[發(fā)明專利]根據(jù)軟采信令的自適應(yīng)指紋定位方法

有效

• 申請?zhí)枺?/td>: 201610875685.3
• 申請日: 2016-09-30
• 公開（公告）號: CN106851553B
• 公開（公告）日: 2020-06-23
• 發(fā)明（設(shè)計(jì)）人: 劉劍鋒;陳曦;李泰聰;楊鋮;林慶豐
• 申請（專利權(quán)）人: 廣州豐石科技有限公司
• 主分類號: H04W4/02
• 分類號: H04W4/02;H04W24/10;H04W64/00;G01S5/02
• 代理公司: 重慶強(qiáng)大凱創(chuàng)專利代理事務(wù)所(普通合伙) 50217
• 代理人: 劉嘉

1.根據(jù)軟采信令的自適應(yīng)指紋定位方法，其特征在于，包括以下步驟：第一步，離線路測采樣和模型訓(xùn)練階段，具體包括：

(1)離線路測采集階段：通過路測終端采集路測信息，得到測量報(bào)告；所述測量報(bào)告中包括路測終端的位置坐標(biāo)、測量報(bào)告中所涉及到的小區(qū)的標(biāo)識信息以及測量報(bào)告在其所涉及到的每個(gè)小區(qū)上的場強(qiáng)數(shù)據(jù)、時(shí)延數(shù)據(jù)和方向角數(shù)據(jù)；

(2)模型訓(xùn)練階段：將每個(gè)測量報(bào)告作為一條訓(xùn)練樣本，構(gòu)建定位指紋庫，并根據(jù)定位指紋庫生成在線定位模型，包括：

(2-1)將移動網(wǎng)絡(luò)覆蓋區(qū)域劃分為邊長為L的柵格，并將柵格編號，根據(jù)路測終端的位置坐標(biāo)，將訓(xùn)練樣本分配都對應(yīng)的柵格中；

(2-2)將柵格的編號作為位于該柵格的訓(xùn)練樣本的分類標(biāo)識，分類標(biāo)識和訓(xùn)練樣本共同組成指紋數(shù)據(jù)記錄儲存在定位指紋庫中；

(2-3)采用支持向量回歸算法(SVR)對同一柵格內(nèi)的訓(xùn)練樣本進(jìn)行處理，得到每個(gè)柵格的SVR定位模型，用于計(jì)算待定位移動終端所處的經(jīng)度和緯度；

(2-4)將所述SVR定位模型作為在線定位模型進(jìn)行存儲；

第二步，在線定位階段，具體包括：

通過信令軟采集獲取待定位移動終端的測量報(bào)告，獲取測量報(bào)告中所涉及到的小區(qū)的標(biāo)識信息以及，測量報(bào)告在其所涉及到的每個(gè)小區(qū)上的場強(qiáng)數(shù)據(jù)、時(shí)延數(shù)據(jù)和方向角數(shù)據(jù)；

根據(jù)該測量報(bào)告中所涉及到的小區(qū)的標(biāo)識信息，從定位指紋庫中篩選涉及相同小區(qū)的指紋數(shù)據(jù)記錄；

將篩選出的每個(gè)指紋數(shù)據(jù)記錄所包含的訓(xùn)練樣本與在線傳入的移動終端的測量報(bào)告計(jì)算歐氏距離；并從中篩選得到歐氏距離最小的訓(xùn)練樣本，根據(jù)其所對應(yīng)的柵格，選定該柵格為目標(biāo)柵格；

將目標(biāo)柵格下的樣本數(shù)據(jù)與SVR定位模型離線學(xué)習(xí)得到的參數(shù)，進(jìn)行卷積計(jì)算，得到最終的預(yù)測經(jīng)緯度；

第三步，定位指紋數(shù)據(jù)庫自適應(yīng)更新階段和SVR定位模型自適應(yīng)更新階段，具體包括：

定位指紋數(shù)據(jù)庫自適應(yīng)更新階段：根據(jù)步驟(1)采集新的測量報(bào)告，并根據(jù)步驟(2-1)和(2-2)形成備用指紋數(shù)據(jù)記錄；根據(jù)所處柵格的SVR定位模型量化每一條指紋數(shù)據(jù)記錄對于定位計(jì)算結(jié)果的影響程度，并標(biāo)記每一條指紋數(shù)據(jù)記錄的入庫時(shí)間；根據(jù)量化的影響程度和入庫時(shí)間更新定位指紋庫，包括：

根據(jù)指紋數(shù)據(jù)記錄的入庫時(shí)間，篩選入庫的時(shí)長超過設(shè)定時(shí)間段的指紋數(shù)據(jù)記錄；

將篩選出的記錄中量化的影響程度小于設(shè)定值的記錄剔除；

如果定位指紋數(shù)據(jù)庫內(nèi)指紋數(shù)據(jù)記錄的數(shù)量低于設(shè)定數(shù)量，則補(bǔ)充新采集的備用指紋數(shù)據(jù)記錄進(jìn)指紋數(shù)據(jù)庫；

SVR定位模型自適應(yīng)更新階段，包括：

如果某一柵格內(nèi)的指紋數(shù)據(jù)記錄被剔除和/或補(bǔ)入，則根據(jù)剔除和/或補(bǔ)入后的指紋數(shù)據(jù)記錄更新該柵格的SVR定位模型；

在(2-4)中，1.non-bounded啟發(fā)式搜索：

i.首先遍歷alpha滿足條件域(-C,0)∪(0,C)，稱滿足條件域的點(diǎn)為non-bounded，因?yàn)闈M足條件域的點(diǎn)在最終預(yù)測輸出中起著主導(dǎo)作用；用alpha表示上文中每一個(gè)樣本所對應(yīng)的a所組成的向量，C為懲戒參數(shù)；

ii.其次遍歷違反KKT條件的alpha，關(guān)于KKT條件，具體見式|y_i-f_i|≠ε，此外若不滿足該判斷，則跳出條件，返回alpha，b；f_i為根據(jù)SVR模型，迭代過程中第i個(gè)樣本輸入后，其預(yù)測輸出的回歸計(jì)算結(jié)果；y_i為第i個(gè)樣本的實(shí)際值，ε為誤差容忍度，b為閾值；

iii.接著尋找更新步長最大的第二個(gè)alpha，在non-bounded集合中遍歷，同時(shí)存貯當(dāng)前第一，第二個(gè)alpha，以便后面做進(jìn)一步計(jì)算；

iv.進(jìn)一步更新目標(biāo)alpha，為SMO核心部分；

v.對上文得到的alpha做判別，第一次判斷其是否有足夠的更新步長，第二次判斷non-bounded的alpha集合是否為空，為空則沒必要繼續(xù)更新下去，第三次判斷為non-bounded的alpha集合是否為空，第四次判斷仍舊判斷alpha是否有足夠的步長，至此，non-bounded啟發(fā)式更新alpha完成一次迭代；

vi.最后更新b值同時(shí)返回alpha及b；

如此，迭代完一次non-bound ed集合，更新了違反KKT的alpha，將其封裝在nonBoundedLoop函數(shù)中；

2.Bounded啟發(fā)式搜索：

Bounded啟發(fā)式搜索與上文的non-bounded相似，不同之處在于前者是在0,±C中更新alpha每個(gè)維度的值，由于過程中對結(jié)果起重要作用的是支持向量，故alpha每個(gè)維度取值為0,±C的屬次要，但其更新仍會影響支持向量發(fā)生相應(yīng)變化，故其仍需做進(jìn)一步遍歷迭代，過程如下：

i.首先遍歷alpha滿足條件域0,±C，稱滿足條件域的點(diǎn)為bounded，滿足條件域的點(diǎn)在最終預(yù)測輸出中起著次要作用；

ii.其次遍歷違反KKT條件的alpha，此外若不滿足該判斷，則跳出條件，返回alpha，b；

iii.接著尋找更新步長最大的第二個(gè)alpha，在全樣本集合中遍歷，同時(shí)存貯當(dāng)前第一，第二個(gè)alpha，以便后面做進(jìn)一步計(jì)算；

iv.進(jìn)一步更新alpha，由于對內(nèi)層alpha的搜索是在全樣本中，故無需再進(jìn)行判斷搜索結(jié)果集是否為空，同時(shí)由于bounded集上的alpha在預(yù)測中起次要作用，故不再進(jìn)一步判斷其是否有足夠更新；

v.最后更新b值同時(shí)返回alpha及b；

如此，迭代完一次bounded集合，更新了違反KKT的alpha，將其封裝在BoundedLoop函數(shù)中；

3.總的遍歷及判斷

總的遍歷及判斷條件為：最大搜尋步數(shù)與全樣本改變量，兩者為與關(guān)系，后者又分為：改變量次數(shù)或是否遍歷全樣本，兩者為或關(guān)系；

通過啟發(fā)式搜索對輸入數(shù)據(jù)通過核的映射，在高緯的空間里實(shí)現(xiàn)SVR回歸；定位算法中SVR訓(xùn)練采用徑向基核函數(shù)進(jìn)行映射，從而得到在線定位模型進(jìn)行存儲。