[发明专利]基于容错技术的WLAN室内三层ANN智能定位方法

权利要求书

1.基于容错技术的WLAN室内三层人工神经网络ANN智能定位方法，其特征在于 它的定位过程为：

步骤一：在WLAN室内定位环境中，设置N个参考点、U个测试点和M个接入点AP， 同时定义每个参考点和每个测试点的位置坐标，确保每个参考点被两个或两个以上的接入 点AP发出的信号覆盖，同时确保每个测试点亦被两个或两个以上的接入点AP发出的信号 覆盖；

步骤二：根据接入点AP的个数M和位置坐标的维数初始化人工神经网络ANN结构， 具体为：取接入点AP的个数M为人工神经网络ANN输入层的节点数，取位置坐标的维 数为人工神经网络ANN输出层的节点数；

步骤三：将关于同一个参考点的来自不同接入点AP的多个信号强度RSS值组成参考 点RSS矩阵，并将每一个参考点的位置坐标及相应参考点的参考点RSS矩阵组成人工神经 网络ANN训练集，利用所述人工神经网络ANN训练集训练多个人工神经网络ANN，获 得多个人工神经网络ANN结构，所述多个人工神经网络ANN的人工神经网络ANN隐藏 层节点数不同；

步骤四：将关于同一个测试点的来自不同接入点AP的多个信号强度RSS值组成测试 点RSS矩阵，根据准线性函数的斜率α值、WLAN定位系统容许的抖动量xi和任意一个测 试点的测试点RSS矩阵，计算每一种人工神经网络ANN结构的人工神经网络ANN隐藏层 的每一个节点的容错差异量，并计算每一种人工神经网络ANN结构的人工神经网络ANN 隐藏层的容错差异量为0的节点数，所述容错差异量为0表示人工神经网络ANN输入层加 入WLAN定位系统容许的抖动量后，人工神经网络ANN输出层输出的位置坐标不变；

步骤五：根据每一种人工神经网络ANN结构的人工神经网络ANN隐藏层的容错差异 量为0的节点数和每一种人工神经网络ANN结构的人工神经网络ANN隐藏层的总节点数， 计算每一种人工神经网络ANN结构的容错满意度记 录所述容错满意度λ为最高时的人工神经网络ANN隐藏层节点数，保存相应的人工神经网 络ANN结构并将所述人工神经网络ANN结构定义为人工神经网络ANN容错结构；

步骤六：从所有测试点中选取待测点，向人工神经网络ANN容错结构导入待测点的测 试点RSS矩阵，得到待测点的定位坐标。

2.根据权利要求1所述的基于容错技术的WLAN室内三层人工神经网络ANN智能定 位方法，其特征在于步骤四中所述的根据准线性函数的斜率α值、WLAN定位系统容许的 抖动量x_i和任意一个测试点的测试点RSS矩阵，计算每一种人工神经网络ANN结构的人 工神经网络ANN隐藏层的每一个节点的容错差异量的具体过程为：

将任意一个测试点的测试点RSS矩阵作为输入量X_i代入每一种人工神经网络ANN结 构的人工神经网络ANN输入层，并向人工神经网络ANN输入层加入WLAN定位系统容 许的抖动量x_i，分析人工神经网络ANN输入层的输入量由X_i变为X_i+x_i后的人工神经网 络ANN输出层的输出量的变化趋势，

①当人工神经网络ANN隐藏层的任意一个节点q满足时，

若则无变化，节点q的容错差异量为0，其中，n₁表 示人工神经网络ANN输入层节点数，W_ij表示人工神经网络ANN输入层和人工神经网络 ANN隐藏层之间的权值，j为自然数，θ_j表示人工神经网络ANN隐藏层阈值，表示人 工神经网络ANN隐藏层的输出量，表示人工神经网络ANN输出层的输出量；

②当人工神经网络ANN隐藏层的节点q满足Yj2=1α(Σi=1n1WijXi-θj+Σi=1n1Wijxi)]]>时，

若Σj=1n2Σi=1n1WijWjkXi-Σj=1n2Wjkθj+Σj=1n2Σi=1n1WijWjkxi≥α(α+θk)]]>或 Σj=1n2Σi=1n1WijWjkXi-Σj=1n2Wjkθj+Σj=1n2Σi=1n1WijWjkxi<≥αθk,]]>则无变化，节点q的 容错差异量为0，其中，n₂表示人工神经网络ANN隐藏层节点个数，W_jk表示人工神经网 络ANN隐藏层和人工神经网络ANN输出层之间的权值，θ_k表示人工神经网络ANN输出 层的阈值；

若αθk≤Σj=1n2Σi=1n1WijWjkXi-Σj=1n2Wjkθj+Σj=1n2Σi=1n1WijWjkxi<α(α+θk),]]>

则输出量Yk3=1α2Σj=1n2Σi=1n1WijWjkXi-1α2Σj=1n2Wjkθj-1αθk+1α2Σj=1n2Σi=1n1WijWjkxi,]]>的变化量为节点q的容错差异量不为0；

③当人工神经网络ANN隐藏层的节点q满足时，

若则无变化，节点q的容错差异量为0；

④当人工神经网络ANN隐藏层的前p个节点满足且人工神经网络ANN隐藏层的后n₂-p个节点满足时，其中，p为自然数，且小于等于n₂，

若人工神经网络ANN隐藏层的前p个节点满足人工神经网络ANN隐藏 层的后n₂-p个节点满足越接近α+θ_j，越小或者越接近θ_j， 越大；同时满足

Σj=1pWjk+1αΣj=p+1n2Σi=1n1WjkWijXi+1αΣj=p+1n2Σi=1n1WjkWijxi-1αΣj=p+1n2Wjkθj≥α+θk]]>或

Σj=1pWjk+1αΣj=p+1n2Σi=1n1WjkWijXi+1αΣj=p+1n2Σi=1n1WjkWijxi-1αΣj=p+1n2Wjkθj≥α+θk,]]>

则完全无变化，每一个节点的容错差异量为0；

若人工神经网络ANN隐藏层的前p个节点满足人工神经网络ANN隐藏

层的后n₂-p个节点满足越接近α+θ_j，越小或者越接近θ_j，

越大；同时满足

θk≤Σj=1pWjk+1αΣj=p+1n2Σi=1n1WjkWijXi+1αΣj=p+1n2Σi=1n1WjkWijxi-1αΣj=p+1n2Wjkθj<α+θk]]>则，

Yk3=1αΣj=1pWjk+1α2Σj=p+1n2Σi=1n1WjkWijXi+1α2Σj=p+1n2Σi=1n1WjkWijxi-1α2Σj=p+1n2Wjkθj-1αθk,]]>

的变化量为人工神经网络ANN输出层的每一个节点的容错差 异量不为0。