[發明專利]基于堆疊受限玻爾茲曼機和隨機森林算法的室內定位方法

有效

• 申請號: 201710464400.1
• 申請日: 2017-06-19
• 公開（公告）號: CN107817466B
• 公開（公告）日: 2021-02-19
• 發明（設計）人: 王楷;熊慶宇;余星;姚政;孫國坦;馬龍昆
• 申請（專利權）人: 重慶大學
• 主分類號: G01S5/02
• 分類號: G01S5/02;G01S5/10
• 代理公司: 重慶大學專利中心 50201
• 代理人: 王翔

本發明公開一種基于堆疊受限玻爾茲曼機和隨機森林算法的室內定位方法。利用深度學習方法學習信號強度數據的深層次的、抽象的特征，自主挖掘數據間內在的某種不易為人們感知的關聯，再利用深度學習得到的特征來做定位，其目的是解決WIFI室內定位過程中，減小對于不同接收設備和其他環境因素所帶來的采集信號誤差，使最終定位獲取更大精度的問題。

技術領域

本發明涉及無線通信技術和數據挖掘技術，屬于無線通信大數據的室內定位方法，包括無監督深度學習特征提取方法和有監督機器學習定位方法，其中特征提取方法采用深度學習中的堆疊受限玻爾茲曼機算法，利用無監督的學習過程來提取原始數據中的深層次抽象特征，再采用機器學習中的隨機森林算法訓練室內定位模型。

背景技術

定位技術，通常是指在某一空間中事先測得一組參考點的位置，然后通過這些已知參考點的位置來估算該空間內未知的移動終端的位置的過程。其在日常生活和生產以及公共事業和商務應用等許多領域都有著廣泛的應用背景。但是用于室內定位時，由于建筑物對衛星信號的影響，定位能力受到很大的限制，相反，基于無線網絡技術的定位系統進行室內定位時，定位效果明顯提高。WLAN技術因其在室內布設簡單、部署廣泛、價格低廉等特性更加適用于室內定位，而其中利用位置指紋庫實現的定位技術因為其實現簡單，定位精度高受到了較高的關注。

在現有的位置指紋庫室內定位模型中，大部分采用的是主成分分析(PCA)來進行數據特征提取，但主成分分析法只能提取數據間的線性特征，而忽略了數據間高于二階的關系，限制了非線性特征的提取，針對于此，有些人提出了基于核函數的主成分分析(KPCA)法來進行特征提取，這種方法可以有效提取數據間的非線性特征。但利用坐標變換方式提取特征可能會導致數據之間深層次的特征丟失，從而影響后面模型定位的準確性。

本文的模型優勢在于采用堆疊受限玻爾茲曼機提取特征，直接從原始信號數據中學習深度特征，再帶入到后面的隨機森林模型訓練，確保學習到特征的有效性，避免了一些有效信息的丟失，提高了定位精度。

發明內容

本發明旨在利用深度學習方法學習信號強度數據的深層次的、抽象的特征，自主挖掘數據間內在的某種不易為人們感知的關聯，再利用深度學習得到的特征來做定位，其目的是解決WIFI室內定位過程中，減小對于不同接收設備和其他環境因素所帶來的采集信號誤差，使最終定位獲取更大精度的問題。

一種基于堆疊受限玻爾茲曼機和隨機森林算法的室內定位方法，其特征在于:

通過步驟1～4獲得基于WLAN信號強度的室內定位模型：

1)在所述室內定位運用場景中，布置M個參考節點(Reference Point,RP)和N個接入節點(Access Point,AP)，在Q個時刻，獲取每個參考節點所接收到的接入節點(需要接收全部接入點的信號，如果收不到某個接入點信號，則用0表示)的信號強度數據，形成數據樣本集C＝{C₁、C₂、……C_Q}，

其中：為第m個參考節點在第q個時刻，所檢測到的第n個接入節點的信號強度數據,q＝1、2……Q、n＝1、2……N，m＝1、2、……M；如果接收不到信號，則用0表示信號強度；

2)將步驟1獲取的數據樣本集C進行歸一化處理，得到數據C^*。

3)深度特征提?。?/p>

基于受限玻爾茲曼機算法構建一個含有多個隱藏層的深度特征學習模型，預訓練原始數據；深度學習網絡每一層的權重分別為W₁、W₂…W_f，特征集為hf；

具體步驟如下：