基于稀疏自编码器预定位辅助WKNN的WiFi室内定位算法

自主研究实习报告

课程名称：室内定位技术

姓    名：阚昊宇 

 

基于稀疏自编码器预定位辅助WKNN的WiFi室内定位算法

 

摘  要：为了提高基于WiFi指纹匹配的室内定位算法精度和降低遍历指纹库计算时间，本文针对WiFi信号强度RSSI矢量的稀疏性和日益增长的WiFi指纹库体积提出一种利用稀疏自编码器（Sparse Autoencoder，SAE）结合传统指纹库定位的室内定位算法。该算法基于RSSI指纹库，首先利用指纹库训练SAE进行数据重建提取特征，然后利用神经网络进行初步定位选择Q个概率点，最后结合加权K-近邻算法（Weighted K-Nearest Neighbors，WKNN）确认最终定位结果，该方法在芬兰坦佩雷大学公开多设备多楼层众包数据集Crowdsourced WiFi-Fingerprinting Database上取得了较传统WKNN算法好15.8%的精度改进，平均单点定位时长为0.0032 s。

关键词：室内定位；WiFi；降噪自编码器

 

Indoor Positioning Algorithm Based on Combination of Denoising Autoencoder and WKNN

Kan Haoyu1

Abstract: In order to improve the accuracy of WiFi-based indoor positioning and reduce the calculation time, this paper proposes an indoor positioning method based on the sparsity of the WiFi Received Signal Strength vector using Sparse Autoencoder (SAE) combined with traditional fingerprint database positioning Algorithm. This algorithm is based on RSSI fingerprint database, firstly uses SAE for data reconstruction and dimensionality reduction, then uses neural network for preliminary positioning, and finally combines K-Nearest Neighbors (KNN) results to confirm the final positioning result. This method performs in the public dataset Crowdsourced WiFi-Fingerprinting Database published by Tampere University in Finland with a 15.8% better accuracy than traditional WKNN algorithm, and has an average positioning time of 0.0032s per point.

Key Words: Indoor Positioning; WiFi; Denoising Autoencoder

 

1 引言

基于WiFi的指纹库室内定位技术是室内定位领域中的重点研究内容之一。指纹库室内定位技术主要包含确定性算法、概率型算法、人工神经网络3个主要研究方向。传统的基于指纹库的室内定位方法主要是指离线阶段先使用滤波方法（例如高斯滤波等）再使用均值求出指纹库；在线阶段使用确定性算法（KNN等）或概率型算法（贝叶斯概率等）进行指纹匹配。随着科技的不断发展，各行各业对室内定位精度的要求越来越高的同时，数据库规模也越来越大。传统的室内定位技术难以突破定位精度和规模的瓶颈，而深度学习在图像和语音处理等方面的成熟应用使一些学者把深度学习引入基于WiFi的室内定位领域中 [ ] [ ]。本文提出了一种基于较少数据,简单计算的匹配算法，即首先利用参考数据构建SAE进行数据重建提取有效特征，然后将定位数据经过SAE处理得到的特征利用神经网络进行初步定位，最后结合参考数据指纹库通过KNN确认最终定位结果。该方法在较大的、复杂的众包数据集Crowdsourced WiFi-Fingerprinting Database中整体使用的数据量和计算复杂度相对较小，时效性较好，且2D/3D定位精度相较传统方法有约15%的显著提高。

2 算法基本原理

本文提出的算法包括指纹库建立、SAE训练、预定位和最终定位四个阶段。其流程如图 1 算法基本流程图所示。其中利用SAE进行去噪和降维是由于一般情况下区域所有MAC数量远大于一个参考点能接收到的MAC，故而在RSSI向量中留下过多空值，不利于神经网络初步定位，也增大了WKNN计算量。预定位步骤通过神经网络预测待测点的位置，以该位置为中心仅搜索附近若干个点作为WKNN的搜索空间，大幅缩小计算时间，同时WKNN中可以利用几何距离而不是RSSI空间的欧氏距离求权，具备更明确的物理意义。

 

 

3 定位实验结果分析

3.1 实验数据介绍

本文实验采用芬兰坦佩雷大学公开多设备多楼层数据集Crowdsourced WiFi-Fingerprinting Database数据集 [ ]，其基本环境为约210 m×110 m的5层楼房结构，采用多设备在不同时段采集已知坐标点RSSI，其中包含各参考点和测试点三维坐标、RSSI、采集日期、不同使用设备，参考点和测试点分布在各楼层，由于一共有4648个参考点，992个MAC地址，全部绘出过于密集，取出部分绘图如图 2 数据集部分点位及最强RSSI。

3.2 实验模型及参数

本次实验中选择85%的数据点（3951个）作为训练集，15%的数据点（697个）作为测试集。在SAE上，根据不同的隐藏层数目得到定位精度比较如图 3 提取特征维度对定位结果RMS的影响。

图 3 提取特征维度对定位结果RMS的影响

可见在隐藏层维度 为500时取得最佳结果，但是在隐藏层维度 低至100的时候仍只较最佳结果损失了4%的精度，证明WiFi数据稀疏性较强。事实上，在本次数据中每个数据点平均只采集得到约5%的MAC地址传来的数据。也就是说，RSSI矢量的绝大部分都为0。故数据可以进行较大程度的降维。

 

神经网络输入为RSSI向量，本实验中与全局MAC地址一致，为992维。隐藏层采用四层全连接层，每层神经元数目相同均为300，激活函数为ReLU，输出层为3维，经过反标准化后得到位置。其中Q大概率相邻参考点和K的选择对定位结果产生较大影响，根据模型参数得到不同的Q与K设置对定位精度和时间影响如下图 4 Q和K的取值对结果RMS的影响。

故本次实验中采取Q=200，K=6的参数设置。

采用①传统WKNN方法（K=4，RSSI距离倒数加权）、②单独神经网络定位（MLP）、③本文方法（SAE+MLP+WKNN，Q=200，K=6， =500，物理距离倒数加权）处理该数据集，得到2D、3D定位精度对比如图 5 不同方式的最佳2D/3D定位精度RMS，以及在最好定位精度下单点定位处理时间对比如图 6 最佳定位精度下的定位计算时间对比。

 

 

可见，采用本文算法比传统WKNN算法在2D/3D定位精度上提高了15.8%，而定位速度仅为WKNN算法的5.3%。本文算法与该数据集芬兰坦佩雷大学设置的两种Baseline算法（基于K-Means聚类和Affinity Propagation聚类算法）在同等训练集和测试集上得到结果比较如下表 1 不同算法性能对比表：

 

 

 

 

 

4 结论与展望

本研究中提出的算法在多设备采集、环境复杂、时效性差的众包数据集Crowdsourced WiFi-Fingerprinting Database上相较传统WKNN指纹库定位算法和芬兰坦佩雷大学的两种Baseline算法，2D/3D定位精度提升了15.8%，定位耗时仅为其他三种算法中最快、效果最好的AP算法的13.9%，表明在算法的实时性和准确度上均有一定改进。

但是，除了WiFi信号强度RSSI矢量的稀疏性和日益增长的WiFi指纹库体积同时Wi-Fi定位仍存在许多问题待解决，就本次研究中使用的数据库而言，众包数据集涉及设备归一化问题目前还没有找到完美的解决方案。在进行近邻查找时对RSSI矢量进行单纯欧氏距离比较已经被证明不是最佳选择 [ ]；预定位中神经网络可以输出概率，在此基础上有学者利用HMM等方法进行在线定位，可在实验条件下精度提升至1m以内[1]，等等。

感谢老师为我们打开了室内定位技术的大门，老师丰富广博的学识、诲人不倦的教育态度让学生既敬佩又爱戴，课堂上的风趣幽默也为师生之间的交流拉近了距离，希望在今后的学习中能够再度听到您讲授的课程。

 

参考文献

[[1]] 曹建荣,张旭,武欣莹,吕俊杰,杨红娟.结合 CNN 和 WiFi 指纹库的室内定位算法[J].计算机系统应用,2020,29(7):173–179. http://www.c-sa.org.cn/1003-3254/7492.html

[[1]] Zhang Wei, Liu Kan, etc. Deep Neural Networks for wireless localization in indoor and outdoor environments[J]. Neurocomputing 194 (2016) 279-287. https://doi.org/10.1016/J.NEUCOM.2016.02.055

[[1]] Pascal Vincent, Hugo Larochelle, Yoshua Bengio, and Pierre-Antoine Manzagol. 2008. Extracting and composing robust features with denoising autoencoders. In Proceedings of the 25th international conference on Machine learning (ICML '08). Association for Computing Machinery, New York, NY, USA, 1096–1103. DOI:https://doi.org/10.1145/1390156.1390294

[[1]] Elena Simona Lohan, OrcID,Joaquín Torres-Sospedra, OrcID,Helena Leppäkoski, Philipp  Richter , Zhe Peng , Joaquín Huerta. Wi-Fi Crowdsourced Fingerprinting Dataset for Indoor Positioning, MDPI, Volume 2, Issue 4, Data 2017, 2(4), 32; https://doi.org/10.3390/data2040032

[[1]] Joaquín Torres-Sospedra, Raúl Montoliu, Sergio Trilles, Óscar Belmonte, Joaquín Huerta, Comprehensive analysis of distance and similarity measures for Wi-Fi fingerprinting indoor positioning systems, Expert Systems with Applications, Volume 42, Issue 23, 2015, Pages 9263-9278, ISSN 0957-4174, https://doi.org/10.1016/j.eswa.2015.08.013.