[发明专利]基于ELM-AdaBoost分类学习的室内定位方法

说明书

本发明揭示了一种基于ELM‑AdaBoost分类学习的室内定位方法，由离线建模阶段和在线定位阶段两部分构成，离线建模阶段为，对定位区域进行划分，接收来自定位区域内的信号、提取CSI值与RSSI值，通过统计特征提取及信息整合、得到指纹数据库，再对指纹数据库进行分类训练、得到基于位置的分类模型；在线定位阶段为，接收信号并提取CSI值与RSSI值，提取CSI值的统计特征，最后将结果带入模型中、实现对目标位置的估计。本发明将测量过程中的定位问题表述为机器学习问题，利用ELM‑AdaBoost技术加以解决，有效地降低了训练存储需求和算法复杂性，提升了定位性能。

技术领域

本发明为一种室内目标定位方法，具体而言，是一种基于ELM-AdaBoost分类学习、融合有CSI和RSSI的室内定位方法，属于定位导航技术领域。

背景技术

室内定位是指在室内环境中实现位置定位，其主要是以将无线通讯、基站定位、惯导定位、动作捕捉等多种技术集成的方式，形成一套完整的室内位置定位体系，进而实现对人员、物体等在室内空间中的位置监控。

目前，业内研究人员针对室内定位、特别是基于指纹的室内定位技术，已经提出了多种机器学习方法作为其匹配算法，包括神经网络、支持向量机、朴素贝叶斯分类器等。但是这些匹配算法的普遍缺点就是计算量大，导致运行速度较慢。经过机器学习技术和神经网络算法的发展、迭代后，ELM(Extreme Learning Machine, 极限学习机)作为一种针对广义单隐含层的前馈神经网络的学习算法被提出，相较于神经网络和支持向量机等技术而言，其运行速度更快且泛化性更好。

就室内定位技术的现有研究而言，也已经有不少业内研究人员提出利用原始CSI（Channel State Information, 信道状态信息）和RSSI（Received Signal StrengthIndication，接收信号强度指示）测量值实现目标定位。相关文献相继提出利用主成分分析法(PCA)提取CSI特征；利用CSI子载波幅度的平均值和标准偏差值作为训练数据的指纹；将ELM用于分类学习等多种研究观点。但随着研究的不断深入，以上几种研究观点的缺陷也逐步显露。

在IEEE802.11n标准中，CSI可以使用某个OFDM子载波上的一对天线之间的CFR(Channel Frequency Response,信道频率响应)来表示。如果选择许多数据包，则CSI测量值的维度很高，导致许多存储空间。对于基于机器学习的定位算法，高维度的数据可能会导致算法性能问题。因此，训练的复杂度将会增加，甚至可以预测结果变差。而PCA降维是在数据收集之后发生的，它将无法节省存储空间。ELM的主要问题则是其权重以随机方式生成，这可能导致分类器的性能不稳定、产生实质性的分类性能差异。此外，采用集成ELM的方法也不能确保其性能在实际应用中比单个ELM更好。

正因如此，如果能够设计出一种全新的室内目标定位方法，以克服上述现有技术中的缺陷，那么势必可以为定位导航技术的后续发展提供巨大的帮助。

发明内容

鉴于现有技术存在上述缺陷，本发明的目的是提出一种基于ELM-AdaBoost分类学习、融合有CSI和RSSI的室内定位方法，具体如下。

一种基于ELM-AdaBoost分类学习的室内定位方法，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；

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。

优选地，所述离线建模阶段具体包括如下步骤：