基於經驗模態分解和空間自回歸神經網絡的室內定位系統的製作方法

2024-04-13 01:44:05

1.本發明涉及高精度室內定位技術領域，應用於室內超寬帶定位的定位數據降噪優化和解算過程，具體涉及一種基於經驗模態分解和空間自回歸神經網絡的室內定位系統。


背景技術：

2.當今社會生活已經開始從網際網路時代邁向物聯網時代，位置信息的重要性顯而易見，同時，基於位置的定位技術在物聯網中的作用也成為重中之重。網際網路下的定位技術，主要是室外定位，主要依靠天上的衛星和地面的通信基站實現準確定位。而物聯網下的定位技術，還要涉及到高精度的室內定位，這就不是傳統的gps等定位技術所擅長的領域了。因為是收到房屋的遮擋等因素，gps信號會受到嚴重幹擾，因此其定位精度也會急劇衰減，此外室內複雜多變的環境，信號會受到各種物體的阻礙，使得信號產生反射、散射等現象，導致信號的傳播收到了嚴重，這也是影響各種室內定位技術精度的主要原因。現主要有基於藍牙，wifi，慣性導航等技術的室內定位技術，應用較多但精度比較偏低。在室內定位和空間感知技術中，超寬帶技術作為後起之秀，越來越受到關注。其大帶寬的特性，使其具有極強的穿透障礙物的能力，抗幹擾的能力和多徑分辨能力，這些特性使其在室內定位領域具有很強的競爭力。
3.在超寬帶室內定位領域，基於時間的超寬帶定位技術已經突破了傳統定位方法無法突破的米級精度，但由於室內環境存在多徑因素的影響，導致基於時間的定位方法存在由多徑引起的誤差，並且是主要的誤差來源。因而在現有基於時間的超寬帶室內定位技術中，多徑誤差的抑制一直被放在重點位置。而多徑誤差可以根據其時間和空間上的規律性，通過使用先驗數據建模然後對觀測值進行修正以消除多徑誤差對定位結果的幹擾。


技術實現要素：

4.本發明的目的是由於室內定位信號容易受到多徑效應的影響，針對現有技術的不足而提出基於經驗模態分解和空間自回歸神經網絡的室內定位系統，採用基站、標籤、後臺伺服器和數據處理終端構建定位系統，使用經驗模態分解降低信號中的噪聲，利用空間自回歸神經網絡對多徑效應建模，用其補償多徑誤差，最後解算求出標籤的準確位置，以消除多路徑誤差的影響，提升定位精度。由於本發明無需額外鋪設大量的硬體設備，也無需對現有硬體設備做出更改，因此易於推廣，在高精度室內定位應用場景中具有較大優勢和商業前景。
5.本發明的目的是這樣實現的：
6.一種基於經驗模態分解和空間自回歸神經網絡的室內定位系統，該系統包括主基站、從基站、交換機、定位標籤、後臺伺服器和數據處理終端，所述主基站、從基站為數個；所述交換機與主基站、從基站和後臺伺服器用光纖有線連接，後臺伺服器與數據處理終端用光纖有線連接，定位標籤與主基站、從基站以無線方式傳輸信號；實現室內定位過程具體包括以下步驟：
7.步驟1：樣本採集
8.將室內場地劃分為網格區域，採集網格的交點處的twr(two-way-ranging，雙向測距)數據作為訓練空間自回歸神經網絡的先驗數據信息；
9.步驟2：訓練模型
10.對採集到的twr數據進行處理，得到符合網絡輸入的數據格式，調節網絡訓練參數，訓練得到最優模型；
11.步驟3：經驗模態分解濾波
12.定位標籤使用超寬帶信號與基站進行通信，進行twr測距，標籤在得到與各個基站的距離之後，將 twr數據通過藍牙gatt協議發送到後臺伺服器端，利用經驗模態分解算法濾除twr數據的噪聲；
13.步驟4：模型應用
14.使用牛頓迭代算法求解出初步的標籤坐標，通過空間自回歸神經網絡，修正得到的twr數據；
15.步驟5：坐標解算
16.利用牛頓迭代算法和修正後的twr數據求解出標籤的坐標，即為準確的標籤坐標。
17.所述twr為雙邊雙向測距，其觀測方程由下述式(1)計算：
[0018][0019]
其中tf為從標籤發送信號到基站接收到信號這段信號在空中飛行的時間，ra為標籤向基站發送第一個數據包開始到接收到基站回傳的第二個數據包為止所經歷的時間；db為基站接收到第一個數據包開始，到發出第二個數據包為止這段發送延遲時間；da為標籤接收到第二個數據包開始，到發出第三個數據包為止這段發送延遲時間；rb為基站向標籤發送第二個數據包開始到接收到基站回傳的第三個數據包為止所經歷的時間；飛行時間tf乘以光速即為標籤和基站之間的距離；當不存在遮擋的情況下，測距的誤差為基站和標籤的時鐘漂移，其計算方法由下述式(2)計算：
[0020][0021]
其中為飛行時間的估計值，tf為飛行時間的真實值，e為時鐘的實際頻率值與標稱頻率值的偏差，單位ppm即百萬分之一。
[0022]
所述經驗模態分解算法，具體包括：
[0023]
假設信號由有限數量的固有模態函數(imf)和殘差信號組成，每個imf通過以下方法獲得：
[0024]
設原始信號為x(t)，求出x(t)的所有最大點，通過三次樣條函數求出最大包絡e
max
(t)後，求出x(t)的所有最小點，並通過三次樣條函數求出最小包絡e
min
(t)；對兩個包絡求平均得到平均包絡m1(t)：
[0025][0026]
從原始信號中減去m1(t)獲得去除低頻分量的新信號
[0027][0028]
用作為新信號重複上述步驟，直到滿足以下條件：(1)對於整個信號，極點和過零點的數量之差不得超過1；(2)在任何一點，最大值和最小值包絡線的平均值為零；
[0029]
然後，獲得原始信號x(t)的一階imf分量：
[0030][0031]
通過從原始信號x(t)中減去一階imf imf1(t)分量，獲得去除了高頻分量的新信號r1(t)：
[0032]
r1(t)＝x(t)-imf1(t)
ꢀꢀꢀ
(6)
[0033]
對r1(c)重複上述過程，得到二階imf分量imf2(t)；然後重複上述過程，直到第n個imf分量小於預設值，最後x(t)表示為：
[0034][0035]
然後將信號分解為數個高頻分量imfi(t)加上平穩趨勢項c(t)。
[0036]
所述牛頓迭代算法由下述式(8)表示：
[0037]
δx
(k)
＝(f
′
(x
(k)
))-1
(-f(x
(k)
))
ꢀꢀꢀ
(8)
[0038]
基站和標籤之間的距離由以下等式表示：
[0039][0040]
其中(x，y，z)是要為標籤計算的坐標，(xi，yi，zi)是其中一個基站的坐標，di是這兩個基站和標籤之間的距離；由於總共有數個基站，重寫方程(9)，得到以下數個方程：
[0041][0042]
將坐標(x，y，z)設為向量x，則變量迭代的過程表示為：
[0043]
x
(k+1)
＝x
(k)
+δx
(k)
ꢀꢀꢀ
(11)
[0044]
將方程(11)設為向量f(x)，根據牛頓迭代法得到：
[0045]
δx
(k)
＝(f
′
(x
(k)
))-1
(-f(x
(k)
))
ꢀꢀꢀ
(12)
[0046]
其中(f
′
(x
(k)
))-1
是f(x
(k)
)的雅可比矩陣的逆；計算δx
(k)
，然後通過公式(11)更新坐標向量，完成一次迭代；迭代在δx滿足精度要求時停止。
[0047]
所述空間自回歸神經網絡能夠對室內多徑誤差進行建模，因為在室內環境中，電磁波在傳播過程中因物體反射和散射會導致信號產生多徑效應，因此，多徑誤差在空間上是相關的，空間相關性被認為是空間距離和空間權重之間的非線性關係，也就是說，空間中任意點的多徑誤差可以建模如下：
[0048]eunkown
＝f(d)e
t
ꢀꢀꢀ
(13)
[0049]
其中，e
unkown
是空間中一點處的未知多徑誤差，f是從距離到空間權重的非線性映射，d是距離向量， e是觀測誤差向量，t是矩陣的轉置；
[0050]
空間距離由歐幾裡德距離計算：
[0051][0052]
其中di是第i個已知點和未知點之間的距離；
[0053]
為了建立已知點多徑誤差和未知點多徑錯誤之間關係的模型，第i個未知點的空間權重和空間距離之間的非線性函數定義如下：
[0054]
wi＝(w
i1
，w
i2
，
…
，w
in
)＝f(d
i1
，d
i2
，
…
，d
in
)
ꢀꢀꢀ
(15)
[0055]
wi表示第i個點的空間權重向量，w
ij
表示第i點和第j點之間的空間權重，d
ij
由等式(15)給出；
[0056]
為了表徵空間權重和距離之間的複雜關係，構建了空間自回歸神經網絡來擬合wi；網絡的輸入是從未知點到已知點的距離，輸出是空間權重；在將空間權重與觀測向量相乘之後，獲得未知點的預測多徑誤差，即可以表示為式(16)；
[0057]eunkown
＝sann(d
i1
，d
i2
，
…
，d
in
)e
t
ꢀꢀꢀ
(16)
[0058]eunkown
為未知點的多徑誤差，d
in
為第i個未知點到第n個已知點的距離，sann表示空間自回歸神經網絡，e為誤差觀測向量；
[0059]
在進行預測時，未知點和已知點是不同的，但在訓練網絡時，未知點將與已知點之一相同，即在等式 (14)和(15)中i等於j，則d
ii
將等於零，w
ii
將表示第i個點的自身權重；為了防止過擬合，該權重應設置為零；因此，應在獲得最終空間權重矩陣之前乘以標準權重矩陣，以消除上述影響：
[0060]w′i＝w
ikꢀꢀꢀ
(17)
[0061]
k是單位矩陣，其對角線上的第i個元素為零。
[0062]
所述基站和標籤之間使用超寬帶信號進行通信，實現數據交換，然後進行雙邊雙向測距獲得所需要的距離。
[0063]
所述定位標籤以10hz的頻率通過藍牙向後端伺服器發送含有標籤id和twr數據的數據包。
[0064]
所述基站、網格交點的真實坐標採用毫米級雷射測距儀測量記錄。
[0065]
本發明利用先驗信息訓練神經網絡，然後使用神經網絡補償twr的測量值使定位精度提高，與現有技術相比，本技術具有較高的穩定性以及定位精度，並且設備部署簡易，無需鋪設大量硬體設備，除此以外，本系統軟體環境兼容性好，不需要對應軟硬體設備做出太多的更改，因此本系統也更加易於推廣，因而在複雜的室內定位應用場景中具有較大的優勢以及商業應用前景。
附圖說明
[0066]
圖1為本發明系統結構示意圖；
[0067]
圖2為本發明算法流程示意圖；
[0068]
圖3為空間自回歸神經網絡的結構示意圖；
[0069]
圖4為本發明定位結果和現有技術的定位結果的性能對比圖。
具體實施方式
[0070]
參閱圖1，本發明基於數個基站、定位標籤和數據處理終端構建超寬帶室內定位系統，其中基站和標籤使用電池供電，標籤通過藍牙將定位數據傳送到數據處理終端。數據處理終端首先對原始定位數據使用經驗模態分解進行降噪濾波，然後使用牛頓迭代法解算出粗略的坐標，將此坐標輸入到空間自回歸神經網絡中，輸出的結果對定位數據進行補償，最後再次使用牛頓迭代法解算坐標，輸出準確的定位結果，並且將結果可視化地展示在終端屏幕上。
[0071]
所述基站和標籤之間使用超寬帶信號進行通信，實現數據交換，然後進行雙邊雙向測距獲得所需要的距離。所述定位標籤以10hz的頻率通過藍牙向後端伺服器發送含有標籤id和twr數據的數據包。所述基站、網格交點的真實坐標採用毫米級雷射測距儀測量記
錄。
[0072]
以下通過具體實施例對本發明作進一步的詳細說明。
[0073]
實施例
[0074]
參閱圖1，本發明試驗場地為一個6
×
5m矩形會議室，預先把實驗區域劃分為1
×
1m網格，基站分別位於矩形區域的四個角落，四個基站的高度分別為1.8m、1.8m、2m、2m。
[0075]
採用數個基站1、定位標籤2和數據處理終端3構成超寬帶室內定位系統，所述基站與標籤使用超寬帶信號進行通信，完成twr測距，標籤通過藍牙將twr測距數據發送至數據處理終端。首先收集多個網格點的twr數據保存至數據處理終端，使用該數據訓練空間自回歸神經網絡。
[0076]
參閱圖2，實時定位時，先對收到的twr數據使用經驗模態分解4進行降噪濾波，然後使用牛頓迭代法5解算出一個粗略的坐標值，將此坐標值輸入空間自回歸神經網絡6(附圖3所示)修正得到的數據，最後再次使用牛頓迭代法5得到一個精確的坐標值，此坐標值可以可視化地顯示在數據處理終端上。
[0077]
參閱圖4，傳統定位技術的累計分布函數在80％分位點的定位誤差為150mm，本發明的定位技術累計分布函數在80％分位點的定位誤差為80mm。可見本發明基於經驗模態分解和空間自回歸神經網絡的超寬帶室內定位方法能夠有效緩解各種定位誤差，此系統實現的定位精度和魯棒性，均優於已有定位技術。以上只是對本發明作進一步的說明，並非用以限制本發明，在不背離本發明構思的精神和範圍下的等效實施，均應包含於本發明的權利要求範圍之內。