基于OS-ELM的位置指紋室內(nèi)定位方案研究

0 引言

隨著無(wú)線網(wǎng)絡(luò)和智能移動(dòng)設(shè)備的普及，人們對(duì)基于位置服務(wù)的需求越來(lái)越迫切。眾所周知，GPS等衛(wèi)星系統(tǒng)在室外定位應(yīng)用中，可以提供穩(wěn)定、精確的定位服務(wù)，然而對(duì)于復(fù)雜的室內(nèi)環(huán)境，如機(jī)場(chǎng)大廳、倉(cāng)庫(kù)、大型百貨商場(chǎng)、圖書館、地下停車場(chǎng)，卻很難發(fā)揮作用。不過眾多短途無(wú)線傳輸技術(shù)，如Wi-Fi、RFID、Bluetooth、UWB等，仍為室內(nèi)定位提供了更多可能和有力保障。其中Wi-Fi因廣泛部署，成為首選方案。

室內(nèi)定位的具體計(jì)算方案分別可采用位置指紋、三角定位等不同技術(shù)。位置指紋定位因定位精度高、擴(kuò)展性強(qiáng)、易于實(shí)施等優(yōu)點(diǎn)引起廣泛關(guān)注，但基于位置指紋的傳統(tǒng)方案大多存在兩個(gè)主要問題：一是在離線階段消耗較高的時(shí)間成本；二是在線階段當(dāng)環(huán)境存在干擾時(shí)，指紋庫(kù)難以實(shí)時(shí)反映RSS值的變化，從而明顯影響定位精度[1]。

在線順序?qū)W習(xí)機(jī)(OS-ELM)由傳統(tǒng)極限學(xué)習(xí)機(jī)演化而來(lái)[2]，學(xué)習(xí)方式包括逐個(gè)學(xué)習(xí)和逐組學(xué)習(xí)兩種，學(xué)習(xí)樣本數(shù)量可以相同，也可不同。與其他順序算法比較，OS-ELM在隱藏節(jié)點(diǎn)選取上適應(yīng)性更強(qiáng)。例如SGBP (stochastic gradient descent back-propagation)和GAP-RBF(Growing and Pruning Radical Basis Function) 只能分別適應(yīng)加性和RBF的隱藏節(jié)點(diǎn)[3][4]，而OS-ELM則可以兼顧兩種種類型的隱藏節(jié)點(diǎn)。另外，OS-ELM算法在參數(shù)的選取上只需確定隱含層節(jié)點(diǎn)數(shù)即可，可大大加快對(duì)網(wǎng)絡(luò)的訓(xùn)練和調(diào)節(jié)。一般認(rèn)為OE-ELM擁有更好的泛化性能和更快的學(xué)習(xí)速度[5]。

H. Zou等人提出的基于OS-ELM和位置指紋方法的定位方案[1]，利用OS-ELM的在線順序?qū)W習(xí)能力提高定位精度，思路新穎，具有相當(dāng)?shù)膽?yīng)用前景。但這個(gè)初步方案缺乏后續(xù)跟進(jìn)，缺乏實(shí)測(cè)與優(yōu)化討論。本文在某地下車庫(kù)環(huán)境中對(duì)該方案進(jìn)行了實(shí)現(xiàn)、討論與改進(jìn)，特別包括：

1. 實(shí)現(xiàn)基于OS-ELM的位置指紋定位系統(tǒng)并討論參數(shù)優(yōu)化；

2. 對(duì)比了OS-ELM與經(jīng)典ELM算法在室內(nèi)定位算例中的表現(xiàn)；

3. 利用奇異值法去掉誤差較大的測(cè)試值，有效提高定位精度；

4.分別在車輛較滿和較少時(shí)，比較上述方案在定位誤差上的表現(xiàn)。

1 相關(guān)的說(shuō)明

1.1 OS-ELM算法原理

OS-ELM是一種流行的分類器，能夠一個(gè)一個(gè)或者一組一組地在線處理數(shù)據(jù)，這是很多其他分類器都無(wú)法做到的。OS-ELM在一種基于單隱層前饋神經(jīng)網(wǎng)絡(luò)(SLFN)的訓(xùn)練算法ELM[6-9]基礎(chǔ)上發(fā)展起來(lái)，其繼承的SLFN包括輸入層、隱藏層、輸出層3個(gè)層次，如圖1所示。

圖1 SLFN結(jié)構(gòu)框圖

現(xiàn)假設(shè)有N個(gè)訓(xùn)練樣本(xi,ti)∈Rn×Rm，如果存在一個(gè)具有L個(gè)隱藏層神經(jīng)元的SLFN可以以零誤差逼近這N個(gè)的數(shù)據(jù)樣本，或者說(shuō)，存在ai，bi和βi(i=1,…,L)使得式(1)。

(1)

其中ai，bi是連接第i個(gè)隱含層神經(jīng)元結(jié)點(diǎn)與輸入結(jié)點(diǎn)的權(quán)重和偏置值，它們可以隨機(jī)生成；βi是連接輸出結(jié)點(diǎn)與第i個(gè)隱含層神經(jīng)元結(jié)點(diǎn)的輸出權(quán)值，G(ai,bi,xj)為激勵(lì)函數(shù)，給出第i個(gè)隱含層神經(jīng)元結(jié)點(diǎn)的輸入向量xj，獲得一個(gè)隱含層輸出值G(ai,bi,xj)。OS-ELM算法一般包括“初始化”和“順序?qū)W習(xí)”兩個(gè)過程。

1.2 位置指紋方法

由于無(wú)線信號(hào)在傳播過程中會(huì)產(chǎn)生與傳播環(huán)境相關(guān)但與物理位置無(wú)關(guān)的特征參數(shù)如接收信號(hào)強(qiáng)度(RSS)，信噪比等等，我們將這些特征參數(shù)稱為位置指紋(Location Fingerprint)。位置指紋定位技術(shù)的核心思想就是將來(lái)自各參考點(diǎn)(RP)的特征參數(shù)組合起來(lái)建立位置指紋數(shù)據(jù)庫(kù) ，并利用移動(dòng)終端實(shí)際接收到的信號(hào)特征參數(shù)與數(shù)據(jù)庫(kù)之前存儲(chǔ)的位置指紋進(jìn)行匹配，從而達(dá)到定位移動(dòng)終端的目的。位置指紋方法包括離線和在線兩個(gè)階段[10-11]，如圖2所示。

圖2 位置指紋定位過程

1.3 一種新穎的定位算法

文獻(xiàn)[1]提出了一種將OS-ELM和位置指紋方法結(jié)合在一起的新穎定位方案，如圖3所示。

圖3 改進(jìn)定位算法

分為前臺(tái)和后臺(tái)兩個(gè)部分：前臺(tái)展示定位結(jié)果，后臺(tái)是實(shí)時(shí)指紋數(shù)據(jù)在神經(jīng)網(wǎng)絡(luò)里的迭代更新過程，以避免當(dāng)環(huán)境發(fā)生較大變化時(shí)，導(dǎo)致定位誤差過大。后臺(tái)又由兩部分組成：第一，在OS-ELM初始化階段，建立一個(gè)初始化的OS-ELM模型，因OS-ELM算法具有快速學(xué)習(xí)能力，所以對(duì)訓(xùn)練樣本數(shù)量要求不高，在某種程度上減少了離線階段的人力和時(shí)間成本；第二，利用OS-ELM在線順序?qū)W習(xí)能力，選擇成組學(xué)習(xí)樣本，通過迭代學(xué)習(xí)，更新OS-ELM模型。因此整個(gè)方案可以看成三個(gè)部分： OS-ELM初始化，OS-ELM更新迭代和位置估計(jì)。

2 相關(guān)實(shí)驗(yàn)和實(shí)驗(yàn)結(jié)果

本實(shí)驗(yàn)采用TP-LINK TL-MR10U portable 3G 路由器作為AP節(jié)點(diǎn)。建立位置指紋數(shù)據(jù)庫(kù)時(shí)，使用Atheros AR9285 Wireless Network Adapter #2來(lái)采集來(lái)自各個(gè)RP的RSS數(shù)據(jù)。實(shí)驗(yàn)場(chǎng)地選擇某室內(nèi)地下車庫(kù)，長(zhǎng)32.8m，寬16.6m。選擇了20個(gè)初始階段節(jié)點(diǎn)，10個(gè)順序?qū)W習(xí)階段節(jié)點(diǎn)，10個(gè)參考節(jié)點(diǎn)，9個(gè)AP節(jié)點(diǎn)。實(shí)驗(yàn)環(huán)境與部署信息，如圖4所示。

圖4 車庫(kù)中AP點(diǎn)，初始階段節(jié)點(diǎn)，順序階段節(jié)點(diǎn)的位置分布

在初始化階段，實(shí)驗(yàn)選用hardlim函數(shù)G(a,b,x)=hardlim(ax+b)作為激勵(lì)函數(shù)，hardlim為屬于加性激勵(lì)函數(shù)，選擇神經(jīng)元隱藏層節(jié)點(diǎn)為6個(gè)。收集各個(gè)參考點(diǎn)的RSS值及其位置坐標(biāo)建立位置指紋數(shù)據(jù)庫(kù)，選擇20個(gè)點(diǎn)作為OS-ELM模型初始階段節(jié)點(diǎn)。選擇10個(gè)點(diǎn)作為順序?qū)W習(xí)階段節(jié)點(diǎn)，不斷更新順序?qū)W習(xí)階段節(jié)點(diǎn)，這里每次更新2個(gè)點(diǎn)，進(jìn)而更新OS-ELM模型。選擇10個(gè)參考節(jié)點(diǎn)來(lái)完成對(duì)實(shí)驗(yàn)的驗(yàn)證，每次取兩個(gè)不同的參考點(diǎn)。參考點(diǎn)真實(shí)定位坐標(biāo)為(x，y)，估算坐標(biāo)(x0,y0)，則d表示定位誤差：

(8)

實(shí)驗(yàn)結(jié)果如表1所示。

可以清晰地看出通過不斷迭代OS-ELM網(wǎng)絡(luò)，定位誤差在縮小，最新結(jié)果達(dá)到了2.7955m，相較傳統(tǒng)的bath ELM算法在定位精度上提高了約50%。其中定位誤差結(jié)果取10次計(jì)算的平均值。另外計(jì)算輸出權(quán)值β值時(shí)，平均消耗0.041 1 s。在初始化階段，OS-ELM較傳統(tǒng)bath ELM時(shí)間上節(jié)約了28%。

在實(shí)驗(yàn)過程中，我們發(fā)現(xiàn)，定位精度存在不穩(wěn)定性，會(huì)出現(xiàn)比較大的誤差值。將較大奇異值去掉后，所得定位誤差參如表2所示。

表1 OS-ELM和bath ELM算法比較

表2 改進(jìn)的OS-ELM和bath ELM的比較

由表2可知，改進(jìn)的OS-ELM算法通過去掉實(shí)驗(yàn)中誤差大的奇異值，獲得了比文獻(xiàn)OS-ELM算法更優(yōu)的定位誤差。在最新更新的OS-ELM模型中，最優(yōu)解可以達(dá)到2.4304m，較定位誤差而言，改進(jìn)的OS-ELM相比文獻(xiàn)OS-ELM算法在定位精度上提高了約13%。

以表2中 “28+2”這一代數(shù)據(jù)為例示意了奇異值的存在，如圖5所示。

圖5 30組誤差離散圖

可以清楚地看到第17，20，25組的誤差值明顯偏大，去掉這些值將對(duì)實(shí)驗(yàn)結(jié)果產(chǎn)生正面影響，提高定位精度值。

為了驗(yàn)證環(huán)境對(duì)于此方案的影響，我們又進(jìn)行了一組實(shí)驗(yàn)，在12.6 m×16.6 m的地下車庫(kù)，對(duì)車位滿和車位空兩種場(chǎng)景進(jìn)行定位誤差的比較，10個(gè)位置點(diǎn)的定位誤差對(duì)比曲線，如圖6所示。

圖6 車為空和車位滿時(shí)的定位誤差曲線

兩種場(chǎng)景下的累積分布概率CDF曲線，如圖7所示。

圖7 車位滿和車位空時(shí)的累積概率分布曲線

由圖6和圖7可知，車位空和車位滿兩種實(shí)驗(yàn)環(huán)境下，雖然采用了差異較大的數(shù)據(jù)樣本，得到的定位誤差值相差卻不大，說(shuō)明在算例中，環(huán)境條件對(duì)定位誤差影響不大，即本方案可能為減小環(huán)境因素對(duì)定位誤差的影響提供新思路。

3 總結(jié)

本文對(duì)一種新穎的基于OS-ELM 的位置指紋定位方案進(jìn)行了實(shí)現(xiàn)和研究，并在地下車庫(kù)場(chǎng)景進(jìn)行了對(duì)比實(shí)驗(yàn)，測(cè)試結(jié)果表明：該方法可顯著降低了傳統(tǒng)方法離線階段的時(shí)間成本以及環(huán)境變化時(shí)RSS值擾動(dòng)對(duì)定位精度的影響。作為對(duì)文獻(xiàn)方案的優(yōu)化，本文通過去掉奇異值，進(jìn)一步提高了定位進(jìn)度，加快了算法收斂速度。