[发明专利]一种基于类别匹配的半监督流形学习的WiFi室内定位方法

说明书

技术领域

本发明涉及一种室内定位方法，具体涉及一种基于类别匹配的半监督流形学习的WiFi室内定位方法。

背景技术

随着无线局域网络在世界范围的飞速发展和移动终端设备的广泛普及，近年来出现了许多室内定位相关的技术和应用。由于多径效应、信号衰减及室内定位环境的复杂性，基于传统的信号传播模型的室内定位方法难以达到高精度的室内定位要求。基于到达时间（Time of Arrival），到达时间差(Time Difference of Arrival)和到达角度(Angles of Arrival)等定位方法虽然可以基本满足定位精度需求，然而都需要定位终端有额外的硬件设备支持，具有较大局限性，从而导致基于上述几类定位方法的室内定位系统没有得到普及。

目前，基于WLAN位置指纹(Finger Print)的WiFi室内定位方法得到了广泛应用。该方法的网络构建方法成本低廉，其使用2.4GHz ISM(Industrial Science Medicine)公共频段且无需在现有设施之上添加定位测量专用硬件。只需要通过移动终端的无线网卡及相应软件测量接收到的接入点(Access Point,AP)的信号强度(Received Signal Strength,RSS)，由此来构建网络信号覆盖图(Radio Map)，进而通过匹配算法来预测移动用户所处位置的坐标，或相对位置。

然而通过该方式建立的Radio Map包含有庞大的数据信息，且随着定位区域扩大，Radio Map可能（依据定位匹配方式及算法选择）呈指数形势增长。获得尽可能多的相关数据特征信息对于整个系统来说会提升定位精度，但是处理大量的特征信息增加算法开销，定位算法无法在处理能力有限的移动终端上有效运行，同时某些特征信息可能是对于定位没有作用甚至有负面作用，致使匹配效率降低，从而导致匹配定位算法的实现变得更加复杂，并且定位精度下降。

当AP的数目增加及定位的参考点（Reference Point）增加时，Radio Map的数据信息增加。此时，Radio Map中代表的AP数目的信息表示了数据的维数。因此，当AP数目增加，Radio Map就变成了高维数据。为减轻处理高维数据的负担，降维算法是有效的解决方法之一。高维数据可能包含很多特征，这些特征都在描述同一个事物，这些特征一定程度上是紧密相连的。如当从各个角度对同一个物体同时拍照时，得到的数据就含有重叠的信息。如果能得到这些数据的一些简化的不重叠的表达，将会极大地提高数据处理运行的效率并一定程度上提高准确度。降维算法的目的也正是在于提高高维数据的处理效率。

除了可以简化数据使其能够高效处理外，降维方法还可以实现数据可视化。由于很多统计学的和机器学习算法对于最优解的准确性很差，降维的可视化应用可以令用户能够实际看到高维数据的空间结构和算法输出的能力，具有很强的应用价值。

目前有很多基于不同目的的降维算法，包括有线性与非线性降维算法。其中PCA(Principal Component Analysis)和LDA(Linear Discriminant Analysis)是典型的线性降维算法。这一类算法对于具有线性结构的高维数据有着良好的处理结果，但对于非线性结构的高维数据没有好的结果。典型的非线性降维算法以流形学习（Manifold Learning）算法。2000年Science杂志上同一期发表了3篇有关于流形学习算法中提出了2种经典的流形学习算法：LLE(Local Linear Embedding)及ISOMAP(Isometric Mapping)。由此，各种基于不同的准则的流形学习算法被提出并有一部分流形学习算法应用于图像处理方面。LDE（Local Discriminant Embedding）算法是流形学习算法中较晚提出的，它是一种的典型的基于特征提取的流形学习算法，而不只基于可视化目标。

对于上述的降维算法并不能对在线获得的RSS数据或者新增的RSS来提高降维的精度。由于室内定位环境的变化，在不同时刻，特别是在长时间后，RSS数据之间的相关性就会降低。在已有算法中，有一类算法可以将在不同时间的RSS数据同时加入相应的已有数据中，从而增强不同数据之间的相关性，提高降维精度。这一类算法通常称之半监督算法。根据半监督算法的特点，提出半监督鉴别嵌入（Semi-supervised Discriminant Embedding,SDE）算法。