一種基于卷積神經(jīng)元網(wǎng)絡(luò)的室內(nèi)定位算法

李 志，趙大哲

1(東北大學(xué) 計(jì)算機(jī)科學(xué)與工程學(xué)院， 沈陽 110819) 2(東軟集團(tuán)股份有限公司 遼寧省工業(yè)控制安全工程技術(shù)研究中心，沈陽 110179) 3(東北大學(xué) 復(fù)雜網(wǎng)絡(luò)系統(tǒng)安全保障技術(shù)教育部工程研究中心，沈陽 110819)

1 引 言

隨著移動(dòng)互聯(lián)網(wǎng)技術(shù)和智能移動(dòng)終端的快速發(fā)展，以位置服務(wù)為基礎(chǔ)的社交網(wǎng)絡(luò)、共享出行、交通導(dǎo)航、緊急救援等應(yīng)用展示了巨大的市場前景，同時(shí)在室內(nèi)展廳、大型超市、醫(yī)院、會(huì)館、監(jiān)獄、影院、劇場及圖書館等室內(nèi)環(huán)境中也涌現(xiàn)了大量的位置服務(wù)需求. 在開闊的室外環(huán)境中，基于GPS或北斗等衛(wèi)星定位技術(shù)能夠?qū)崿F(xiàn)精準(zhǔn)的位置服務(wù)，但在室內(nèi)環(huán)境中，由于室內(nèi)建筑特點(diǎn)無法接收到有效的衛(wèi)星定位信號(hào)，難以實(shí)現(xiàn)精準(zhǔn)的定位服務(wù)，因此如何在室內(nèi)環(huán)境中提供精準(zhǔn)的位置服務(wù)成為了一個(gè)新的挑戰(zhàn).

由于無線局域網(wǎng)(Wireless Local Area Networks，WLAN)接入點(diǎn)(Access Point，AP)具有部署廣泛、簡單靈活、硬件成本低、智能移動(dòng)終端普遍支持等優(yōu)點(diǎn)，基于WLAN的室內(nèi)定位技術(shù)研究得到了國內(nèi)外研究人員的高度關(guān)注. 從定位技術(shù)原理層面，基于WLAN的室內(nèi)定位主要可分為傳播模型法和指紋定位法兩類：

1)基于傳播模型的定位算法是根據(jù)發(fā)射節(jié)點(diǎn)的發(fā)送信號(hào)強(qiáng)度和接收節(jié)點(diǎn)收到的信號(hào)強(qiáng)度計(jì)算出信號(hào)在傳播過程中的損耗，再利用空間信號(hào)傳播模型將損耗轉(zhuǎn)化為距離，最后計(jì)算出定位點(diǎn)的位置. 直接采用理想環(huán)境下的無線信號(hào)傳播模型進(jìn)行定位往往會(huì)存在較大的誤差[1]，因此，需要對(duì)傳播模型和誤差做進(jìn)一步的修正來提高定位精度，如Kosuke等[2]提出采用正態(tài)分布來模擬信號(hào)傳播誤差，并在靜止定位中取得了較好的效果.

2)指紋定位法包括離線采樣和在線定位兩個(gè)階段. 離線采樣階段需預(yù)先在室內(nèi)環(huán)境中選取若干參考點(diǎn)，在參考點(diǎn)上采集AP的RSS特征并構(gòu)建指紋數(shù)據(jù)庫. 在定位階段根據(jù)待

測(cè)點(diǎn)實(shí)時(shí)收到的信號(hào)強(qiáng)度信息，利用定位算法將其與指紋數(shù)據(jù)庫中的信息匹配、比較，最終計(jì)算出該待測(cè)點(diǎn)的位置. 如微軟公司的Bahl等[3,4]分別采用指紋最近鄰法和K近鄰法來對(duì)待測(cè)點(diǎn)進(jìn)行定位. Zhao等[5]采用相關(guān)向量回歸方法來實(shí)現(xiàn)定位，取得了優(yōu)于加權(quán)K近鄰法的定位精度. Esrafil Jedari等[6]采用隨機(jī)森林分類方法完成室內(nèi)定位，對(duì)比KNN取得了更好的室內(nèi)的定位效果. Rezgui等[7]采用支持向量機(jī)來完成指紋數(shù)據(jù)的匹配. 同僅僅使用基于傳播模型的定位法相比，采用指紋定位法往往能夠獲取更好的定位精度，但指紋定位法需要預(yù)先在定位環(huán)境中采集指紋數(shù)據(jù)，這會(huì)耗費(fèi)大量的人力物力，同時(shí)由于定位環(huán)境布局發(fā)生變化或AP更換等情況造成指紋數(shù)據(jù)變化時(shí)還需要重新采集指紋，這都成為指紋定位方法難以直接在商用環(huán)境下部署的重要原因.

本文提出基于信號(hào)傳播模型和卷積神經(jīng)元網(wǎng)絡(luò)的指紋匹配定位算法，該算法設(shè)計(jì)了一種將RSS場強(qiáng)指紋映射為圖像信息的方法，將指紋匹配問題轉(zhuǎn)化為圖像分類問題，并利用深度卷積神經(jīng)元網(wǎng)絡(luò)構(gòu)建定位模型，通過在實(shí)際環(huán)境中定位實(shí)驗(yàn)，驗(yàn)證了算法的有效性，同時(shí)本文也給出了本算法在不同場強(qiáng)采集周期和信號(hào)傳輸受干擾情況下的定位精度變化情況.

2 空間信號(hào)傳播模型

無線信號(hào)在自由空間傳播時(shí)遵循自由傳播模型，但在室內(nèi)空間中由于存在多徑傳播和天線增益的影響，往往使用對(duì)數(shù)漸變模型[8]，其RSS形式如式(1)：

RSSd=RSSdo-10qlg(d/d0)+Xδ

(1)

式(1)中，RSSd表示距離發(fā)射機(jī)為d米時(shí)接收端接收到的信號(hào)強(qiáng)度，即RSS值；RSSdo表示距離發(fā)射機(jī)為d0米時(shí)接收端接收到的信號(hào)功率；d0為參考距離；q是路徑損耗指數(shù)，由實(shí)際測(cè)量得到，通常障礙物越多，q值越大.X是一個(gè)以0為均值，以δ為方差的正態(tài)分布. 反映了當(dāng)距離一定時(shí)，接收到的能量的變化. 從式(1)可以看出終端接收到的信號(hào)強(qiáng)度的下降速度會(huì)隨著距離的增加而變得越來越快.

在實(shí)際應(yīng)用中一般采用簡化的漸變模型，如式(2)所示：

RSSd=RSSdo-10qlg(d/d0)

(2)

另外，為了簡化計(jì)算，通常將d0取1米，則式(2)進(jìn)一步可簡化為式(3)：

RSSd=A-10qlgd

(3)

其中，A為與無線發(fā)射節(jié)點(diǎn)相距1米時(shí)接收節(jié)點(diǎn)接收到的無線信號(hào)強(qiáng)度RSS值.A和q都是經(jīng)驗(yàn)值，與具體使用的硬件節(jié)點(diǎn)和無線信號(hào)傳播的環(huán)境相關(guān)，因此在不同的環(huán)境下A和q的取值不同. 除了空間環(huán)境對(duì)接收終端RSS存在影響外，定位環(huán)境內(nèi)的人員走動(dòng)、開關(guān)門、AP和定位終端的硬件穩(wěn)定性等都會(huì)影響接收到的RSS場強(qiáng). 圖1為使用華為榮耀8手機(jī)接收兩個(gè)H3C WA2210 AG和兩個(gè)思科WAP200無線接入點(diǎn)的RSS場強(qiáng)隨時(shí)間的變化情況，從圖1可以看出定點(diǎn)采集的AP場強(qiáng)總體穩(wěn)定，但有時(shí)會(huì)出現(xiàn)一定幅度的變化. 圖2分別顯示6分鐘內(nèi)使用榮耀8手機(jī)采集到的H3C AP和思科AP的信號(hào)強(qiáng)度分布情況，可以看出測(cè)試周期內(nèi)定點(diǎn)接收到的兩個(gè)不同廠商的AP產(chǎn)品的信號(hào)強(qiáng)度都具有正態(tài)分布特征.

3 基于卷積神經(jīng)元網(wǎng)絡(luò)的室內(nèi)定位算法

3.1 算法思想

在離線階段，首先基于參考點(diǎn)和AP的位置，根據(jù)信號(hào)傳播模型，計(jì)算得到參考點(diǎn)處各AP的理論值，然后根據(jù)參考點(diǎn)處AP場強(qiáng)的變化特征，以理論值為均值，計(jì)算獲得每個(gè)AP.

圖1 定點(diǎn)6分鐘4個(gè)AP場強(qiáng)變化圖Fig.1 Graph of Wi-Fi signal strengths at a fixed location from four different APs over a 6-min time period

在參考點(diǎn)處的多次RSS所得的RSS可以表示為一個(gè)以計(jì)算次數(shù)為行，以AP分組為列，以RSS為值的二維矩陣；其次，為不同的AP分配不同的灰度值，將RSS矩陣的行作為X軸像素值，將RSS矩陣的場強(qiáng)值縮放處理后作為Y軸像素值，像素點(diǎn)的值為對(duì)應(yīng)AP的灰度值. 一個(gè)RSS二維矩陣可變換成一個(gè)圖像指紋，在每個(gè)參考點(diǎn)都可以獲得多組圖像指紋；最后，設(shè)計(jì)卷積神經(jīng)元網(wǎng)絡(luò)結(jié)構(gòu)，并用參考點(diǎn)的圖像指紋來訓(xùn)練出定位分類模型. 在定位階段，按離線階段的指紋處理方法，將定位終端采集的RSS場強(qiáng)信息轉(zhuǎn)化為圖像信息，將圖像信息輸入到定位模型來完成定位.

圖2 定點(diǎn)單AP場強(qiáng)分布圖Fig.2 Graph of RSS distributions at a fixed location

本算法的主要?jiǎng)?chuàng)新在于一方面利用室內(nèi)信號(hào)傳播模型和定點(diǎn)AP場強(qiáng)變化特征構(gòu)建指紋樣本庫，有效的保障了模型訓(xùn)練樣本的數(shù)量并極大降低了指紋采集階段的工作量；另一方面是設(shè)計(jì)了一種將RSS指紋轉(zhuǎn)化為圖像指紋的方法，將傳統(tǒng)的場強(qiáng)匹配問題轉(zhuǎn)化為圖像分類問題，利用深度卷積神經(jīng)元網(wǎng)絡(luò)在圖像分類中的高準(zhǔn)確性優(yōu)勢(shì)[9]，構(gòu)建定位分類模型，提高了室內(nèi)定位的精度.

3.2 算法流程

本算法包括離線建模階段和在線定位階段. 如圖3所示，圖中虛線分割以上為離線建模階段，虛線分割以下為在線定位階段. 離線建模階段主要包括采集場景信息、計(jì)算參考點(diǎn)場強(qiáng)、構(gòu)建場強(qiáng)樣本集、構(gòu)建圖像指紋樣本集以及基于卷積神經(jīng)元網(wǎng)絡(luò)構(gòu)建分類模型等；在在線定位階段主要包括采集場強(qiáng)、場強(qiáng)預(yù)處理、模型定位和返回定位結(jié)果等.

3.2.1 離線建模階段

步驟1.采集場景基礎(chǔ)信息：采集定位環(huán)境中AP的位置信息，記作：Lap={x,y,H}，其中x,y為AP在定位平面中的坐標(biāo)，H為AP部署的高度. 在定位平面中規(guī)劃有效定位區(qū)域并在其中選擇定位參考點(diǎn)，定位參考點(diǎn)記作：Lrf={x,y,h}，其中x,y為參考點(diǎn)在定位平面中的位置，h為定位終端的平均定位高度.

圖3 算法流程Fig.3 Algorithm flow

步驟2.計(jì)算參考點(diǎn)場強(qiáng)：首先計(jì)算出AP與參考點(diǎn)間的距離，如式(4)所示，將式(4)帶入式(3)可以得到參考點(diǎn)處的理論場強(qiáng)值RSSfix，如式(5)所示. 基于定點(diǎn)場強(qiáng)變化特征，假設(shè)AP在參考點(diǎn)處場強(qiáng)服從均值為RSSfix，方差為δ的正態(tài)分布，如式(6)所示，其中δ值與具體定位環(huán)境相關(guān).

(4)

RSSfix=A-10qlg(D(LapLrf))

(5)

RSS～N(RSSfix,δ2)

(6)

步驟3.構(gòu)建場強(qiáng)樣本集：基于式(6)可以計(jì)算出參考點(diǎn)處不同AP的多組場強(qiáng)數(shù)據(jù)，將場強(qiáng)數(shù)據(jù)以AP為單位，以length為周期進(jìn)行重新分組，參考點(diǎn)j處的一個(gè)分組可以表示為一個(gè)二維矩陣，矩陣的列為AP編號(hào)，行為分組長度length，如式(7)所示.length的取值為定位環(huán)境的最大場強(qiáng)值與最小場強(qiáng)值之差再除以場強(qiáng)縮放比例，length計(jì)算規(guī)則如式(8)所示. 在室內(nèi)定位環(huán)境中通常RSSmax取-30，RSSmin取-90，引入縮放比例的目的是一方面能夠減少后期圖像指紋的大小，提高模型訓(xùn)練效率；另一方面是在在線定位過程中能夠降低由于定位環(huán)境變化而引起的誤差.

(7)

length=(RSSmax-RSSmin)/zoomSize

(8)

BRFj={blockRFj(1),blockRFj(2),…,blockRFj(n)}

(9)

Fingerrss={LRFj,BRFj|j∈[1,m]}

(10)

式(9)中使用BRFj表示參考點(diǎn)j處的多組場強(qiáng)記錄，式(10)中Fingerrss表示定位場景的全部場強(qiáng)記錄樣本，樣本是一個(gè)由位置和場強(qiáng)二維矩陣組成的集合.

步驟4. 構(gòu)建圖像指紋樣本集：將式(10)中的指紋樣本集變換為圖像指紋樣本集.將場強(qiáng)樣本中的每個(gè)二維矩陣變換為一個(gè)圖像指紋，每個(gè)圖像指紋都是一個(gè)正方形圖像，圖像的X軸長度為length，Y軸長度為場強(qiáng)最大值與場強(qiáng)最小值的差再除以縮放比例，圖像中的像素取值如式(11)所示：

(11)

APi.gray=round(i*255/n)，i∈[1,n]

(12)

IRFj={IRFjGray(1),IRFjGray(2),…,IRFjGray(n) }

(13)

Sample={LRFj,IRFj|j∈[1,m] }

(14)

當(dāng)圖像中像素點(diǎn)有多個(gè)值重疊時(shí)候，則在該像素點(diǎn)處取均值.不同AP的灰度分配算法如式(12)所示.式(13)中IRFj表示參考點(diǎn)j處的圖像指紋集合，式(14)中Sample為圖像測(cè)試樣本集合，包括每個(gè)參考點(diǎn)的位置和對(duì)應(yīng)的圖像樣本. 基于相同的樣本生成規(guī)則可以得到模型驗(yàn)證集SampleVal.

步驟5.基于卷積神經(jīng)元網(wǎng)絡(luò)構(gòu)建分類模型：由于LeNet-5[9]在手寫體數(shù)據(jù)集分類中擁有極高的準(zhǔn)確率，而本文生成的指紋圖像樣本與手寫體數(shù)據(jù)集具有相似的特征，因此根據(jù)本文的指紋圖像特征，在LeNet-5基礎(chǔ)上設(shè)計(jì)了多層卷積神經(jīng)元網(wǎng)絡(luò)，結(jié)構(gòu)如下：

輸入層：輸入的圖像為20×20×1.

第1層，卷積層C1，本層的卷積核的尺寸為3×3，深度為6，步長為1，使用全零填充，激活函數(shù)為ReLU，輸出為20×20×6的節(jié)點(diǎn)矩陣.

第2層，池化層S2，本層過濾器大小為2×2，步長為2，激活函數(shù)為ReLU.

第3層，卷積層C3，本層的卷積核的尺寸為3×3，深度為16，步長為1，使用全零填充，激活函數(shù)為ReLU，輸出為10×10×16的節(jié)點(diǎn)矩陣.

第4層，池化層S4，本層過濾器大小為2×2，步長為2，激活函數(shù)為ReLU. 輸出為5×5×16的矩陣.

第5層，全連接層，包括120個(gè)神經(jīng)元.

第6層，全連接層，包括50個(gè)神經(jīng)元，第6層輸出再通過softmax之后得到最終的分類結(jié)果.

同LeNet-5相比，本文所設(shè)計(jì)的網(wǎng)絡(luò)結(jié)構(gòu)首先減小了卷積核和池化的尺寸，這主要是因?yàn)橹讣y圖像已經(jīng)經(jīng)過了zoomSize的壓縮，過大的的卷積核和池化會(huì)降低指紋圖像特征的提取能力；其次，使用ReLU作為激活函數(shù)，ReLU函數(shù)的導(dǎo)數(shù)計(jì)算非常簡單，具有更快的收斂速度；最后，減少了一個(gè)全連接層，降低了網(wǎng)絡(luò)的復(fù)雜度.

3.2.2 在線定位階段

步驟1.采集RSS場強(qiáng)：當(dāng)定位用戶定點(diǎn)發(fā)起定位請(qǐng)求時(shí)，定位終端周期性(1秒)的采集定位環(huán)境中已部署的有效AP場強(qiáng)，并將采集到的場強(qiáng)數(shù)據(jù)存入定位場強(qiáng)矩陣中.

步驟2.場強(qiáng)數(shù)據(jù)預(yù)處理：當(dāng)達(dá)到定位請(qǐng)求周期時(shí)，在定位場強(qiáng)矩陣的各列間進(jìn)行線性插值，使得矩陣的列數(shù)等于訓(xùn)練模型輸入層的長度，并用離線階段的圖像指紋構(gòu)造辦法，構(gòu)造一個(gè)圖像數(shù)據(jù).

步驟3.返回結(jié)果：將圖像數(shù)據(jù)輸入定位分類模型，定位模型返回定位結(jié)果到終端程序，完成在線定位.

4 實(shí)驗(yàn)與結(jié)果分析

4.1 實(shí)驗(yàn)環(huán)境與定位模型參數(shù)設(shè)置

為驗(yàn)證算法的有效性，本文選擇東北大學(xué)老校部4層作為定位算法實(shí)驗(yàn)場地，實(shí)驗(yàn)場地的平面圖如圖4所示，本實(shí)驗(yàn)環(huán)境是典型的回廊式建筑結(jié)構(gòu)，回廊式建筑是日常生活中較為常見的一種建筑結(jié)構(gòu)，這類建筑的特點(diǎn)是房間位于走廊的兩側(cè)，例如學(xué)校教學(xué)樓、醫(yī)院和購物商場等都具有回廊式的建筑特點(diǎn). 測(cè)試場地由兩條走廊及走廊兩側(cè)的多個(gè)房間組成，測(cè)試場地棚頂高3.5米，實(shí)際占地1340平方米. 在圖4中A、B、C、D四處的棚頂分別部署4個(gè)AP接入點(diǎn)，其中A、C位置部署H3C WA2210 AG接入點(diǎn)，B、D位置部署思科WAP200無線接入點(diǎn). H3C WA2210 AG的信號(hào)傳輸功率為20dBm，距離該接入點(diǎn)1米處的實(shí)測(cè)20組平均場強(qiáng)值為-25dBm，思科WAP200接入點(diǎn)的信號(hào)發(fā)射功率為19dBm，距離接入點(diǎn)一米處的實(shí)測(cè)20組平均場強(qiáng)值為-26dBm. 在定位環(huán)境中間隔兩米選擇一個(gè)參考點(diǎn)，共50個(gè)參考點(diǎn). 參考點(diǎn)位置如圖4中數(shù)字標(biāo)記所示.

圖4 定位環(huán)境圖
Fig.4 Diagram of positioning map

構(gòu)建定位模型相關(guān)參數(shù)如表1所示，每個(gè)參考點(diǎn)的樣本訓(xùn)練集數(shù)量為6000個(gè)，訓(xùn)練模型的初始學(xué)習(xí)率為0.05，使用指數(shù)衰減法，設(shè)置學(xué)習(xí)率衰減系數(shù)為0.97，這樣可以先用較大的學(xué)習(xí)率得到一個(gè)比較優(yōu)的解，然后隨著迭代次數(shù)的增加而不斷減小學(xué)習(xí)率，使模型在訓(xùn)練后期更加穩(wěn)定. 滑動(dòng)平均模型衰減率為0.999，該參數(shù)用于控制模型的更新速度. 使用交叉熵(cross entropy)作為模型訓(xùn)練的損失函數(shù)，并使用L2正則化和dropout處理以防止過擬合. 本文主要是根據(jù)以往工作的實(shí)踐經(jīng)驗(yàn)來配置定位模型訓(xùn)練參數(shù)，并在實(shí)驗(yàn)中不斷調(diào)整優(yōu)化. 本文使用基于Android 6.0操作系統(tǒng)的華為榮耀8手機(jī)作為定位終端，使用一臺(tái)Dell PowerEdge R730服務(wù)器來訓(xùn)練定位模型并部署定位系統(tǒng).

4.2 指紋采集周期和訓(xùn)練樣本數(shù)量對(duì)定位模型的影響

定位周期可以理解為實(shí)際定位環(huán)境下定位終端掃描AP并獲得AP場強(qiáng)的次數(shù). 定位終端掃描一次無線網(wǎng)絡(luò)所捕獲的不同AP的場強(qiáng)為一個(gè)分組，如果定位終端每一秒掃描一次網(wǎng)絡(luò)，定位周期為3秒，則表明定位終端要在定位點(diǎn)連續(xù)采集3組指紋再完成定位. 分別選擇不同的定位周期，使用榮耀8手機(jī)在每個(gè)參考點(diǎn)處進(jìn)行5次定位實(shí)驗(yàn)并計(jì)算平均誤差. 圖5為定位平均誤差與定位指紋采集周期的關(guān)系圖. 從圖5中可以看出定位精度隨著指紋采集周期的增大而不斷降低，在采集周期從0到3時(shí)，定位誤差快速下降，其后定位誤差緩慢降低. 然而盡管采集周期的增加會(huì)有效的提高定位的精度，但過長的定位時(shí)間也會(huì)影響用戶的定位應(yīng)用體驗(yàn).

表1 實(shí)驗(yàn)參數(shù)表Table 1 Experimental parameter

圖5 定位誤差與指紋采集周期關(guān)系圖Fig.5 Relationship between location error and fingerprint collection cycle

由于本文所提出的定位算法的訓(xùn)練數(shù)據(jù)樣本是根據(jù)室內(nèi)空間信號(hào)傳播模型計(jì)算并變換得出的，因此本算法支持選擇

表2 樣本數(shù)量與定位精度關(guān)系表Table 2 Relationship table between sample size and positioning accuracy

不同的訓(xùn)練樣本數(shù)量來構(gòu)建定位模型. 當(dāng)定位周期為3時(shí)選取多組訓(xùn)練樣本構(gòu)建定位模型，使用榮耀8手機(jī)在參考點(diǎn)處定位并計(jì)算50個(gè)參考點(diǎn)處的平均誤差. 樣本數(shù)量與定位精度關(guān)系如表2所示.

從表2中可以看出，當(dāng)樣本數(shù)量達(dá)到6000后，定位模型的實(shí)際定位精度變化不明顯.

4.3 室內(nèi)信號(hào)傳輸環(huán)境變化對(duì)定位模型的影響

在室內(nèi)環(huán)境中，電磁波容易受到干擾而出現(xiàn)反射、繞射等現(xiàn)象，進(jìn)而影響室內(nèi)定位精度. 為了減少室內(nèi)環(huán)境變化對(duì)AP信號(hào)的干擾，通常會(huì)將AP部署在室內(nèi)棚頂處，這樣可以增強(qiáng)AP信號(hào)的視距傳播，但開關(guān)門以及定位者身體遮擋仍會(huì)對(duì)AP信號(hào)傳播產(chǎn)生影響.

圖6 AP2場強(qiáng)覆蓋范圍圖Fig.6 AP2 RSS coverage map

圖6為根據(jù)空間信號(hào)傳播模型并使用榮耀8手機(jī)實(shí)際測(cè)量和修正后的AP2在定位環(huán)境中的場強(qiáng)覆蓋范圍及分布特征圖，圖7中方形框顯示當(dāng)人背對(duì)AP時(shí)，由于人體遮擋而對(duì)AP場強(qiáng)覆蓋產(chǎn)生的影響. 與圖6對(duì)比可以看出，當(dāng)人背對(duì)AP時(shí)，其前方場強(qiáng)出現(xiàn)了較明顯的減弱；圖7中橢圓區(qū)域?yàn)榇蜷_2個(gè)辦公室房門對(duì)AP場強(qiáng)覆蓋的影響效果，可以看出開門后，門背對(duì)AP一側(cè)的場強(qiáng)發(fā)生了變化，但沒有身體遮擋帶來的變化明顯. 開關(guān)門和身體遮擋都會(huì)對(duì)AP的通信覆蓋和場強(qiáng)分布產(chǎn)生影響. 分別在多人頻繁進(jìn)出定位區(qū)域房間和身體朝4個(gè)不同方向的情況下，對(duì)定位模型的定位精度進(jìn)行實(shí)驗(yàn)，結(jié)果如圖8所示.

圖7 身體遮擋及門對(duì)AP場強(qiáng)的影響Fig.7 Effect of body and door on AP RSS

圖8 不同信號(hào)干擾情況下的模型定位精度Fig.8 Model positioning accuracy under different signal interference conditions

通過圖8可以看出，開關(guān)門及身體不同朝向?qū)Χㄎ痪鹊挠绊戄^小. 分析其主要原因，盡管開關(guān)門和身體遮擋影響了定位終端在定位點(diǎn)采集的AP場強(qiáng)值，但卻沒有改變AP在定位點(diǎn)的場強(qiáng)分布特征，AP在定點(diǎn)的場強(qiáng)仍具有正態(tài)分布特點(diǎn)，因此連續(xù)多組采集的AP信號(hào)變化特征仍然存在；另外，終端采集的場強(qiáng)值發(fā)生了變化，相當(dāng)于定位圖像中對(duì)應(yīng)的AP曲線的上下位置發(fā)生了變化，而卷積神經(jīng)元網(wǎng)絡(luò)的池化層在特征提取時(shí)具有一定程度的"平移不變性"，這也弱化了AP場強(qiáng)值變化對(duì)本定位模型產(chǎn)生的影響.

4.4 與其它定位方法的比較

使用華為榮耀8手機(jī)在定位場景中對(duì)本文提出的定位方法進(jìn)行測(cè)試，每個(gè)場景50個(gè)定位點(diǎn)，每個(gè)定位點(diǎn)測(cè)試5組，并計(jì)算平均誤差. 同時(shí)在定位場景中分別采用最近鄰方法和信號(hào)空間傳播模型測(cè)距方法進(jìn)行測(cè)試，同樣每個(gè)場景選取相同的定位點(diǎn)，每個(gè)定位點(diǎn)測(cè)試5組并計(jì)算平均誤差.三種算法的定位誤差、定位時(shí)間及指紋庫構(gòu)建時(shí)間比對(duì)如表3所示.

表3 三種定位算法比較Table 3 Comparison of three location algorithms

由表3能夠看出，本文所提出的定位算法同最近鄰和傳播模型定位方法相比擁有更好的定位精度，模型構(gòu)建時(shí)間小于5分鐘，每次定位請(qǐng)求的周期為3秒；最近鄰定位算法能夠達(dá)到3.5米的定位精度，定位請(qǐng)求周期為1秒，最近鄰定位方法需要進(jìn)行指紋采集，在本實(shí)驗(yàn)環(huán)境中采集50個(gè)參考點(diǎn)，每個(gè)參考點(diǎn)采集5個(gè)指紋取平均值，采集指紋時(shí)間大約需要耗費(fèi)1個(gè)小時(shí)；使用傳播模型定位方法無需采集指紋，定位請(qǐng)求周期為1秒，但該方法的定位精度較差. 從定位精度、定位請(qǐng)求時(shí)間和定位場景構(gòu)建時(shí)間三方面綜合比對(duì)以上三種算法，本文所提出的算法具有較為明顯的應(yīng)用優(yōu)勢(shì).

5 結(jié)束語

本文提出一種基于信號(hào)空間傳播模型和卷積神經(jīng)元網(wǎng)絡(luò)的室內(nèi)定位算法，該算法利用信號(hào)傳播模型來生成場強(qiáng)指紋樣本，極大的降低了指紋采集的工作量，算法將場強(qiáng)指紋轉(zhuǎn)化為圖像指紋，設(shè)計(jì)了深度卷積神經(jīng)元網(wǎng)絡(luò)來實(shí)現(xiàn)圖像指紋的匹配，進(jìn)而實(shí)現(xiàn)分類定位. 通過在回廊式室內(nèi)環(huán)境的真實(shí)場景測(cè)試，在定位請(qǐng)求周期大于3秒時(shí)，本文的算法平均定位誤差小于2米，優(yōu)于最近鄰指紋匹配和信號(hào)強(qiáng)度測(cè)距定位算法.