[发明专利]基于堆叠受限玻尔兹曼机和随机森林算法的室内定位方法

摘要

本发明公开一种基于堆叠受限玻尔兹曼机和随机森林算法的室内定位方法。利用深度学习方法学习信号强度数据的深层次的、抽象的特征，自主挖掘数据间内在的某种不易为人们感知的关联，再利用深度学习得到的特征来做定位，其目的是解决WIFI室内定位过程中，减小对于不同接收设备和其他环境因素所带来的采集信号误差，使最终定位获取更大精度的问题。

主权项

一种基于堆叠受限玻尔兹曼机和随机森林算法的室内定位方法，其特征在于:通过所述步骤1～4获得基于WLAN信号强度的室内定位模型：1)在所述室内定位运用场景中，布置M个参考节点(Reference Point,RP)和N个接入节点(Access Point,AP)，在Q个时刻，获取每个参考节点所接收到的接入节点的信号强度数据，形成数据样本集C＝{C1、C2、……CQ}，其中：为第m个参考节点在第q个时刻，所检测到的第n个接入节点的信号强度数据,q＝1、2……Q、n＝1、2……N，m＝1、2、……M；2)将步骤1获取的数据样本集C进行归一化处理，得到数据C*。3)深度特征提取：基于受限玻尔兹曼机算法构建一个含有多个隐藏层的深度特征学习模型，预训练原始数据；深度学习网络每一层的权重分别为W1、W2…Wf，特征集为hf；4)将深度学习提取到的特征集hf作为定位输入数据集，利用随机森林算法进行训练建模，得到随机森林模型。定位时，通过步骤A～D，获得待定位点的位置信息：A)采用与步骤1)相同的方法，记录室内定位场景中的某个待定位点在当前时刻所能接收到的接入节点的信号强度数据，并保存到向量E中，E＝[a1a2a3…aN]；an某个待定位点处检测到的第n个接入节点的信号强度数据,n＝1、2……N；B)采用与步骤2)相同的归一化方法和规则，将矩阵E归一化处理，得到向量F；C)设定堆叠受限玻尔兹曼机网络的层数为f+1层，每层的权重采用步骤3所得到的权重W1，W2…Wf，再将处理后的矩阵F作为该神经网络的输入，得到输出结果U(f)。D)将步骤C得到的数据集U(f)作为输入，代入由步骤4所训练得到的随机森林模型中，其输出值对应到步骤1中所设置的n个参考节点之一。