一种自学习优化的蓝牙AOA定位角度过滤方法

技术领域

本发明属于蓝牙室内定位技术领域，涉及一种自学习优化的蓝牙AOA定位角度过滤方法。

背景技术

由于卫星信号到达地面时信号较弱、不能穿透建筑物的问题，室内环境无法使用卫星定位。而目前常用的的室内定位方法有：蓝牙，WIFI，UWB，可见光，惯性导航等。其中尤以蓝牙成本低，功耗低，便于和手机交互，作为室内定位的设备优势明显。目前蓝牙室内定位分三种方式，第一种通过信号的RSSI大小进行定位的方式，它的优势是每部设备只需要一个天线，成本和功耗都很低。该技术的不足之处在于缺乏精度，其精度仅为3m～5m，如果需要进一步提高精度需要大量指纹学习。第二种常见的测向技术称为“到达时间”(ToA)，也就是无线电信号从单个发射器到单个接收器的行程时间。这种方法同样只要求每部设备一个天线，但不足之处是要求每部设备都搭载高精度的同步时钟，ToA系统的定位精度可以接近1m。第三种方法就是采用最新版本的蓝牙核心规范(v5.1)增加的到达角(AoA)和出发角(AoD)测向功能。对比基于RSSI按照信号强度提供距离估算的射频测距功能，AOA可以通过从不同点进行多次距离测量，可以达到更高的精度。许多AoA估算技术已经被引入。目前基于信号子空间分解技术的AoA估计技术被广泛应用，例如多信号分类(MUSIC)、Root-MUSIC和经由旋转不变性技术(ESPRIT)的信号参数估计，这些技术已经被提出作为超分辨率AoA估计技术。

改进型信号子空间和阵列流形谱(AMV)的正交性方法(ISSS算法)也被我们应用用于室内蓝牙AOA定位。但是目前在室内定位应用中，如何处理室内环境引起的各种干扰，减少干扰对定位精度的影响成为了需要重点考虑的问题。在蓝牙AOA方法中，仅要求接收器配备多个天线，发射器配备一个天线即可，接收器解算IQ值后通过信号子空间技术获取仰角和方位角后，然后通过仰角和方位角确定接收器的位置。因此仰角和方位角的精度是决定AOA室内算法定位精度好坏的两个关键参数。然而在室内环境中，受多径效应、空间的狭小或者玻璃和墙壁反射等因素影响，仰角和方位角数据集通常包含大量噪音。同时由于室内存在大量的人员走动带来的短暂阻挡干扰，采集的角度数据存在不稳定的状态。因此，如何找到最佳的仰角和方位角成为算法的关键问题。目前通常使用的定位角度的过滤方法有卡尔曼滤波算法、多点均值滤波算法或者机器学习算法。

发明内容

本发明的目的是针对现有的技术存在的上述问题，提供一种自学习优化的蓝牙AOA定位角度过滤方法，本发明所要解决的技术问题是如何提高AOA算法中定位角度的精度。

本发明的目的可通过下列技术方案来实现：

首先采用基于密度的含噪声空间聚类方法(DBSCON)来寻找被低密度区域分离的高密度区域。离线学习需要对四个目标参数进行有效优化，分别为DBSCON邻域半径Eps，邻域中数据对象数目阈值MinPts，并且考虑到左右聚类边界的产生的随机噪声误差参数noise-R和noi se-L。离线阶段就是为了获取一组最佳数据以及其随机噪声误差。这些目标参数的不同组合能够计算不同的定位结果，离线阶段的代价函数是估计的用户位置和真实的用户位置之间的欧几里得距离，最后通过麻雀算法(SSA)对的目标参加进行迭代，以找到最小化代价的最优目标参数集。

离线阶段，随机测试K个坐标位置，对测试的角度进行优化，获取优化参数范围，过程如下：

第1步，令当前迭代次数s＝1，输入初始参数Eps,MinPts，noi se-R和noi se-L,随机设置这四个参数，确定这四个参数的设置范围分别为：[0.5,10]，[1,10]，[-10,10]，[-10,10]。

第2步，设置优化迭代次数n，种群数量pop，设置麻雀优化算法在参数预警值ST，发现者的比列PD，意识到有危险的比重SD。

第3步，设置离线阶段的代价函数：

其中x和y是估计的x和y的定位坐标，x(true)和y(true)是真实的x和y的定位坐标，角度θ

第4步：使用麻雀优化算法(SSA)在参数{Eps,MinPts，noi se-R，noise-L}的值的范围内生成新的目标参数集。

第5步：把新在目标参数带入到DBSCON中，过滤异常值后的数据用于计算这一代在参数所得到在最佳角度，并进行保存。

第6步：计算出这一代的代价值，并进行保存。

第7步：令s＝s+1，如果s＝n，那么返回n次迭代中代价最低的最优角度值以及相应的Eps,MinPts，noise-R和noise-L，否则返回并重复步骤4。

第8步：优化完一个测量点的角度值后，再对下一个测量点的角度按照1到7步进行优化获得最优角度值，把离线的测量点设置为K。把K个测量点得到的所有Eps,MinPts，noise-R和noise-L值的最大值和最新值，作为后面在线阶段的参数范围分别表示为：

[Eps

离线学习阶段采用静态点测试，每个测试点的数据较多，处理时间稍长；

在线阶段：

第1步令当前迭代次数s＝1，输入初始参数Eps,MinPts，noise-R和noise-L,随机设置这四个参数，确定这四个参数的设置范围分别为离线阶段确定的范围：

[Eps

第2步设置优化迭代次数n，种群数量pop，设置麻雀优化算法在参数预警值ST，发现者的比列PD，意识到有危险的比重SD。

第3步：设置离线阶段的代价函数：

样本标准差：

其中m表示采集数据的样本数目，

第4步：使用麻雀优化算法(SSA)在参数{Eps,MinPts，noi se-R，noi se-L}的值的范围内生成新的目标参数集。

第5步：对离线阶段最后生产的最优化目标参数集合序列或者在线阶段上一个测试点的最优目标参数与新生成的目标参数集进行加权操作，得到新的目标参数，加权公式以Eps参数为例：

其中i表示当前在线测试点是第几个测试点，k

第6步：将步骤5中的参数输入到代价函数中，并从中得到对应的最优平均值。

第7步：计算并保存在线阶段的代价值与对应的目标参数Eps,MinPts，noise-R，noise-L的值。

第8步：令s＝s+1。如果s＝n，那么返回n次迭代中代价最低的最优角度值以及相应的Eps,MinPts，noise-R和noise-L，否则返回并重复步骤4。

第9步：确定当前测试点的最优角度值，并且把所得到的最优参数Eps,MinPts，noise-R和noise-L值作为下一个测试点的参数集的加权值。

在线阶段属于动态测试，每个坐标点的数量较少，便于快速计算获取角度值。

自动寻找并且剥离异常值。麻雀优化算法优化Eps,MinPts，noi se-R和noi se-L参数，可以找到最优的离群值。

自动寻找最佳的过滤参数。离线阶段找到最优的参数范围。保证环境影响的一致性。多次学习累积。在线计算时，考虑实时性，采集的时间会较少，得到的采集数据集较少，为了确保正确的集群分离参数，本次的最优参数集可以作为下次参数集的加权值。该方法过滤的方向角和仰角的值，比其他过滤算法更加接近真实的角度值。

因此，与现有技术相比：现成的过滤算法无法很好的解决两个问题，第一个问题是当异常值以某种形式出现在数据集中时，无法正确识别它；第二个问题是在一段数据集中找到值变化的最佳平均值。本专利将通过两个方法弥补其现存的过滤算法所存在的问题，第一个是数据集群识别，第二个是自学习寻优。

附图说明

图1是自学习优化的蓝牙AOA定位角度过滤应用流程。

图2是离线学习阶段流程。

图3是在线定位阶段流程。

图4是最优参数角度过滤效果对比图。

具体实施方式

以下是本发明的具体实施例并结合附图，对本发明的技术方案作进一步的描述，但本发明并不限于这些实施例。

如图2所示，离线阶段，随机测试K个坐标位置，对测试的角度进行优化，获取优化参数范围，过程如下：

第1步，令当前迭代次数s＝1，输入初始参数Eps,MinPts，noi se-R和noi se-L,随机设置这四个参数，确定这四个参数的设置范围分别为：[0.5,10]，[1,10]，[-10,10]，[-10,10]。

第2步，设置优化迭代次数n，种群数量pop，设置麻雀优化算法在参数预警值ST，发现者的比列PD，意识到有危险的比重SD。

第3步，设置离线阶段的代价函数：

其中x和y是估计的x和y的定位坐标，x(true)和y(true)是真实的x和y的定位坐标，角度θ

第4步：使用麻雀优化算法(SSA)在参数{Eps,MinPts，noise-R，noise-L}的值的范围内生成新的目标参数集。

第5步：把新在目标参数带入到DBSCON中，过滤异常值后的数据用于计算这一代在参数所得到在最佳角度，并进行保存。

第6步：计算出这一代的代价值，并进行保存。

第7步：令s＝s+1，如果s＝n，那么返回n次迭代中代价最低的最优角度值以及相应的Eps,MinPts，noise-R和noise-L，否则返回并重复步骤4。

第8步：优化完一个测量点的角度值后，再对下一个测量点的角度按照1到7步进行优化获得最优角度值，把离线的测量点设置为K。把K个测量点得到的所有Eps,MinPts，noise-R和noise-L值的最大值和最新值，作为后面在线阶段的参数范围分别表示为：

[Eps

离线学习阶段采用静态点测试，每个测试点的数据较多，处理时间稍长；

如图3所示，在线阶段：

第1步令当前迭代次数s＝1，输入初始参数Eps,MinPts，noise-R和noise-L,随机设置这四个参数，确定这四个参数的设置范围分别为离线阶段确定的范围：

[Eps

第2步设置优化迭代次数n，种群数量pop，设置麻雀优化算法在参数预警值ST，发现者的比列PD，意识到有危险的比重SD。

第3步：设置离线阶段的代价函数：

样本标准差：

其中m表示采集数据的样本数目，x表示采集数据的平均值。

第4步：使用麻雀优化算法(SSA)在参数{Eps,MinPts，noi se-R，noi se-L}的值的范围内生成新的目标参数集。

第5步：对离线阶段最后生产的最优化目标参数集合序列或者在线阶段上一个测试点的最优目标参数与新生成的目标参数集进行加权操作，得到新的目标参数，加权公式以Eps参数为例：

其中i表示当前在线测试点是第几个测试点，k

第6步：将步骤5中的参数输入到代价函数中，并从中得到对应的最优平均值。

第7步：计算并保存在线阶段的代价值与对应的目标参数Eps,MinPts，noise-R，noise-L的值。

第8步：令s＝s+1。如果s＝n，那么返回n次迭代中代价最低的最优角度值以及相应的Eps,MinPts，noise-R和noise-L，否则返回并重复步骤4。

第9步：确定当前测试点的最优角度值，并且把所得到的最优参数Eps,MinPts，noise-R和noise-L值作为下一个测试点的参数集的加权值。

在线阶段属于动态测试，每个坐标点的数量较少，便于快速计算获取角度值。

自动寻找并且剥离异常值。麻雀优化算法优化Eps,MinPts，noi se-R和noi se-L参数，可以找到最优的离群值。

自动寻找最佳的过滤参数。离线阶段找到最优的参数范围。保证环境影响的一致性。多次学习累积。在线计算时，考虑实时性，采集的时间会较少，得到的采集数据集较少，为了确保正确的集群分离参数，本次的最优参数集可以作为下次参数集的加权值。如图4所示，该方法过滤的方向角和仰角的值，比其他过滤算法更加接近真实的角度值。

在应用中，可以适用如图1所示的场景，在蓝牙AOA方法中，先利用AOA阵列天线获取标签IQ参数，通过改进型SSS算法获取角度，然后采用本方案的离线学习多个测试点获取最有过滤参数，并在线过滤如何坐标点的角度，最后保留最优过滤参数用于下一个共测试点，以解决在蓝牙AOA方法中仰角和方位角的精度较低的问题，即提高AOA室内算法中两个关键参数以提高AOA算法的精度。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。