[发明专利]基于堆叠受限玻尔兹曼机和随机森林算法的室内定位方法

说明书

本发明公开一种基于堆叠受限玻尔兹曼机和随机森林算法的室内定位方法。利用深度学习方法学习信号强度数据的深层次的、抽象的特征，自主挖掘数据间内在的某种不易为人们感知的关联，再利用深度学习得到的特征来做定位，其目的是解决WIFI室内定位过程中，减小对于不同接收设备和其他环境因素所带来的采集信号误差，使最终定位获取更大精度的问题。

技术领域

本发明涉及无线通信技术和数据挖掘技术，属于无线通信大数据的室内定位方法，包括无监督深度学习特征提取方法和有监督机器学习定位方法，其中特征提取方法采用深度学习中的堆叠受限玻尔兹曼机算法，利用无监督的学习过程来提取原始数据中的深层次抽象特征，再采用机器学习中的随机森林算法训练室内定位模型。

背景技术

定位技术，通常是指在某一空间中事先测得一组参考点的位置，然后通过这些已知参考点的位置来估算该空间内未知的移动终端的位置的过程。其在日常生活和生产以及公共事业和商务应用等许多领域都有着广泛的应用背景。但是用于室内定位时，由于建筑物对卫星信号的影响，定位能力受到很大的限制，相反，基于无线网络技术的定位系统进行室内定位时，定位效果明显提高。WLAN技术因其在室内布设简单、部署广泛、价格低廉等特性更加适用于室内定位，而其中利用位置指纹库实现的定位技术因为其实现简单，定位精度高受到了较高的关注。

在现有的位置指纹库室内定位模型中，大部分采用的是主成分分析(PCA)来进行数据特征提取，但主成分分析法只能提取数据间的线性特征，而忽略了数据间高于二阶的关系，限制了非线性特征的提取，针对于此，有些人提出了基于核函数的主成分分析(KPCA)法来进行特征提取，这种方法可以有效提取数据间的非线性特征。但利用坐标变换方式提取特征可能会导致数据之间深层次的特征丢失，从而影响后面模型定位的准确性。

本文的模型优势在于采用堆叠受限玻尔兹曼机提取特征，直接从原始信号数据中学习深度特征，再带入到后面的随机森林模型训练，确保学习到特征的有效性，避免了一些有效信息的丢失，提高了定位精度。

发明内容

本发明旨在利用深度学习方法学习信号强度数据的深层次的、抽象的特征，自主挖掘数据间内在的某种不易为人们感知的关联，再利用深度学习得到的特征来做定位，其目的是解决WIFI室内定位过程中，减小对于不同接收设备和其他环境因素所带来的采集信号误差，使最终定位获取更大精度的问题。

一种基于堆叠受限玻尔兹曼机和随机森林算法的室内定位方法，其特征在于:

通过步骤1～4获得基于WLAN信号强度的室内定位模型：

1)在所述室内定位运用场景中，布置M个参考节点(Reference Point,RP)和N个接入节点(Access Point,AP)，在Q个时刻，获取每个参考节点所接收到的接入节点(需要接收全部接入点的信号，如果收不到某个接入点信号，则用0表示)的信号强度数据，形成数据样本集C＝{C₁、C₂、……C_Q}，

其中：为第m个参考节点在第q个时刻，所检测到的第n个接入节点的信号强度数据,q＝1、2……Q、n＝1、2……N，m＝1、2、……M；如果接收不到信号，则用0表示信号强度；

2)将步骤1获取的数据样本集C进行归一化处理，得到数据C^*。

3)深度特征提取：

基于受限玻尔兹曼机算法构建一个含有多个隐藏层的深度特征学习模型，预训练原始数据；深度学习网络每一层的权重分别为W₁、W₂…W_f，特征集为hf；

具体步骤如下：