基于SVM的電力線定位的研究

李嬌

【摘要】一些大家被所熟知的基于TOA，TDOA，AOA，RSSI等室內定位的方法已經被研究了多年，雖然有些難點還未能攻克，但已經鉆研得比較成熟了，而電力線高速數據通信技術是一個正在發展中的嶄新學科，可以嘗試將其與室內定位結合起來作為一個新興的領域，開啟室內定位的另一個新的天地。本研究將根據現有的電力線通訊技術為基礎，提出基于電力線的室內定位技術，并對其進行了較深入、系統的研究，并針對定位準確度、移動設備環境影響方面存在的問題，采用人工智能和數據挖掘理論，提出了相應的解決方案。通過算法比較和實驗分析，證明了方案的有效性和可行性。從支持向量機方法入手，安裝支持向量機相關的插件，對樣本信號強度數據進行分類和預測，并比較一般支持向量機和最小二乘向量機的分類預測效果，結果表明，最小二乘向量機的效果較好。

【關鍵詞】室內定位電力線支持向量機最小二乘支持向量機

一、概述

目前國外在電力線定位方面，Patel等人提出的了一種利用住宅電力線的電力線定位系統[1]。在他們的系統中，采用了兩個信號發生器同時在電力線上面，發送音頻信號。根據兩個信號在不同地方產生不同的信號強度，通過RSSI建立信號圖，利用指紋識別技術來達到定位房間和房間內的定位要求。

Erich P. Stuntebeck等在他們文章中驗證了文獻[1]中定位系統，并對系統進行了改進[1]，稱之為寬帶電力線定位系統（WPLP），不再僅僅利用兩個頻率的信號，而是將44個不同頻率信號加到電力線上。國內目前尚無人在室內電力線定位領域做相關研究。

二、問題描述

Patel等人的文章中著重提出的是通過RSSI建立信號圖，利用k-最近鄰分類的方法對未知節點的位置進行定位，由于國外的房間電力線的走向比較明確，即是沿著房間的邊緣進行走線，這樣可以做到在房間角落測得的信號強度遠大于房間中心的信號強度，但在國內電力線的布局達不到這樣的要求，因此使用k-最近鄰分類方法對數據進行分析將產生嚴重的誤差。基于對樣本分類的啟發，該文章提出利用信號圖對已知位置進行分類，建立起對應關系，并對下一個到來的信號進行判斷，屬于哪一類別來判定是哪個位置。

最小二乘支持向量機（lssvm）估計算法[2]

最小二乘支持向量機的思想和標準的支持向量機相同，只是在利用結構風險原則時，在優化目標中選取了不同的損失函數，它們分別為誤差孜i（允許錯分的松弛變量）和誤差孜i的二范數。

對標準的支持向量機，優化問題為

四、實驗驗證

在實驗室里，利用自制的信號發生器插入插座，通過電力線輻射信號，再用自制的接收器接收信號，在4x8的網格（行列相聚1.5米）交點處記錄下信號強度的大小，建立數據庫。在matlab軟件里安裝lssvm的工具包，initlssvm語句使采集到的數據建立模型，trainlssvm語句訓練數據，再用simlssvm語句預測輸出數據，結果顯示如下：

把Libsvm-mat-2.91-1插件安裝在matlab的工具箱中，則可直接調用svmtrain語句建立輸入輸出數據的模型，再調用svmpredict語句預測下一個樣本數據屬于哪一個類，仿真可知分類效果很好，預測效果不好，如下圖所示。

五、結論

本文對室內定位提出了一種新的思路，利用電力線來傳播信號，用電力線傳播信號的弊端很多，容易受外界環境的影響，因此考慮樣本分類的方法即采用基于支持向量機方法對信號進行分類定位，這能較好的進行室內定位，利用電力線進行室內定位這個方法還不成熟，還有很多需要解決的難題，我們下一步的工作就是在不同頻段進行輻射信號來進行定位。

參考文獻

[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]閻威武，邵惠鶴，支持向量機和最小二乘支持向量機的比較及應用研究，控制與決策，2002.1.4：356-359.