[发明专利]基于近邻成分分析的度量学习的指纹定位方法

说明书

本发明实施例涉及室内定位技术领域，公开了一种基于近邻成分分析的度量学习的指纹定位方法，该方法包括：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与各个样本对应的位置坐标之间的欧氏距离确定；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。通过上述方式，本发明实施例提高了指纹定位的准确率。

技术领域

本发明实施例涉及定位技术领域，具体涉及一种基于近邻成分分析的度 量学习的指纹定位方法、装置、设备及可读介质。

背景技术

供应商对于网络进行定位，定位信息可以在多领域得到应用，对于智慧 化网络运营和提升网络附加值都具有重要意义。目前常用的定位方式主要有 GPS定位、基于无线环境的三点定位及近似算法和基于DPI信息的指纹匹配 定位算法。

而在指纹定位中，一般采用的是将分类的算法直接移植到室内指纹定位， 但这样做存在一些问题：传统的分类任务一般针对的是分类类别数量且样本 数量充足，而指纹标签相对于类别标签来说有更大的冗余性，指纹标签的距 离是可以直接计算的，而一般的分类标签的距离并不能直接计算。如果将每 个位置测量格点作为一个类别，其类别数量将随着测量点的增对而增大，并 且在每个测量格点，采样样本难且其差异性较小。

上述这些问题都会影响指纹定位的准确率和定位模型训练成本。因此， 现有技术中将现有的针对分类任务的近邻成分分析的度量学习算法直接用于 室内指纹定位是存在问题的。

发明内容

鉴于上述问题，本发明实施例提供了一种基于近邻成分分析的度量学习 的指纹定位方法，用于解决现有技术中存在的度量学习应用于指纹定位时的 效率不高的问题。

根据本发明实施例的一个方面，提供了一种基于近邻成分分析的度量学 习的指纹定位方法，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。

在一种可选的方式中，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；