神经网络定位中多点多映射概率样本增强方法研究

杨 静， 曹秀伟

(1.西安理工大学 机械与精密仪器工程学院, 陕西 西安 710048；2.中建科技集团有限公司深圳分公司, 广东 深圳 518000)

随着无线网络、大数据等技术的不断发展，基于位置服务的应用需求快速增长，普及到了社会生活和生产的各个领域[1]。基于无线信号RSSI(强度接收指示，received signal strength indication)的定位技术，由于成本低，使用灵活等优点得到广泛的应用[2]。基于RSSI信号定位精度的关键在于如何建立尽可能多的有效的信号强度指示与空间物理位置的映射关系。过去研究者们通常采用KNN[3]等匹配算法进行定位，但是却无法保证实时性与精度同时提升。而神经网络凭借自身的易用性、鲁棒性以及强大的非线性拟合能力，近几年在定位应用领域逐渐受到关注[4]。神经网络算法的性能很大程度上取决于训练样本，在定位算法中，只有当训练样本足以表征不同位置信号RSSI特征，才能保证网络学习模型其具有泛化能力。根据无线信号传播特点，在复杂环境中，人员、墙体以及其他障碍物，都会给RSSI信号带来非视距以及多径效应的不确定性[5]。大量研究表明，利用概率论与数理统计的方法处理RSSI信号的不确定性[6]，具有较好的抗噪声性能，可极大地去除信号中的噪声，有效提高定位精度。然而，现有的神经网络定位算法利用大量实测RSSI数据,通过人工提取数据的均值、方差等特征样本对神经网络进行训练[7-8]。这种方法不仅人工成本高，而且不能有效表征无线信号的不确定性。文献[9]提出了一种多信息融合的位置指纹采集方法，利用航位推算与步态分析生成指纹，降低了人工采集工作量，但指纹数据精度较低。……