BLE指纹识别与PDR混合室内定位系统研究

沙特国王大学学报指纹识别与行人航位推算混合室内定位系统Alvin Riady，Gede Putra Kusuma计算机科学系，BINUS研究生课程-计算机科学硕士，Bina Nusantara大学，雅加达11480，印度尼西亚阿提奇莱因福奥文章历史记录：2021年1月25日收到2021年7月26日修订2021年9月5日接受2021年9月14日网上发售保留字：室内定位系统BLE指纹识别方法行人航位推算人工神经网络支持向量回归A B S T R A C T自低功耗蓝牙技术（BLE）问世以来，室内定位系统已成为人们研究的热点之一BLE技术的主要使用是因为随着时间的推移，材料和能源成本的降低与其他成本更高的技术相比具有巨大的影响。在本研究中，我们提出了一种新的混合方法，以提高室内定位系统的精度，使用BLE指纹和PDR的混合。卡尔曼滤波器被用作本实验的基准和人工神经网络和支持向量回归机提出了一种新的方法来结合这两个测量。在基准测试中，卡尔曼滤波器的定位均方根误差为212.21 cm，支持向量回归机的定位均方根误差为149.12 cm，人工神经网络的定位均方根误差为111.78 cm。版权所有©2021作者。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY许可下的文章（http://creativecommons.org/licenses/by/4.0/）。1. 介绍定位一直是，并将永远帮助人类通过地方导航。导航的主要用途是确定目的地的位置和方向。目前，室外环境下的导航系统的实现主要是通过GPS技术来实现的。GPS在户外定位解决方案方面是一项成熟的技术。然而，GPS不适合作为室内定位解决方案，因为基于GPS的定位需要发射器和接收器之间的视线连接以确保精度。此外，GPS信号在穿过墙壁时会衰减，这是产生位置读取误差的主要因素之一（Basri和Khadimi，2016）。室内定位系统是通用的，如它可以用于护理中心，定位广告，智能家居系统等，许多技术已经研究，以解决GPS的问题，在室内定位。基于文献综述，各种技术例如红外（Bitew等人， 2015）、WLAN/Wi-Fi（Yang和Shao，2015; Zou等人，2017）、超声（He等人， 2015）、BLE（Maria等人，2020年; Peng等人，2016;Zhuang等人，*通讯作者。电子邮件地址：inegara@binus.edu（G. P. Kusuma）。沙特国王大学负责同行审查2016）、惯性测量单元（IMU）（Pratama和Hidayat，2012; Wang等人，2016），还有射频识别（RFID）（Xu et al.，2018）已经被提出来估计用户在室内环境中的位置。上面提到的技术已经被用于基于诸如信号强度或传感器测量的不同信息源来实现室内定位系统。 其中，由于Wi-Fi和BLE技术自身的优势，如广泛的可用性和在手机上的普遍使用，许多研究人员将目光集中在了这些技术上，以应用该技术的使用（Brena et al.，2017;Davidson和Piche，2016; Sakpere等人， 2017年）。Wi-Fi和BLE都是使用类似的2.4 GHz频率带宽的射频技术。基于（Davidson和Piche，2016;Faragher和Harle，2015），BLE在室内定位系统中比Wi-Fi更有利，因为硬件成本更低，能耗和具有3个专用广告信道的较短信道宽度的BLE将支持传输小数据块，信号干扰比Wi-Fi技术低。基于文献综述（Brena等人，2017年; Davidson和Piche，2016年），大多数使用BLE实现位置跟踪的研究是通过应用接收器/设备接收的BLE接收信号强度（RSS）来估计位置。在这种架构中，BLE用作发射器，智能手机大多用作跟踪目的的接收器在大多数情况下，通过计算BLE RSS的传播模型，使用三边测量方法来估计位置。三边测量是通过几何方法和传播损耗模型测量接收器和设备之间的距离来确定位置的方法该方法已被证明产生可接受的位置估计结果。https://doi.org/10.1016/j.jksuci.2021.09.0051319-1578/©2021作者。由Elsevier B.V.代表沙特国王大学出版。这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comA. Riady和Gede Putra Kusuma沙特国王大学学报7102然而，这种方法容易出现问题，例如高度依赖于接收器和发射器之间的视线来提供稳定的精度结果。另一个问题是信号的多径效应会降低基于环境复杂性的读取精度。已经提出了使用指纹识别方法来解决这些问题的进一步研究（Zhuang等人，2016）该方法也被称为场景分析，其中预先获取测试场信号条件，并将用于基于当前RSS估计位置。虽然使用BLE的定位对于定位静态用户产生了良好的结果，但是定位动态移动用户仍然具有挑战性（Maria等人， 2020年）。提高动态用户跟踪精度的研究大多集中在与其他传感器的结合上。在本文中，智能手机将被用作要定位的设备，用户将在测试现场周围走动关于用于室内定位的多个传感器的最近研究集中在将IMU传感器与BLE集成（Huang等人，2019; Röbesaat等人， 2017年）。大多数研究使用IMU 传感器输出来实现行人航位推算（ PDR ）。 现有技术（Huang等人， 2019）在该方法中采用了使用卡尔曼滤波器作为位置融合来提高精度，并解决了两种方法的缺点，即BLE侧精度不足，而IMU PDR侧具有累积误差，无法确定地图上的初始位置，这使得PDR单独不适合支持室内定位系统。然而，所提出的现有技术是将三边测量方法实现为BLE室内定位，这将降低定位的准确性，并且将卡尔曼滤波器实现为传感器融合，尽管卡尔曼滤波器是关于传感器融合的最流行的方法，但是它将需要更具体的调整以便提供更准确的融合。本文提出了两种主要的方法来解决我们的问题。首先，本文提出用人工神经网络（ANN）和支持向量回归（SVR）实现传感器融合。所提出的架构将实现指纹识别方法作为BLE定位，卡尔曼滤波器将用作指纹识别和PDR之间融合的基准。所提出的方法和架构有望通过构建能够在室内定位方面实现最佳精度的ANN和SVR模型来提高精度。已经在许多其他问题上提出了使用机器学习作为数据融合的类似方法，例如（Okafor等人，2020）提出使用ANN模型来解决使用多传感器的环境监测，（Huanget al.，2020）提出了用于机械故障诊断的Elman神经网络，（Guo等人，2018年）尝试使用简单的神经网络进行短期交通预测。本文的其余部分组织如下：第2节解释了现有的IPS相关研究以及简要说明。在第3节中解释了所提出的指纹识别、PDR和融合方法。第四节介绍了数据集、实验设计、实验结果和分析，第五节总结了本研究。2. 相关作品如第1节所述，与IPS相关的研究已经转向BLE相关技术，并使用智能手机作为接收器来实现。因此，大多数相关的工作讨论将更多地集中在BLE指纹方法和BLE IPS-PDR融合方法的方法。目前基于（Davidson和Piche，2016）的指纹识别方法可以分为两种类型：确定性方法和概率方法。确定性方法根据RSS与无线电地图的相似程度计算接收机的位置，然后利用每个参考点之间的距离度量来估计接收机的当前位置。最成熟确定性方法由K-最近邻（KNN）及其变体组成，其是可以利用机器学习来估计接收器位置的最简单算法之一。KNN指纹识别的主要思想是确定测量值到标记位置数据库的最近位置，并选择k个最近邻，利用Manhat-tan距离或Euclidean距离等距离估计模型计算估计位置。由于指纹识别的原理是将测量的RSS与无线电地图相匹配，因此它类似于模式识别，并且可以使用机器学习来实现，其中人工神经网络（ANN）方法被用作模式识别中的Box和Luang，2010年）的研究人员已经将人工神经网络实现为指纹定位方法，结果提高了定位的支持机器学习作为位置估计的另一种更先进的确定性技术是支持向量机（SVM）（Lovón-Meldingjo等人， 2018），其利用监督学习模型来分析线性或非线性回归问题。其目的是分析一个回归模型，该模型可以表示回归平面中所有最近的数据同时，概率方法通过使用贝叶斯定理计算在特定时间期间无线电波信号强度的概率分布来近似当前位置，从而可以使用诸如高斯径向基函数（RBF）的许多方法来实现似然模型（Laoudias等人，2010）和高斯混合模型（GMM）（Seco等人，2010年）。根据（Davidson和Piche，2016; Maria等人，2020年）的测量和实验结果将比确定性方法花费更多的作者（Kriz等人， 2016）在BLE和Wi-Fi RSS上应用KNN，以提高定位精度。结果表明，更多的发射机将产生更准确的定位估计，但参考点的k邻居没有详细说明，并宣布最好在他们的测试平台上使用2。作者（Pu和You，2018）仅在BLE技术上实现KNN，并测试了欧几里得和切比雪夫度量之间使用的距离度量。研究表明，最佳k数取maxk的中值，证明了KNN可以通过减少不相关或不相似的参考点来提高定位精度作者（Maria等人，2020）提出了一种新的想法，通过在一些训练数据集上实现Delta规则来更新参考点坐标。由于使用的训练数据集是非时间序列数据，这种方法是可行的，并在他们的研究中证明，微调参考点的坐标可以提高定位的准确性。BLE定位和其他智能手机之间的融合智能传感器已成为当前的研究热点之一。由于实现的定位系统将使用智能手机，因此相关研究的讨论将集中在BLE和智能手机可用的传感器（如IMU传感器）上。 （Röbesaat等人， 2017）提出了一种使用卡尔曼滤波器作为融合模型的IMU和BLE三边测量的混合，该方法进行了实验，并显示出在定位精度方面提供了稳定的改进。（Huang等人， 2019）也在密集射频信号环境中进行了相同的实验，这是基于射频的室内定位的挑战之一，结果证明了与卡尔曼滤波器的混合方法可以提高定位精度。3. 该方法3.1. 指纹本文提出了一种基于BLE和指纹识别技术的室内定位系统。主要有两A. Riady和Gede Putra Kusuma沙特国王大学学报7103Kbbrpth我不我不不不不不不Xyz1/1我1/1公司简介我本文提出的指纹识别方法的阶段如图1所示。离线阶段是为了在每个参考点学习RSS而设计的。这种方法简单地创建无线电地图数据库，通过收集每个参考点，并开始从所有BLE信标接收RSS，然后将代表性数据发送到数据库。无线电地图数据库上的一行数据由参考点（聚集点）所在的2d坐标值（x，y）和每个BLE信标RSS3.2. 行人航位推算航位推算是通过使用先前已知的位置和确定的速度过程中经过的时间来计算当前位置的过程。速度和航向的读数可以使用附加的智能手机传感器来检测，该传感器由加速度计、陀螺仪和磁力计组成。所确定的转变可以由等式（4）表示。收到。这一阶段的主要任务是采集指纹数据来建立模型。vx<$S：sinh和vy<$S：coshð4Þ在在线阶段，测量是基于所有航线将使用定位算法来估计位置其中. v x;v y表示x和y轴上的转换向量。不rithm，并将与已经存储在数据库中的数据进行比较。在我们的研究中，将以5 s的间隔然后对含有RSS值的样本数据采用加权和模型进行估计。使用的每个RSS的距离测量将是欧几里德距离，然后使用K最近邻进行排名，从而产生由其坐标（x，y）组成的单个值加权和是一种流行的方法来排名的替代品对一组n的标准，主要是因为它的直观令人信服的形式和易于使用。采用加权和模型从测量的RSS中估计位置。本文给出的加权和算法的具体实现过程包括以下五个步骤：1.使用欧几里德距离计算测量的RSS和参考点RSS之间的距离：vuX23。ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiΣffiffiMPRp是时间戳指示器。St是步长或距离从先前到当前的时间戳发生，并且ht表示当前时间戳上的航向角。PDR由图2所示的3个主要阶段组成。将IMU传感器读数处理成惯性读数，即步距检测、航向估计和步长确定。3.2.1. 步伐检测可以使用智能手机嵌入式加速度计传感器来测量步检测。传感器将提供在3个轴上检测到的加速度，读数的均方根将表示为加速度的波形。该检测算法可直接应用于波形图。最简单的方法之一是通过公式（5）中表示的高峰值来识别。然而，由于测量的多个峰值和幅度变化，该解决方案不够可靠。器械的意外移动可能导致步数不正确，这是该方法不可靠的因素之一或者，低通和高通滤波器可以应用于此。D/min;rp/t1/1RSSi-RSSið1Þ读取以平滑波形并降低加速度计的噪声。qa2a2a2≥ath53. 选择k个与测量的RSS距离最小的RP。4. 使用（2）计算每个参考点的权重Dt>tth6其中ath是峰值阈值。ax、ay、az分别是俯仰、滚转和偏航的每个轴上的加速度值另一个解决方案-我的天i¼1Dið2Þ可以通过设置每一步之间的时间阈值来解决对不期望的高峰值的检测，以减少公式（6）中表示的总步数的检测误差。其中Dt是时间跨度5. 使用（3）计算预测的x和y坐标bx¼Pk . W ixrpandby¼Pk . 香港赛 马会（3）在每一步和t之间，th是阈值。3.2.2. 航向方向使用3个智能手机嵌入式IMU传感器，即加速度计、磁力计其中x是估计的×位置，y是估计的y位置X是从i上的×参考点值最近RP并且yrp来自第i个RP上的y参考点值。陀螺仪。方向的读取和方向的改变可以通过以下方式来实现：首先确定初始航向方向，然后根据旋转矩阵通过Fig. 1. 指纹定位阶段。不2. 按距离的递增顺序排序。A. Riady和Gede Putra Kusuma沙特国王大学学报7104JJ JJX.2012_wTxb-z≤eniiib我n2不不不我不不不图二. PDR方法概述。加速度计和磁力计读数。由于在复杂的环境中，从旋转矩阵读取的方位角将不可靠，因此将使用四元数和陀螺仪读数来确定渐进的航向方向变化，因为陀螺仪将不受任何外部磁场的影响，并且四元数将避免奇异。3.3.2. 人工神经网络三层前馈神经网络如图所示。 3在本文中使用。输入层由6个神经元组成由于没有明确的证明，最好的激活函数用于这个回归问题，几个激活函数的评估，在实验中。隐层神经元数和迭代次数也被认为是模型的设计参数。3.3.3. 支持向量回归支持向量回归机采用与支持向量机相同的原则，即最小化误差，并定义相应的超平面以最大化误差容限。SVR将回归问题求解为（13）中所示的一组线性方程。f×其中w是每个向量的权重，b是应用的偏置，fx是回归函数。SVR模型通过最小化函数估计误差，W和e不敏感损失的总和，如（14）所示，约束为（15）1NminjjwjjCnini14旋转矩阵航向方向的方向性问题。1/13.3. 融合方法3.3.1. 卡尔曼滤波8>zi-wTxi-b≤eni>：ni;n_i≥0;i<$1;2;：：nð15Þ卡尔曼滤波是一种常用的方法，用于整合一个或多个传感器数据。（Huang等人，2019; Röbesaat等人，2017）已经实施了卡尔曼滤波器来集成BLE位置读取和PDR。由于位置估计由2个轴（x，y）组成，所以应用二维卡尔曼滤波器，并且状态模型和测量模型可以表示为等式（7）和（8）。Yt¼AYt-1Blt7Zt<$Hyt8其中Yt是将用于基于转变向量从PDR输出中导出，参见l/4v x;v yT。A、B和H是不其中，C是控制近似误差和归一化权重向量之间的权衡的容差，n和nj是用于确定大于e的上界和下界的目标值的松弛变量。SV是数据的总样本可以使用拉格朗日理论和Karush-Kuhn Tucker来求解（14）和（15）中的约束优化问题，以获得回归函数的期望图 4.给出了本文实现的支持向量回归机模型结构。支持向量回归机通过核函数将输入向量映射到高维特征空间。将按照（16）和（17）所述测试线性和多项式核函数。线性核K0=vi;vi= 1/4。uT。v;uv16用于帮助操作计算的单位矩阵。Z k¼x t; y不是测量模型，其将用于基于指纹方法输出的当前观测来校正或更新状态测量预测。卡尔曼滤波器通常被概念化多项式核K0=vi;vi= 1/4。. uT。v;uv1pð17Þ使用预测和更新阶段。本文中的预测相位将从如上所述的等式（7）和等式（9）导出。更新阶段是当测量被结合到先验状态估计时的过程，先验状态估计可以从等式（10）和（11）和（12）导出。不其中p是多项式函数的次数，u是输入.因此，在应用内核之后，SVR函数可以表示为（18）fvXwiK0. vi;vb18Pt¼APt-1 AQ9K 公司简介HPHTR-110Y^t¼YtKtZt-H11PtI-KtHPt12其中K是用于确定PDR和指纹输出的贡献的卡尔曼增益Q和R都是分别用于预测阶段和更新阶段的协方差P是用于计算先前预测的误差的过程协方差矩阵。I是单位矩阵，Yt是指纹和PDR输入之间的融合的输出。1/1由于线性核函数上没有额外的参数，因此将C和e作为SVR的设计参数。对于多项式核，p也将被确定为设计参数。4. 实验4.1. 数据收集首先，我们配置了来自Nordic Semiconductor nRF 51822蓝牙智能信标的23个BLE信标，如图6所示，发射功率为0 dBm，发射间隔为100 ms。BLE bea- con将用作信号发射器，规格见表2。然后，信标将部署在本研究中，如图所示。 5由蓝点表示为信标A. Riady和Gede Putra Kusuma沙特国王大学学报7105×p图三. 提出了ANN模型（a）×轴模型，（b）y轴模型。见图4。 SVR模型。部署在现场，将放置在距离图8所示地板1.2 m的高度处。所有试验台配置见表1。本实验设计中使用的测试场是一个12 m × 19 m的办公室，如图7所示。每个参考点间隔2米放置，无线电地图共使用54个参考点。在每个参考点上，通过表3中指定的智能手机设备采集100个样本，以记录在待采集点的整个样本中站在该点上约3分钟时接收到的RSS。在所有信标都响应应用程序后，将以每次采样1秒的间隔重复进行采样，以避免BLE提供的零值和重复值结果将被保存为无线电地图在数据库中，这将是用于定位的基石。如图9所示，在参考点之间随机地定义路线，其中约束条件是路线应该在参考点内部以增加预测的准确性。如果路由在参考点之外，则信号频率可能无法正确传播我们设计了上面的路线，以获得所有的可能性在房间里。所有路线专家-路线数据将进一步分为三个独立的数据集：用于训练机器学习模型的训练数据集，用于调整每个方法的超参数的验证数据集和用于评估模型性能的测试数据集。训练、验证和测试数据集的数据比例为3：1：1。测试数据的选择是以每条路径之间的最长距离为标准，而验证则是以第二长距离为标准。由于路线5是最长路线，因此将受阻定义为试验数据，路线2是随后最长路线，因此将受阻定义为确认数据。4.2. 模型性能测量由于路线数据是连续的，因此传统的评估方法如k折交叉验证是不合适的，因为它们不考虑输入数据集的时间或顺序在本实验中，将基于平均定位误差（MPE）对模型进行评估，其中将使用均方根误差（RMSE）度量来测量误差，该度量由以下公式定义：（19）并在（20）中表示。本文采用5s扫描间隔和恒定慢速步行速度拍摄错误：ffi ffixffiffi ffi—ffiffiffiffi ffixffi ffipffi ffiΣffi ffi2ffiffiffi ffiþffiffi ffiffi.ffiffiyffiffiffiffi-ffiffiffiffiffiyffiffiffiffiΣffiffi2ffiffið19ÞA. Riady和Gede Putra Kusuma沙特国王大学学报7106X1¼图五. 试验台。见图6。 BLE信标。见图7。 办公室条件。表1试验台配置总结。测试台配置房间面积（m）19 ×12编号BLE 23#RP 54根据RP 100的采样数量RP网格尺寸（m）2#测试路线5表2发送器设备规范。Nordic Semiconductor nRF51822频段2.4 GHz ISM（2.40000调制GFSK电源电压1.8通道40 / 2 MHz数据速率1 Mbps蓝牙4.2、A2DP、LE见图8。客房内的蓝牙装置nMeanPositioningError错误ini¼1ð20Þ在BLE指纹识别方法中，选择的BLE的数量和选择用于RP权重表示的k-NN的数量将由于每个实验地点的结果可能不同，其中，（x，y）是当前位置的地面真值，（xp;yp）是预测的位置。n是从指纹方法检测到的定位的总数。（Maria等人，2020年）。对于PDR，将探索步进检测的阈值以测试本实验中使用的数据的灵敏度，并且将根据以下参数调整本实验中采用的步长：A. Riady和Gede Putra Kusuma沙特国王大学学报7107-表3接收器设备规范。小米Redmi Note 8操作系统Android 9.0（Pie）; MIUI 11高通SDM665骁龙665（11纳米）CPU八核（4x2.0 GHz Kryo 260 Gold 4x1.8 GHz Kryo 260 Silver）GPU Adreno 610WLAN Wi-Fi 802.11 a/b/g/n/ac，双频，Wi-Fi Direct，热点蓝牙4.2，A2DP，LE加 速 度 计 BMI160 BOSCH 陀 螺 仪BMI160 BOSCH磁力计AK09918 AKM最低的RMSE探索的参数总结可参见表4。融合方法的基准将使用卡尔曼滤波器，Q和R的值将被微调。在所提出的机器学习方法中，六个特征将被用作位置的指示符，这六个特征是2d轴上的指纹位置结果、从PDR估计的过渡向量和先前估计的位置。在第一次迭代中用于机器学习的先前估计位置将被改变为指纹定位。 由于所有特征具有相同的测量单位，因此特征的PDR输出可能包含负值，以便遍历在地图的北部或东部，将使用最小值1000和最大值1000因此，机器将正确地学习，从而梯度下降将更快地收敛。在支持向量回归方法中，所探索的核将介于线性核和多项式核之间。在线性核上，将探索的参数是模型的C和e。对于聚-名义的内核，的额外超参数的将图9.第九条。在这个实验中的路线A. Riady和Gede Putra Kusuma沙特国王大学学报7108¼¼探索的是距离阶p。在所提出的人工神经网络方法中，将探索一层中的隐藏神经元的数量和历元的数量4.3. 实验结果在本节中，我们将解释在定位中实现的方法的所有实验结果。从4.3.1开始，每种方法都有自己的小节。指纹调谐，4.3.2 PDR调谐，4.3.3融合模型调谐，4.3.4实现结果。4.3.1. 指纹调谐首先，在图1中表示跨不同数量的BLE选择的MPE。 10个。该图表表明，选择更多的BLE往往会产生更好的性能，并且通过使用站点上部署的所有BLE来实现最低性能。然后，用作加权和计算的总最强RP的效果如图11所示，如图所示，最佳使用的邻居数量在5到10个RP之间，最低误差当i<$23和k<$8时，见图10。 BLE选择对MPE的影响。4.3.2. PDR调谐所实现的PDR具有步检测调谐，在每次测试中，当用户行走20步时，将进行独立实验，结果如表5所示。考虑到重力未在加速度计读数中扣除，阈值必须从大约9.8到无穷大的范围开始结果显示阈值为10.5将产生最佳的阶跃检测。因此，所有路由将使用10.5作为步进检测阈值。对于PDR步长，将根据验证路线中实现的MPE调整长度值。由于PDR无法确定起始位置，因此起始位置将使用数据的地面实况，而不会用于误差测量。表6中显示了在实施PDR时调谐步长的效果，其能够将MPE降低至88 cm。表5见图11。 RP选择对MPE的影响。4.3.3. 融合模型调整通过对训练数据进行卡尔曼滤波融合的微调，结果表明，在本实验中使用的最佳Q和R为Q0： 1和R1.由于实验的机器学习模型被分割到每个轴上，它们可能会在最佳参数上产生不同的值，以最小化MPE。每个机器学习模型将因为下一次迭代输入将使用先前的输出。参数调整总结见表7。表7中选择的参数基于最小化的MPE。表4探索的参数列表。参数（i）选择的RP的数量（k）PDR阶跃检测峰值阈值（ath）步长卡尔曼融合过程噪声协方差（Q）测量噪声协方差（R）神经网络1个隐层神经元的融合激活函数（Sigmoid、Tanh、Relu）SVR融合核耐受性（C）Epilepsy（e）距离度/阶（p）阶跃检测阈值调整。阈值测试1测试2平均误差9.8556037.510444725.510.520210.511101484.3.4. 结果在之前探索了所有参数后，下文中测试数据集中所有组合结果的结果如表8所示。 指纹和PDR方法被示出为基本定位方法，并且实现卡尔曼滤波器（Huang等人，2019; Röbesaat等人，2017）来处理PDR累积误差和初始位置问题。表8已经示出了使用卡尔曼滤波器从BLE指纹和PDR此外，与基准卡尔曼滤波器相比，成功实现的机器学习融合提高了性能。这种改进也一致地显示在CDF中，如图11所示。 12个。基于表8，SVR和ANN模型成功地改善了MPE，SVR改善了29.7%（63 cm），ANN改善了47.3%（100 cm）。这个结果已经表明机器学习对于使用BLE指纹和PDR的混合方法来最小化定位误差是可行的。基于机器学习的数据融合表8上所示的结果证明与基于卡尔曼的相比改进了位置估计A. Riady和Gede Putra Kusuma沙特国王大学学报7109表6步长调谐。步长（cm）303234363840MPE（cm）1521158899129166表7参数调整结果。参数指纹i =23，k¼8PDRath1/4 10： 5，步长= 34 cm卡尔曼滤波器Q =0.1，R = 1ANN模型X（隐藏层中的神经元= 5，求解器lbfgs，激活Relu）模型Y（隐藏层中的神经元= 9，求解器lbfgs，激活Relu）SVR模型X（核多项式，C= 0.01，e= 0.02，p=3）模型Y（核多项式，C= 0.01，e= 0.01，p=3）与卡尔曼融合方法相比，使用所提出的SVR多项式模型的识别率为29.7%。对于进一步的研究，建立无线电地图的方法的调查可能是有趣的，以及非常大的网站。同时，如何确定最适合的协方差矩阵和方差矩阵的室内定位卡尔曼融合是另一个有趣的话题。竞争利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作。表8测试性能。性能指标（cm）测试结果指纹PDR卡尔曼滤波器支持向量回归神经网络确认我们要感谢（预留空间）给予的支持，为我们提供了收集数据样本的设施。引用平均误差287.93219.84212.22149.13111.78Min52.5427.02270.7926.1410.55Basri，C.，Khadimi，A.E.L.，2016年。室内定位系统的研究现状及发展趋势Max464.49419.84370.73327.28336.01WIFI指纹技术的研究进展第五届国际Conf. 多次。Comput.平均值309.46 217.06 198.62 155.22 97.46第90百分位二百一十五点五五见图12。所有融合方法的累积分布函数（CDF），参数来自表7。由于目前的噪声或方差协方差测量的卡尔曼融合模型都是使用静态变量，这一结果证明了基于现有特征的更多的计算维度可以被提取出来并用于改进定位测量。5. 结论和未来工作我们提出了一个混合的指纹和PDR使用机器学习，以提高定位的准确性。实验设计了建议的神经网络和支持向量回归模型的卡尔曼融合方法的基准实验结果表明，通过利用训练数据集，该模型的定位精度提高了47.3系统（ICMCS）。doi：10.1109/icmcs.2016.7905633。Bitew，文学硕士，Hsiao，R.-美国，林，H- P.，Lin，D.- B、2015.混合室内人体定位系统 解 决 指 纹 RSS 变 异 问 题 。 Int. J. Distrib. Sens.Networks 11 （ 3 ） ， 831423.https://doi.org/10.1155/2015/831423.信箱，邮政信箱，Luang，K.，2010.基于人工神经网络的室内定位系统。地理信息系统学院遥感和 地理信 息系统 系工程 和技术 ，亚洲 理工学院 。J.计算 机Sci. 6，1219-1225.https://doi.org/10.3844/jcssp.2010.1219.1225网站。Brena，R.F.，García-Vázquez，J.P.，Galván-Tejada，C.E.，Muñoz-Rodriguez，D.，巴尔加斯-罗萨莱斯角，Fangmeyer ，J.，2017. 室内定位技术的发展：综述。J.Sensors 2017，1-21. https://doi.org/10.1155/2017/2630413网站。戴维森，P.，皮切河2016.智能手机室内定位方法选择调查智能手机室内定位方法选择调 查 。 IEEE 通 信 监 视 器 Tuesday 19 （ 2 ） ， 1347-1370. 网 址 ： //doi.org/10.1109/COMST.2016.2637663.法拉格河哈勒河2015.使用蓝牙低能量信标的位置指纹识别。IEEE J. Sel. Areas Commun. 33（11），2418-2428。https://doi.org/10.1109/JSAC.2015.2430281。Guo，F.，Polak，J.W.，克里希南河，巴西-地2018.短期交通量预测之预测因子融合。运输单Res. Part C Technol. 92，90-100. https://doi.org/10.1016/j.trc.2018.04.025.他，K.，张玉，Zhu，Y.，中国科学院，夏，W.，贾，Z.沈，L.，2015.基于UWB和惯性导航的混合室内定位系统。2015年国际无线会议。Commun.信号处理。WCSP 20153200，2-6。https://doi.org/10.1109/ WCSP.2015.7341240。Huang，K.e.，他，凯，杜，X.，2019年。一种在密集蓝牙环境下改进基于BLE的室内 定 位 的 混 合 方 法 Sensors （ Switzerland ） 19 （ 2 ） ， 424.https://doi.org/10.3390/s19020424网站。Huang，M.，刘志，陶，Y.，2020.基于多源传感数据融合的物联网机械故障诊断与预测你好模型Practice.Theory102，101981.https://doi.org/10.1016/j.simpat.2019.101981网站。Kriz，P.，Maly，F.，Kozel，T.，2016年。使用蓝牙低功耗蓝牙增强室内定位暴徒Inf. Syst. 2016，1-11. https://doi.org/10.1155/2016/2083094.Laoudias角，Panayiotou，C.G.，Kemppi，P.，2010.基于无线局域网信号强度指纹的径向 基 函 数 2010 年 第 七 届 工 作 会 议 。 定 位 导 航 Commun. WPNC'10 93-98 。https://doi.org/10.1109/WPNC.2010.5653403的网站。Lovón-Meldingjo ， J. ，Castillo-Cara ，M. ，Bravo-Rocca ， G. ， 奥 罗斯 科 -巴 博萨 湖García-Varea，I. 2018.使用BLE4.0信标进行室内定位指纹识别的监督学习算法。2017 IEEE Lat. Am. 确 认 补 偿 内 特 尔 LA-CCI 2017 - Proc. 2017-Novem ， 1-6.https://doi.org/10.1109/LA- CCI.2017.8285716.谎言M.M.K. Kusuma，G. P.，2020.一种基于指纹的低功耗蓝牙室内定位粗到精算法 。 神 经 元 计 算 33 （ 7 ） ， 2735-2751 。 https://doi.org/10.1007/s00521-020-05159-0网站。Okafor，N.U.，Alghorani，Y.，德莱尼，D.T.，2020.使用数据融合和数据融合技术A. Riady和Gede Putra Kusuma沙特国王大学学报7110机器学习方法。ICTExpress6（3），220-228.https://doi.org/10.1016/j.icte.2020.06.004。彭，Y.，范，W.，Dong，X.，（中国科学院，中国地质研究所，北京，2003）张，X.，2016.低功耗蓝牙环境下基于迭代加权KNN（IW-KNN）的室内定位方法在：在：2016年国际IEEE会议上无处不在的泛在智能计算，先进和可信计算，可扩展计算和通信 ， 云 和 大 数 据 计 算 ， 人 的 互 联 网 ， 和 智 能 世 界 大 会（ UIC/ATC/ScalCom/CBDCom/IoP/SmartWorld ） 。IEEE ， pp. 794-800. 网址 ：//doi. org/10.1109/UIC-ATC-ScalCom-CBDCom-IoP-SmartWorld.2016.0127.Pratama，A.R.，希达亚特河2012.基于智能手机的行人航位推算作为室内定位系统。2012年国际会议系统工程技术。https://doi.org/10.1109/icsengt.2012.6339316。Pu，Y.C.，你政正2018.基于具有分类方法的BLE位置指纹的室内定位系统。应用数学模型。62，654-663。https://doi.org/10.1016/j.apm.2018.06.031网站。Röbesaat，J.，张，P.，Abdelaal，M.，Theel，O.，2017.一种改进的BLE室内定位与卡尔 曼 融 合 ： 实 验 研 究 。 Sensors （ Switzerland ） 17 （ 5 ） ， 951.https://doi.org/10.3390/s17050951网站。Sakpere，W.，Adeyeye-Oshin，M.，Mlitwa，N.B.W.，2017.室内定位和导航系统和技术的最新调查。 南非计算J. 29，145https://doi.org/10.18489/sacj.v29i3.452Seco，F.，Plagemann，C.，Jiménez，A.R.，Burgard，W.，2010.使用高斯过程提高基于 RFID 的 室 内 定 位 精 度 。 在 ： 2010 年 国 际 会 议 。 室 内 位 置 。 室 内 导 航https://doi.org/10.1109/IPIN.2010.5647095网站。Wang，X. i.，蒋，M.，郭志，Hu，N.，太阳，Z.，刘杰，2016.一种基于地标和PDR的智能 手 机 室 内 定 位 方 法 。 Sensors （ Switzerland ） 16 （ 12 ） ， 2135.https://doi.org/10.3390/s16122135网站。徐，H.，吴，M.，Li，P.，Zhu，F.，王，R.，2018.基于支持向量回归的RFID室内定位算法。Sensors（Switzerland）18，1-15. 网址：//doi. org/10.3390/s18051504。杨 ，C. ， 邵华 ，H.- R. ， 2015. WiFi 室 内定 位 WiFi 室 内定 位。 IEEE 通 信Mag.53（3），150-157. https://doi.org/10.110