基于深度学习的蜂窝信号室内定位算法

2019-12-23杨伊璇

中国电子科学研究院学报 2019年9期

杨伊璇

(广东电网有限责任公司，广东广州 510520)

0 引言

移动电话通过安装WiFi设备，可实现基于WiFi的室内定位，进而估计用户位置[1-2]。然而，并非所有移动电话都安装了WiFi芯片。此外，为了提高WiFi室内定位精度，研究者通过在移动电话上安装其他惯性传感器，如加速计、压力传感器、陀螺仪[3-4]。但是，安装这些传感器加大了移动电话成本，并且这些传感器往往只安装于高端电话。

此外，在很多地方，没有WiFi信号，只有蜂窝信号。因此，利用蜂窝信号估计用户位置受到关注。基于蜂窝信号用户定位过程分为离线阶段和在线阶段。在离线阶段：移动电话从不同信号塔获取接收信号强度(Received Signal Strength, RSS)，且这些信号塔位置已知，进而构成“指纹”；然后进入在线阶段，监听移动电话信号，再依据移动电话信号，在指纹中寻找最佳的位置匹配，进而获取用户位置。

然而，当前的基于蜂窝的室内定位方案可分为两类：(1)传统的分类器，如SVM[5]、KNN[6]，学习RSS的模型，(2)采用概率技术[7-9]。但是，传统的机器学习并不能有效地处理无线信道的噪声。而概率技术能够有效处理无线信号噪声。然而，这些基于概率技术方案是假定来自信号塔的不同信号是相互独立的，这容易形成粗粒度的精度。

为此，提出基于深度学习的室内定位(Deep Learning-based Cellular Signal Indoor localization, DLCS)算法。DLCS算法先建立深度神经网络(Deep Neural Network, DNN)模型，然后DNN模型学习来自不同信号塔的RSS与移动电话位置间的非线性的关系。具体而言，在离线阶段，将来自不同信号塔的RSS信号用于训练DNN模型；在在线阶段，用户自由移动，获取来自RSS信号，再将这些信号反馈给DNN模型，进而估计用户位置。

为了获取高的定位精度和强健定位，DLCS算法需要应对多项挑战，训练数据的噪声处理、数据开销的控制、避免训练数据的过拟合。为此，DLCS算法引用新的数据增广算法，提升DNN的输入数据容量，同时引用异常检测方案和模型正规化技术避免过似合。

1 系统模型

在二维监测区域内部署m个信号塔，并由m个信号塔监听整个监测区域。为了降低开销，将监测区域进行网格化。每个网格的边长为dr。并在所有网格内部署n个参考点。

在离线阶段，对n个参考点的信号进行抽样，将这些抽样数据构成训练数据。为此，用户利用自己的移动电话扫描周围信号塔，进而获取信号RSS值。对于第i个信号塔，系统记录它的二元信息c=，其中Ci表示信号塔的ID号。RSSi表示从第i个信号塔所接收的RSS值。在同一个参考点能够获取不同RSS值。

整个DLCS算法由离线阶段和在线阶段构成，如图1所示。在离线阶段，收集训练数据，形成模型。主要由训练数据收集、预处理、数据增广和模型产生构成。

图1 系统模型

在在线阶段中，依据已训练的模型，根据所接收的RSS值，进行位置匹配，获取用户位置。主要由RSS收集、预处理、在线预测和定位构成。

2 DLCS算法

2.1 预处理

离线阶段和在线阶段均需进行预处理操作。通过预处理操作，将输入的扫描数据进行规范化处理。具体而言，由于无线信道的噪声，用户并不能扫描到所有信号塔。为了构建连续的信号塔输入集，预处理将所扫描的数据进行扩展成一个矢量s：

s=(s1,s2,…,sm)

(1)

若用户没有扫描到某信号塔，则该信号塔所对应的RSS值为零。为了提高模型的收敛时间，将所有RSS值归化为0至1的数。

2.2 数据增广

相比于传统的机器学习，深度学习模型在捕获不同信号塔间的RSS值的非线性关系方面具有明显的优势。然而，为了获取此非线性关系，需要大量训练数据，这可能极大地增加了训练开销。而数据增广对数据进行对称训练抽样，即增加了训练数据尺寸，又控制了数据训练开销。

为此，DLCS算法采用随机增广策略。其先随机产生二值矩阵，然后再将其与RSS矢量相乘，进而丢弃一些信号塔的信号值。这与事实相符：用户可能没有接收到一些信号塔的RSS值。

例如，如图2所示。原始的RSS值为{0.15 0.5 0.8 0.2}，并将其与随机产生的矩阵相乘，可得合成的抽样值。

图2 基于RSS的随机增广策略

2.3 训练模型

DNN的一个主要优势就是它能够以层次分布形式表征模型的输入数据[10]。因此，可利用DNN处理蜂窝数据。

引用如图3所示DNN结构。DNN的输入层为长度为m的矢量m=(RSS1,RSS2,…,RSSm)。中间有四个隐藏层，它们属于非线性处理单元。同时，引用校正线性单元(Rectified Linear Units, ReLUs)作为隐藏层的激活函数，进而减少梯度消息问题[11]。

图3 DNN网络结构

输出层由n个单元构成，其对应到在离线阶段所设的参考点数。输出问题属于分类问题。为此，引用softmax函数。

具体而言，假定有t个训练抽样数据，每项记录sj包含了m个特征(si1,si2,…,sim)，且1≤j≤t。(si1,si2,…,sim)表示来自m个信号塔的RSS值。将输入sj值进行离散化，即aj=(aj1,aj2,…,ajn)。aj蕴含了n个参考点成为估计点的可能性。为此，softmax函数将此可能性转化为概率：

(2)

此外，为了增加模型强健性，并控制过似合现象，引用丢弃正则化(Dropout Regularization, DR)[12]。通过DR防止在训练阶段，数据间的彼此的相互依赖。DR策略在训练阶段，随机地将神经元从DNN中移除，如图3所示。移除的神经元不再参与前向或反向过程。

2.4 在线预测

假定用户在未知位置u，从周围的信号塔接收了蜂窝信号[13]。在线预测阶段就是通过这些信号的RSS值(矢量s)估计u的位置。即u最可能出现在哪个参考点。将具有最大概率的参考点r*作为u的位置，如式(3)所示：

(3)

DLCS算法通过DNN的softmax层输出概率，进而估计用户位置。注意了，相比于传统的概率技术[7-9], DLCS算法并没假定信号塔间的相互独立，而是通过DNN模型捕获不同信号塔间的相关性。

令P=[P1,P2,…,Pn]表示监测区域内n个参考点作为用户位置的概率。即Pi(1≤i≤n)表示来自第i个参考点的信号强度s的概率，如式(4)所示：

Pi=P(ri|s)

(4)

将具有最高概率的参考点作为用户的估计位置。然而，使用该策略，估计的位置只是离散参考点的某一个。因此，为了能够在连续空间里跟踪用户，引用空间权值平均(Spatial Weighted Average, SWA)策略。将最可能的k个参考点的中心位置作为用户估计位置，再依据softmax函数[14]估计各参考点的权值系数：

(5)

2.5 位置修正

式(5)仅通过单一抽样值(一个RSS矢量)估计用户位置。然而，通常，蜂窝数据的扫描率远大于用户的移动率。因此，DLCS算法利用多个连续抽样值进一步估计位置，进而提高位置估计的精度。DLCS算法引用两个位置修正策略：抽样丢弃(Sample Rejection, SR)策略和质心(Centroid)策略。

2.5.1SR策略

SR策略通过丢弃异常位置估计值，提高位置估计精度。为此，先计算每个估计位置值与剩余所报告的位置ϑ间的距离，将其称为间距di：

(6)

其中d(i,j)表示i与j间的欧式距离。

然后，再计算平均间距davg，再排除不满足di≤davg的样值[15]。最后，将剩余的样值的均值作为用户位置的估计值。

2.5.2Centroid策略

Centroid策略的思想：每个估计位置的权值正比于该估计位置的最大softmax可能性：

(7)

3 性能仿真

3.1 仿真场景

为了更好地分析DLCS算法在室内环境的性能，选择典型的室内环境进行实验。具体而言，考虑11 m×12 m校园办公室，如图4所示，其包含会议室，走廊。

图4 实验环境

考虑17个信号塔。并在实验室内部署=51个参考点，网格边长dr=1。采用不同安卓手机收集信号塔信号，如HTC X9、HTC E9、Motorola Moto G5、ZTE Blade 7。并利用2天时间收集信号塔信号。手机利用安卓的软件开发工具包(Software Development Kit, SDK)扫描信号塔信号，扫描率为3 Hz。