[发明专利]一种基于非充分指纹信息的极限学习定位方法

说明书

本发明公开了一种基于非充分指纹信息的极限学习定位方法，属于无线传感器网络定位领域。通过在离线阶段提出利用反距离加权插值法扩充指纹库，增加了指纹库的数据量并提高数据平滑性，并利用3σ准则对已扩充的指纹库进行奇异值剔除，提高了指纹库的健壮性；在线匹配阶段利用极限学习机的匹配速度快，精度高的优势进行定位计算；引入遗传算法优化随机初始化权值与偏置过程，提高定位的稳定性；达到了建库简单且提高了在线匹配精度的效率。

技术领域

本发明涉及一种基于非充分指纹信息的极限学习定位方法，属于无线传感器网络定位领域。

背景技术

随着室内定位技术的迅速发展，指纹定位技术因其低廉的设备成本、广泛的适用性而备受关注。

随着指纹定位算法的应用越来越广泛，定位区域的增大，因此在指纹定位离线阶段，需要相应地增加大量的人力与时间来采集接收信号强度指示(Received SignalStrength Indication，RSSI)值；在指纹定位在线匹配阶段，传统的匹配算法存在着定位时间长，匹配精度低等问题。

为了解决这些问题，RSSI数据采集阶段常用的解决方法有优化访问接入点(Access Point，AP)分布，利用辅助变量加强指纹库的可靠性，同时减少测量工作量；建模部分常用的解决方法有利用K领域法或者神经网络来对输入所得的RSSI值进行匹配定位。但是，上述方法存在着建库困难与在线匹配精度效率低的问题。

发明内容

反距离加权插值法具有针对多维数据进行插值计算的特点，可以针对多维指纹库进行插值运算，增加指纹库的数据量并提高数据平滑性

而极限学习机(Extreme Learning Machine，ELM)作为新型的单层神经网络，不同于经典神经网络采用梯度下降法迭代更新权重偏置的工作原理，而是基于随机初始化输入层的权值和偏置，利用最小二乘法确定输出层权重；因此本发明利用ELM进行建模。

ELM是一种单隐含层的前馈神经网络，相对于BP(Back Propagation)与径向基函数(Radial Basis Function Neural Network，RBF)神经网络，虽然有着更快的训练速度，但容易陷入局部最优状况，并且对隐含层节点个数与学习速率的敏感度较高，因此ELM在指纹定位的过程中稳定性相对于其他机器学习方法较差。而遗传算法(Genetic Algorithm)是模拟物竞天择的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。利用遗传算法(Genetic Algorithm,GA)对ELM的随机初始化的权重w_l与偏置b进行优化，以保证系统可以获得神经网络输出层权值矩阵B的解析解。

针对现有技术中存在的建库困难与在线匹配精度效率低的问题，本发明提出了一种基于非充分指纹信息的极限学习定位方法。

在建库阶段利用反距离加权插值法(Inverse Distance WeightedInterpolation，IDW)，在选取可靠性强的AP的RSSI信号所构建的指纹库的基础上对指纹库数据进行扩充，并利用3σ准则提升指纹库可靠性，尽可能减少前期数据测量工作。

在建模阶段，利用极限学习机的(Extreme Learning Machine，ELM)训练速度快，精度较高的特性进行匹配定位，并引入遗传算法(Genetic Algorithm,GA)优化ELM初始阶段的稳定性。

对于接收到的RSSI信号输入ELL-IF，得到最终的定位坐标。

所述基于非充分指纹信息的极限学习定位方法包括：

步骤1：将定位区域划分成若干个边长为单位距离的正方形网格，根据应用需要定义网格个数与网格边长，并在网格点上进行接收信号强度指示RSSI值采集，由每个网格点上对应的RSSI构成指纹库F_I与每个网格点对应的坐标构成位置信息库P_I：