基于SVM的电力线定位的研究

李娇

【摘要】一些大家被所熟知的基于TOA，TDOA，AOA，RSSI等室内定位的方法已经被研究了多年，虽然有些难点还未能攻克，但已经钻研得比较成熟了，而电力线高速数据通信技术是一个正在发展中的崭新学科，可以尝试将其与室内定位结合起来作为一个新兴的领域，开启室内定位的另一个新的天地。本研究将根据现有的电力线通讯技术为基础，提出基于电力线的室内定位技术，并对其进行了较深入、系统的研究，并针对定位准确度、移动设备环境影响方面存在的问题，采用人工智能和数据挖掘理论，提出了相应的解决方案。通过算法比较和实验分析，证明了方案的有效性和可行性。从支持向量机方法入手，安装支持向量机相关的插件，对样本信号强度数据进行分类和预测，并比较一般支持向量机和最小二乘向量机的分类预测效果，结果表明，最小二乘向量机的效果较好。

【关键词】室内定位电力线支持向量机最小二乘支持向量机

一、概述

目前国外在电力线定位方面，Patel等人提出的了一种利用住宅电力线的电力线定位系统[1]。在他们的系统中，采用了两个信号发生器同时在电力线上面，发送音频信号。根据两个信号在不同地方产生不同的信号强度，通过RSSI建立信号图，利用指纹识别技术来达到定位房间和房间内的定位要求。

Erich P. Stuntebeck等在他们文章中验证了文献[1]中定位系统，并对系统进行了改进[1]，称之为宽带电力线定位系统（WPLP），不再仅仅利用两个频率的信号，而是将44个不同频率信号加到电力线上。国内目前尚无人在室内电力线定位领域做相关研究。

二、问题描述

Patel等人的文章中着重提出的是通过RSSI建立信号图，利用k-最近邻分类的方法对未知节点的位置进行定位，由于国外的房间电力线的走向比较明确，即是沿着房间的边缘进行走线，这样可以做到在房间角落测得的信号强度远大于房间中心的信号强度，但在国内电力线的布局达不到这样的要求，因此使用k-最近邻分类方法对数据进行分析将产生严重的误差。基于对样本分类的启发，该文章提出利用信号图对已知位置进行分类，建立起对应关系，并对下一个到来的信号进行判断，属于哪一类别来判定是哪个位置。

最小二乘支持向量机（lssvm）估计算法[2]

最小二乘支持向量机的思想和标准的支持向量机相同，只是在利用结构风险原则时，在优化目标中选取了不同的损失函数，它们分别为误差孜i（允许错分的松弛变量）和误差孜i的二范数。

对标准的支持向量机，优化问题为

四、实验验证

在实验室里，利用自制的信号发生器插入插座，通过电力线辐射信号，再用自制的接收器接收信号，在4x8的网格（行列相聚1.5米）交点处记录下信号强度的大小，建立数据库。在matlab软件里安装lssvm的工具包，initlssvm语句使采集到的数据建立模型，trainlssvm语句训练数据，再用simlssvm语句预测输出数据，结果显示如下：

把Libsvm-mat-2.91-1插件安装在matlab的工具箱中，则可直接调用svmtrain语句建立输入输出数据的模型，再调用svmpredict语句预测下一个样本数据属于哪一个类，仿真可知分类效果很好，预测效果不好，如下图所示。

五、结论

本文对室内定位提出了一种新的思路，利用电力线来传播信号，用电力线传播信号的弊端很多，容易受外界环境的影响，因此考虑样本分类的方法即采用基于支持向量机方法对信号进行分类定位，这能较好的进行室内定位，利用电力线进行室内定位这个方法还不成熟，还有很多需要解决的难题，我们下一步的工作就是在不同频段进行辐射信号来进行定位。

参考文献

[1] Sung-Tsun Shih，Kunta Hsieh，Pei-Yuan Chen.An Improvement Approach of Indoor Location Sensing Using Active RFID.icicic， First International Conference on Innovative Computing， Information and Control-Volume II（ICICIC06），2006： 453-456.

[2]阎威武，邵惠鹤，支持向量机和最小二乘支持向量机的比较及应用研究，控制与决策，2002.1.4：356-359.