一种基于样本聚类的rbf神经网络室内定位方法
【专利摘要】本发明是基于样本聚类的RBF神经网络室内定位方法，该方法以不同发射功率下信号丢包率为基础数据，采用聚类算法筛选出具有相似特征点的训练样本集，然后通过RBF神经网络来对这个样本集进行训练，最终达到预测未知移动节点的位置坐标。由通讯距离与信号丢包率的关系，本发明的样本集信息丰富，可以更好的刻画信号与距离的关系；同时采用聚类算法筛选位置相似特征点以及RBF神经网络训练数据，使大规模、大范围情况下收集数据方便简单，真正达到实用的地步，同时算法具有收敛速度快、定位精确等优点。
【专利说明】一种基于样本聚类的RBF神经网络室内定位方法【技术领域】[0001]本发明属于射频通信【技术领域】，涉及一种室内定位方法，具体是一种基于样本聚 类的RBF神经网络室内定位方法的设计。【背景技术】[0002]定位技术是现今最重要的信息技术之一，大到关乎国家安全的国防军事，小到平 常百姓的日常生活，都需要很多位置信息的辅助。传统的定位技术都是一些大型的定位系 统，一般用于室外环境，例如美国的GPS和中国的北斗卫星导航系统。然而对于很多结构复 杂的室内环境，这些定位系统信号被墙体等障碍物阻隔，无法对室内提供定位，所以室内定 位技术很好的补充了大型室外定位系统的不足。[0003]室内定位技术在商业、公共安全等方面的应用前景非常广阔。在商业应用上，室内 定位系统可以用来跟踪定位有特殊需求的人、远离视线监管的小孩，给盲人导航，在医院内 定位需要用到的仪器设备，大型仓库中的调度等；在公共安全方面，室内定位系统可以用来 跟踪监狱犯人，导航警察、消防员等以完成他们在室内的任务。[0004]现阶段常用的室内定位方法一般分为基于基础设施和无基础设施。基于基础设施 的方法有的是在通信节点上安装红外或超声波传感器，例如Active Badge和Cricket系统。 但由于传输距离和视距的限制，这种系统使用范围很有限，而且定位精度依赖节点密集度。 另外还有的基于基础设施的使用测角度的传感器阵列和高精度的定时器，例如到达角度定 位(AngIe of Arrival, Α0Α),到达时间定位(Time of Arrival, T0A)等方法,这类方法的定 位系统造价昂贵，而且定位精度往往不理想。无基础设施的方法就是直接使用定位节点通 信使用的射频信号强度RSS定位。传统的RSS定位方式一般使用距离-损耗模型，在多径 传播效应，以及信号衰减规律异常复杂的室内环境下，精度很不稳定。基于RSS指纹数据库 的定位方法，可有效避免多径和非视距等对定位精度的影响，并且无需额外设施支持，降低 了定位算法复杂度和定位系统成本，常用的算法有最近邻法、K近邻法定位算法，但是基于 RSS指纹数据库的定位方法同样存在的问题还是定位精度不高。
【发明内容】
[0005]本发明所要解决的技术问题是针对上述现有技术中室内定位方法精度不高的问 题而提出一种基于样本聚类的RBF神经网络室内定位方法。[0006]本发明解决其技术问题采用的技术方案是:基于样本聚类的RBF神经网络室内定 位方法，具体包括:[0007]S1、在室内定位环境中设置信标节点，记录其位置坐标，在各个信标节点处安装信 号接收设备，接收信号源信号；[0008]S2、在室内定位环境中选择参考点，记录其位置坐标，在各个参考点处放置信号发 射设备，所述信号发射设备以不同的信号发射功率分别向信标节点发送固定数目的定位数 据包,记录信标节点处的不同功率数据包的丢包率,构成样本集Q ；[0009]S3、在样本集Q中，对同一参考点在不同信标节点处的不同发射功率的丢包率进行筛选，每个参考点处选择k个信标节点的数据作为特征数据，构成训练样本集R ；[0010]S4、利用步骤S3建立的训练样本集R训练RBF神经网络，得到定位模型；[0011]S5、采集待定位目标的不同发射功率的丢包率信息，对不同信标节点的丢包率信息进行筛选，选择k个信标节点的数据，利用步骤S4训练得到的定位模型预测待定位目标的位置坐标。[0012]进一步的，所述步骤S3中参考点特征数据筛选算法的具体过程为:[0013]S31、利用K均值聚类算法将同一参考点在不同信标节点处的不同发射功率的丢包率分成K组；[0014]S32、分别计算步骤S31的k个分组的全局最近点，即选择k个信标节点分组的代表;[0015]S33、由步骤S32得到的k个信标节点代表对应的不同发射功率丢包率信息构成该参考点的特征数据。
[0016]更进一步的，所述步骤S32中计算全局最近点的具体方法为:由
【权利要求】
1.基于样本聚类的RBF神经网络室内定位方法，其特征在于，具体包括:51、在室内定位环境中设置信标节点，记录其位置坐标，在各个信标节点处安装信号接收设备，接收信号源信号；52、在室内定位环境中选择参考点，记录其位置坐标，在各个参考点处放置信号发射设备，所述信号发射设备以不同的信号发射功率分别向信标节点发送固定数目的定位数据包，记录信标节点处的不同功率数据包的丢包率，构成样本集Q ；53、在样本集Q中，对同一参考点在不同信标节点处的不同发射功率的丢包率进行筛选，每个参考点处选择k个信标节点的数据作为特征数据，构成训练样本集R ；54、利用步骤S3建立的训练样本集R训练RBF神经网络，得到定位模型；55、采集待定位目标的不同发射功率的丢包率信息，对不同信标节点的丢包率信息进行筛选，选择k个信标节点的数据，利用步骤S4训练得到的定位模型预测待定位目标的位置坐标。
2.如权利要求1所述的基于样本聚类的RBF神经网络室内定位方法，其特征在于，所述步骤S3中参考点特征数据筛选算法的具体过程为:531、利用K均值聚类算法将同一参考点在不同信标节点处的不同发射功率的丢包率分成k组；532、分别计算步骤S31的k个分组的全局最近点，即选择k个信标节点分组的代表；533、由步骤S32得到的k个信标节点代表对应的不同发射功率丢包率信息构成该参考点的特征数据。
3.如权利要求2所述的基于样本聚类的RBF神经网络室内定位方法，其特征在于，所述
4.如权利要求1至3任一项所述的基于样本聚类的RBF神经网络室内定位方法，其特征在于，所述步骤S4中的RBF神经网络包括输入层、隐含层以及输出层，其中网络可识别的类别数目由隐含层单元数决定，隐含层单元的传递函数为径向基函数。
【文档编号】H04W64/00GK103561463SQ201310507653
【公开日】2014年2月5日 申请日期:2013年10月24日 优先权日:2013年10月24日
【发明者】徐展, 张国伟, 刘丹, 邓翀, 蒋平川 申请人:电子科技大学