[发明专利]基于改进LSSVR的室内指纹定位方法

说明书

本发明公开了一种基于改进LSSVR的室内指纹定位方法，针对室内复杂环境变换带来接收信号强度不确定性波动的问题，利用基于核函数特征提取的方法进行降维，有效提取原始位置指纹的非线性特征；利用模拟退火优化传统粒子群算法易陷入局部最优的问题，并利用改进后的粒子群算法对LSSVR模型的惩罚因子和核函数参数进行优化，避免参数选择不当造成定位精度低的问题。仿真结果表明，相对于传统的方法，所提算法定位精度更好、定位时间更少。

技术领域

本发明属于室内定位技术领域，尤其涉及一种基于改进LSSVR的室内指纹定位方法。

背景技术

位置服务(LBS,location based service)被普遍认为是物联网系统中一项必不可少的关键技术，是实现个性化智慧服务的基石。在室外环境下，全球定位系统(GPS,global position system)凭借其出色的表现，可以满足大部分场景需求。而在室内环境下，由于卫星信号容易受到建筑物的阻挡，GPS定位效果一般。由于室内是人类活动最频繁的场所，因此如何提高室内定位精度，成为当前无线网络研究领域的热点。

目前主要的室内定位技术有基于低功耗蓝牙、超宽带无线电(UWB,ultra-wideband)、ZigBee、射频识别、可见光等，虽然各种技术被应用于室内定位中，但由于成本和适用性的限制，很多定位技术仍然处于研究阶段，不能大众化。目前使用较多的室内定位方法有到达角度法(AOA,angel of arrival)、到达时间法(TOA,time of arrival)和到达时间差法(TDOA,time difference of arrival)，这些方法虽然测量精度高且计算复杂度低，但对硬件要求比较高，同时需要克服室内环境中人活动所造成的信号波动影响，显著增加了定位的成本和难度。

近年来随着无线局域网(WLAN,wireless local area networks)技术的发展，基于WIFI位置指纹定位的研究逐渐成为主流。该技术主要包含离线数据库建立和在线匹配两个阶段；离线阶段通过采集参考点接收到的各个接入点(AP,access point)的接收信号强度指示(RSSI,received signal strength indication)构造与参考点位置之间的映射关系，形成指纹数据库；在线阶段，通过将待定位目标点的RSSI向量与数据库进行匹配实现位置估计。指纹匹配算法主要有K最近邻(KNN)、神经网络、支持向量回归等，其中K最近邻算法最简单、容易实现，但在应用中对参数K的选取十分敏感，在大规模室内定位中计算复杂度高，定位精度低。为此，吴泽泰等提出一种将聚类算法与KNN相结合的室内定位方法，显著降低了计算量。神经网络定位精度比KNN高，但要求训练样本的数量非常多，显著增加定位成本。

最小二乘支持向量回归(LSSVR)是一种基于结构化风险最小原则的机器学习算法，在解决有限样本非线性回归问题上具有独特优势，但其精度和性能受正规化参数和核参数影响较大。针对于此，刘旭明等利用遗传算法(GA)优化支持向量回归的参数，该方法在指纹点稀疏、锚节点数量较少的情况下可以达到较好的定位效果；Li等提出利用粒子群算法(PSO)优化LSSVR参数的方法能够实现定位精度的提高，但标准PSO算法存在易早熟、易陷入局部最优的问题；针对PSO后期收敛性差和模拟退火算法(SA)全局优化能力强的特点，高鹰等提出模拟退火算法与粒子群算法相结合的方法(SA-PSO)，提高了算法的全局寻优性能，但并没有将其应用到定位问题。

同时，在室内环境下，WLAN信号在传播中会受到多径效应、阴影效应、人类活动等各种影响，RSSI信号波动十分明显，严重影响定位效果。针对于此，在将采集到的位置指纹信息存入数据库之前，往往会对其进行预处理，现有的预处理算法包括均值滤波、中值滤波、高斯滤波等，但当室内场景中的AP较多，构建的指纹库维数较高时，对存储空间要求极大。Fang等提出利用主成分分析(PCA)提取原始位置指纹数据的主要成分，有效利用各个AP点的RSSI信息，极大地提高了定位的精度，但忽略了指纹数据间的非线性关系。

发明内容