论文部分内容阅读
摘要： 随着人们对室内基于位置服务的需求越来越大，室内定位的研究变得越来越重要.WiFi由于其传输距离适中，在智慧城市发展的推动下，热点的覆盖也非常多.因此基于WiFi的定位技术成为众多室内定位技术中最具有可行性的.面对室内无线环境高动态变化的情况，提出了基于加权极速学习机（WELM）的定位方法，实验证明该方法能够有效提高定位精度.
关键词： 室内定位； 高动态环境； 加权极速学习机
中图分类号： TN 929.5 文献标志码： A 文章編号： 10005137（2017）02020607
Abstract： With increasing needs of people on the indoor locationbased services，indoor localization research becomes more and more important.With the developing of smart city，WiFi is getting more popular than before because of its moderate transmission distance.Thus，WiFi based location method is the most feasible technology among many other types of indoor location methods.For the problem of signal changes dynamically in indoor environment，we proposed a weighted extreme learning machine（WELM）based indoor localization algorithm to build a stable model，and experiment results show that this method can effectively improve the positioning accuracy.
Key words： indoor localization； high dynamic environment； weighted extreme learning machine
0 引 言
定位服务（LBS）[1]，是指通过移动终端和移动网络的配合，确定移动用户的实际地理位置，从而提供用户所需位置相关信息的一种移动通信与导航融合的服务形式.目前，海量LBS都依赖于室内位置信息，由于其重要性，近些年来出现很多室内定位方案，包括：AGPS定位[2]、移动通信基站定位[3]、超声波定位[4]、蓝牙定位[5]、WiFi定位[6-8]、红外线定位[9]等.这些系统在应用中都存在一定的应用范围与局限.如AGPS需要对基础设施进行大量改造，基站定位的精度比较有限，蓝牙的探测范围较小，需要大量布点才能满足需求，方案成本太高；超声波与红外线方式易受介质遮挡.WiFi信号的有效传播距离为100 m左右，对于室内定位距离适中，另外，近年来在“无线城市”理念的推动下，各个城市无线接入点（AP）的覆盖率日益增加，此外带有WiFi模块设备的持有率也逐渐增加.因此在高无线热点覆盖率和WiFi设备持有率的情况下，基于WiFi的定位最具有可行性.
基于WiFi的定位方法有两种：1）基于信号传播模型.根据信号的强度随着与信号源的距离增加而衰减的特征，学习衰减模型，从而通过把信号强度映射为距离，再用交圆法等进行定位；2）基于指纹的定位方法.通过将终端设备搜索到的周围环境中WiFi的信号强度与位置对应绑定形成指纹库，在定位阶段将接收到的信号强度与指纹库进行对比计算，相似度最高的位置即为定位结果.两种方法中，基于信号传播的模型因为受到环境的干扰，得到的距离往往不准确，造成定位的误差较大.基于指纹的方法不需要知道AP的位置，并且不通过传播模型计算距离，而是直接将信号作为指纹特征进行比对，因此有较好的普适性以及抗干扰性，是目前普遍采用的定位方法.
基于指纹模型的定位方法是通过信号特征与位置的非线性映射关系来进行定位，因此众多的机器学习方法可以被利用来训练分类器，利用不同AP的信号强度作为输入数据，通过模型后的输出作为位置估计.已经有大量的机器学习的模型被用于定位中，例如：最近邻[10]、决策树[11]、贝叶斯[12]、神经网络[13]，以及今年来非常热门的极速学习机（ELM）[14].在所有上述算法中，ELM由于其模型简单，并且在离线和在线阶段都有很快的学习速度，因此得到越来越广泛的应用.
3 实验验证部分
本文作者提出了基于加权ELM的定位算法，是基于WiFi指纹定位方法的一种.为了验证方法的有效性以及与同类其他方法的优势，在上海师范大学香樟苑的四楼选择了2个办公室环境对算法进行测试.实验场地如图5所示.将场地按照边长为2 m的正方形网格进行划分，在每一个网格的中心点面向四个方向各采集若干条指纹数据形成指纹库，然后让用户在房间里任意一些位置停留并采集一些数据形成测试数据集.下面将通过实验来确定加权的邻居数K以及WELM方法对定位精度的所带来的影响.
选择了环境中最稳定的15个AP作为特征维来进行试验，对信号缺失值用-95 dBm，即该空间中能够搜索到的信号最低值作为补充.
为了验证选取的邻居点个数对定位结果的影响，使用最简单的权重计算方式wi=1K，设置邻居点个数不断增加，来对比定位的精度，只针对402房间的数据进行了测试，结果如图6所示.当邻居数目为K=4的时候，在定位误差3，5和6 m的情况下都能够取得很好的定位效果，因此在接下来的实验室固定邻居数目K为4.
在确定了邻居数目后，进一步验证所提出方法的有效性，对比ELM以及WELM方法，并且对比3种不同的权重计算公式.实验的定位精度如图7所示. 从图7能够明显的看到，3种权重计算方式得到的定位精度均比ELM定位方法有所提升，WELM中权重计算方法1（（9）式）和方法2（（10）式）定位结果相差不多，在402房间，相对于ELM方法，有差不多5%的提升，在412房间有近10%的提升.
综合上述的实验，能够看到所提出的WELM对定位精度的提升有明显的效果.
4 结 论
针对室内基于WiFi的定位方法精度不高的问题，提出了基于加权急速学习机WELM的定位方法，在ELM方法模型的基础上，加入了近邻加权求和的方法，有效提高了定位精度.实验证明该方法能够达到誤差在3 m以内85%的定位精度.该研究工作下一步将继续WiFi室内定位AP位置无关性的研究，进一步提高定位精度.
参考文献：
[1] Park M H，Kim H C，Lee S J.Implementation results andservice examples of GPSTag for indoor LBS and message service [C].15th international conference on advanced communicationtechnology （ICACT）.PyeongChang：IEEE，2013.
[2] Ma Y.Research and Optimization of assisted global positioning system in smartphone [D].Beijing：Beijing University of Posts and Telecommunications，2008.
[3] Wang J H.Research on location techniques based on information fusion [D].Zhengzhou：PLA Information Engineering University，2011.
[4] Kim S J，Kim B K.Dynamic ultrasonic hybrid localization system for indoor mobile robots [C].Industrial Electronics，IEEE Transactions on，2013，60（10）：4562-4573.
[5] Chung J，Donahoe M，Schmandt C，et al.Indoor location sensing using geomagnetism [C].Proceedings of the 9th international conference on Mobile systems applications and services，New York：ACM Press，2011.
[6] Liu H，Darabi H，Banerjee P，Liu J.Survey of wirelessindoor positioning techniques and systems [J].IEEE Transactions on Systems Man and Cybernetics，2007，37（6）：1067-1080.
[7] Kjgaard M B.Ataxonomy for radio location fingerprinting [J].Location and Contextawareness，2007，4718：139-156.
[8] Brunato M，Battiti R.Statistical learning theory for locationfingerprinting in wireless LANs [J].Computer Networks，2005，47（6）：825-845.
[9] Lu Q，Shu G H.An indoor orientation system based on singlechips [J].Micro Processors，2006（2）：66-71.
[10] Bahl P P.RADAR：an inbuilding RFbaseduser location and tracking system [C].Proceeding of INFOCOM2000，Tel Aviv：IEEE，2000.
[11] Yim J.Introducing a decision treebased indoor positioning technique [J].Expert Systems with Applications，2008，34（2）：1296-1302.
[12] Ito S，Kawaguchi N.Bayesian based location estimationsystem using wireless LAN [C].PerCom 2005 workshops，Kauai Island：IEEE，2005.
[13] Ahmad U，Nasir U，Iqbal M.Inbuilding localization usingneural networks [C].IEEE International Conference on Engineering of Intelligent Systems，Islamabad：IEEE Press，2006.
[14] Huang G B，Zhu Q Y，Siew C K.Extreme learning machine：A new learning scheme of feedforward neural networks [C].2004 International Joint Conference on Neural Networks （IJCNN′2004），Budapest：IEEE，2004.
[15] Chandra R，Mahajan R，Moscibroda T.A case for adapting channel width in wireless networks [C].Proceedings of the ACM SIGCOMM 2008 Conference on Data Communication，New York：ACM Press，2008.
[16] Serre D.Matrices：Theory and applications [M].New York：Springer Verlag，2002.
[17] Rao C R，Mitra S K.Generalized inverse of matrices and its applications [M].New York：Wiley，1971.
（责任编辑：包震宇）
关键词： 室内定位； 高动态环境； 加权极速学习机
中图分类号： TN 929.5 文献标志码： A 文章編号： 10005137（2017）02020607
Abstract： With increasing needs of people on the indoor locationbased services，indoor localization research becomes more and more important.With the developing of smart city，WiFi is getting more popular than before because of its moderate transmission distance.Thus，WiFi based location method is the most feasible technology among many other types of indoor location methods.For the problem of signal changes dynamically in indoor environment，we proposed a weighted extreme learning machine（WELM）based indoor localization algorithm to build a stable model，and experiment results show that this method can effectively improve the positioning accuracy.
Key words： indoor localization； high dynamic environment； weighted extreme learning machine
0 引 言
定位服务（LBS）[1]，是指通过移动终端和移动网络的配合，确定移动用户的实际地理位置，从而提供用户所需位置相关信息的一种移动通信与导航融合的服务形式.目前，海量LBS都依赖于室内位置信息，由于其重要性，近些年来出现很多室内定位方案，包括：AGPS定位[2]、移动通信基站定位[3]、超声波定位[4]、蓝牙定位[5]、WiFi定位[6-8]、红外线定位[9]等.这些系统在应用中都存在一定的应用范围与局限.如AGPS需要对基础设施进行大量改造，基站定位的精度比较有限，蓝牙的探测范围较小，需要大量布点才能满足需求，方案成本太高；超声波与红外线方式易受介质遮挡.WiFi信号的有效传播距离为100 m左右，对于室内定位距离适中，另外，近年来在“无线城市”理念的推动下，各个城市无线接入点（AP）的覆盖率日益增加，此外带有WiFi模块设备的持有率也逐渐增加.因此在高无线热点覆盖率和WiFi设备持有率的情况下，基于WiFi的定位最具有可行性.
基于WiFi的定位方法有两种：1）基于信号传播模型.根据信号的强度随着与信号源的距离增加而衰减的特征，学习衰减模型，从而通过把信号强度映射为距离，再用交圆法等进行定位；2）基于指纹的定位方法.通过将终端设备搜索到的周围环境中WiFi的信号强度与位置对应绑定形成指纹库，在定位阶段将接收到的信号强度与指纹库进行对比计算，相似度最高的位置即为定位结果.两种方法中，基于信号传播的模型因为受到环境的干扰，得到的距离往往不准确，造成定位的误差较大.基于指纹的方法不需要知道AP的位置，并且不通过传播模型计算距离，而是直接将信号作为指纹特征进行比对，因此有较好的普适性以及抗干扰性，是目前普遍采用的定位方法.
基于指纹模型的定位方法是通过信号特征与位置的非线性映射关系来进行定位，因此众多的机器学习方法可以被利用来训练分类器，利用不同AP的信号强度作为输入数据，通过模型后的输出作为位置估计.已经有大量的机器学习的模型被用于定位中，例如：最近邻[10]、决策树[11]、贝叶斯[12]、神经网络[13]，以及今年来非常热门的极速学习机（ELM）[14].在所有上述算法中，ELM由于其模型简单，并且在离线和在线阶段都有很快的学习速度，因此得到越来越广泛的应用.
3 实验验证部分
本文作者提出了基于加权ELM的定位算法，是基于WiFi指纹定位方法的一种.为了验证方法的有效性以及与同类其他方法的优势，在上海师范大学香樟苑的四楼选择了2个办公室环境对算法进行测试.实验场地如图5所示.将场地按照边长为2 m的正方形网格进行划分，在每一个网格的中心点面向四个方向各采集若干条指纹数据形成指纹库，然后让用户在房间里任意一些位置停留并采集一些数据形成测试数据集.下面将通过实验来确定加权的邻居数K以及WELM方法对定位精度的所带来的影响.
选择了环境中最稳定的15个AP作为特征维来进行试验，对信号缺失值用-95 dBm，即该空间中能够搜索到的信号最低值作为补充.
为了验证选取的邻居点个数对定位结果的影响，使用最简单的权重计算方式wi=1K，设置邻居点个数不断增加，来对比定位的精度，只针对402房间的数据进行了测试，结果如图6所示.当邻居数目为K=4的时候，在定位误差3，5和6 m的情况下都能够取得很好的定位效果，因此在接下来的实验室固定邻居数目K为4.
在确定了邻居数目后，进一步验证所提出方法的有效性，对比ELM以及WELM方法，并且对比3种不同的权重计算公式.实验的定位精度如图7所示. 从图7能够明显的看到，3种权重计算方式得到的定位精度均比ELM定位方法有所提升，WELM中权重计算方法1（（9）式）和方法2（（10）式）定位结果相差不多，在402房间，相对于ELM方法，有差不多5%的提升，在412房间有近10%的提升.
综合上述的实验，能够看到所提出的WELM对定位精度的提升有明显的效果.
4 结 论
针对室内基于WiFi的定位方法精度不高的问题，提出了基于加权急速学习机WELM的定位方法，在ELM方法模型的基础上，加入了近邻加权求和的方法，有效提高了定位精度.实验证明该方法能够达到誤差在3 m以内85%的定位精度.该研究工作下一步将继续WiFi室内定位AP位置无关性的研究，进一步提高定位精度.
参考文献：
[1] Park M H，Kim H C，Lee S J.Implementation results andservice examples of GPSTag for indoor LBS and message service [C].15th international conference on advanced communicationtechnology （ICACT）.PyeongChang：IEEE，2013.
[2] Ma Y.Research and Optimization of assisted global positioning system in smartphone [D].Beijing：Beijing University of Posts and Telecommunications，2008.
[3] Wang J H.Research on location techniques based on information fusion [D].Zhengzhou：PLA Information Engineering University，2011.
[4] Kim S J，Kim B K.Dynamic ultrasonic hybrid localization system for indoor mobile robots [C].Industrial Electronics，IEEE Transactions on，2013，60（10）：4562-4573.
[5] Chung J，Donahoe M，Schmandt C，et al.Indoor location sensing using geomagnetism [C].Proceedings of the 9th international conference on Mobile systems applications and services，New York：ACM Press，2011.
[6] Liu H，Darabi H，Banerjee P，Liu J.Survey of wirelessindoor positioning techniques and systems [J].IEEE Transactions on Systems Man and Cybernetics，2007，37（6）：1067-1080.
[7] Kjgaard M B.Ataxonomy for radio location fingerprinting [J].Location and Contextawareness，2007，4718：139-156.
[8] Brunato M，Battiti R.Statistical learning theory for locationfingerprinting in wireless LANs [J].Computer Networks，2005，47（6）：825-845.
[9] Lu Q，Shu G H.An indoor orientation system based on singlechips [J].Micro Processors，2006（2）：66-71.
[10] Bahl P P.RADAR：an inbuilding RFbaseduser location and tracking system [C].Proceeding of INFOCOM2000，Tel Aviv：IEEE，2000.
[11] Yim J.Introducing a decision treebased indoor positioning technique [J].Expert Systems with Applications，2008，34（2）：1296-1302.
[12] Ito S，Kawaguchi N.Bayesian based location estimationsystem using wireless LAN [C].PerCom 2005 workshops，Kauai Island：IEEE，2005.
[13] Ahmad U，Nasir U，Iqbal M.Inbuilding localization usingneural networks [C].IEEE International Conference on Engineering of Intelligent Systems，Islamabad：IEEE Press，2006.
[14] Huang G B，Zhu Q Y，Siew C K.Extreme learning machine：A new learning scheme of feedforward neural networks [C].2004 International Joint Conference on Neural Networks （IJCNN′2004），Budapest：IEEE，2004.
[15] Chandra R，Mahajan R，Moscibroda T.A case for adapting channel width in wireless networks [C].Proceedings of the ACM SIGCOMM 2008 Conference on Data Communication，New York：ACM Press，2008.
[16] Serre D.Matrices：Theory and applications [M].New York：Springer Verlag，2002.
[17] Rao C R，Mitra S K.Generalized inverse of matrices and its applications [M].New York：Wiley，1971.
（责任编辑：包震宇）