[发明专利]一种基于流形学习与改进支持向量机的室内定位方法

说明书

本发明公开了一种基于流形学习与改进支持向量机的室内无线定位方法，包括：确定定位区域，将定位区域按照室内结构特征，布局特征进行划分，得到分类结果；获取离线训练数据，采集不同分类区域中的参考点所能接收到的各热点RSS信号值作为训练数据集；利用等距映射算法进行训练数据特征提取；利用训练数据进行支持向量机分类训练，使用禁忌搜索算法进行支持向量机分类超参数搜索，同时建立各类别的支持向量回归模型；进行在线定位，采集目标处各热点的RSS信号值，利用支持向量机分类模型进行分类，得到目标大致的定位区域；依据分类结果，利用支持向量回归模型进行目标的准确定位。本发明有效抑制了无线信号强度的时变特性，精度得到了明显的提高。

技术领域

本发明室内定位领域，尤其涉及一种基于流形学习与改进支持向量机的室内定位方法。

背景技术

在室内精确定位问题中，国内外学者进行了相关研究，不断提出众多有效可行的定位算法。其中由于无线局域网(WLAN)可以做到全覆盖、成本低等优点，基于WLAN的场景分析室内定位算法成为国内外高校和研究机构的主要研究方向。这种算法被称为指纹定位，其本质是建立RSS(信号强度)与具体位置的一一映射关系，从而进行定位。这种方法的难点在于映射关系数据库(指纹数据库)的建立。而各个信号接入点(AP)的RSS值具有时变特性，导致定位精度降低，因此对RSS信号需要进行降噪和特征提取，从而降低信号时变特性引入的误差。同时，随着机器学习理论的兴起与迅速发展，研究者们将神经网络、支持向量机等机器学习算法融合到无线室内指纹定位算法中，提高了无线室内定位的精度。大量研究结果表明，支持向量机(SVM)具有泛化能力强，相比于神经网络算法，能有效克服过拟合现象。因而SVM在室内定位方面具有其他机器学习算法无法比拟的优点。在SVM建立过程中，其超参数的选取直接影响计算结果，传统的网格搜索算法精度低，搜索时间长，影响室内定位的实时性，因此对SVM超参数的选取方法也尤为重要。

发明内容

发明目的：本发明的目的是为了提高室内定位精度，提出了一种基于流形学习与改进支持向量机的算法。发明采用该算法进行室内目标的精确定位，采用流形学习的方法进行数据降维除噪，提高室内无线定位精度。

技术方案：一种基于流形学习与改进支持向量机的室内定位方法，包括以下几个步骤：

步骤1：确定定位区域，根据室内结构特征对定位区域进行分类，得到分类区域；

步骤2：获取离线训练数据，采集不同分类区域中的参考点所能接收到的各热点RSS信号值作为训练数据集；

步骤3：对步骤2中的训练数据集利用等距映射算法进行离线训练数据特征提取，进行降维和去噪；

步骤4：利用步骤2中的离线训练数据进行支持向量机分类训练，使用禁忌搜索算法进行支持向量机超参数搜索，得到训练好的支持向量机分类模型，同时建立各类别的支持向量回归模型；

步骤5：进行在线定位，采集目标处各热点的RSS信号值，利用步骤4中训练好的支持向量机分类模型进行分类，得到目标大致的定位区域；其中，采集目标信号值时进行多方向采集；

步骤6：依据分类结果，利用步骤4中建立的支持向量回归模型进行目标的准确定位。

进一步的，所述步骤1中对定位区域进行分类是按照信号是否会进行突变来进行分类的。

进一步的，所述步骤2具体为：依据每个分类区域的大小情况，设置参考点数，在每个参考点上多方向采集数据，保证参考点的数据多方向性；同时设置信号强度阈值，当信号强度低于阈值时，该热点对于该参考点的定位参考度为0，将其RSS值设置为0，得到训练数据集。

进一步的，所述步骤3中对步骤2中的训练数据集利用等距映射算法进行训练数据特征提取，进行降维和去噪；具体为：

对给定的RSS信号数据集X_i，i＝1,2,…,k，k为样本总个数：