文章来源：Talla-Chumpitaz R, Castillo-Cara M, Orozco-Barbosa L, et al. A novel deep learning approach using blurring image techniques for Bluetooth-based indoor localisation[J]. Information Fusion, 2023, 91: 173-186.
数据集可以从[53]下载：
Python代码：
以下是论文的学习笔记
摘要
目标：旨在开发一个使用卷积神经网络(CNN)的基于蓝牙的指纹识别的室内定位预测系统
方法：将整齐的数据转换为图像（transforming tidy data into images）来模拟无线信号的传播行为（ diffusion behaviour）
用模糊图像技术 （blurring image techniques）模拟信号频谱的扩散（ the diffusion of the signal spectrum）
使用和比较分析两种维降维算法，PCA和t-SNE
采用进化算法（evolutionary algorithm）对不同传输功率组合的方案进行配置和优化
结果：准确率接近94%
1.Introduction
无线网络和配备多个传感器[1]的设备的发展，以及它们与存储中心的连接和互联网上的数据处理，导致了物联网(IoT)[2]的实施。对物联网技术使用的兴趣日益浓厚，导致了众多不同应用的发展[3,4]。这些应用程序的正常运行需要控制由移动设备生成的大量数据流，这些数据流将传输到部署在云中的智能决策中心。应用程序提供的许多服务都是基于对最终用户[6]的定位和配置文件的了解。
因此，主要工作集中在物联网应用定位系统开发的主要组成部分[7]：分析发射器发射到接收器的信号以及如何充分处理生成的数据[8,9]；用于处理允许室内定位的无线信号的算法[10,11]。
关于第一点，基于无线的指纹定位技术的设计和开发面临重大挑战，因为信号的室内传播对多径衰落效应高度敏感[12,13]。人们还广泛认识到，测量设备的能力将在产生有价值的接收信号强度指标(RSSI)指纹的数量、质量和时间方面发挥重要作用[14,15]。
关于第二点，研究的主要领域之一是无线信号行为的表征[9,16]。不同的研究结果表明，在信号表征过程中使用分类算法能够极大地改善基于性能的室内定位机制[13,17]。
由于有许多学习方法可以解决这个问题，因此本工作将侧重于使用卷积神经网络(CNN)[18]开发一种新的预测技术。然而，由于CNN的输入格式是图像，因此这种输入与物联网设备获得的数据格式不匹配，物联网设备获得的数据是基于RSSI的整齐数据(也称为表格数据)[16,19]。
这项工作的主要贡献之一在于用一种新颖的预处理技术将整洁的数据[20]转换成图像，该技术代表了无线信号在图像构建过程中的行为[19,21]。换句话说，我们的提议首先将由空间分布在目标区域的RSSI样本组成的整齐数据转换成图像，使CNN能够执行分类过程[19,22]。该建议使用文章[23]中的方法和机制作为开发整个处理模式的起点。
在我们提出的模式的第一步，使用了两种降维技术：t-SNE[24]和PCA[25]将整洁的数据转换成图像。然后，使用进化算法来找到使用发射机设备使用不同传输功率(这里称为TxPower)的最佳结果组合。
本文为提高室内定位过程精度而引入的整体处理方案的结构可以概括为:
•使用两种降维算法将整齐的数据转换成图像，即空间分布的BLE RSSI读数，即t-SNE和PCA算法。
•使用模糊绘画技术来模拟图像中的信号退化。这一步和前面的步骤是本文的主要贡献，允许使用CNN进行分类。
•使用双分支卷积神经网络蓝牙室内定位。利用元启发式算法优化BLE室内定位精度。
本文的其余部分组织如下。第2节回顾了最近的蓝牙定位文献，分为两个部分：室内定位指纹和从整洁数据中构建图像的技术。第3部分详细说明了我们的室内环境以及用作发射器和接收器的设备，如图1中“环境分析”部分所示。随后，第4节“图像转换方法论”一步一步地描述了用于从收集的整洁数据中创建图像的机制和技术的细节。本节还涵盖了预处理方法和模糊绘画技术的重要性，以模拟信号的行为。第5节展示了我们使用信标的对称和非对称TxPower配置以及并行CNN和进化算法的第一组结果，在“室内定位模型”块中表示。最后，第6节给出了我们的结论和未来的工作方向。
2. Related work
2.1. Indoor localisation fingerprint
基于室内指纹识别的室内定位环境开发中使用的数据处理方法主要包括三种类型的算法方法[3]：概率方法，如粒子滤波[8]；确定性方法，如支持向量机[9]；神经网络，如CNN[16]。文献[23]：将非图像样本转换为图像形式，然后将其提供给CNN架构以进行预测或分类
2.2. Bluetooth indoor localisation: Techniques and results
如表1所示，我们的工作显示出比以往文献中报道的所有工作更好的性能结果，精度和平均误差指标。同样，将这项工作与我们之前的工作[9,33]进行比较，我们使用了在同一实验区域收集的数据，我们观察到这两个指标都有显着改善。本文提出的方法是利用一种尚未被研究过的基于蓝牙的室内定位方法，即将表格数据转换为图像，从而能够利用基于CNN的分类过程。这与以前的工作不同，在以前的工作中，使用CNN进行室内定位，使用无线信号，是基于通过相机获得图像和无线数据[48]的结合。
2.3. CNN for indoor localisation fingerprint
开发CNN的一个主要方面是能够在预处理阶段对数据进行增强。在上下文和分类过程中使用图像时实现的分类技术方面，CNN占主导地位。在使用神经网络架构方面开发的工作多种多样，但绝大多数都集中在在样本收集阶段[49]获得输入图像。
更具体地说，我们发现另一个更复杂的图像集成研究工作[48]。作者提出了一种结合无线信号和图像的定位算法。这项工作的新颖之处在于首先通过指纹识别获得基于无线信号可视化的粗粒度估计。此外，作者根据收集的图像执行匹配过程以确定二维和三维像素之间的对应关系。基于他们的研究结果，该方法通过视觉和无线数据的结合显著提高了定位指标和鲁棒性。
图1 DeepInsight流程。(a)特征向量到特征矩阵的转换示意图。(b) DeepInsight将特征向量转换为图像像素的方法说明。
上图可参考：
3.6 DeepInsight:一种将非图像数据转换为卷积神经网络架构的图像的方法（此文为3.5的参考文献[23]）-CSDN博客
3. Background: Devices and methods
本实验采用JAALEE[ http://www.jaalee.com/，成都的公司？JAALEE Inc., Beacon IB0004-N plus, 2018, Link: https://www.jaalee.com/. [[Online: accessed 18-may-2022]. ]信标装置[51]。根据我们实验中使用的五个信标的规格，它们可以在八种不同的TxPower水平中工作。
作为接收器，我们使用的是带有USB BLE4.0天线[52]的树莓派，以下简称BLE4.0天线。
（1）两个并行分支（parallel branches），含4个区块（block）
（2）每个区块由4个层组成：卷积层、批量归一化层、ReLU激活层、池化层
（3）区别在于内核过滤器的大小和池的类型。第一个分支过滤器的配置大小为(3,3)和MaxPooling，第二个分支大小为(5,5)和AveragePooling。
（4）每个块的卷积层过滤器的数量分别为16、32、64和64.两个分支汇合为一个(连接)。
（5）接下来是Flatten层，它排列数据，使从前一层创建的矩阵平坦化。
（6）使用1个密集层256个ReLU激活神经元和3个密集层Sigmoid激活神经元，分别为128、64和32个。
（7）CNN的最后一层有Softmax激活，目的是提供值(概率)来对图像进行分类，由于实验区域的类(区域)的数量，它有15个神经元。
4.Methodology on image transformation
4.1. Tidy data into image transformation
本文流程图
idy data is converted into image data through a two-dimensional space in X and Y
整齐的数据通过X和Y的二维空间转换为图像数据
for data transformation, we used the basic methodology
对于数据转换，我们使用[23]中列出的方法：数据降维（PCA和t-SNE）、质心和定界、缩放和像素位置、像素特征
5 Experimental results
6. Conclusions and open challenges
本文探讨了将整洁数据转换为图像，并辅以模糊图像技术来处理BLE信号，旨在开发无线室内定位机制。结果表明，该方法有效地缓解了多径衰落(MPF)的影响。
我们还表明，使用基于元启发式的优化技术可用于确定BLE设备的最佳TxPower配置设置。
此外，从整洁的数据中创建的图像被用作该CNN的输入。为此，使这项工作得以发展的部分贡献是使用具有两个并行分支的CNN作为基础学习模型进行定位。
因此，为了实现这种转换，我们对t-SNE和PCA等二维降维算法进行了评估。 在这种情况下，测试了两种图像生成情况，即：(i)使用特征像素；(ii)通过模拟信号衰落，应用模糊技术。 模糊方法表明，生成的图像模拟了信号衰落，最大化了分析指标的结果，并减少了平均误差。
此外，为了改善不对称TxPower的结果，使用了一种进化算法，该算法展示了TxPower的最佳组合，进一步最大化最终结果，并使解决方案更接近最小误差。
最后，关于开放的挑战，要发展的要点之一是能够根据信号退化本身而不是经验地设置模糊技术，就像在这项工作中所做的那样。
使用信道传播模型来开发图像中特征像素的模糊以及与信号本身相对于设备的退化的相似性可能导致基于混合通信的模糊方法来解决问题。
此外，开发模型的主要评估挑战之一不仅是查看它在更大环境中的表现，而且还要查看分类过程在多层环境(例如多层建筑)中的影响。
7 文章的主要贡献点
（1）本文工作将侧重于使用卷积神经网络(CNN)[18]开发一种新的预测技术
（2）用一种新颖的预处理技术将整齐的数据[20]转换成图像，使用了两种降维技术:t-SNE[24]和PCA[25]将整齐的数据转换成图像
（3）使用模糊绘画技术来模拟图像中的信号退化（Use of the blurring painting technique to emulate signal degradation in the image）
（4）使用双分支卷积神经网络蓝牙室内定位（Use of a two-branch convolutional neural network for Bluetooth indoor localisation. ）
（5）利用元启发式算法优化BLE室内定位精度（Optimisation of the BLE indoor localisation accuracy using metaheuristic algorithms）
扫一扫
2782
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
