基于深度學(xué)習(xí)的蜂窩信號室內(nèi)定位算法

楊伊璇

(廣東電網(wǎng)有限責(zé)任公司，廣東廣州 510520)

0 引 言

移動電話通過安裝WiFi設(shè)備，可實現(xiàn)基于WiFi的室內(nèi)定位，進(jìn)而估計用戶位置[1-2]。然而，并非所有移動電話都安裝了WiFi芯片。此外，為了提高WiFi室內(nèi)定位精度，研究者通過在移動電話上安裝其他慣性傳感器，如加速計、壓力傳感器、陀螺儀[3-4]。但是，安裝這些傳感器加大了移動電話成本，并且這些傳感器往往只安裝于高端電話。

此外，在很多地方，沒有WiFi信號，只有蜂窩信號。因此，利用蜂窩信號估計用戶位置受到關(guān)注。基于蜂窩信號用戶定位過程分為離線階段和在線階段。在離線階段：移動電話從不同信號塔獲取接收信號強(qiáng)度(Received Signal Strength, RSS)，且這些信號塔位置已知，進(jìn)而構(gòu)成“指紋”；然后進(jìn)入在線階段，監(jiān)聽移動電話信號，再依據(jù)移動電話信號，在指紋中尋找最佳的位置匹配，進(jìn)而獲取用戶位置。

然而，當(dāng)前的基于蜂窩的室內(nèi)定位方案可分為兩類：(1)傳統(tǒng)的分類器，如SVM[5]、KNN[6]，學(xué)習(xí)RSS的模型，(2)采用概率技術(shù)[7-9]。但是，傳統(tǒng)的機(jī)器學(xué)習(xí)并不能有效地處理無線信道的噪聲。而概率技術(shù)能夠有效處理無線信號噪聲。然而，這些基于概率技術(shù)方案是假定來自信號塔的不同信號是相互獨(dú)立的，這容易形成粗粒度的精度。

為此，提出基于深度學(xué)習(xí)的室內(nèi)定位(Deep Learning-based Cellular Signal Indoor localization, DLCS)算法。DLCS算法先建立深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Network, DNN)模型，然后DNN模型學(xué)習(xí)來自不同信號塔的RSS與移動電話位置間的非線性的關(guān)系。具體而言，在離線階段，將來自不同信號塔的RSS信號用于訓(xùn)練DNN模型；在在線階段，用戶自由移動，獲取來自RSS信號，再將這些信號反饋給DNN模型，進(jìn)而估計用戶位置。

為了獲取高的定位精度和強(qiáng)健定位，DLCS算法需要應(yīng)對多項挑戰(zhàn)，訓(xùn)練數(shù)據(jù)的噪聲處理、數(shù)據(jù)開銷的控制、避免訓(xùn)練數(shù)據(jù)的過擬合。為此，DLCS算法引用新的數(shù)據(jù)增廣算法，提升DNN的輸入數(shù)據(jù)容量，同時引用異常檢測方案和模型正規(guī)化技術(shù)避免過似合。

1 系統(tǒng)模型

在二維監(jiān)測區(qū)域內(nèi)部署m個信號塔，并由m個信號塔監(jiān)聽整個監(jiān)測區(qū)域。為了降低開銷，將監(jiān)測區(qū)域進(jìn)行網(wǎng)格化。每個網(wǎng)格的邊長為dr。并在所有網(wǎng)格內(nèi)部署n個參考點。

在離線階段，對n個參考點的信號進(jìn)行抽樣，將這些抽樣數(shù)據(jù)構(gòu)成訓(xùn)練數(shù)據(jù)。為此，用戶利用自己的移動電話掃描周圍信號塔，進(jìn)而獲取信號RSS值。對于第i個信號塔，系統(tǒng)記錄它的二元信息c=，其中Ci表示信號塔的ID號。RSSi表示從第i個信號塔所接收的RSS值。在同一個參考點能夠獲取不同RSS值。

整個DLCS算法由離線階段和在線階段構(gòu)成，如圖1所示。在離線階段，收集訓(xùn)練數(shù)據(jù)，形成模型。主要由訓(xùn)練數(shù)據(jù)收集、預(yù)處理、數(shù)據(jù)增廣和模型產(chǎn)生構(gòu)成。

圖1 系統(tǒng)模型

在在線階段中，依據(jù)已訓(xùn)練的模型，根據(jù)所接收的RSS值，進(jìn)行位置匹配，獲取用戶位置。主要由RSS收集、預(yù)處理、在線預(yù)測和定位構(gòu)成。

2 DLCS算法

2.1 預(yù)處理

離線階段和在線階段均需進(jìn)行預(yù)處理操作。通過預(yù)處理操作，將輸入的掃描數(shù)據(jù)進(jìn)行規(guī)范化處理。具體而言，由于無線信道的噪聲，用戶并不能掃描到所有信號塔。為了構(gòu)建連續(xù)的信號塔輸入集，預(yù)處理將所掃描的數(shù)據(jù)進(jìn)行擴(kuò)展成一個矢量s：

s=(s1,s2,…,sm)

(1)

若用戶沒有掃描到某信號塔，則該信號塔所對應(yīng)的RSS值為零。為了提高模型的收斂時間，將所有RSS值歸化為0至1的數(shù)。

2.2 數(shù)據(jù)增廣

相比于傳統(tǒng)的機(jī)器學(xué)習(xí)，深度學(xué)習(xí)模型在捕獲不同信號塔間的RSS值的非線性關(guān)系方面具有明顯的優(yōu)勢。然而，為了獲取此非線性關(guān)系，需要大量訓(xùn)練數(shù)據(jù)，這可能極大地增加了訓(xùn)練開銷。而數(shù)據(jù)增廣對數(shù)據(jù)進(jìn)行對稱訓(xùn)練抽樣，即增加了訓(xùn)練數(shù)據(jù)尺寸，又控制了數(shù)據(jù)訓(xùn)練開銷。

為此，DLCS算法采用隨機(jī)增廣策略。其先隨機(jī)產(chǎn)生二值矩陣，然后再將其與RSS矢量相乘，進(jìn)而丟棄一些信號塔的信號值。這與事實相符：用戶可能沒有接收到一些信號塔的RSS值。

例如，如圖2所示。原始的RSS值為{0.15 0.5 0.8 0.2}，并將其與隨機(jī)產(chǎn)生的矩陣相乘，可得合成的抽樣值。

圖2 基于RSS的隨機(jī)增廣策略

2.3 訓(xùn)練模型

DNN的一個主要優(yōu)勢就是它能夠以層次分布形式表征模型的輸入數(shù)據(jù)[10]。因此，可利用DNN處理蜂窩數(shù)據(jù)。

引用如圖3所示DNN結(jié)構(gòu)。DNN的輸入層為長度為m的矢量m=(RSS1,RSS2,…,RSSm)。中間有四個隱藏層，它們屬于非線性處理單元。同時，引用校正線性單元(Rectified Linear Units, ReLUs)作為隱藏層的激活函數(shù)，進(jìn)而減少梯度消息問題[11]。

圖3 DNN網(wǎng)絡(luò)結(jié)構(gòu)

輸出層由n個單元構(gòu)成，其對應(yīng)到在離線階段所設(shè)的參考點數(shù)。輸出問題屬于分類問題。為此，引用softmax函數(shù)。

具體而言，假定有t個訓(xùn)練抽樣數(shù)據(jù)，每項記錄sj包含了m個特征(si1,si2,…,sim)，且1≤j≤t。(si1,si2,…,sim)表示來自m個信號塔的RSS值。將輸入sj值進(jìn)行離散化，即aj=(aj1,aj2,…,ajn)。aj蘊(yùn)含了n個參考點成為估計點的可能性。為此，softmax函數(shù)將此可能性轉(zhuǎn)化為概率：

(2)

此外，為了增加模型強(qiáng)健性，并控制過似合現(xiàn)象，引用丟棄正則化(Dropout Regularization, DR)[12]。通過DR防止在訓(xùn)練階段，數(shù)據(jù)間的彼此的相互依賴。DR策略在訓(xùn)練階段，隨機(jī)地將神經(jīng)元從DNN中移除，如圖3所示。移除的神經(jīng)元不再參與前向或反向過程。

2.4 在線預(yù)測

假定用戶在未知位置u，從周圍的信號塔接收了蜂窩信號[13]。在線預(yù)測階段就是通過這些信號的RSS值(矢量s)估計u的位置。即u最可能出現(xiàn)在哪個參考點。將具有最大概率的參考點r*作為u的位置，如式(3)所示：

(3)

DLCS算法通過DNN的softmax層輸出概率，進(jìn)而估計用戶位置。注意了，相比于傳統(tǒng)的概率技術(shù)[7-9], DLCS算法并沒假定信號塔間的相互獨(dú)立，而是通過DNN模型捕獲不同信號塔間的相關(guān)性。

令P=[P1,P2,…,Pn]表示監(jiān)測區(qū)域內(nèi)n個參考點作為用戶位置的概率。即Pi(1≤i≤n)表示來自第i個參考點的信號強(qiáng)度s的概率，如式(4)所示：

Pi=P(ri|s)

(4)

將具有最高概率的參考點作為用戶的估計位置。然而，使用該策略，估計的位置只是離散參考點的某一個。因此，為了能夠在連續(xù)空間里跟蹤用戶，引用空間權(quán)值平均(Spatial Weighted Average, SWA)策略。將最可能的k個參考點的中心位置作為用戶估計位置，再依據(jù)softmax函數(shù)[14]估計各參考點的權(quán)值系數(shù)：

(5)

2.5 位置修正

式(5)僅通過單一抽樣值(一個RSS矢量)估計用戶位置。然而，通常，蜂窩數(shù)據(jù)的掃描率遠(yuǎn)大于用戶的移動率。因此，DLCS算法利用多個連續(xù)抽樣值進(jìn)一步估計位置，進(jìn)而提高位置估計的精度。DLCS算法引用兩個位置修正策略：抽樣丟棄(Sample Rejection, SR)策略和質(zhì)心(Centroid)策略。

2.5.1SR策略

SR策略通過丟棄異常位置估計值，提高位置估計精度。為此，先計算每個估計位置值與剩余所報告的位置?間的距離，將其稱為間距di：

(6)

其中d(i,j)表示i與j間的歐式距離。

然后，再計算平均間距davg，再排除不滿足di≤davg的樣值[15]。最后，將剩余的樣值的均值作為用戶位置的估計值。

2.5.2Centroid策略

Centroid策略的思想：每個估計位置的權(quán)值正比于該估計位置的最大softmax可能性：

(7)

3 性能仿真

3.1 仿真場景

為了更好地分析DLCS算法在室內(nèi)環(huán)境的性能，選擇典型的室內(nèi)環(huán)境進(jìn)行實驗。具體而言，考慮11 m×12 m校園辦公室，如圖4所示，其包含會議室，走廊。

圖4 實驗環(huán)境

考慮17個信號塔。并在實驗室內(nèi)部署=51個參考點，網(wǎng)格邊長dr=1。采用不同安卓手機(jī)收集信號塔信號，如HTC X9、HTC E9、Motorola Moto G5、ZTE Blade 7。并利用2天時間收集信號塔信號。手機(jī)利用安卓的軟件開發(fā)工具包(Software Development Kit, SDK)掃描信號塔信號，掃描率為3 Hz。

3.2 實驗一

考慮DR對定位精度的影響，并通過實驗數(shù)據(jù)獲取最佳的丟棄百分比。從圖5可知，丟棄百分比為10%時，定位精度最低。DR策略非常重要。隨著網(wǎng)絡(luò)尺寸的增加，適合地丟棄一些神經(jīng)元，能夠有效地避免過似合。然而，從圖5可知，當(dāng)丟棄百分比過大時，定位誤差迅速增加。

圖5 定位精度隨丟棄百分比的變化情況

3.3 實驗二

本次實驗考慮手機(jī)所接收的信號塔數(shù)對定位精度的影響。即信號塔密度數(shù)對定位精度的影響。選擇三個用戶(A、B、C)，它們所接收的信號塔數(shù)分別17、16、9，如圖6所示。從圖6可知，手機(jī)監(jiān)聽到信號塔數(shù)越多，定位精度越高。

圖6 定位誤差(實驗二)

3.4 實驗三

本次實驗分析SR和Centroid策略以及它們的混合策略對定位精度的影響。從圖7可知，相比于SR和Centroid策略，混合策略的定位誤差最低，且分別下降了13%和22%。

圖7 定位誤差(實驗三)

3.5 實驗四

本次實驗分析DLCS算法的定位精度，并選擇同類的基于蜂窩信號的定位算法進(jìn)行比較。為此，選擇SkyLoc和SVM作為參照。SkyLoc選擇KNN分類器，并依據(jù)RSS矢量估計用戶位置。

圖8 定位誤差的CDF

圖8顯示了DLCS、SkyLoc和SVM算法的定位誤差的累積分布函數(shù)(Cumulative Distribution Function,CDF)。從圖8可知，相比于SkyLoc和SVM，DLCS算法的定位精度得到有效提高。這說明DLCS算法通過DNN模型有效地處理噪聲，提高定位精度。

4 結(jié) 語

本文提出基于深度學(xué)習(xí)的室內(nèi)定位算法DLCS。DLCS算法通過增廣訓(xùn)練數(shù)據(jù)，增加算法的魯棒性。同時，采用丟棄正規(guī)化策略，避免過似合。最后，通過安卓手機(jī)測試DLCS算法。仿真結(jié)果表明，DLCS算法能夠?qū)⒍ㄎ徽`差控制在0.78 m。