:3划分为训练集和测试集。

步骤3具体按照以下步骤实施：