一种基于支持向量回归的802.11无线室内定位方法
发布时间：2019-11-23 00:48
【摘要】：802.11无线局域网技术的广泛普及,给无线室内定位系统带来了良好的发展契机.提出了一种基于支持向量回归的802.11无线室内定位方法.该方法主要包括离线训练和在线定位两个阶段.离线阶段的主要工作是得到精确的位置预测模型;在线阶段的主要工作是根据移动设备的接收信号强度(received signal strength,简称RSS)进行在线定位.由于存在室内环境复杂、信道拥塞、障碍物影响和节点的通信半径有限等问题,移动设备的接收信号强度易受干扰,复杂多变.针对以上问题,离线阶段对接收信号强度信息进行统计分析,得出数据过滤规则,对训练数据集进行过滤,以此提高训练样本质量,从而提高支持向量回归预测模型的质量.在线阶段使用连续K次测量定位法获取信号强度信息,保证训练样本与在线输入信息之间的一致性,提高最终的定位精度.通过实验对该定位方法进行了综合对比分析,实验结果表明:与常用概率定位法、神经网络法相比,该方法具有更高的定位精度,同时具有对移动设备的存储容量及其计算能力要求较低的特点.
【图文】：
石柯等:一种基于支持向量回归的802.11无线室内定位方法26392基于SVR的定位方法2.1概述基于SVR的定位方法的核心是通过支持向量回归原理找出802.11无线局域网RSS信息与其地理位置的关系.其总体框架如图1所示,移动设备通过与802.11无线接入点的通信获取自身的位置信息.Fig.1FrameworkofSVR-basedlocationmethod图1基于SVR的定位方法的总体框架整个定位过程包括离线和在线两个阶段:(1)离线阶段离线阶段的主要工作包括:采集数据通过将移动设备依次置于预先部署好的位置已知的参考点,采集各802.11无线接入点的RSS信息,得到原始训练数据集.数据过滤由于室内环境复杂,再加上信道拥塞等因素的影响,移动设备接收的RSS信息易受干扰,复杂多变,因此,移动设备采集到的原始数据集质量较差.在数据过滤阶段,采用数据过滤规则对采集的原始数据集进行过滤处理,以提高训练样本的质量.通过支持向量回归算法利用训练数据进行监督学习利用支持向量机回归算法训练过滤后的数据集,以得到相应的位置预测模型.(2)在线阶段连续k次采集RSS信息由于RSS信息易受干扰,复杂多变,即使在同一位置,移动设备每次测量得到RSS信息也不一致.根据离线阶段对移动设备接收RSS信息的统计分析,移动设备接收到的RSS信息的质量与其所在位置、环境以及各802.11无线接入点(WAP)的位置密切相关.为了得到高质量的模型输入,在线阶段采用连续k次测量法,即,移动设备在同一位置连续测量k次得到位置预测模型的原始RSS输入信息.原始RSS输入信息预处理802.11无线接入点在线连续k次采集数据采集数据数据过滤通过支持向量回归算法利用训练数据集进行监督学习进行预处理定位原始训练数据集离线阶段在线阶段得到训练好的坐标回归预测模型训练数据集
石柯等:一种基于支持向量回归的802.11无线室内定位方法2645Fig.4Deploymentoftheexperimentalsystem[20]图4实验系统部署[20]我们使用libsvm-3.1来实现SVR算法,参数C和分别取经验值1000和0.01.同时,为了度量定位误差,设模型对某个点预测得到的位置坐标为{xp,yp},而该点的实际坐标为{xr,yr},则有定位误差距离Error为22()()prprErrorxxyy(27)在实验中,默认对训练样本根据相应规则进行了过滤处理,且在线定位阶段进行连续k次测量,并通过预处理得到模型的输入.同时,在实验中通过设计相应的实验验证了不做训练样本过滤以及在线定位阶段预处理时对模型的定位精度的影响.对实验中参数的说明见表1.Table1Experimentalparametersdescription表1实验参数说明参数名称默认值参数说明训练样本大小5000实验中所有训练样本大小的默认为5000,同时,在实验中验证了样本大小对定位模型的影响无线接入点数量17实验中,无线接入点的数量默认为17,同时,在实验中通过改变无线接入点数量验证了其对定位结果的影响核函数高斯核函数实验中默认的为高斯核函数,同时,在实验中通过使用不同的核函数验证了其对定位结果的影响重复测量次数k8实验中,在线定位阶段多次测量次数k默认值为8,同时,在实验中通过改变测量次数验证了其对定位结果的影响0.9实验中的默认值为0.9,的默认值为4,同时,在实验中通过改变其取值验证了其对测量次数k的影响4实验中的默认值为4,同时,在实验中通过改变其取值验证了其对测量次数k的影响测试样本大小10003.2数据质量对模型的影响离线阶段的数据过滤和在线阶段的数据预处理,分别提高了训练数据的质量和模型输入数据的质量.为了分析相应数据质量对基于支持向量回归的定位模型精度的影响,分别进行了以下4种实验,对?
【图文】：
石柯等:一种基于支持向量回归的802.11无线室内定位方法26392基于SVR的定位方法2.1概述基于SVR的定位方法的核心是通过支持向量回归原理找出802.11无线局域网RSS信息与其地理位置的关系.其总体框架如图1所示,移动设备通过与802.11无线接入点的通信获取自身的位置信息.Fig.1FrameworkofSVR-basedlocationmethod图1基于SVR的定位方法的总体框架整个定位过程包括离线和在线两个阶段:(1)离线阶段离线阶段的主要工作包括:采集数据通过将移动设备依次置于预先部署好的位置已知的参考点,采集各802.11无线接入点的RSS信息,得到原始训练数据集.数据过滤由于室内环境复杂,再加上信道拥塞等因素的影响,移动设备接收的RSS信息易受干扰,复杂多变,因此,移动设备采集到的原始数据集质量较差.在数据过滤阶段,采用数据过滤规则对采集的原始数据集进行过滤处理,以提高训练样本的质量.通过支持向量回归算法利用训练数据进行监督学习利用支持向量机回归算法训练过滤后的数据集,以得到相应的位置预测模型.(2)在线阶段连续k次采集RSS信息由于RSS信息易受干扰,复杂多变,即使在同一位置,移动设备每次测量得到RSS信息也不一致.根据离线阶段对移动设备接收RSS信息的统计分析,移动设备接收到的RSS信息的质量与其所在位置、环境以及各802.11无线接入点(WAP)的位置密切相关.为了得到高质量的模型输入,在线阶段采用连续k次测量法,即,移动设备在同一位置连续测量k次得到位置预测模型的原始RSS输入信息.原始RSS输入信息预处理802.11无线接入点在线连续k次采集数据采集数据数据过滤通过支持向量回归算法利用训练数据集进行监督学习进行预处理定位原始训练数据集离线阶段在线阶段得到训练好的坐标回归预测模型训练数据集
石柯等:一种基于支持向量回归的802.11无线室内定位方法2645Fig.4Deploymentoftheexperimentalsystem[20]图4实验系统部署[20]我们使用libsvm-3.1来实现SVR算法,参数C和分别取经验值1000和0.01.同时,为了度量定位误差,设模型对某个点预测得到的位置坐标为{xp,yp},而该点的实际坐标为{xr,yr},则有定位误差距离Error为22()()prprErrorxxyy(27)在实验中,默认对训练样本根据相应规则进行了过滤处理,且在线定位阶段进行连续k次测量,并通过预处理得到模型的输入.同时,在实验中通过设计相应的实验验证了不做训练样本过滤以及在线定位阶段预处理时对模型的定位精度的影响.对实验中参数的说明见表1.Table1Experimentalparametersdescription表1实验参数说明参数名称默认值参数说明训练样本大小5000实验中所有训练样本大小的默认为5000,同时,在实验中验证了样本大小对定位模型的影响无线接入点数量17实验中,无线接入点的数量默认为17,同时,在实验中通过改变无线接入点数量验证了其对定位结果的影响核函数高斯核函数实验中默认的为高斯核函数,同时,在实验中通过使用不同的核函数验证了其对定位结果的影响重复测量次数k8实验中,在线定位阶段多次测量次数k默认值为8,同时,在实验中通过改变测量次数验证了其对定位结果的影响0.9实验中的默认值为0.9,的默认值为4,同时,在实验中通过改变其取值验证了其对测量次数k的影响4实验中的默认值为4,同时,在实验中通过改变其取值验证了其对测量次数k的影响测试样本大小10003.2数据质量对模型的影响离线阶段的数据过滤和在线阶段的数据预处理,分别提高了训练数据的质量和模型输入数据的质量.为了分析相应数据质量对基于支持向量回归的定位模型精度的影响,分别进行了以下4种实验,对?
【共引文献】
相关期刊论文 前10条
1 孙U，
本文编号：2564733
本文链接：https://www.wllwen.com/kejilunwen/wltx/2564733.html
