[发明专利]基于Boosting和样本差异的通用指纹定位方法及系统

说明书

本发明提供一种基于Boosting和样本差异的通用指纹定位方法及系统，在离线阶段，进行定位模型训练和定位场景下指纹库数据采集，定位模型训练包括在不限场景的多个已知点分别进行多次RSS信息采集，对所有样本进行配对，得到正样本对和负样本对；计算出相对特征来代表每个样本对中两个样本之间的差异；将提取的相对特征作为分类器的输入，采用Boosting方式对分类器进行训练，得到二分类模型；在定位阶段，当某一时刻需定位时，通过扫描得到一组无线数据的观测列表，然后利用AP筛选相应指纹信息，根据筛选结果和观测列表计算相对特征，将所得特征向量输入到离线阶段已经训练好的定位模型中；定位模型输出每个特征向量的相应概率，最后概率最高的点为最终定位结果。

技术领域

本发明涉及指纹定位技术领域，具体涉及一种基于Boosting和样本差异的通用指纹定位方法及系统。

背景技术

以下具体介绍现有技术中的主要定位方案及缺陷。

几何交会定位方案：几何交会的方案。通过求多个圆(测距,TOA/TOF/RSS等)或者双曲线(测距离差方式，TDOA)的交点来求解待测点的位置。

指纹定位方案：非机器学习方案，使用一些相似度计算方法(欧氏距离、曼哈顿距离、皮尔逊系数、余弦相似度等)计算指纹点和待测点信号信息间的相似度，使用相似度最高的一个或数个指纹点计算待测点位置(一个即直接输出，多个的可以通过求均值或加权求均值方式)。

几何交会定位方案缺陷：需已知基站位置，对基站布设网形要求高，另外在在线定位时为保证精度同样需保证较好的基站网形。

指纹定位方案缺陷：非机器学习方案，即使用各种求解信号相似度的方案，直接差分方式不能较好的反映指纹点和待测点信号信息间的非线性关系；机器学习方案中各种多分类方案，面临小样本这一突出问题，另外，模型不具备迁移能力，一个场景下训练的模型无法在另一场景下使用，一个场景一个模型不具备实际应用价值，线上部署海量模型的话，无法进行有效的更新与管理(指纹定位要求数据和模型的周期性更新)。

相关名称解释如下：

GBDT(gradient boost decision tree)，决策提升树

KNN(k nearest neighbor)，k最邻近点

AP(access point)，接入点

TOA(time of arrival)，信号到达时间

TDOA(time difference of arrival)，信号到达时间差

RSS(received signal strength)，信号接收强度

TOF(time of flight)，飞行时间

FP(Fingerprint Point)，指纹点

MAC(Media Access Control Address)，媒体存取控制位址，也叫物理地址

发明内容

为了解决上述现有技术中存在的不足，本发明提出了一种基于Boosting和样本差异的通用指纹定位方法。

为了实现上述目的，本发明提出的技术方案为一种基于Boosting和样本差异的通用指纹定位方法，在离线阶段，进行定位模型训练和定位场景下指纹库数据采集，