论文总字数：25777字

摘 要

随着定位场景的不断细化，定位的需求场景从室外变成了室内，室内的复杂环境、各种频段的信号干扰和多径效应，造成了对定位技术的挑战。目前常见的室内定位技术，大部分都是基于有源的定位方法^[1]，在实际定位场景中，要求随身携带定位发射端，存在局限性。在一些无源定位中，大多都是采取与指纹数据进行简单匹配的方法进行定位^[2]，定位性能有限。而随着物联网的高速发展，越来越多的物联网设备出现在室内环境中，如何利用这些大量的物联网设备进行室内定位就是室内定位技术的契机与挑战。

本文研究一种无需携带定位标签的无源定位技术，通过使用以ZigBee为通信协议的CC2530芯片，组成一个无线传感器网络，测量出在人体影响下的信号强度值分布，借由深度学习中的卷积神经网络（Convolutional Neural Networks，CNN），本文在Python3.7的软件环境下，以Keras与Tensorflow为开发工具，训练出了误差在合理范围内的模型，最终分类测试集有着99%的准确率，而回归测试集有着0.5m左右的平均误差，从而实现了一个能够对室内人体进行定位的总体技术方案。

关键词：ZigBee CNN 室内定位 无源定位 深度学习

ZigBee human body localization based on deep learning

Abstract

With the continuous refinement of the positioning scene, the demanding scene of the positioning changes from the outdoor to the indoor, and the indoor environment poses a challenge to the positioning technology due to the complicated environment, signal interference and multipath effects of various frequency bands. At present, most common indoor positioning technologies, are based on active positioning methods. In actual positioning scenarios, it is required to carry the positioning transmitters with them. There are limitations. In some passive positioning, most of them are passive positioning. All of them are positioned by simple matching with fingerprint data, and the positioning performance is limited. With the rapid development of the Internet of Things, more and more IoT devices appear in indoor environments. How to use these large number of IoT devices for indoor positioning is the opportunity and challenge of indoor positioning technology.

In this paper, we study a passive positioning technology that does not need to carry a positioning tag. By using a CC2530 chip with ZigBee as the communication protocol, a wireless sensor network is formed to measure the distribution of signal intensity values ​​under the influence of the human body, and the volume in deep learning is used. Convolutional Neural Networks (CNN), in the software environment of Python3.7, using Keras and Tensorflow as development tools, the model with the error within a reasonable range is trained, and the final classification test set has 99% accuracy. The regression test set has an average error of about 0.5m, thus realizing an overall technical solution for positioning the indoor human body.

Keywords: ZigBee; CNN; Indoor Location; Passive Location; Deep learning

目 录

摘 要 I

Abstract I

第一章 绪论 1

1.1 研究背景与意义 1

1.2 国内外研究现状 1

1.3 室内定位技术的主要技术 2

1.3.1 室内有源定位技术的常见传感器 2

1.3.2 室内有源定位技术的基本算法 2

1.3.3 无源定位方法的提出 5

1.4 本论文研究内容与结构 5

第二章 ZigBee技术 7

2.1 ZigBee技术简介 7

2.2 CC2530芯片 8

2.2.1 CC2530芯片简介 8

2.2.2 CC2530硬件原理 9

2.2.3 CC2530开发环境 12

2.3 小结 13

第三章 深度学习技术 14

3.1 深度学习 14

3.2 卷积神经网络（Convolutional Neural Networks，CNN） 15

3.2.1 卷积层（Convolutional Layer） 16

3.2.2 池化层（Pooling Layer） 17

3.2.3 全连接层（Fully-connected Layer） 17

3.2.4 激励层（Activating Layer） 18

3.2.5 随机失活（Dropout） 18

3.2.6 优化算法（Optimization Algorithm） 19

3.3 小结 19

第四章 软硬件开发与实验过程 20

4.1 项目实现原理与目标 20

4.2 CC2530的组网与RSSI获取软件设计 21

4.3 实验过程 22

4.4 小结 24

第五章 数据预处理与模型训练 25

5.1 制作训练样本 25

5.2 利用分类进行位置定位 25

5.2.1 软件环境 25

5.2.2 训练过程 26

5.2.3 训练结果 26

5.3 利用回归进行位置定位 27

5.3.1 训练过程 28

5.3.2 训练结果 29

5.4 小结 29

第六章 总结与展望 31

6.1 总结 31

6.2 展望 31

参考文献 32

攻读学士学位期间成果 34

致谢 35

第一章 绪论

1.1 研究背景与意义

室外场景的定位目前已经相当成熟，卫星定位^[3]等技术已经表现出很高的精度与可靠度，针对室外的大场景环境下有着绝对的性能优势，已经能够满足绝大多数的场景需求，在军事、工业与民用中有广泛的应用，但是随着定位场景的不断细化，定位的需求场景也从室外变成了室内，室内的环境由于环境复杂、各种频段的信号干扰和多径效应，形成对定位技术的挑战。随着近几年无线通信技术的发展以及IC芯片数据处理能力的提升，对位置定位的服务能力需求愈加迫切。而随着物联网的高速发展，越来越多的物联网设备出现在室内环境中，如何利用这些大量的物联网设备进行室内定位就是室内定位技术的契机与挑战，物联网的兴起为室内定位提供了一个构造无线传感器网络的条件。同时，高精度的定位技术也是在促进物联网的万物互联，关注室内定位，实际上是在关注通往万物互联的道路。在室内环境，例如医院、商场、监狱、安保及办公场所，基于位置的服务（Location Based Service，LBS）有着很高的需求，医院的就诊导航、商场的导购、监狱人员的看管以及办公人士的出勤打卡都是有着很高的服务前景。

1.2 国内外研究现状

为了在室内环境中寻求一个性能精度与成本相平衡的方案，各个公司、协会都发表了自己的定位方案。使用最为广泛的为拥有一定设备铺设基础的基于Wi-Fi的定位技术，该方案使用信号强度法，其拥有不用另外铺设专门设备、用户使用的手机方便接入数据等优点，但存在系统自身干扰较大、成本高、功耗高以及精度低等缺点；苹果推出的基于蓝牙的iBeacon室内定位技术，在商场导购等场景中有着不错的效果，不过对于复杂的环境，蓝牙的稳定性较差，设备铺设的成本较高；超宽带技术（Ultra-Wideband，UWB）是一个新的无线通讯定位技术^[4]，适用于短距离的场景，对比其他定位技术有着无可比拟的性能优势，除具有传输速率高、系统容量大、发射功率小等优点，其窄脉冲的特点也使其拥有较强的穿透能力以及抗多径性能，在室内及建筑物密集的场景可以获得十分精确的定位精度。近几年的微软室内定位大赛中，使用UWB技术的小队都取得了很好的成绩。但是由于UWB的成本较高，在实际场景应用与市场中，暂未获得较为广泛的使用。

目前的人体室内定位方法按定位点是否携带发射端分为有源与无源定位两种，有源定位要求定位人员随身携带各类发射端。目前投入应用的各类室内定位技术，大多数皆为有源定位，如Wi-Fi、蓝牙、UWB定位，然而需要对象携带一些终端或射频标签。无源定位的相关研究，现在还相对匮乏。目前对于室内定位，机器学习等人工智能方法并没有太多的应用案例，而利用机器学习等相关方法，通过利用大量的实验数据建立一个契合实验环境的训练模型，在实际应用上具有很大的便利。随着人工智能的技术越来越成熟，越来越多的国内外的科研人员、技术人员开始采用人工智能方法探索室内无源定位的各种方法。

1.3 室内定位技术的主要技术

室内定位范围相对较小，因此对定位的精度要求相对而言较室外定位要求较高^[5]。室内信号微弱，且多径、反射现象严重，故要求定位算法对各种误差的鲁棒性要强^[6]。室内定位的应用场合通常决定了定位设备简单、功耗小、计算量和通信开销也不能太大，在特殊场合还需要考虑不对室内其它设备造成干扰。

1.3.1 室内有源定位技术的常见传感器

超声波定位与红外定位，对障碍物的干扰极为敏感，对于空旷的场景，精度较高，但是对于复杂的室内定位场景来说，应用收到极大限制。

请支付后下载全文，论文总字数：25777字