李若南 李金寶

(齊魯工業(yè)大學(xué)(山東省科學(xué)院)山東省人工智能研究院 濟(jì)南 250014)(黑龍江大學(xué)計(jì)算機(jī)科學(xué)技術(shù)學(xué)院 哈爾濱 150080)(黑龍江大學(xué)軟件學(xué)院 哈爾濱 150080)

近年來，室內(nèi)區(qū)域定位廣泛應(yīng)用于室內(nèi)療養(yǎng)院活動區(qū)域監(jiān)控、智能場景(如機(jī)場、商場、博物館等)區(qū)域?qū)Ш?、室?nèi)監(jiān)獄犯人活動區(qū)域的標(biāo)識和警戒、產(chǎn)區(qū)(如石油、化工等)電子圍欄區(qū)域化管控、智慧大樓企業(yè)核心機(jī)密區(qū)域預(yù)警與室內(nèi)施工場所(如地鐵、隧道等)危險(xiǎn)區(qū)域警報(bào)等各個領(lǐng)域.隨著城市智能化的逐步發(fā)展，室內(nèi)區(qū)域定位受到越來越多的關(guān)注[1].現(xiàn)有的室內(nèi)區(qū)域定位技術(shù)中，低功耗藍(lán)牙(bluetooth low energy， BLE)技術(shù)因低成本、低功耗、測量范圍長等優(yōu)勢而得到廣泛應(yīng)用.基于BLE的室內(nèi)區(qū)域定位方法主要包括近鄰法、三邊測量和指紋識別法[2-3].近鄰法通過接收一些有限制范圍的物理信號來判斷用戶是否出現(xiàn)在某一個錨節(jié)點(diǎn)附近，并指定最接近該用戶的錨節(jié)點(diǎn)的區(qū)域?yàn)橛脩魠^(qū)域，該方法只提供粗略的區(qū)域信息，定位精度不高.三邊測量利用無線設(shè)備與多個參考點(diǎn)的距離信息來進(jìn)行區(qū)域定位，但是，由于噪聲和障礙物阻隔使得信號衰減嚴(yán)重，進(jìn)而導(dǎo)致測量的距離信息誤差較大.指紋識別法包括離線階段和在線階段2部分，離線階段通過從接收信號強(qiáng)度(received signal strength， RSS)序列中提取區(qū)域位置的相關(guān)參數(shù)構(gòu)建指紋數(shù)據(jù)庫，在線階段利用從指紋數(shù)據(jù)庫中查找的最匹配的RSS指紋，將當(dāng)前RSS序列映射到參考區(qū)域，該方法定位效果較好，但實(shí)際操作復(fù)雜且指紋庫更新與維護(hù)難度較大.RSS是一種不穩(wěn)定的信號，其測量值在位置和時間上差異較大，致使上述方法都存在較大的定位誤差.

本文提出了基于深度學(xué)習(xí)的室內(nèi)區(qū)域定位模型，該模型利用注意力機(jī)制結(jié)合卷積神經(jīng)網(wǎng)絡(luò)(con-volutional neural network， CNN)和雙向長短時記憶(bidirectional long short-term memory, BiLSTM)網(wǎng)絡(luò)獲取區(qū)域位置在空間維度和時間維度上的粗細(xì)粒度特征，實(shí)現(xiàn)室內(nèi)區(qū)域定位.本文的主要貢獻(xiàn)總結(jié)于3個方面:

1) 提出了新的基于注意力機(jī)制的CNN-BiLSTM室內(nèi)區(qū)域定位模型(CNN-BiLSTM indoor regional positioning model based on attention mechanism， AMCLP)，利用注意力機(jī)制，選取一些顯著影響區(qū)域位置的RSS粗細(xì)粒度特征，在降低數(shù)據(jù)維度和計(jì)算復(fù)雜度的同時顯著改善室內(nèi)區(qū)域定位的性能;

2) 采用AdaBoost-SVM分類模型去除非視距(non-light of sight, NLOS)數(shù)據(jù)，并且通過截?cái)喔道锶~變換去除環(huán)境噪聲來完成數(shù)據(jù)預(yù)處理，提高RSS序列的穩(wěn)定性;

3) 利用走廊和會議室的真實(shí)數(shù)據(jù)構(gòu)建數(shù)據(jù)集，對所提出的區(qū)域定位模型進(jìn)行性能評估，證明了本文方法的有效性和對環(huán)境的適應(yīng)能力.

1 相關(guān)工作

在基于BLE的室內(nèi)區(qū)域定位方法中，最主要的誤差來源于無線電信道效應(yīng)的多徑傳播、反射、信道衰落等所引起的信號變化[4].目前，研究者主要采用近鄰法、三邊測量和指紋識別的方法解決上述問題.一些研究者采用近鄰法和三邊測量的方法，如Yu等人[5]提出的群集KNN(k-nearest neighbor)算法，該算法通過選擇最佳最近鄰點(diǎn)來減少環(huán)境干擾，提高區(qū)域定位性能.Jahan等人[6]結(jié)合三邊測量和卡爾曼濾波算法來實(shí)現(xiàn)工業(yè)環(huán)境中的區(qū)域定位，其區(qū)域定位算法在2級產(chǎn)業(yè)環(huán)境[7](工業(yè)制造)中的定位樣本準(zhǔn)確率達(dá)到85.0%.目前，大多數(shù)研究人員使用基于RSS的指紋識別方法，該方法通常分為確定性算法(deterministic algonithm， DM)、概率性算法(probabilistic algorithm， PM)、模式識別算法(pattern recognition algorithm， PRM)三類.

DM是通過比較信號特征(如向量)與指紋庫中計(jì)算出的統(tǒng)計(jì)值[8]來估計(jì)目標(biāo)區(qū)域.Tsai等人[9]提出利用模糊邏輯技術(shù)定義RSS的分布為離散函數(shù)，通過將數(shù)據(jù)聚類成模糊集來解決RSS不穩(wěn)定的問題；Jun等人[10]利用AP(access point)序列的度量來處理RSS的時間波動和設(shè)備異質(zhì)性的問題，并且通過動態(tài)區(qū)域劃分機(jī)制減少所需參考區(qū)域的數(shù)量；Mohsin等人[11]通過選擇和組合來自幾何和指紋方法的理想元素來構(gòu)建RSS距離模型來追蹤患者，獲取患者所在的病房；Tian等人[12]提出基于RSS的指紋特征向量算法，通過匹配在線獲取的RSS序列向量和RSS指紋數(shù)據(jù)庫特征向量之間的相似性，估計(jì)用戶所在網(wǎng)格區(qū)域，但該方法需要大量的環(huán)境測量和校準(zhǔn)，難以實(shí)際應(yīng)用；Li等人[13]提出基于原始細(xì)胞(cell of origin， COO)和接收的信號強(qiáng)度指示(received signal strength indication, RSSI)指紋的混合算法，通過目標(biāo)與細(xì)胞區(qū)域的連接范圍來估計(jì)目標(biāo)的區(qū)域，在辦公室和走廊環(huán)境下，定位在距離圓形目標(biāo)區(qū)域的中心點(diǎn)2.32 m和2.06 m的樣本準(zhǔn)確率都為80.0%，該方法易于實(shí)施和維護(hù)，但成本高、誤差較大.

PM是通過計(jì)算信號特征屬于存儲在指紋庫中某個分布的可能性來估計(jì)目標(biāo)區(qū)域.Youssef等人[14]通過構(gòu)建的基于概率的推理模型，將RSS序列建模為時域和頻域中的隨機(jī)變量；Yadav等人[15]提出基于貝葉斯推理算法的區(qū)域定位模型；Sikeridis等人[16]采用無監(jiān)督的學(xué)習(xí)算法，根據(jù)區(qū)域感知架構(gòu)，構(gòu)建基于網(wǎng)格區(qū)域的綜合概率定位模型，在部署的多層設(shè)施測試平臺上，定位在距離網(wǎng)格區(qū)域中心點(diǎn)0.80 m的樣本準(zhǔn)確率為88.5%，該模型對未標(biāo)記區(qū)域有較好的定位效果，但依賴于邊緣設(shè)備的計(jì)算和集中式的3層基礎(chǔ)架構(gòu).

PRM是通過離線階段收集RSS序列訓(xùn)練模型，在線階段利用實(shí)時的RSS序列預(yù)測區(qū)域位置.Zhuang等人[17]利用信道分離多項(xiàng)式回歸模型將指紋識別和擴(kuò)展卡爾曼濾波融合來進(jìn)行室內(nèi)區(qū)域定位；Cao等人[18]提出基于車輛的概率和模式識別方法，該方法利用RSS概率分布函數(shù)表示網(wǎng)格區(qū)域的RSS值，并通過人工神經(jīng)網(wǎng)絡(luò)(artificial neural network, ANN)建立輸入RSS序列和輸出位置之間的對應(yīng)關(guān)系，該方法在距離目標(biāo)區(qū)域中心點(diǎn)0.96 m的樣本準(zhǔn)確率為96.4%，但訓(xùn)練復(fù)雜度高；Sánchez-Rodríguez等人[19]使用C4.5算法組合RSS和方向信息來建立了低計(jì)算復(fù)雜度模型，該模型在距離區(qū)域中心點(diǎn)2.60 m的樣本準(zhǔn)確率為95.0%，并且能夠在輕量級設(shè)備上應(yīng)用.

本文提出通過注意力機(jī)制捕獲RSS序列與區(qū)域位置粗細(xì)粒度特征的映射關(guān)系，進(jìn)而獲取區(qū)域位置信息.相對于目前定位效果最好的網(wǎng)格區(qū)域綜合概率定位模型[16]，本文提出的方法在走廊和會議室環(huán)境中都取到了更高的定位精度和樣本準(zhǔn)確率.其中，2 m×2 m網(wǎng)格采集中走廊環(huán)境下，距離網(wǎng)格中心點(diǎn)小于0.50 m和小于0.75 m的樣本準(zhǔn)確率分別達(dá)到86.6%和96.4%;會議室環(huán)境下，距離網(wǎng)格中心點(diǎn)小于0.50 m和小于0.75 m的樣本準(zhǔn)確率分別高達(dá)96.5%和98.2%.

2 研究框架及實(shí)驗(yàn)方法

目前，利用RSS序列的室內(nèi)區(qū)域定位研究已經(jīng)取得了一些較好的研究成果，但這些研究或者存在定位精度差、準(zhǔn)確率偏低的問題，或者存在算法過于復(fù)雜、依賴基礎(chǔ)設(shè)施部署等問題.本文提出一種AMCLP模型，該模型通過CNN獲取區(qū)域中心點(diǎn)的細(xì)粒度特征，利用BiLSTM根據(jù)時序規(guī)律獲取區(qū)域范圍的粗粒度特征，并且采用注意力機(jī)制捕獲粗細(xì)粒度特征中與區(qū)域位置相關(guān)的特征，來獲取區(qū)域位置信息.

圖1是本文提出的室內(nèi)區(qū)域定位系統(tǒng)架構(gòu).AMCLP的過程分3個步驟:1)利用構(gòu)建的藍(lán)牙Mesh網(wǎng)絡(luò)，通過智能手機(jī)收集走廊和會議室環(huán)境中每個參考區(qū)域的RSS數(shù)據(jù);2)利用AdaBoost-SVM分類模型去除原始數(shù)據(jù)中NLOS數(shù)據(jù)，并且通過截?cái)喔道锶~變換去除環(huán)境噪聲來完成數(shù)據(jù)預(yù)處理;3)利用AMCLP模型獲取區(qū)域位置信息.

2.1 數(shù)據(jù)預(yù)處理

如圖2(a)所示，由于無線電信道效應(yīng)[20]的多徑傳播、反射、信道衰落的影響，致使RSS在同一個參考區(qū)域信號波動較大.如圖2(b)所示，不同錨節(jié)點(diǎn)的RSS序列中位數(shù)差別較小，統(tǒng)計(jì)特征不明顯，難以在時域空間辨別噪聲.本文采用AdaBoost-SVM分類模型去除NLOS數(shù)據(jù)，增強(qiáng)信息穩(wěn)定性，然后通過傅里葉變換將RSS序列轉(zhuǎn)換到頻域空間，在頻域空間里通過選用合適的濾波函數(shù)去除環(huán)境噪聲.

Fig. 2 Timing diagram and box plot of anchor node RSS sequence and regional center point圖2 錨節(jié)點(diǎn)RSS序列和參考區(qū)域的時序圖和箱線圖

2.1.1 AdaBoost-SVM分類模型

將本文的AdaBoost-SVM融合模型與一些常用的機(jī)器學(xué)習(xí)分類模型，如支持向量機(jī)(support vector machine， SVM)模型、自適應(yīng)增強(qiáng)(adaptive boosting， AdaBoost)模型、隨機(jī)森林+決策樹(random forest+decision tree， RF+DT)模型，對走廊和會議室環(huán)境中NLOS和視距(light of sight, LOS)情況下的RSS數(shù)據(jù)進(jìn)行建模分析，通過對比分析實(shí)驗(yàn)發(fā)現(xiàn)AdaBoost對于LOS環(huán)境下的RSS序列具有較好的分類效果，而SVM對于NLOS環(huán)境下的RSS序列具有較好的分類效果，因此本文建立AdaBoost-SVM分類模型，利用AdaBoost模型先區(qū)分大部分LOS環(huán)境下的RSS數(shù)據(jù)，SVM再從分錯的樣本中區(qū)分大部分NLOS環(huán)境下的RSS數(shù)據(jù)，通過2次分類能夠去除大部分NLOS環(huán)境下數(shù)據(jù).

AdaBoost是用于分類的常用的增強(qiáng)算法，它是一種結(jié)合相同類型弱分類器的自適應(yīng)迭代算法.在本文中，弱分類器選用后向傳播(back propagation, BP)神經(jīng)網(wǎng)絡(luò)，AdaBoost算法對訓(xùn)練集中每個BP神經(jīng)網(wǎng)絡(luò)，以0.1的學(xué)習(xí)速率，通過800次迭代訓(xùn)練原始的RSS序列并獲取每個序列的權(quán)重，然后根據(jù)權(quán)重參數(shù)，通過學(xué)習(xí)速率增加值為1.05和減少值為0.7的自適應(yīng)學(xué)習(xí)算法對網(wǎng)絡(luò)進(jìn)行優(yōu)化，并對RSS序列進(jìn)行NLOSLOS的分類預(yù)測，之后對分錯的樣本進(jìn)行標(biāo)記，并用SVM進(jìn)行2次分類，最后對獲取NLOS數(shù)據(jù)進(jìn)行剔除.其中，BP神經(jīng)網(wǎng)絡(luò)的層數(shù)為3，網(wǎng)絡(luò)個數(shù)為8，隱含層神經(jīng)元采用S型正切函數(shù)，輸出層神經(jīng)元采用S型對數(shù)函數(shù)，隱含層神經(jīng)元個數(shù)n2和輸入層神經(jīng)元個數(shù)n1之間的關(guān)系為

n2=2n1+1.

(1)

2.1.2 截?cái)喔道锶~變換去噪

文獻(xiàn)[10]指出RSS序列為高斯分布，并且傅里葉變換對時序信號的全局噪聲去除效果好，所以本文選用與信號峰相同的頻域高斯形濾波器，利用傅里葉變換將信號由時域轉(zhuǎn)換到頻域，然后在頻域通過高斯濾波函數(shù)去除高頻噪聲.信號f(w)經(jīng)過離散傅里葉變換得到F(w)：

(2)

其中，N為樣本總數(shù)；σ為高斯寬度，σ越大，高斯濾波器的頻帶越寬，平滑程度越好.反變換過程將頻域信號恢復(fù)成時域信號：

(3)

F(w)=0時頻率稱為截?cái)囝l率F0，設(shè)定1個截?cái)囝l率F0，小于F0為噪聲，其值置為0，F(xiàn)0過高，去噪效果差，F(xiàn)0過低，去噪過度損失正常的信號.本文根據(jù)經(jīng)驗(yàn)設(shè)定σ=20，F(xiàn)0=50時可以有效地去除高頻噪聲.通過傅里葉反變換可獲得去噪后的信號.

2.2 AMCLP模型

如圖2(a)所示，RSS是不穩(wěn)定時序信號，其短序列特征存在較大差異，且同一參考位置、不同錨節(jié)點(diǎn)的RSS序列具有相似響應(yīng)波形，錨節(jié)點(diǎn)之間的RSS序列相互關(guān)聯(lián).針對時序數(shù)據(jù)這一特性，本文利用CNN處理局部數(shù)據(jù)的關(guān)聯(lián)性和特征提取，通過BiLSTM捕獲數(shù)據(jù)時序性和依賴性，并結(jié)合注意力機(jī)制實(shí)現(xiàn)室內(nèi)區(qū)域定位，如圖3所示，AMCLP模型主要由3部分構(gòu)成:CNN層、BiLSTM層、注意力機(jī)制.

Fig. 3 Model of AMCLP圖3 AMCLP模型

CNN層采用64個1×1卷積核作為區(qū)域中心點(diǎn)的特征提取器，利用權(quán)重共享提取輸入的序列信息中包含區(qū)域中心點(diǎn)的細(xì)粒度特征，為了防止過擬合，在CNN層后添加丟棄層，丟棄率設(shè)定為經(jīng)驗(yàn)值0.2，且CNN層和丟棄層的激活函數(shù)為Relu.此外，文獻(xiàn)[21]指出在CNN中，淺層神經(jīng)元傾向于學(xué)習(xí)一些簡單的特征，比如邊緣、位置等，深層神經(jīng)元能夠檢測到一些抽象的特征，比如動作、表情等.對于時序數(shù)據(jù)來說，隨著網(wǎng)絡(luò)深度的增加，模型的復(fù)雜度也會增加，所以為了降低模型復(fù)雜度并保證網(wǎng)絡(luò)性能，本文根據(jù)經(jīng)驗(yàn)將卷積層設(shè)置為2層.

BiLSTM層在循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural networks, RNN)的結(jié)構(gòu)上加入記憶門與3個門控單元，通過64個LSTM單元來對歷史和未來消息進(jìn)行有效的控制.如式(4)～(9)所示，遺忘門ft的權(quán)重矩陣(Wxf，Whf，Wcf，bf)用來控制是否忘記當(dāng)前狀態(tài)，輸入門it的權(quán)重矩陣(Wxi，Whi，Wci，bi)用來控制是否應(yīng)存儲輸入，輸出門ot的權(quán)重矩陣(Wxo，Who，Wco，bo)用來控制是否輸出狀態(tài)，這3個門通過設(shè)置xt，ht-1，ct-1的狀態(tài)來決定是否接受輸入，是否忘記之前存儲的內(nèi)容并輸出稍后生成的狀態(tài).其中，xt表示當(dāng)前時刻的輸入，ct-1表示上一時刻神經(jīng)元細(xì)胞狀態(tài)，ht-1表示上一時刻的隱層向量狀態(tài)，ht表示當(dāng)前時刻的隱層向量狀態(tài)，ct表示當(dāng)前時刻神經(jīng)元細(xì)胞狀態(tài)，ct可通過ct-1和it的加權(quán)之和獲得:

it=σ(Wxixt+Whiht-1+Wcict-1+bi)，

(4)

ft=σ(Wxfxt+Whfht-1+Wcfct-1+bf)，

(5)

gt=Relu(Wxcxt+Whcht-1+Wccct-1+bc)，

(6)

ct=itgt+ftct-1，

(7)

ot=σ(Wxoxt+Whoht-1+Wcoct-1+bo)，

(8)

ht=otRelu(ct).

(9)

BiLSTM[22]通過引入第2層，擴(kuò)展了單向LSTM網(wǎng)絡(luò)，即在原有的正向LSTM網(wǎng)絡(luò)層上增加1層反向的LSTM層，在第2層中隱層的連接以相反的時間順序流動，因此該模型能夠充分利用來自過去和未來的信息.我們使用逐元素和來組合正向和反向傳遞輸出:

(10)

Iv表示v個錨節(jié)點(diǎn)的RSS序列向量，C(·)表示CNN粗粒度特征提取，H(·)表示LSTM細(xì)粒度特征提取.BiLSTM的3個門的交互操作使得BiLSTM能夠根據(jù)當(dāng)前數(shù)據(jù)與過去、未來數(shù)據(jù)的關(guān)聯(lián)，抽取潛藏時序規(guī)律的區(qū)域范圍的粗粒度特征Bi.此外，其存儲記憶特性可以有效地解決反向傳播中梯度消失的問題：

(11)

注意力機(jī)制的原理是對輸入序列的不同局部，賦予不同的重要性，即權(quán)重，而對于不同的輸出序列局部，輸入局部給不一樣的賦值規(guī)劃或者方案，即輸出序列局部由上一階段輸出和當(dāng)前階段的輸入局部構(gòu)成.注意力機(jī)制利用激活函數(shù)為Sigmoid的128個神經(jīng)元生成權(quán)重參數(shù)Ai，Ai作為注意力分配的系數(shù)，從序列中學(xué)習(xí)每1個粗細(xì)粒度特征的重要程度，并按重要程度將特征合并，采用加權(quán)的方式對RSS序列上下文信息進(jìn)行1次基于權(quán)重的篩選，讓網(wǎng)絡(luò)能夠?qū)W習(xí)捕獲RSS序列上下文在時序上、空間上的結(jié)構(gòu)關(guān)系.

Ai=Sigmoid(wTBi),

(12)

Li=Bi×Ai,

(13)

其中，i表示樣本序列數(shù)，Ai表示第i個RSS序列的權(quán)重參數(shù)，Bi表示第i個RSS序列的細(xì)粒度特征，Li表示室內(nèi)區(qū)域的位置信息.隨著RSS序列的不斷增加，由于不同的時間片和空間位置信息量的差別明顯，使得模型根據(jù)時間步方式捕獲特征的能力越來越差，而注意力機(jī)制可以有效利用序列差別信息，提升序列學(xué)習(xí)效果.根據(jù)經(jīng)驗(yàn)，設(shè)置樣本批次為100，迭代次數(shù)為230，優(yōu)化算法為Adam(adaptive moment estimation)算法.

3 實(shí)驗(yàn)與分析

在本研究中，實(shí)際測量數(shù)據(jù)表明:當(dāng)相鄰藍(lán)牙裝置相隔3～4 m時，所測信號最穩(wěn)定，定位效果最好.為充分利用節(jié)點(diǎn)資源，如圖4所示，當(dāng)5個錨節(jié)點(diǎn)在走廊與會議室中不呈現(xiàn)隨機(jī)分布而分別近似呈線性分布與星型分布時，實(shí)驗(yàn)定位的精度和準(zhǔn)確度呈現(xiàn)最佳效果.

Fig. 4 Experimental scene圖4 實(shí)驗(yàn)場景

實(shí)驗(yàn)環(huán)境是某實(shí)驗(yàn)樓的1段走廊和1個會議室，實(shí)際場景分別如圖4(d)和圖4(b)所示，空心箭頭(黃色箭頭)表示5個錨節(jié)點(diǎn)M1，M2，M3，M4，M5的位置.圖4(c)為走廊環(huán)境平面圖，寬3 m，長30 m，錨節(jié)點(diǎn)線性分布，相鄰錨節(jié)點(diǎn)距離為3 m;圖4(a)為會議室環(huán)境平面圖，寬7 m，長8 m，淺色區(qū)域(黃色區(qū)域)表示障礙物，相鄰錨節(jié)點(diǎn)距離3 m或4 m.表1為實(shí)驗(yàn)場景參數(shù)，其中T表示每個場景觀察的周期，H表示每個參考區(qū)域觀察時長，S_com表示場景復(fù)雜度，A_num表示錨節(jié)點(diǎn)數(shù)量，A_distri表示錨節(jié)點(diǎn)分布，A_Dis表示相鄰錨節(jié)點(diǎn)的距離，S_size表示場景規(guī)格，M_size表示網(wǎng)格尺寸，D_dim表示數(shù)據(jù)集維數(shù)，S_num表示樣本數(shù)，R_num表示網(wǎng)格個數(shù).

Table 1 Experimental Scene Characteristics and Parameters表1 實(shí)驗(yàn)場景參數(shù)

如圖4所示，利用走廊和會議室環(huán)境下部署的BLE錨節(jié)點(diǎn)構(gòu)建Mesh網(wǎng)絡(luò)，其中BLE設(shè)備以相同的傳輸功率周期性廣播錨節(jié)點(diǎn)信息，根據(jù)被定位目標(biāo)因遮擋和陰影效應(yīng)對無線信號的影響，判斷目標(biāo)所在的區(qū)域.首先將定位環(huán)境均勻地劃分為R_num個網(wǎng)格，記錄網(wǎng)格中心點(diǎn)坐標(biāo)，通過智能手機(jī)在每個網(wǎng)格區(qū)域的中心點(diǎn)，采集由目標(biāo)遮擋和陰影效應(yīng)引起的錨節(jié)點(diǎn)RSS序列變化值，每個網(wǎng)格區(qū)域采集5～6 min的數(shù)據(jù)，測試周期為1周.網(wǎng)格尺寸分為1 m×1 m，1 m×2 m，2 m×2 m這3種類型，根據(jù)網(wǎng)格尺寸和測試環(huán)境構(gòu)建6個不同訓(xùn)練集，每個訓(xùn)練集(D_X，D_Y)中，D_X表示RSS的樣本數(shù)，D_Y表示錨節(jié)點(diǎn)的RSS序列(IRSS1，IRSS2，IRSS3，IRSS4，IRSS5)和標(biāo)記的網(wǎng)格中心點(diǎn)坐標(biāo)(X_center，Y_center).如表1所示，走廊環(huán)境下，樣本總數(shù)分別為33 532，11 210，5 388，尺寸為1 m×1 m，1 m×2 m，2 m×2 m的網(wǎng)格數(shù)量分別為63，21，11.會議室環(huán)境下，樣本總數(shù)分別為22 001，10 935，5 667，尺寸為1 m×1 m，1 m×2 m，2 m×2 m的網(wǎng)格數(shù)量分別為42，20，11，訓(xùn)練集與測試集的樣本比例為7∶3.

3.1 數(shù)據(jù)濾波效果評估

如圖5所示，本文選用4種濾波算法對錨節(jié)點(diǎn)M1的RSS進(jìn)行測試，其中，圖5(a)～(e)分別表示原始數(shù)據(jù)圖、中值濾波圖、窗口平均濾波圖、算術(shù)平均濾波圖、截?cái)喔道锶~變換濾波圖.通過比較可以發(fā)現(xiàn):中值濾波在不改變樣本數(shù)量的前提下能夠過濾特別明顯的異常噪聲，但是對于不太明顯的異常噪聲和一般噪聲效果不好.窗口平均濾波法不能去除掉明顯的異常噪聲和異常噪聲.算術(shù)平均濾波法能夠過濾特別明顯的異常噪聲，但對于一般噪聲效果不好，并且樣本的數(shù)量會有所減少.截?cái)喔道锶~變換濾波法可以在不改變信號波形和樣本數(shù)量的情況下，去除絕大部分的噪聲使信號更加穩(wěn)定.因此，本文選用截?cái)喔道锶~變換濾除噪聲.

Fig. 5 Comparison of filtering effect of five different filtering algorithms圖5 5種不同濾波算法濾波效果比較

3.2 分類性能分析

為了驗(yàn)證本文提出的AdaBoost-SVM融合模型的NLOSLOS分類性能，如表2所示，分別將本文的融合模型與單SVM模型、單AdaBoost模型、AdaBoost+預(yù)處理、融合RF+DT模型進(jìn)行對比實(shí)驗(yàn)，其中，表2中黑體部分表示本文的融合模型的實(shí)驗(yàn)效果.此外，本文根據(jù)基于混淆矩陣的標(biāo)準(zhǔn)度量評估這些機(jī)器學(xué)習(xí)算法性能，4類分別為TP(true positive)，TN(true negative)，F(xiàn)P(false positive)，F(xiàn)N(false negative).應(yīng)用的分類性能指標(biāo)為：

Table 2 NLOS Classification Performance表2 NLOS分類性能

AdaBoost模型中BP作為弱分類器參與建模，SVM的時間復(fù)雜度為O(N2M)，AdaBoost的時間復(fù)雜度為O(NMlgM)，AdaBoost-SVM的時間復(fù)雜度為O(NMlgM+N2M)，N為特征維度，M為樣本數(shù).由表2可知，預(yù)處理后的單個機(jī)器學(xué)習(xí)模型AdaBoost與常用的組合模型RF+DT相比，分類精度提高3.1%，靈敏度提高1.4%，F(xiàn)1提高2.4%.此外，AdaBoost對LOS數(shù)據(jù)具有較好的分類效果，而SVM對于NLOS數(shù)據(jù)具有較好的分類性能，因此本文通過將SVM和AdaBoost進(jìn)行結(jié)合，利用2次分類來提高NLOS的分類性能.與傳統(tǒng)的單個機(jī)器學(xué)習(xí)模型SVM和AdaBoost相比，AdaBoost-SVM融合模型時間復(fù)雜度分別增加O(NMlgM)和O(N2M)，但是準(zhǔn)確度提高了16.5%和21.3%，分類精度提高了26.7%和27.9%，F(xiàn)1提高了13.7%和14.0%，AdaBoost-SVM模型在離線訓(xùn)練階段以執(zhí)行時間為代價(jià)獲得高精度和高準(zhǔn)確度.與常用的組合模型RF+DT相比，AdaBoost-SVM融合模型分類性能最優(yōu)，其分類準(zhǔn)確率和精度分別高達(dá)97.6%和99.9%，F(xiàn)1達(dá)到97.5%，靈敏度達(dá)到95.2%.

3.3 定位性能分析

本文設(shè)置距離定位區(qū)域中心點(diǎn)小于0.40 m，0.50 m和0.75 m為評估區(qū)域，如表3所示，采用樣本與區(qū)域中心點(diǎn)坐標(biāo)之間的平均平方誤差MSE(mean squared error)、平均絕對誤差MAE(mean absolute error)、樣本預(yù)測準(zhǔn)確率NUM_pre(number prediction accuracy)作為評估指標(biāo)：

(14)

其中，NUMT表示落入?yún)⒖紖^(qū)域樣本數(shù)，NUMF表示沒有落入?yún)⒖紖^(qū)域樣本數(shù).

不同情況下定位效果如表3所示，其中G_dis表示評估區(qū)域，即距離定位區(qū)域中心點(diǎn)誤差分布的區(qū)間“<0.40 m”，“<0.50 m”和“<0.75 m”.Tr_num表示訓(xùn)練集樣本數(shù)，Te_num表示測試集的樣本數(shù).Scene表示實(shí)驗(yàn)環(huán)境，Edge表示測試樣本是否位于邊緣區(qū)域，其中，“×”表示測試樣本不在邊緣區(qū)域，“Right”表示測試樣本位于右邊緣區(qū)域，“Left”表示測試樣本位于左邊緣區(qū)域，De_no表示是否進(jìn)行數(shù)據(jù)去噪，其中，“√”表示對數(shù)據(jù)進(jìn)行去噪處理，“×”表示對數(shù)據(jù)不進(jìn)行去噪處理.

3.3.1 不同環(huán)境的室內(nèi)區(qū)域定位效果

如表3所示，走廊和會議室平均平方誤差分別為0.11m和0.03 m，平均絕對誤差分別為0.12 m和0.05 m，差別很小.表4為走廊和會議室樣本準(zhǔn)確率差值，走廊、會議室樣本準(zhǔn)確率在“<0.40 m”，“<0.50 m”，“<0.75 m”的平均差值分別為10.3%，7.0%，2.3%.圖6(a)～(c)分別是1 m×1 m，1 m×2 m，2 m×2 m網(wǎng)格區(qū)域中走廊和會議室環(huán)境下的樣本準(zhǔn)確率.如圖6(c)所示，2 m×2 m網(wǎng)格環(huán)境下，走廊和會議室評估區(qū)域?yàn)椤?0.75 m”的樣本準(zhǔn)確率為94.4%和98.2%.綜上可知:本文的AMCLP區(qū)域定位算法在不同環(huán)境、不同錨節(jié)點(diǎn)布局下定位準(zhǔn)確度和精度都較好.

Table 3 Positioning Effect in Different Situations表3 不同情況下的定位效果

Table 4 Corridor and Meeting Room Positioning Accuracy Difference

Fig. 6 Positioning accuracy of different environments and different anchor nodes圖6 不同環(huán)境和不同錨節(jié)點(diǎn)布局定位樣本準(zhǔn)確率

3.3.2 邊緣位置的室內(nèi)區(qū)域定位效果

左邊緣和右邊緣區(qū)域分別表示距離左墻壁和右墻壁10 cm的區(qū)域，正常區(qū)域表示距離墻壁大于1 m的區(qū)域，評估區(qū)域G_dis表示定位到區(qū)域中心點(diǎn)的誤差距離“<0.40 m”，“<0.50 m”，“<0.75 m”的區(qū)域.

如圖7所示，和正常區(qū)域位置相比，當(dāng)評估區(qū)域?yàn)椤?0.40 m”時，左邊緣區(qū)域和右邊緣區(qū)域的樣本準(zhǔn)確率分別降低15.6%和4.6%;評估區(qū)域?yàn)椤?0.50 m”時，左邊緣和右邊緣的樣本準(zhǔn)確率分別降低10.7%和2.2%;評估區(qū)域?yàn)椤?0.75 m”時，左邊緣和右邊緣的樣本準(zhǔn)確率分別降低2.2%和1.4%.所以與正常區(qū)域相比，當(dāng)評估區(qū)域?yàn)椤?0.40 m”和“<0.50 m”時，左邊緣區(qū)域的樣本準(zhǔn)確率變化較大，當(dāng)評估區(qū)域?yàn)椤?0.75 m”時左邊緣區(qū)域的樣本準(zhǔn)確率變化不大.

Fig. 7 Edge position location sample accuracy圖7 邊緣位置定位樣本準(zhǔn)確率

而右邊緣區(qū)域在不同評估區(qū)域內(nèi)的樣本準(zhǔn)確率變化始終很小.此外，評估區(qū)域?yàn)椤?0.75 m”時，左邊緣、右邊緣及正常區(qū)域的樣本準(zhǔn)確率分別是97.5%，99.7%，98.3%.因此，本文的AMCLP區(qū)域定位算法在邊緣區(qū)域定位也取得了很好的效果.

3.3.3 不同網(wǎng)格區(qū)間室內(nèi)區(qū)域定位效果

圖8為不同網(wǎng)格樣本的準(zhǔn)確率，與1 m×2 m網(wǎng)格相比，會議室環(huán)境下，不同網(wǎng)格的樣本準(zhǔn)確率差別很小.走廊環(huán)境下，當(dāng)評估區(qū)域?yàn)椤?0.40 m”時，1 m×1 m和2 m×2 m網(wǎng)格的樣本準(zhǔn)確率相差14.6%和17.1%;當(dāng)評估區(qū)域?yàn)椤?0.50 m”時，1 m×1 m和2 m×2 m網(wǎng)格的樣本準(zhǔn)確率相差10.4%和12%;當(dāng)評估區(qū)域?yàn)椤?0.75 m”時，1 m×1 m和2 m×2 m網(wǎng)格的樣本準(zhǔn)確率相差3.1%和5.3%，故AMCLP區(qū)域定位算法在不同網(wǎng)格下樣本準(zhǔn)確率和定位精度較好.

3.4 不同算法的區(qū)域定位效果

本文將AMCLP與現(xiàn)有的區(qū)域定位模型原始COO指紋[13]、無監(jiān)督綜合概率[16]、ANN[18]、C4.5[19]進(jìn)行了性能比較，表5為不同算法的區(qū)域定位效果，其中，表5中黑體部分表示本文算法的定位誤差和定位準(zhǔn)確度.

由表5可知，本文的AMCLP方法在1 m×2 m網(wǎng)格采集下，距離網(wǎng)格中心點(diǎn)0.50 m的樣本準(zhǔn)確率為97.4%，相比于無監(jiān)督綜合概率定位模型[16]，網(wǎng)格區(qū)域中心點(diǎn)距離至少提高0.30 m，樣本準(zhǔn)確率提高8.9%，與文獻(xiàn)[18]的方法相比，網(wǎng)格區(qū)域中心點(diǎn)距離提高0.46 m，樣本準(zhǔn)確率提高1.0%，所以，本文的AMCLP方法得到了最好的樣本準(zhǔn)確率和定位精度.

Table 5 Regional Positioning Effect of Different Algorithms表5 不同算法的區(qū)域定位效果

4 總 結(jié)

本文提出AMCLP模型，該模型利用注意力機(jī)制，通過融合粗細(xì)粒度特征，學(xué)習(xí)RSS序列特征與區(qū)域位置的映射關(guān)系來獲取區(qū)域位置.預(yù)處理時，利用AdaBoost-SVM分類模型去除NLOS數(shù)據(jù)，其分類準(zhǔn)確率和精度分別達(dá)到了97.6%和99.9%，F(xiàn)1達(dá)到97.5%，靈敏度高達(dá)95.2%.實(shí)驗(yàn)結(jié)果表明，距離網(wǎng)格中心點(diǎn)小于0.75 m的樣本準(zhǔn)確率，在走廊環(huán)境和會議室環(huán)境，1 m×1 m網(wǎng)格采集下分別高達(dá)96.6%和99.2%，1 m×2 m網(wǎng)格采集下分別高達(dá)98.3%和99.2%，2 m×2 m網(wǎng)格采集下分別高達(dá)94.4%和98.2%.與文獻(xiàn)[16]相比，距離網(wǎng)格中心點(diǎn)的距離至少提高0.05 m，其中，走廊環(huán)境和會議室環(huán)境中的樣本準(zhǔn)確率在1 m×1 m網(wǎng)格采集下提高了8.1%和10.7%，在1 m×2 m網(wǎng)格采集下提高了9.8%和10.7%，在2 m×2 m網(wǎng)格采集下提高了5.9%和9.7%.未來工作中，計(jì)劃在更復(fù)雜的室內(nèi)環(huán)境下進(jìn)行實(shí)驗(yàn)，獲取更多區(qū)域位置的RSS序列特征信息以進(jìn)一步驗(yàn)證本文的室內(nèi)區(qū)域定位模型AMCLP.