Ranknet方法在移動終端定位中的應用

張寶旭 李飛

摘要：本文設計的針對移動應用終端位置服務的精準定位由WI-FI指紋部分和Ranknet算法定位部分組成。WI-FI指紋部分利用位置指紋信息，分析指紋數據采集的相關工作量，最后通過應用程序來估計出測試指紋的位置。而Ranknet 算法定位部分，經過提取有效定位特征并激勵于神經網絡中進行準確的排序，得到的位置坐標信息將作為結果反饋給用戶。

關鍵詞：WI-FI指紋;神經網絡;Ranknet算法定位

一.前言

針對位置定位的精準性，GPS進行定位處理，這只是個方便的辦法。在實際應用中，對基Ranknet神經網絡的精準定位算法。這種定位算法可以有效的解決系統響應時間短等問題，已得到相關的處理，可以很大程度上提 高定位的精準度。讓使用者有著更好的體驗。

二.WI-FI指紋的提取及定位

WI-FI指紋的提取過程如下：

首先，考慮利用位置指紋信息，分析指紋數據采集的相關工作量，在使用位置指紋定位時，主要經過離線階段部分和在線階段部分。一個移動終端的大概位置實際是很不確定的，也可能根本不在那個區域。如果可以選擇其中一個樣本進行測試，將最終的測試值輸入到網絡中。想要找到移動終端的位置信息，就必須從指紋特性中找到最匹配的信息特征。最后，通過算法計算得出結果，移動終端最終就會被確認下來。

WI-FI指紋的定位過程如下：

移動終端會接收測試的數據并開始傳達相關的定位請求信息，最后通過應用程序估計出測試指紋的位置。

三.Ranknet算法介紹

首先，主要執行收集采集數據和應用準確定位反饋時間的特征。在指紋算法粗定位階段，由提取的信息指紋特征，計算出相應的定向位置的相關特性，再計算出粗定位的最終結果。在神經網絡精定位階段，將經過上述粗定位的提取階段的有效定位特征激勵于神經網絡模型中進行準確的排序，得到的位置坐標信息將作為定位結果。

該系統的算法框圖如下：

四.Ranknet網絡結構

用于神經網絡的方法學習，主要包括：輸入層、隱藏層和輸出層。輸入層中每個位置的特征由相應神經信息表示，在設備使用中將有效的特征進行排列處理，將其設置為神經網絡結構的激勵信息。而虛部代表隱藏層，這是不可缺少的一部分，最后響應為完整的神經元。這種方法看起來會很清晰，更直觀。

該系統的網絡結構圖如下：

五.算法的實現過程

獲取無線定位的有效空間的信息過程，然后根據定位的相關精度以及速率等信息。把采集的有效信息數據作用于指紋特征庫，從中獲取結果并記錄處理，最終用于實驗檢測。

在有效定位階段，所獲取的相應值，而后計算真實定位坐標點，坐標的距離應當不超過初始狀態的預定值。在有效時間，過程中依次進行算法處理，對應時間作為指標的值。如果部分時間使用算法過程所消耗時間占比都要大于有效定位值，那么應用程序就會做出提示響應。

六.Ranknet定位算法的特色

定位精度值在很大程度上超于傳統定位算法，其定位的成功率也是略勝一籌的。

做出了相關的定位算法以及設計規則模型定位功能等，有效的處理了網絡服務器響應時間短的問題。

使位置的定向處理技術進一步的提升，未來對移動終端應用的方面還會加大相關的研究，使用戶在使用方面達到最高期望值。

參考文獻：

[1]吳爭.RankLib基于大數據的移動終端定位的方法[J].2019廣東通信青年論壇優秀論文專刊刊.2019

[2]Learning to Rank簡介[J].

[3]Tie-yan Liu.Learning to Rank for Information Retrieval[J].

基金項目：本文為2020年山東英才學院大學生專項科研項目：Ranknet方法在移動終端的應用（項目編號：20YCKYXS11）的研究成果。