楊亞楠，夏　斌，袁文浩，謝　楠

(山東理工大學(xué) 計算機(jī)科學(xué)與技術(shù)學(xué)院， 山東 淄博　255049)

物聯(lián)網(wǎng)中常用的定位技術(shù)主要有GPS、北斗、WIFI、 iBeacon[1-2]、Zigbee[3-4]、超寬帶[5-6]等。這些技術(shù)提供的定位算法從測距的角度可以分為基于測距和基于非測距的算法。由于非測距定位算法精度較低，從提高定位精度來說，應(yīng)該重點(diǎn)研究基于測距的定位算法。測距定位[7-9]需要測量節(jié)點(diǎn)之間的距離，利用該距離來確定未知節(jié)點(diǎn)的位置。常用的測距方法有接收信號強(qiáng)度指示(received signal strength indication,RSSI)、到達(dá)時間(time of arrival,TOA)和到達(dá)角。

基于RSSI的測距由于只需要較少的開銷和較低的實(shí)現(xiàn)復(fù)雜度，故近些年來得到了充分的研究。文獻(xiàn)[10]提出了一種新的接收信號強(qiáng)度指示方法，通過改進(jìn)參數(shù)值和引入噪聲因子，有效降低了測量誤差，提高了距離估計精度。文獻(xiàn)[11]利用多重濾波算法對采集的RSSI進(jìn)行數(shù)據(jù)濾波處理，采用最小二乘法多次對信號衰減模型的參數(shù)進(jìn)行擬合，得到滿足具體環(huán)境的參數(shù)值，通過測距模型進(jìn)行實(shí)時測距。文獻(xiàn)[12]使用中值濾波方式，對所獲取的RSSI數(shù)據(jù)進(jìn)行濾波處理，降低了環(huán)境變化對測距數(shù)據(jù)的影響。文獻(xiàn)[13]在室內(nèi)環(huán)境下對收集的RSSI測量進(jìn)行自適應(yīng)濾波來改進(jìn)估計精度。這些測距算法基本上都是以無線信號傳播模型為基礎(chǔ)，通過擬合或直接根據(jù)經(jīng)驗(yàn)得出信號傳播模型的未知參數(shù)，再由測得的RSSI值得到對應(yīng)的距離值。此類測距算法過于依賴經(jīng)驗(yàn)和特定的環(huán)境，普適性不強(qiáng)，測距精度不高。

為了避免對信號傳播模型中復(fù)雜參數(shù)的擬合，提高測距精度,可以采用基于卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network，CNN)[14-15]的測距算法。卷積神經(jīng)網(wǎng)絡(luò)是一種基于多層監(jiān)督學(xué)習(xí)的人工神經(jīng)網(wǎng)絡(luò)，改善了傳統(tǒng)模式識別方法存在的提取特征難的問題，不僅具有傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)，即較好的容錯性、自適應(yīng)性和自學(xué)習(xí)能力，還具有自動提取特征、權(quán)值共享的特點(diǎn)。

1　基于RSSI的測距算法

基于RSSI的測距算法的基本原理是：無線電信號在空間中傳播時會發(fā)生能量的損耗，而能量損耗的多少與信號傳播的距離存在一定的函數(shù)關(guān)系，無線信號接收端按照信號傳播損耗模型，將接收信號強(qiáng)度值轉(zhuǎn)換成節(jié)點(diǎn)之間的距離。實(shí)際應(yīng)用的RSSI測距公式見式(1)。

RSSI=-(10×n×log10(d)+A)

(1)

圖1　基于RSSI的測距算法流程

式中的A和n為待定參數(shù)，其中A為距離信號發(fā)射源1 m處接收到的信號強(qiáng)度平均值的絕對值，而n為信號傳輸常數(shù)，與信號傳播環(huán)境有關(guān)。

基于RSSI的測距算法流程如圖1所示。

2　基于CNN的測距算法

如圖2所示，基于卷積神經(jīng)網(wǎng)絡(luò)的測距算法流程大致分2個階段：訓(xùn)練階段和測試階段。訓(xùn)練階段在定位區(qū)域采集樣本數(shù)據(jù)，構(gòu)建樣本數(shù)據(jù)庫并訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)。測試階段中，通過卷積神經(jīng)網(wǎng)絡(luò)對實(shí)時捕獲的RSSI信號進(jìn)行特征提取，從而估計節(jié)點(diǎn)之間的距離。由于RSSI值變化很大，在預(yù)處理階段根據(jù)公式對其歸一化。具體算法:首先，確定測距算法的卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)模型。采用如圖3所示的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

1) 輸入層。無線信號在復(fù)雜的測距環(huán)境傳輸時，受多徑效應(yīng)、非視距傳輸?shù)纫蛩氐挠绊?，信號波動較大。因此，多次測量RSSI信號，構(gòu)造卷積神經(jīng)網(wǎng)絡(luò)的輸入集合：

其中：RSSIp,q表示未知節(jié)點(diǎn)到第q∈(1,2,…,Q)個參考節(jié)點(diǎn)的第p∈(1,2,…,P)次測量值。

圖2　基于卷積神經(jīng)網(wǎng)絡(luò)的測距算法流程

圖3　卷積神經(jīng)網(wǎng)絡(luò)模型

(2)

(3)

4) 全連接層。全連接層l的輸出可通過對輸入特征圖Xl-1的加權(quán)偏置和激活函數(shù)f(·)的響應(yīng)得到，如式(4)所示。

Xl=f(ωlXl-1+Bl)

(4)

其中：Xl是全連接層l的輸出；f(·)稱為激活函數(shù)；ωl是全連接網(wǎng)絡(luò)的權(quán)重系數(shù)；Bl是全連接層l的偏置項(xiàng)。

5) 輸出層。將輸入層的數(shù)據(jù)集合經(jīng)過各層的特征提取和特征處理之后，形成了網(wǎng)絡(luò)的輸出數(shù)據(jù)。

其次，通過已有的訓(xùn)練數(shù)據(jù)對卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。運(yùn)行定位系統(tǒng)并記錄RSSI數(shù)據(jù)，利用這些測得的數(shù)據(jù)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)。

最后，通過卷積神經(jīng)網(wǎng)絡(luò)對實(shí)時捕獲的RSSI信號進(jìn)行特征提取，從而估計節(jié)點(diǎn)之間的距離。

基于CNN的測距算法流程見圖4。

3　實(shí)驗(yàn)結(jié)果與分析

本實(shí)驗(yàn)采用基于ZigBee的測距平臺。該平臺由參考節(jié)點(diǎn)、未知節(jié)點(diǎn)和網(wǎng)關(guān)節(jié)點(diǎn)組成。參考節(jié)點(diǎn)不斷對外發(fā)射射頻信號；未知節(jié)點(diǎn)接收到該射頻信號，通過檢測獲取自身與參考節(jié)點(diǎn)之間的接收信號強(qiáng)度RSSI，并將檢測信息包傳送給網(wǎng)關(guān)；網(wǎng)關(guān)與上位機(jī)相連，可顯示RSSI數(shù)值。

本次實(shí)驗(yàn)采用6 m×6 m的矩形區(qū)域，在此區(qū)域中的頂點(diǎn)處分別放置4個參考節(jié)點(diǎn)，在除了參考節(jié)點(diǎn)外的任何位置上，可以測得未知節(jié)點(diǎn)和每個參考節(jié)點(diǎn)之間的RSSI值。實(shí)驗(yàn)中訓(xùn)練數(shù)據(jù)共有468組，測試數(shù)據(jù)共有100組。采用的是6層結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)，RSSI信號的輸入集合大小為(8×8)，各層的參數(shù)設(shè)置如表1所示。

圖4　基于CNN的測距算法流程

層種類特征圖個數(shù)卷積核大小1卷積層43×32下采樣層42×23卷積層82×24下采樣層81×15全連接層324×4

圖5　未知節(jié)點(diǎn)與參考節(jié)點(diǎn)1間的測距誤差的累積分布函數(shù)

圖7　未知節(jié)點(diǎn)與參考節(jié)點(diǎn)3間的測距誤差的累積分布函數(shù)

未知節(jié)點(diǎn)到參考節(jié)點(diǎn)的測距誤差CNN測距算法RSSI測距算法參考節(jié)點(diǎn)10.78901.4161參考節(jié)點(diǎn)20.98341.4726參考節(jié)點(diǎn)30.91212.0178參考節(jié)點(diǎn)40.91881.7585

為驗(yàn)證所提出的基于卷積神經(jīng)網(wǎng)絡(luò)測距算法的有效性，本次實(shí)驗(yàn)將傳統(tǒng)的RSSI測距算法與其進(jìn)行對比。測距誤差為測量距離的真實(shí)值與測量值之差的絕對值。圖5～8分別給出了這兩種測距算法測距誤差的累積分布函數(shù)曲線圖，其中橫坐標(biāo)表示測距誤差，縱坐標(biāo)表示累積分布函數(shù)。從圖5中可以看出：在90%的累積分布點(diǎn)，基于卷積神經(jīng)網(wǎng)絡(luò)的測距算法、傳統(tǒng)的RSSI測距算法的測距誤差分別小于1.7 m和2.7 m。表2給出了CNN算法與RSSI算法平均測距誤差的比較。由表2可看出：CNN算法的平均測距誤差明顯比RSSI算法對應(yīng)的值小，CNN算法的平均誤差距離均在1 m以內(nèi)，而RSSI算法均在1 m以上。因此，由實(shí)驗(yàn)結(jié)果可得：CNN的測距精度明顯優(yōu)于傳統(tǒng)的測距算法。

4　結(jié)束語

本文提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的測距方法，在訓(xùn)練階段，采集樣本數(shù)據(jù)，構(gòu)建樣本數(shù)據(jù)庫，訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型參數(shù)。在測試階段，通過卷積神經(jīng)網(wǎng)絡(luò)對實(shí)時捕獲的RSSI信號進(jìn)行特征提取，從而估計測量距離。實(shí)驗(yàn)結(jié)果表明：該算法與傳統(tǒng)RSSI測距算法相比，避免了對信號傳播模型中復(fù)雜參數(shù)的擬合，提高了測距精度。

參考文獻(xiàn)：

[1]ZAFARI F,PAPAPANAGIOTOU I.Enhancing iBeacon Based Micro-Location with Particle Filtering[C]//IEEE Global Communications Conference.[S.l.]:IEEE,2015:1-7.

[2]TSAI M F,YE C K,SINN A.Smart service relying on Internet of Things technology in parking systems[J].Journal of Supercomputing,2016:1-24.

[3]HABAEBI M H,KHAMIS R O,ZYOUD A,et al.RSS Based Localization Techniques for ZigBee Wireless Sensor Network[C]//International Conference on Computer and Communication Engineering.[S.l.]:IEEE,2014:72-75.

[4]THALORE R,KHURANA M,JHA M K.Performance Comparison of 2D and 3D Zigbee Wireless Sensor Networks[C]//International Conference on ICT for Sustainable Development.2016:10.

[5]BRIESE D,KUNZE H,ROSE G.High Precision UWB-Based 3D Localization for Medical Environment[C]//IEEE International Conference on Ubiquitous Wireless Broadband.[S.l.]:IEEE,2015:1-5.

[6]LI X,YANG S.The indoor real-time 3D localization algorithm using UWB[C]//International Conference on Advanced Mechatronic Systems.[S.l.]:IEEE,2015:337-342.

[7]NGUYEN T L N,YOAN S.Matrix Completion Optimization for Localization in Wireless Sensor Networks for Intelligent IoT:[J].Sensors,2016,16(5):722.

[8]常小凱,朱婉婕,李德奎.三維無線傳感器網(wǎng)絡(luò)定位的可行方向算法[J].北京郵電大學(xué)學(xué)報,2016,39(2):98-102.

[9]ZHANG Y,LIANG J,YU J.Nodes localization method based on the improved PSO algorithm without time synchronization[C]//IEEE International Conference on Cyber Technology in Automation,Control,and Intelligent Systems.[S.l.]:IEEE,2015:1132-1137.

[10] SINGH A P,SINGH D P,KUMAR S.NRSSI:New proposed RSSI method for the distance measurement in WSNs[C]//International Conference on Next Generation Computing Technologies.India:IEEE,2015:296-300.

[11] 陶佳峰,楊曉洪,王劍平,等.基于RSSI的室內(nèi)測距模型優(yōu)化技術(shù)[J].傳感器與微系統(tǒng),2017,36(1):24-26.

[12] 王群,李宗骍,李千目,等.基于實(shí)時運(yùn)動狀態(tài)的RSSI測距室內(nèi)定位算法[J].南京理工大學(xué)學(xué)報(自然科學(xué)版),2015,39(2):229-235.

[13] KAYA S B,ALKAR A Z.Location estimation improvement by signal adaptive RSSI filtering[C]//Signal Processing and Communications Applications Conference.[S.l.]:IEEE,2014:1183-1186.

[14] LIU M,SHI J,LI Z,et al.Towards Better Analysis of Deep Convolutional Neural Networks[J].IEEE Transactions on Visualization & Computer Graphics,2017,23(1):91.

[15] 李彥冬,郝宗波,雷航.卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J].計算機(jī)應(yīng)用,2016,36(9):2508-2515.