[發(fā)明專利]基于區(qū)域劃分和稀疏支持向量回歸的室內(nèi)指紋定位方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201810349952.2
• 申請(qǐng)日: 2018-04-18
• 公開（公告）號(hào): CN108717175B
• 公開（公告）日: 2020-10-02
• 發(fā)明（設(shè)計(jì)）人: 劉敏;張?jiān)?/a>;徐高威;王經(jīng)緯;房浩;章鋒
• 申請(qǐng)（專利權(quán)）人: 同濟(jì)大學(xué)
• 主分類號(hào): G01S5/02
• 分類號(hào): G01S5/02;H04W64/00
• 代理公司: 上海科盛知識(shí)產(chǎn)權(quán)代理有限公司 31225
• 代理人: 楊宏泰

1.一種基于區(qū)域劃分和稀疏支持向量回歸的室內(nèi)指紋定位方法，其特征在于，包括以下步驟：

1)將待定位區(qū)域劃分為多個(gè)子區(qū)域，定義各個(gè)子區(qū)域頂點(diǎn)的坐標(biāo)，并在各頂點(diǎn)設(shè)置參考信號(hào)節(jié)點(diǎn)，收集各參考信號(hào)節(jié)點(diǎn)周圍的無(wú)線接入點(diǎn)的信號(hào)強(qiáng)度，經(jīng)路由器建立與后臺(tái)服務(wù)器的連接，將收集到的信號(hào)強(qiáng)度數(shù)據(jù)與該點(diǎn)的物理坐標(biāo)結(jié)合，形成指紋數(shù)據(jù)，上傳到服務(wù)器；

2)服務(wù)器將來(lái)自參考節(jié)點(diǎn)的信號(hào)強(qiáng)度數(shù)據(jù)通過(guò)可靠AP選擇算法進(jìn)行過(guò)濾，并存儲(chǔ)在數(shù)據(jù)庫(kù)中，具體包括以下步驟：

201)獲取K次采樣后在參考點(diǎn)j處無(wú)線接入點(diǎn)i信號(hào)強(qiáng)度的方差δ_ij：

RSS_k＝rssi_ijk

其中，rssi_ijk為第k次采樣參考點(diǎn)j接收到的接入點(diǎn)i的信號(hào)強(qiáng)度，為采樣信號(hào)強(qiáng)度平均值；

202)計(jì)算K次采樣后各無(wú)線接入點(diǎn)的信號(hào)出現(xiàn)頻率Pro_i：

其中，C_i為無(wú)線接入點(diǎn)i的在全部采樣中出現(xiàn)的次數(shù)，C_k為第k次采樣中無(wú)線接入點(diǎn)i出現(xiàn)的次數(shù)；

203)計(jì)算接入點(diǎn)i的可靠性：

其中，ε為極小的正數(shù)；

204)計(jì)算接入點(diǎn)i的熵ΔE_i：

其中，Rel_k為第k次采樣中接入點(diǎn)i的可靠性；

205)將所有的無(wú)線接入點(diǎn)的ΔE_i按從大到小順序排列，取前l(fā)個(gè)作為選擇的可接入點(diǎn)，并將數(shù)據(jù)庫(kù)中非該l個(gè)無(wú)線接入點(diǎn)信號(hào)強(qiáng)度數(shù)據(jù)剔除；

3)構(gòu)建室內(nèi)指紋定位模型，并根據(jù)過(guò)濾后的指紋數(shù)據(jù)對(duì)室內(nèi)指紋定位模型進(jìn)行訓(xùn)練；

4)用戶終端實(shí)時(shí)感知其實(shí)際位置的周圍接收到的若干個(gè)無(wú)線接入點(diǎn)的信號(hào)強(qiáng)度，并將該數(shù)據(jù)上傳至服務(wù)器，根據(jù)訓(xùn)練后的室內(nèi)指紋定位模型計(jì)算用戶終端的實(shí)際位置并傳送給用戶終端。

2.根據(jù)權(quán)利要求1所述的一種基于區(qū)域劃分和稀疏支持向量回歸的室內(nèi)指紋定位方法，其特征在于，所述的步驟3)中，室內(nèi)指紋定位模型采用稀疏最小二乘支持向量回歸模型。

3.根據(jù)權(quán)利要求2所述的一種基于區(qū)域劃分和稀疏支持向量回歸的室內(nèi)指紋定位方法，其特征在于，所述的步驟3)具體包括以下步驟：

31)對(duì)過(guò)濾后的指紋數(shù)據(jù)進(jìn)行核主特征分析；

32)對(duì)核主特征分析后的指紋數(shù)據(jù)進(jìn)行k-means聚類，將整個(gè)待定位區(qū)域劃分為p個(gè)區(qū)域；

33)根據(jù)L₀范式構(gòu)造稀疏最小二乘支持向量回歸模型，即：

其中，f(x)為目標(biāo)定位值，α_i為拉格朗日乘子，Φ(x_i)為核函數(shù)，x為樣本自變量，即接收到的接入點(diǎn)的信號(hào)強(qiáng)度，b為偏差值。

4.根據(jù)權(quán)利要求3所述的一種基于區(qū)域劃分和稀疏支持向量回歸的室內(nèi)指紋定位方法，其特征在于，所述的步驟31)具體包括以下步驟：

311)將過(guò)濾后的指紋數(shù)據(jù)整合成一個(gè)樣本數(shù)據(jù)矩陣：

db＝(rssi₁，rssi₂，...rssi_i...，rssi_p)

其中，rssi_i＝(rssi_i1，rssi_i2，...，rssi_ij)^T，rssi_ij為參考點(diǎn)j在無(wú)線接入點(diǎn)i處采樣平均值，p為采樣階段無(wú)線接入點(diǎn)的種類數(shù)；

312)通過(guò)高斯核函數(shù)將樣本數(shù)據(jù)矩陣db映射到線性可分的高維空間，得到核矩陣S，獲取核矩陣S的特征值和特征向量，特征值分解公式如下：

λ(Ψ(rss_i)·v)＝S·v

其中，λ為特征向量v的特征值，Ψ(rss_i)為輸入特征映射值；

313)根據(jù)設(shè)定的提取效率，選取累計(jì)貢獻(xiàn)率大于該提取效率的特征集[λ₁，...，λ_m]，其對(duì)應(yīng)主特征集為V＝[v₁，...，v_m]；

5.根據(jù)權(quán)利要求4所述的一種基于區(qū)域劃分和稀疏支持向量回歸的室內(nèi)指紋定位方法，其特征在于，所述的步驟4)中，用戶終端的實(shí)際位置為：

其中，分別為x、y方向上相應(yīng)的拉格朗日乘子，b^x、b^y分別為x、y方向上相應(yīng)的偏差值，F(xiàn)(·)為高斯核函數(shù)，即：

其中，σ²為核函數(shù)參數(shù)，u為用戶在實(shí)時(shí)位置處的采樣并進(jìn)行主特征分析后的輸出，v_h為總維數(shù)為m的主特征集V的第h個(gè)特征向量。