[發明專利]一種基于參數預測的深度遷移室內定位方法

有效

• 申請號: 202110409122.6
• 申請日: 2021-04-16
• 公開（公告）號: CN113132931B
• 公開（公告）日: 2022-01-28
• 發明（設計）人: 郭賢生;宋雅婕;段林甫;黃健;李林;萬群;沈曉峰;李會勇;殷光強
• 申請（專利權）人: 電子科技大學
• 主分類號: H04W4/33
• 分類號: H04W4/33;H04W64/00;G06K9/62
• 代理公司: 成都點睛專利代理事務所(普通合伙) 51232
• 代理人: 孫一峰

1.一種基于參數預測的深度遷移室內定位方法，其特征在于，包括以下步驟：

S1、將待定位室內環境劃分為C個格點，依次記錄每個格點的位置并設置唯一標簽，格點標簽表示為：

Y_s＝{y_k|k＝1,2,…,C}

S2、在第1個月份內，使用移動設備依次在每個格點中進行多次采樣并記錄每條RSS樣本值用于構建指紋庫，其中第i條RSS樣本值表示為：

其中，m表示待定位區域中所有接入點的數量，表示第i條樣本中接收到第m個接入點的信號強度值；假設整個待定位區域中一共采集了n_s條RSS樣本，則所有樣本表示為：

X_s＝{x_i^T|i＝1,2,…,n_s}

將所有樣本和其對應的位置標簽進行拼接，得到源域數據

S3、從第n個月開始，n≥2，接收來自用戶或待定位設備的RSS值作為目標域數據

其中，X_t表示總數量為n_t的所有在線樣本集合：

X_t＝{x_j^T|j＝1,2,…,n_t}

S4、構建包含L層的源網絡進行預訓練，其中網絡前(L-1)層為特征提取部分，對應參數記為Θ_s，最后一層為分類層，對應參數記為θ_s；將有標簽的源域數據輸入源網絡中，采用如公式(1)所示的交叉熵損失函數計算網絡的分類損失，并基于該分類損失利用梯度下降法更新參數Θ_s和θ_s；

S5、構建與源網絡結構相同的目標網絡，其特征提取部分的參數記為Θ_t，分類層對應參數記為θ_t，初始化目標網絡的參數為預訓練好的源網絡參數；

S6、基于源網絡參數和轉換矩陣對目標網絡參數進行預測，預測部分為網絡前(L-1)層的參數Θ_t，分類層參數在源網絡分類層參數的基礎上隨訓練過程進行更新；神經網絡的每一層都包含權重矩陣和偏置向量兩部分，一個具有L層的神經網絡的參數Θ，具體表示為：

其中，Θ⁽ⁱ⁾表示第i層的網絡參數，W⁽ⁱ⁾和b⁽ⁱ⁾分別表示該層的權重矩陣和偏置向量，轉換矩陣中包含對權重矩陣進行放縮的矩陣A及對偏置向量進行平移的向量d；

S7、將源域數據和目標域數據分別輸入源網絡和目標網絡中，固定源網絡參數Θ_s，更新每一層的放縮矩陣A和平移向量d，以及最后一層分類層的參數θ_t；

S8、將第(n+1)個月的在線RSS樣本輸入目標網絡中進行定位，得到定位結果。

2.根據權利要求1所述的一種基于參數預測的深度遷移室內定位方法，其特征在于，所述步驟S6的具體方法為：

S61、將放縮矩陣A中的元素全部初始化為1，將平移向量d設置為零向量；

S62、基于源網絡參數Θ_s對目標網絡的參數進行預測，即每一層權重矩陣中的元素與放縮矩陣中的對應元素相乘，偏置向量中的元素與平移向量中的元素對應相加，目標域網絡第i層的參數計算方式為：

3.根據權利要求2所述的一種基于參數預測的深度遷移室內定位方法，其特征在于，所述步驟S7的具體方法為：

S71、將有標簽的源域數據輸入源網絡，經過前4層參數為Θ_s的特征提取部分后得到源域數據特征R_s，特征通過參數為θ_t的分類層后，利用交叉熵損失函數衡量預測結果：

S72、將無標簽目標域數據通過前4層參數為Θ_t的特征提取部分得到目標域數據特征R_t；

S73、為了使目標域數據特征充分接近源域數據特征，在希爾伯特空間內利用MMD準則最小化源域特征R_s和目標域特征R_t之間的距離，即最小化損失函數

其中，φ為核映射，核函數k(R_s,R_t)＝φ(R_s),φ(R_t)；

S74、使用梯度下降法更新每一層網絡參數的放縮矩陣A和平移向量d及最后一層分類層的參數θ_t，最小化總損失函數直到收斂：