[发明专利]一种基于非充分指纹信息的极限学习定位方法

权利要求书

1.一种基于非充分指纹信息的极限学习定位方法，其特征在于，所述方法包括：

步骤1：采集接收信号强度指示RSSI值，生成对应的RSSI指纹库F_I与位置信息库P_I：

其中，为原始指纹库F_I对应第i个网格点接收到的第n个访问接入点AP的RSSI值，为F_I的第i组RSSI值对应网格点的x轴坐标为F_I的第i组RSSI值对应网格点的y轴坐标；根据采集的RSSI组数确定M₁值，根据AP的个数确定N值，i＝1,2,…M₁，n＝1,…,N；

步骤2：当指纹库F_I与位置信息库P_I建立完成后，随机生成M₂*N维RSSI值，构建补充指纹库F_Ⅱ；

其中，与为指纹库F_I中RSSI信号的最小值与最大值，j＝1,2,…M₂，M₂≥M₁；

步骤3：利用反距离加权插值法IDW具有进行对多维数据进行插值运算的特点，计算F_II对应的指纹信息库P_II；以确定与F_II相对应的扩充位置信息库P_II；其中为与的欧式距离；

定义位置权值与P_II的对应关系如下：

其中，为随机生成指纹库F_II的第j组随机生成RSSI值对应位置点的x轴坐标，同理，为F_II的第j组随机生成RSSI值对应位置点的y轴坐标；

步骤4：将上述F_I与F_II合并成新的指纹库F_III，P_I与P_II合并成新的位置信息库P_III：

其中，M₃＝M₁+M₂；

步骤5：利用极限学习机ELM对所得到的指纹库F_III进行回归建模；

所述ELM即基于一个单层神经网络，利用对未知位置进行估计，令其输入样本为新的指纹库F_III中的数据输出即为F_ΙII中每组RSSI值对应的定位坐标的估计值其中，k＝1,2,…,M₃；

ELM的结构如式(3)所示：

其中，输入层权重w_l＝[w_l1,w_l2,…,w_lN]^T，输出层权重β_l＝[β_lx,β_ly]^T，L为输入层节点数，l＝1,2,…,L,L≥N+1，sig(·)为sigmoid激活函数，b为输入层偏置量；

步骤6：利用步骤5得到的ELM模型，对任意定位区域的未知点所接收到的N维RSSI信号，计算其对应的估计坐标[x_o,y_o]；

针对所述步骤5，还包括：

利用遗传算法GA对ELM的权重值进行优化；

所述步骤6为利用GA优化权重值后得到的ELM模型，对任意未知位置点所接收到的N维RSSI信号，进行计算，即可获得其对应的估计坐标[x_o,y_o]；

在所述步骤3中，引入3σ准则的增强判断，以来提高指纹库F_III的平滑性。