基于卷积神经网络的列车位置指纹定位算法研究_罗淼.pdf

第 4 5 卷 第 1 期2 0 2 3 年 1 月铁道学报JOUNAL OF THE CHINA AILWAY SOCIETYVol 45No 1January2 0 2 3文章编号:1001-8360(2023)01-0042-09基于卷积神经网络的列车位置指纹定位算法研究罗淼1，2，党建武1，郝占军3，4，张振海1(1 兰州交通大学 自动化与电气工程学院，甘肃 兰州730070;2 兰州交通大学 铁道技术学院，甘肃 兰州730070;3 西北师范大学 计算机科学与工程学院，甘肃 兰州730070;4 西北师范大学 甘肃省物联网科学研究中心，甘肃 兰州730070)摘要:针对高速铁路隧道环境下采用位置指纹定位时定位精度低的问题，提出将深度卷积神经网络应用于列车位置指纹的定位中。首先采用 2 准则、模糊 C 均值聚类 FCM 及类数据加权，对采集到的下一代铁路通信系统LTE-中的信号强度值进行预处理，降低异常值的影响，提高指纹数据的有效性;然后引入定时提前量，增强指纹特征值;接着将处理后的指纹数据量转换为灰度图片指纹条，基于图像样本建立 FCM-CNN 指纹定位模型;最后以现场实测数据为基础对定位模型进行测试验证。结果表明，相较于采用未经处理的数据作为样本的 CNN 模型及传统的位置指纹定位方法，基于 FCM-CNN 的列车位置指纹定位方法，提高了数据质量，在离线阶段具有较大的指纹采集间距，大幅减少了指纹采集工作量，模型训练时间较短，定位精度小于 10 m 的概率可达 100%，满足列车在中密度线路对定位精度的要求。关键词:列车定位;模糊 C 均值聚类;卷积神经网络;参考信号接收功率;定时提前量中图分类号:U283.2文献标志码:Adoi:10.3969/j issn 1001-8360.2023.01.006收稿日期:2021-03-31;修回日期:2021-06-19基金项目:国家自然科学基金(61762079，61763025);甘肃省科技计划(22J5A378，18J3A104)第一作者:罗淼(1989)，女，四川大英人，讲师，博士研究生。E-mail:luomcn foxmail com通信作者:党建武(1962)，男，陕西富平人，教授，博士。E-mail:dangjw mail lzjtu cnStudy of Train Location Fingerprint Positioning Algorithm Based onConvolutional Neural NetworkLUO Miao1，2，DANG Jianwu1，HAO Zhanjun3，4，ZHANG Zhenhai1(1 School of Automation and Electrical Engineering，Lanzhou Jiaotong University，Lanzhou 730070，China;2 Institute of ailwayTechnology，Lanzhou Jiaotong University，Lanzhou 730070，China;3 College of Computer Science and Engineering，Northwest NormalUniversity，Lanzhou 730070，China;4 Gansu Province Internet of Things Engineering esearch Center，Northwest Normal University，Lanzhou 730070，China)Abstract:In response to the problem of low positioning accuracy when using location fingerprint under high-speed rail-way tunnel environment，deep convolutional neural network was applied to the positioning of train location fingerprintFirstly，2 criteria，FCM and class data weighting were used to preprocess the signal strength value in the next genera-tion railway communication system LTE-collected to reduce the influence of abnormal values and to improve the effec-tiveness of fingerprint data Secondly，the timing advance was used to enhance the characteristic values of the finger-prints Then the processed fingerprint data were converted into grayscale picture fingerprint strips，and an FCM-CNNfingerprint positioning model based on image samples was established The test results based on the field data show thatthe FCM-CNN train position fingerprint model improves data quality，reduces the workload of fingerprint collection dueto its larger fingerprint collection spacing in the offline stage，and shortens the training hours in comparison with the CNNmodel based on unprocessed data and some other conventional location fingerprint positioning methods The probabilityof less than 10 m positioning accuracy can reach 100%，meeting the requirements for train positioning accuracy on medi-um density railwaysKey words:train positioning;FCM;convolutional neural network;reference signal received power;timing advance第 1 期罗淼等:基于卷积神经网络的列车位置指纹定位算法研究列车位置信息的高精度及实时传输是确保铁路安全运输的前提。在平原开阔地带全球卫星导航系统即可满足列车定位要求，但在隧道等卫星定位盲区全球导航系统则无法使用;新一代列控系统提出将去除如应答器、轨道电路等轨旁设备，这些都对列车高精度定位提出了更加严峻的挑战。无线通信技术以其易部署、无需其余辅助设备、不增加建设成本等优势而被广泛应用于定位研究中，新一代铁路列车通信系统 LTE-更是实现了铁路全线无缝覆盖，可以为列控系统提供列车定位服务。位置指纹定位法是无线通信定位技术常用的方法之一，主要包括离线阶段的指纹数据库建立和在线阶段的指纹匹配解算。该方法因其经济效率高、只需单个基站就能完成定位等优势引起了国内外的高度关注。文献 1 采用位置指纹匹配算法中经典的最邻近算法和 K 近邻算法完成了待测点的定位。文献 2 针对高速铁路地震预警系统对列车实时定位，以铁路沿线平原地带 GSM-系统的接收电平、定时提前量、公里标等建立离线指纹数据库，采用传统的加权 K-近邻算法(K Weighted Nearest Neighborhood，WKNN)实现在线阶段的指纹匹配，实验证明该方法定位平均误差为 82 m，能够满足高速铁路地震预警系统的需求，但该定位精度还远远达不到列控系统对中密度线路上列车定位精度小于 10 m 的要求3。文献 4利用混沌粒子群算法优化权值的优越性，提出 CPSO_WKNN 位置指纹定位算法对列车位置坐标进行解算，实验证明当指纹间距取 25 m 时，该算法满足定位误差小于25 m 的概率为 96%，可以满足低密度线路上列车在隧道环境下的高精度定位，但由于指纹间距过小，指纹采集阶段工作量会较大。文献 5采用改进的 K-means算法，基于最长距离的思想选择最优初始聚类中心，并利用改进后的算法对指纹数据库进行优化，完成指纹位置的粗略定位，再结合 K 值邻近算法(K-NeareastNeighborhood，KNN)实现精确定位。文献 6认为离线指纹数据库对指纹定位精度的影响较大，提出采用克里格插值法减小离线阶段采集数据的工作量，同时引入可变参数提高指纹数据库的质量，减小定位误差。文献 7 提出基于最小二乘支持向量机的位置指纹定位法，并将指纹定位转化为一个多类别分类问题，提高了位置指纹的分类精度，减小了指纹匹配的计算时间。综上可以看出，传统的位置指纹定位一般通过优化算法和减小指纹采样间距等提高定位精度，但都不能满足中密度线路中对于列车定位的需求;而且随着算法的增加，必定需要在定位实时性方面做出牺牲;同时指纹间距采样过密，又无形中增大了前期指纹采集的工作量。显然，定位精度、定位实时性、建立指纹数据库的巨大工作量，是目前传统位置指纹定位亟待解决的重点问题。随着深度学习在各领域的成熟应用，一些研究者将深度卷积神经网络和位置指纹定位结合起来，并开展了一系列的研究。文献 8 利用 DCNN 和频谱图自动学习无线信道的指纹特征，从图像层次证明频谱图 DCNN 模型能够用于指纹识别，其准确率可以达到 96.46%。文献 9采用卷积神经网络结合传统位置指纹定位技术，针对室内定位环境进行了研究，首先利用卷积神经网络模型预判出待测点的大致范围，减小匹配阶段的指纹库，再结合传统指纹定位算法快速确定目标最终位置。文献 10 根据信号传播模型获取离线指纹数据，有效降低指纹采集和维护的工作量，然后再将指纹数据变换为灰度图像指纹样本，建立了一种综合信号传播模型和卷积神经网络的指纹匹配定位算法，应用场景为智能终端室内定位，取得了较高的定位精度。文献 11提出了一种基于 CNN 的指纹定位算法，采用 CNN 改进指纹库的构建，然后使用一种概率方法来进行最后的指纹匹配，获得了更好的鲁棒性和定位精度。文献 12 提出了一种基于接收信号强度指标 SSI 的 CNN指纹定位模型，并与其他 CNN 模型进行了对比，结果表明该模型可以将室内的定位精度提高到 1.44 m。文献 13 在建立离线指纹数据库前，利用叠加去噪自动编码技术提取 SSI 特征，构建离线特征加权指纹数据库，然后建立深度神经网络 Wi-Fi 指纹定位模型，通过实验证明了 DNN 在室内位置指纹定位中的可行性，通过与其他 Wi-Fi 指纹定位方式比较，其定位精度更高。综上可知，深度卷积神经网络算法在位置指纹定位中的效果明显优于传统位置指纹定位。但是大多卷积神经网络位置指纹定位的应用场景为室内 Wi-Fi 环境，该环境空间区域较小，信号源数量和位置可根据实际需要设置，位置坐标采用三维坐标。而高速铁路隧道环境与室内定位环境不同，信号源位置相对固定且距离较远，列车运行时接收到的信号源不断变化且位置信息为公里标。如何结合高速铁路 LTE-信号强度值特征创建离线灰度图像指纹数据库，搭建适用的卷积神经网络定位模型，目前仍是空白。本文基于现场 LTE-网络实测的参考信号接收功率 SP 数据，采用 2 准则、模糊 C