[發明專利]基于近鄰成分分析的度量學習的指紋定位方法

在審

• 申請號: 202011120729.4
• 申請日: 2020-10-19
• 公開（公告）號: CN114374931A
• 公開（公告）日: 2022-04-19
• 發明（設計）人: 顏銘江;張靜芳;張蘭心;顏潤華;柏思琪
• 申請（專利權）人: 中國移動通信集團重慶有限公司;中國移動通信集團有限公司
• 主分類號: H04W4/029
• 分類號: H04W4/029;H04W16/22;H04W64/00;G06F16/29
• 代理公司: 北京市浩天知識產權代理事務所(普通合伙) 11276
• 代理人: 王廣濤

1.一種基于近鄰成分分析的度量學習的指紋定位方法，其特征在于，所述方法包括：

獲取待定位區域的待定位點的信號數據，所述信號數據包所述在所述待定位點接收到的預設的多個信號發射器的信號強度數據；

將所述信號數據輸入目標定位模型中，其中，所述目標定位模型根據目標度量矩陣及指紋庫訓練得到，所述目標度量矩陣為使得各個樣本的期望誤差的和最小時所對應的距離計算參數，所述各個樣本的期望誤差由每個樣本與所述指紋庫中其他各個樣本成為鄰居的選擇概率以及對應的位置坐標與各個樣本對應的位置坐標之間的歐氏距離確定，所述選擇概率由每個樣本與所述指紋庫中其他各個樣本的信號強度確定；

獲取所述目標定位模型輸出的所述待定位點的目標位置坐標。

2.根據權利要求1所述的方法，其特征在于，所述指紋庫包括預先在所述待定位區域的采集位置采集的多個指紋，每個指紋對應于一個采集位置的位置坐標，每個指紋包括在所述采集位置接收到的來自各個所述信號發射器的信號強度，在所述獲取待定位點的信號采集數據之前，進一步包括：

確定所述指紋庫中各個指紋的所述期望誤差的和作為代價函數，所述代價函數表示為下式：

其中，L為所述距離計算參數，q_i為指紋庫中第i個指紋z_i對應的位置坐標，q_j為指紋庫中z_i以外的任一指紋z_j對應的位置坐標q_j，p_ij為z_i與z_j作為鄰居的選擇概率；

確定正則化項，根據所述正則化項及所述代價函數得到目標函數；

對所述目標函數的最小值進行求解，得到在所述目標函數取最小值時的L作為所述目標度量矩陣。

3.根據權利要求2所述的方法，其特征在于，所述確定正則化項，根據所述正則化項及所述代價函數得到目標函數，進一步包括：

確定L的Frobenius范數與正則化參數λ的乘積作為所述正則化項

根據及所述代價函數得到目標函數表示為如下：

其中e_ij＝(q_j-q_i)^T(q_j-q_i)。

4.根據權利要求2所述的方法，其特征在于，所述對所述目標函數的最小值進行求解，得到在所述目標函數取最小值時的L作為所述目標度量矩陣，進一步包括：

對所述目標函數進行求導，求導公式如下：

獲取使得所述目標函數的導數為零的L作為所述目標度量矩陣。

5.根據權利要求4所述的方法，其特征在于，在對所述目標函數進行求導之前，進一步包括：

確定所述目標函數是否收斂，在所述目標函數不收斂的情況下，根據基于梯度的優化算法對所述目標函數進行迭代優化；

計算每一次優化后所述目標函數的梯度變化；

獲取迭代優化后梯度變化小于預設梯度閾值時的目標函數對應的距離計算參數作為所述目標度量矩陣。

6.根據權利要求5所述的方法，其特征在于，所述獲取迭代優化后梯度變化小于預設梯度閾值時的目標函數對應的距離計算參數作為所述目標度量矩陣之后，還進一步包括：

根據所述目標度量矩陣計算所述指紋庫中各個指紋與所述待定位點的目標距離；

獲取與所述待定位點的目標距離最近的t個指紋，t為不為0的自然數，獲取所述t個指紋對應的坐標位置的平均值作為所述待定位點對應的目標位置坐標。