[发明专利]基于ELM-AdaBoost分类学习的室内定位方法

权利要求书

1.一种基于ELM-AdaBoost分类学习的室内定位方法，其特征在于：由离线建模阶段和在线定位阶段两部分构成，其中，

所述离线建模阶段包括，对定位区域进行划分，接收来自定位区域内的信号，提取信号中所包含的CSI值与RSSI值，结合参考点位置、形成指纹数据库，再通过统计特征提取及信息整合的方式、重组得到新的指纹数据库，随后利用ELM-AdaBoost算法对新的指纹数据库进行分类训练、得到基于位置的分类模型，包括以下步骤；

对CSI值进行统计特征提取，将所提取的CSI值的统计特征与RSSI值及坐标位置相结合、重组形成包含有以上三者的新的指纹数据库；

选取指纹库中的数据样本，每一个样本赋予一个权重，然后将这些数据样本输入ELM弱分类器中进行训练，对于预测错的样本通过相关策略加大权重，对于预测正确的样本减小其权重，并且通过相关策略赋予此时ELM分类器一个权重；第二次依据第一次预测结果给出的样本的权重，尽可能的选取第一次预测错的样本进行训练，对于训练错的样本再一次加大其权重，对于预测正确的样本减小其权重，再一次赋予ELM分类器一个权重；如此循环往复若干次得到若干个AdaBoost的ELM弱分类器，利用相关策略以及弱分类器的权重得到最终的强分类器；

所述在线定位阶段包括，接收来自定位区域内的信号，提取信号中所包含的CSI值与RSSI值，提取CSI值的统计特征，最后将CSI值的统计特征与RSSI值带入基于位置的分类模型中、实现对目标位置的估计。

2.根据权利要求1所述的基于ELM-AdaBoost分类学习的室内定位方法，其特征在于，所述离线建模阶段具体包括如下步骤：

S11、对定位区域进行划分、使其包含若干参考点，标记好每个参考点的位置信息，随后假定目标位于参考点上，利用接收机接收来自定位区域内WIFI发射机的信号；

S12、提取S11中所接收信号内包含的CSI值与RSSI值，结合相应的参考点的位置，形成包含有CSI值、RSSI值及坐标位置的指纹数据库；

S13、对CSI值进行统计特征提取，将所提取的CSI值的统计特征与RSSI值及坐标位置相结合、重组形成包含有以上三者的新的指纹数据库；

S14、将S13中所得到的新的指纹数据库作为训练集，利用ELM-AdaBoost算法进行基于位置的分类训练、得到基于位置的分类模型。

3.根据权利要求2所述的基于ELM-AdaBoost分类学习的室内定位方法，其特征在于，所述在线定位阶段具体包括如下步骤：

S21、利用接收机接收来自定位区域内、与目标所在位置相对应的WIFI发射机的信号；

S22、提取S21中所接收信号内包含的CSI值与RSSI值；

S23、对S22中所提取的CSI值进行统计特征提取；

S24、将S23中所提取的CSI值的统计特征与S22中所提取的RSSI值带入S14中所得到的基于位置的分类模型中，实现对目标位置的估计。

4.根据权利要求1所述的基于ELM-AdaBoost分类学习的室内定位方法，其特征在于，所述CSI值的统计特征包括：四分位数、峰度、最大子载波幅度值、最小子载波幅度值、最大子载波与最小子载波间的幅度差、标准偏差、中位数绝对偏差、偏度以及信息熵。