[发明专利]基于近邻成分分析的度量学习的指纹定位方法

权利要求书

1.一种基于近邻成分分析的度量学习的指纹定位方法，其特征在于，所述方法包括：

获取待定位区域的待定位点的信号数据，所述信号数据包所述在所述待定位点接收到的预设的多个信号发射器的信号强度数据；

将所述信号数据输入目标定位模型中，其中，所述目标定位模型根据目标度量矩阵及指纹库训练得到，所述目标度量矩阵为使得各个样本的期望误差的和最小时所对应的距离计算参数，所述各个样本的期望误差由每个样本与所述指纹库中其他各个样本成为邻居的选择概率以及对应的位置坐标与各个样本对应的位置坐标之间的欧氏距离确定，所述选择概率由每个样本与所述指纹库中其他各个样本的信号强度确定；

获取所述目标定位模型输出的所述待定位点的目标位置坐标。

2.根据权利要求1所述的方法，其特征在于，所述指纹库包括预先在所述待定位区域的采集位置采集的多个指纹，每个指纹对应于一个采集位置的位置坐标，每个指纹包括在所述采集位置接收到的来自各个所述信号发射器的信号强度，在所述获取待定位点的信号采集数据之前，进一步包括：

确定所述指纹库中各个指纹的所述期望误差的和作为代价函数，所述代价函数表示为下式：

其中，L为所述距离计算参数，q_i为指纹库中第i个指纹z_i对应的位置坐标，q_j为指纹库中z_i以外的任一指纹z_j对应的位置坐标q_j，p_ij为z_i与z_j作为邻居的选择概率；

确定正则化项，根据所述正则化项及所述代价函数得到目标函数；

对所述目标函数的最小值进行求解，得到在所述目标函数取最小值时的L作为所述目标度量矩阵。

3.根据权利要求2所述的方法，其特征在于，所述确定正则化项，根据所述正则化项及所述代价函数得到目标函数，进一步包括：

确定L的Frobenius范数与正则化参数λ的乘积作为所述正则化项

根据及所述代价函数得到目标函数表示为如下：

其中e_ij＝(q_j-q_i)^T(q_j-q_i)。

4.根据权利要求2所述的方法，其特征在于，所述对所述目标函数的最小值进行求解，得到在所述目标函数取最小值时的L作为所述目标度量矩阵，进一步包括：

对所述目标函数进行求导，求导公式如下：

获取使得所述目标函数的导数为零的L作为所述目标度量矩阵。

5.根据权利要求4所述的方法，其特征在于，在对所述目标函数进行求导之前，进一步包括：

确定所述目标函数是否收敛，在所述目标函数不收敛的情况下，根据基于梯度的优化算法对所述目标函数进行迭代优化；

计算每一次优化后所述目标函数的梯度变化；

获取迭代优化后梯度变化小于预设梯度阈值时的目标函数对应的距离计算参数作为所述目标度量矩阵。

6.根据权利要求5所述的方法，其特征在于，所述获取迭代优化后梯度变化小于预设梯度阈值时的目标函数对应的距离计算参数作为所述目标度量矩阵之后，还进一步包括：

根据所述目标度量矩阵计算所述指纹库中各个指纹与所述待定位点的目标距离；

获取与所述待定位点的目标距离最近的t个指纹，t为不为0的自然数，获取所述t个指纹对应的坐标位置的平均值作为所述待定位点对应的目标位置坐标。