[發明專利]一種基于支持向量回歸的室內指紋快速定位方法

有效

• 申請號: 201710532425.0
• 申請日: 2017-07-03
• 公開（公告）號: CN107333238B
• 公開（公告）日: 2020-06-30
• 發明（設計）人: 姚英彪;毛偉勇;劉兆霆;嚴軍榮;馮維
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: H04W4/02
• 分類號: H04W4/02;H04W4/33;H04W64/00;G01S11/06;G06F16/242;G06F16/2458
• 代理公司: 浙江千克知識產權代理有限公司 33246
• 代理人: 周希良;張嬋嬋

1.一種基于支持向量回歸的室內WLAN指紋快速定位方法，包括離線階段和在線階段兩個步驟，其特征在于：

步驟一離線階段，建立參考點的特征指紋數據庫和訓練特征指紋與參考點位置之間的關系模型；

步驟二在線階段，利用關系模型進行粗定位，然后利用加權K近鄰算法進行準確定位；

所述步驟一中建立參考點的特征指紋數據庫包括如下步驟：

2.1根據室內地圖按照均勻抽樣原則確定參考點位置；

2.2在每個參考點位置采集T次全部無線AP的信號強度：

2.3在每個參考點利用采集到的信號強度數據建立特征指紋矢量；

2.4將每個參考點的特征指紋、位置錄入到特征指紋數據庫中；

所述步驟2.3具體為：特征指紋矢量由每個AP在參考點i的信號強度均值μ、標準差σ、峰度系數κ、偏度系數α和賴斯因子K_r組成，記參考點i的特征指紋為為F_i＝[f_i，1，f_i，2，…f_i，N]，f_i，j＝[μ，σ，κ，α，K_r]，其中f_i，j代表第j個AP在參考點i的特征；

步驟一中訓練特征指紋與參考點位置之間的關系模型包括如下步驟：

3.1采用支持向量回歸(SVR)算法進行訓練關系模型，通過一個非線性映射Φ；F→H將F_i映射到高維特征空間H中，在H中構建位置坐標P中與特征值F的最優回歸函數：

P＝W^T·Φ(F)+b

式中：W為權系數，W∈H，b為偏置，T表示矩陣轉置；

依據結構風險化最小原則，求解如下凸二次規劃問題：

式中，C為懲罰參數，N表示高維空間的維數，ξ_i、為松弛變量，ε表示一個正的無窮小量；

3.2通過引入拉格朗日多項式，同時根據SVR理論引入核函數K(F_i，F)，并利用Wolfe對偶技巧求解上述問題，最終得到的回歸模型如下：

式中，α_i、為拉格朗日乘子，α_i≥0，

所述步驟二中利用關系模型進行粗定位方法包括以下步驟：

4.1按離線階段步驟2.2給出的參考點指紋采集方法，實時采集用戶所處位置周圍AP的信號強度表示第k次采集到的第j個AP的信號強度；

4.2按離線階段步驟2.3給出的特征矢量計算方法，計算全部AP在這個位置的特征指紋F；

4.3將上步得到的F代入離線階段步驟3.2給出的回歸模型中，得到該位置的坐標(x，y)；

所述步驟二中利用加權K近鄰WKNN算法進行準確定位方法包括以下步驟：

5.1利用SVR定位誤差大小確定特征指紋在數據庫中的指紋匹配的搜索范圍；

5.2采用WKNN方法確定離特征指紋最近的若干參考點；

5.3得到用戶坐標；

所述步驟5.1具體為：以步驟4.3得到的坐標(x，y)為中心，根據SVR定位誤差大小，確定特征指紋F在數據庫中的指紋匹配的搜索范圍；

所述步驟5.2具體為：在步驟5.1得到的搜索范圍內采用WKNN方法得到K個離特征指紋F最近的參考點，其對應坐標為P_i；近鄰準則公式為d＝||F-F_i||，||·||代表2范數，F_i代表參考點P_i對應的特征矢量，d表示上F和F_i之間的歐幾里得距離；

所述步驟5.3具體為：最終用戶位置P的坐標(x，y)根據下面兩個式子計算得到，

其中，T表示矩陣轉置，W_i表示權重因子，d_i表示近鄰準則公式求得的歐幾里得距離，K表示采用WKNN求得的K個參考點數目，K取大于等于1的自然數，x_i和y_i表示根據WKNN求解得到的參考點坐標。

2.根據權利要求1所述的一種基于支持向量回歸的室內WLAN指紋快速定位方法，其特征在于，所述步驟2.2具體為：記參考點i的位置為P_i＝(x_i，y_i)，參考點i的RSS值為

表示第k次在參考點i采集到的第j個AP的信號強度，設定位區域總共有M個參考點，N個AP；其中，i取大于或等于1的自然數，P_i代表參考點i所在的位置，x、y代表室內位置形成的一個平面直角坐標系，k取大于或等于1的自然數，j取大于或等于1的自然數，M取大于或等于1的自然數，N取大于或等于1的自然數。