[发明专利]一种室内定位方法、装置、电子设备及存储介质

权利要求书

1.一种室内定位方法，其特征在于，所述方法包括：

获取定位请求，其中，所述定位请求包括请求定位的目标用户；

获取所述目标用户在当前ECC环境下行动的RSS数据集，以及所述目标用户的原ECC环境下的历史标签RSS数据集；其中，所述当前ECC环境为所述原ECC环境发生环境变化后的ECC环境；

从所述历史标签RSS数据集中，选取同类坐标点样本对S和不同类坐标点样本对D；

利用所述同类坐标点样本对S和所述不同类坐标点样本对D，计算系数矩阵A_i；

基于所述系数矩阵A_i，对所述RSS数据进行辅助聚类和标注标签处理，得到标签RSS数据集；

利用坐标融合的变分自编码器FusVAE算法，根据所述历史标签RSS数据集对所述标签RSS数据集进行数据增强处理，得到目标RSS数据集；

利用所述目标RSS数据集对随机森林定位模型进行训练，得到所述当前ECC环境的定位模型，其中，所述随机森林定位模型是利用所述历史标签RSS数据集对随机森林算法进行训练得到；

将所述定位请求输入所述当前ECC环境的定位模型，得到所述目标用户在所述当前ECC环境下的位置信息；

其中，对于每一类坐标点样本数据，每个维度代表了每条链路的RSS值，由于网络中的链路中容易受到影响，活跃链路的RSS值变化较大，非活跃链路的RSS值基本不会受到影响，所以每类坐标点样本都有自己的数据分布特征，故采用对称正定矩阵作为系数矩阵A_i对欧式距离进行参数化，得到参数化欧式距离如公式（2）；并基于功能函数对参数化的欧式距离进行修改，得到修改后的参数化的欧式距离，如公式（3）所示；对修改后的参数化的欧式距离进行求解，得到系数矩阵A_i，如公式（4）所示，进而利用得到的系数矩阵A_i对当前ECC环境下的RSS数据集进行指导聚类，得到目标用户在当前ECC环境下的标签RSS数据集，如公式（5）所示；

（1）

其中，(X_p,X_q)为同类坐标样本S对中两个属于同一类别的两个坐标样本数据，(X_i,X_j)为不同类坐标样本对D中两个属于不同类别的两个坐标样本数据；

（2）

其中，(X_k,X_h)为任意两个不同的坐标点样本；

（3）

（4）

（5）

其中，M为原ECC环境下的历史标签RSS数据集中的坐标点样本的数量，n为当前ECC环境下的RSS数据集中坐标点样本的数量，c_a为第a类的类中心，U为隶属度矩阵，u_ab为第b个坐标点样本属于第a类的隶属度，m为控制算法柔性的幂指数参数，其中，c_a和u_ab的迭代计算公式分别如公式（6）和公式（7）所示；

（6）

（7）

其中，m作为控制算法柔性的幂指数参数，取值为2；

基于坐标融合的变分自编码器FusVAE算法，根据历史标签RSS数据集对标签RSS数据集进行数据增强处理，得到目标RSS数据集，具体的，从历史标签RSS数据集中选取坐标点n的历史坐标点样本数据X_sni和从当前ECC环境的标签RSS数据集中选取坐标点n的当前坐标点样本数据X_tn，将历史坐标点样本数据X_sni和当前坐标点样本数据X_tn作为编码器的输入，通过编码器将输入数据编码成一个高斯分布的隐变量，得到和，分别表示X_si和X_ti的隐变量分布，将两个分布拼接起来组成新的隐变量分布，记为，如公式（8）所示；

（8）

新的隐变量分布既保留了原ECC环境下的数据分布信息，又具有当前ECC环境下的数据分布信息，使通过解码器解码后生成的新做坐标点样本同时保留两个环境下的数据分布特征，更接近原ECC环境变动后的真实坐标点样本；

FusVAE的损失函数分为三部分，第一部分是VAE原有的损失函数，该损失函数使后验分布的近似分布趋近于标准正态分布N(0,1)，保证模型生成能力的KL散度；

在得到新的隐变量分布后，通过引入重构损失函数作为约束条件，与X_ti的重构损失函数记为R₁，如公式（9）所示，与X_si的重构损失函数记为R₂，如公式（10）所示；

（9）

（10）

其中，X为当前ECC环境下的目标坐标点样本；

最后，将重构损失函数添加到VAE原有的损失函数中，作为FusVAE的损失函数，通过最小化损失函数求解当前ECC环境下的目标坐标点样本X，如公式（11）所示；

（11）

λ为一个超参数，取值范围为[0,1]，用来调节两个重构损失函数的权重，若生成的当前ECC环境下的目标坐标点样本X更接近X_ti中的样本，则将λ设置地比较大，若当前ECC环境下的目标坐标点样本X更接近X_si中的样本，则将λ设置地较小。