【《基于自动编码器的区域划分方法分析案例》5600字】

基于自动编码器的区域划分方法分析案例目录TOC\o"1-3"\h\u12963基于自动编码器的区域划分方法分析案例 1175291.1区域分类原理 2114151.1.1离线阶段 2176811.1.2在线阶段 4194771.2自编码器及其衍生模型 5155801.2.1自编码器 6131801.2.2降噪自编码器 795841.2.3堆叠降噪自编码器 8317551.3基于自动编码器的区域分类 9104991.4实验与分析 10115701.4.1实验设置 10263851.4.2实验结果与分析 11前向解码算法对时间和空间的消耗少，可以实现地图匹配对实时性的要求。但是，该算法对某个时刻进行解码计算时依赖于空间距离，忽略了历史时刻的状态，空间距离的测量出现偏差时导致匹配精度低。因此，在进行地图匹配时，结合室内信息对于提高前向解码算法的匹配精度是非常有必要的。针对前向解码算法匹配精度低的问题，本文提出一种基于自动编码器的区域划分方法。在离线训练阶段，通过智能手机在参考点上采集的Wi-Fi接入点的信号强度构建无线信号指纹库。在线地图匹配期间，服务器将估计区域返回并用于辅助在线匹配。本文将武汉遥感与空间信息工业技术研究院3楼作为测试平台，与传统区域分类算法进行对比，结果证明了该方法的优越性。1.1区域分类原理区域分类原理和Wi-Fi指纹定位原理相似，通常分为离线训练阶段和在线分类阶段，如图1.1所示。在离线阶段期间，智能手机在参考点上采集Wi-Fi接入点（AccessPoint，AP）信号强度，用于标记所在的区域，上传至后台服务器，构建无线信号指纹库；在线阶段借助离线指纹库，用户发送‌‌定位请求至定位服务器，服务器根据用户当前接收的Wi-Fi信号强度与指纹库进行匹配，得到估计区域并返回给用户。无线信号指纹区域分类‌‌算法主要分为确定性方法和概率‌‌方法。图1.1区域分类原理图1.1.1离线阶段基于Wi-Fi指纹的区域分类需要将室内空间按照房间，走廊，开阔大厅分为若干区域。第i个区域（RPi）上的Wi-Fi指纹F（1.SEQ3.\*ARABIC1）其中，lablei为RPi所在的区域号，也是用于训练的标签；ssidi,j是在RPi上接收到的接入点的标识，如MAC地址；RSS原始的Wi-Fi指纹数据库对于每个RP包含不同的ssid，不适合在线定位算法的计算。传统的相似性度量方法只能计算相同ssid下的RSSI，不能处理RP有一定ssid而RPobserve没有的情况。同时，这个单一的ssid属于RPi的指纹特征，因此，文献对原始指纹同时进行集合操作是一种复杂的处理方法，影响了在线位置计算的效率。常用的方法是对所有采集的指纹点的ssid进行统计，形成指纹的维数。最后，对于每个接入点信息集，将该集合中的RSS按照ssid的维数填充成一个矢量，其中没有RSS和ssid对应的位置通常用一个特定的数值表示，由于初始RSS为负值，通常为100。重复此工作，形成一个纵轴上有不同指纹，横轴上有不同ssid对应的RSS的矩阵，即Wi-Fi指纹数据库。处理方法如图1.2所示:图1.2Wi-Fi指纹数据向量化过程在指纹数据库中，采用初始信号强度进行定位，但精度性能不是最好的。文献[55]中提出了四种预处理方法，分别是Positive，ZeroToOne，Exponential和Powed。Positive处理如式（1.2）所示，即原始RSS减去指纹库中最小值min。处理值越小，接收强度越弱，取值为0表示未检测到ssid。ZeroToOne过程如式（1.3）所示，该过程在Positive过程的基础上，以最大值为基础对RSSI进行了归一化处理。Positive（1.SEQ3.\*ARABIC2）ZeroToOne（1.SEQ3.\*ARABIC3）前两种处理方法保留了原始指纹的线性特征，但在RF信号模型（公式（1.4））中，接收信号强度RSS(dBm)与接收辐射能量（毫瓦，Mw）没有形成线性关系。0dBm与-10dBm之间的辐射能量差为0.9Mw，而信号较弱时，两者相差仅为9.10RSS=10⋅（1.SEQ3.\*ARABIC4）Exponential和Powed处理都考虑到了这个特性，并分别使用指数和幂来减轻这个特性的影响，如公式(1.5)和公式(1.6)。两种方法都是在原始接收信号强度的基础上，放大高强度RSS之间的数值差异，以提高相似度计算的精度。进而提高KNN定位算法的精度。Exponential(x)=（1.SEQ3.\*ARABIC5）Powed(x)=（1.SEQ3.\*ARABIC6）1.1.2在线阶段在对指纹数据库进行优化后，需要采用合适的定位算法来估计目标位置。RADAR定位系统[56]是确定性定位的代表方法与2000年提出，Horus定位系统[50]是概率定位的代表方法与2005年提出的。（1）确定性方法在确定性框架中，假定移动单元的位置x为一个非随机向量。最终的目的是计算出每个时间间隔的估计x，通常情况下，x是单元格的参考点pi的凸组合。xx=（1.SEQ3.\*ARABIC7）其中所有的权重wiw（1.SEQ3.\*ARABIC8）其中y是当前的RSSI测量值的均值向量，ai（2）概率方法在概率框架中，假定移动单元的位置x为一个随机向量。概率框架中的方法是在给定测量值Y=y，概率密度函数px|y(x∣y)≜p（1.SEQ3.\*ARABIC9）其中，p(x)是先验概率，p(y)是归一化常数。p(x)可以使用常用的先验‌‌概率形式，公式如下：p(x)=（1.SEQ3.\*ARABIC10）其中Bj是Bi的面积，且，χ（1.SEQ3.\*ARABIC11）假设每个单元格参考点采集的测量值代表整个单元格的RSSI，即每个单元格出现的概率可表示为：p(y∣i)=j=1（1.SEQ3.\*ARABIC12）其中y∈Rny。如果校准点的采样时间足够长，则第i单元的RSSI的j分量的测量误差的概率密度函数pvij与该单元的指纹数据库中的AP强度直方图成比例。所以直方图的归一化函数H1.2自编码器及其衍生模型自编码器（Auto-Encoder，AE）是神经网络的一种，通过无监督学习，尽可能保证输出数据与输入数据相似，从而获得输入数据的特征表示。自编码器的原理如图1.3所示。自编码器包括两部分，分别是编码器（encoder）和解码器（decoder）。编码器对输入数据进行压缩，将输入数据表示为隐藏层的特征表达。编码器将隐藏层特征映射成重构信号，实现压缩信号的还原。为了避免自编码器被设计为输入恒等于输出，通过设置损失函数进行约束。损失函数用于衡量由于压缩而损失的信息，损失值越小表示输入信号和输出信号的接近程度越高，以此获得最佳的特征表达。在下文中，对与本文相关的几种常见的自编码器模型进行介绍。图1.3自编码器原理1.2.1自编码器自编码器包含一个输入层，一个隐藏层和一个输出层，输出层的节点数等于输入层的节点数，结构如图1.4所示。假设输入数据集为x1,x2,⋯,编码过程即获取输入数据的特征表达，可以表示为：h=f（1.SEQ3.\*ARABIC13）σ表示激活函数，激活函数给神经元引入了非线性因素，使得网络可以任意逼近任何非线性函数。常见的激活函数包括Sigmoid函数、Tanh函数、Relu函数等。解码过程即输出隐藏层特征表达的重构信号，被表示为：y=g（1.SEQ3.\*ARABIC14）损失函数可以由进行计算：LAE（1.SEQ3.\*ARABIC15）其中，θ表示编码网络的参数矩阵{w,b}，nl是网络层数，sl表示第l层的神经元个数，n表示样本个数，图1.4自编码器结构1.2.2降噪自编码器Vincent等人于2008年提出了降噪自编码器（DeniosingAuto-Encoder，DAE），是自编码器的改进。降噪自编码器的基本思想是，能够对被噪声“损坏”的原始数据进行编码和解码，然后还能保证输出数据可以还原输入数据，这样的网络得到的特征表达具有较强的鲁棒性，可以增强模型的泛化能力。降噪自编码器的基本原理如图1.5所示，原始数据x被进行加噪声处理，得到x，通过编码器fθ从x提取特征表达，再利用解码器gθ'LDAE（1.SEQ3.\*ARABIC16）图1.5降噪自编码器1.2.3堆叠降噪自编码器以上介绍的自编码器和降噪自编码器均为单个自编码器，图1.6给出了一个具有三层自编码器的堆叠自编码器的生成过程。图1.6堆叠自编码器堆叠降噪自编码器（StackedDeniosingAuto-Encoder，SDAE）是将多个降噪自编码器堆叠在一起，形成一个深度的架构，如图1.7所示。图1.7堆叠降噪自编码器原理堆叠降噪自编码器的训练过程可以被描述为：给定初始输入数据的情况下，采用无监督学习的方式训练第一层降噪自编码器，以最小化重构误差为目标进行训练。然后把第一个降噪自编码器的隐藏层的特征表达作为第二个降噪自编码器的输入，采用以上方法训练第二个降噪自编码器。以此类推，直至所有的降噪自编码器训练完成。最终，把最后一个降噪自编码器的隐藏层特征表达作为分类器的输入，采用有监督的方式训练分类器的相关参数。1.3基于自动编码器的区域分类基于自动编码器的区域分类首先在每个区域上采集Wi-Fi指纹数据，经过数据预处理建立指纹库，事先定义Autoencoder模型，每个区域对应一套Autoencoder模型的权值，得到所有训练好的权值即完成离线阶段工作。该阶段流程见图1.8。图1.8基于自动编码器的区域分类流程图图的右边是AutoEncoder的模型，每个Encoder和Decoder都是一层人工神经网络，编码器将输入数据从高维压缩到低维，Decoder将输入数据从低维解压缩到高维，在网络层有相同的序号和相同数量的神经元。参见自动编码器模型损耗函数的计算方法公式1.17。lossAE（1.SEQ3.\*ARABIC17）其中𝑥为Autoencoder输入，𝑥̂为其输出，最小化lossAE在线阶段运用贝叶斯原理估计目标位置，先验概率以公式1.18由目标Wi-Fi指纹数据分别通过所有模型后的输出与输入的均差求得，再以公式1.19根据目标指纹在每个参考点上的先验概率求后验概率，最后使用后验概率与坐标加权以公式1.20求得目标坐标。 Px∣（1.SEQ3.\*ARABIC18）PArea（1.SEQ3.\*ARABIC19）Areapred（1.SEQ3.\*ARABIC20）其中xi为Wi-Fi指纹数据x经过属于区域Areai配置权值模型的输出，n为本次接收的Wi-Fi指纹数据数量，λ为输入数据的变异系数，σ为输入数据方差，𝑁𝐿为数据库中区域个数，1.4实验与分析1.4.1实验设置选取武汉遥感与空间信息工业技术研究院3楼作为测试场景，为构建Wi-Fi指纹库，先将平面地图根据房间，走廊，楼梯间划分区域，最终划分出20个区域如图1.9所示，勘测过程中，共检测到396个AP（无线访问接入点(WirelessAccessPoint)），可以满足无线信号区域分类的要求。。图1.9实验场3楼区域划分示意图然后采集人员在区域内匀速行走，使用智能手机采集Wi-Fi信号指纹，图1.10左中所示为基于android平台开发的Wi-Fi指纹采集app。图1.10右为现场采集数据的场景。使用华为p20，小米10，三星s10三款智能手机采集指纹数据。3名同学通过现场采集，在3楼共得到14500条包含包384个AP地址的Wi-Fi指纹。为方便数据处理，其中，没有接收信号的AP地址的值被设置为100dbm。图1.10Wi-Fi指纹采集app和采集场景按照1.1构建指纹库的方法，将采集的Wi-Fi指纹构建成指纹库，指纹库中14500条指纹数据按照7：3的比例分为训练数据和测试数据。来比较本章提出的方法和两种传统的分类KNN和ANN来对比。1.4.2实验结果与分析基于自动编码器的区域划分和传统分类算法KNN，和ANN对比图1.11所示。KNN不需要离线训练，KNN的计算具体化流程，首先根据度量（Metric）计算指纹相似度，然后假设k=5选取相似度最大的5个指纹点，根据其对应的区域对目标位置进行预测，总体分类准确率为76.1%，在房间区域分类准确率在80%左右，在走廊的连续区域如Area3，Area5准确率分别为76%和65%，特别是在Area7，区域分类准确率仅为52%，几乎有一半判断到了与Area7相邻的Area8。对于ANN，包含两个隐藏层的神经网络模型被建立，且隐藏层的神经元个数分别被设置为200和100，ANN需要离线训练，通过误差反向传播保证该网络在训练集上的分类准确率不再下降。ANN的总体分类准确