文献来源：

 J. Lovón-Melgarejo, M. Castillo-Cara, O. Huarcaya-Canal, L. Orozco-Barbosa, I. García-Varea, Comparative study of supervised learning and metaheuristic algorithms for the development of bluetooth-based indoor localization mechanisms, IEEE Access 7 (2019) 26123–26135, http://dx.doi.org/10.1109/ACCESS.2019. 2899736.

摘要

物联网(IoT)的发展得益于1)具有多个传感器的设备之间的连接；2)无线网络；3)对采集的数据进行处理和分析。对物联网技术使用的兴趣日益增长，导致了许多不同应用程序的开发，其中许多是基于终端用户的位置和配置文件的知识。本文研究了12种不同的监督学习算法对蓝牙信号行为的表征，作为发展基于指纹定位机制的第一步。然后，探索使用元启发式方法来确定最佳的无线电功率传输设置，评估定位机制的精度和平均误差。进一步调整监督算法超参数。在两种不同的系统参数设置下，对12种监督学习算法和两种元启发式算法进行了比较评估，有助于了解各种算法在室内定位机制开发中的使用和能力。

索引词：室内定位，指纹识别，蓝牙，分类模型，信号处理，接收信号强度指示，多径衰落，发射功率，基准测试，元启发式优化算法。

I. INTRODUCTION

目前市场上有许多无线网络技术，其中Wi-Fi和蓝牙是目前最流行的。这是因为目前大多数智能手机都有Wi-Fi和蓝牙接口。因此，大多数室内无线定位机制的研究和开发工作都是使用其中一种或两种无线技术[1]。至于其他技术，Zigbee也在无线传感器网络[2]、[3]中进行了探讨。这些研究是利用各种无线发射器的接收信号强度指示(RSSI)作为估计智能手机设备[4]位置的手段进行的。

其中，近年来，Wi-Fi网络引起了众多研究人员和从业人员的关注，他们采用了机器学习和深度学习[5]等创新技术。已经进行了许多实验研究，以构建无线电地图和模型，作为估计参考发射机和智能手机设备之间距离的手段。由于无线信号的特点，采用卡尔曼滤波器对[6]、[7]进行了已要求的噪声去除。新型低能耗蓝牙4.0 (BLE4.0)设备已经成为基于Wi-Fi的室内定位机制的有力替代品。

蓝牙设备的低成本、低能耗和大尺寸是电池驱动移动设备(主要是智能手机和平板电脑)最重要的设计特征之一。此外，这些设备具有许多传感器，如加速计，可用于辅助室内定位过程[8]。在此背景下，表1列出了这三种无线技术的主要特征。对于蓝牙，该表列出了BLE4.0的规格。表中还包括了无线设备[9]、[10]产生的RSSI指纹特征描述所使用的主要算法技术。

Wi-Fi和Zigbee主要用于实现无线通信局域网，包括宽带连接，以及部署分布式无线监测和执行器应用。由于基于Wi-Fi接入点的大量热点和Zigbee无线传感器网络的部署，开发人员和从业者正在探索基于这两种无线技术的定位和跟踪机制的开发。

在发展定位机制的不同方法中，基于RSSI指纹特征的方法受益于使用概率图模型(PGMs)[7]、[11]和监督学习算法(Supervised Learning Algorithms，SLAs)[12]。基于一组无线发射器[6]、[9]产生的RSSI指纹特征，可以对给定区域内的目标进行定位和跟踪。

因此，基于SLA的RSSI指纹定位机制主要包括两个阶段：(i)表征目标[4]、[13]的RSSI分布特征；(ii)定位机制[2]的精度和误差评估。Brunato和Battiti[14]提出了一套应用于Wi-Fi指纹识别的SLA技术，并将它们作为基准进行比较，取得了较好的效果。

考虑到最新的发展和技术，即BLE4.0 beacons，以下简称beacons，本工作是我们前期研究工作[12]，[15]的延伸。主要的两个扩展是：12种不同SLA的评估：线性、非线性和集成模型；并采用遗传算法(genetic algorithms, GA)作为降低计算成本和时间的手段，对每个发射机的发射功率等级(简称TxPower)进行优化设置。我们的建议涉及到各种算法的超参数优化。

本文的其余部分组织如下。第二部分回顾了最近BLE4.0定位的文献，包括我们在信号处理分析领域的工作中遵循的技术。第3节指定了我们的室内设置以及用作发射器和接收器的设备，如图1所示，其中包含称为“环境分析”和“信号特征”的模块。此外，还讨论了RSSI及其行为，即信号特征。随后，第4节解释了所使用的sla，它们的性能将根据准确性和平均误差分类指标进行评估，如图1所示，其中包含称为“监督学习算法”的块。“第5节展示了我们使用对称和非对称的信标TxPower配置的第一组结果。第6节介绍并评估了元启发式算法的性能，以及用于搜索最优非对称TxPower配置的超参数调优。本节还包括我们研究中考虑的12种sla的计算成本分析，如图1所示为“最佳非对称传输功率”。最后，第7节给出了我们的结论和未来的工作方向。

3. 背景:工具和无线信号表征

由于BLE4.0信号在室内传播对MPF效应[25]高度敏感，因此BLE4.0指纹定位技术的设计和开发面临重大挑战。人们也普遍认为，测量设备的能力将在生产有价值的RSSI指纹的数量、质量和时间方面发挥重要作用。之前的工作对探测区域、收发机、探测活动、MPF和当日信号衰减等细节进行了分析。因此，我们讨论了关于BLE4.0信号表征的额外信息，并深入分析了不同材料/结构对RSSI[26]、[27]的影响。

A. EXPERIMENTAL AREA

7 结论和未来工作

本文研究了基于非对称TxPower设置的MPF效应的缓解。研究了3种不同分类下的12种SLA算法。实验结果表明，分类模型的准确率有显著提高。因此，为了在不同信标和TxPower级别之间进行优化搜索，评估了两种基于元启发式的算法：分布估计算法(EDA)和遗传算法(GA)。实验结果表明，遗传算法在大多数情况下都能达到最优的TxPower设置，与暴力搜索或穷举搜索方法相比，大大减少了计算次数。

为了进一步提升定位机制的性能，对能耗、CPU消耗以及Inst/cycle进行了基准测试，结果表明，改进后的聚合算法在指标与计算资源消耗之间存在有用的关系。已有的算法，特别是非线性和集成模型都是很好的选择，但它们的计算资源消耗非常高，在实际的嵌入式设备部署中提出了新的挑战。

最后，开发分布式平台的主要目的是开发基于雾计算架构的室内定位应用。传统方法使用类云架构进行数据存储和处理，而本研究的未来工作将在边缘级别进行数据处理，即在靠近接收器而不是在云端的地方做出最终决策。此外，为了使边缘层的能耗最小化，可以使用微型计算机进行实时决策。