【技术实现步骤摘要】
本专利技术涉及一种基于在线增量超限学习机的室内指纹定位算法。
技术介绍
随着无线通信网络及移动设备的普及与运用,人们对于位置服务(LocationbasedService,LBS)的需求与日俱增,其中室内定位的应用场景也变得越来越广泛,如消防救援、广告投放、物流管理等。因此,国内外许多学者及机构提出了利用UWB、RFID、蓝牙、红外等技术进行室内定位。但上述定位技术有一个共同缺陷,它们都依赖部署专用的硬件设施,成本昂贵,只能应用在有限的范围内。近年来,随着以WiFi为代表的无线局域网络(WLAN)被广泛部署于室内环境之中,基于WLAN技术进行室内定位恰好能够利用现有的无线局域网架构,降低了部署难度及成本,目前已经成长为室内定位技术中的绝对主流。根据定位原理的不同,室内定位主要可以分为三类:最近AP定位、几何计算定位和位置指纹定位。最近AP定位主要是通过寻找目标附近最近AP点,并将其位置近似为目标所在位置,定位准确性不高。几何定位包括TOA法、TDOA法、AOA法,这些方法的共同点是利用几何原理计算目标的位置,对于设备要及环境要求苛刻;位置指纹定位主要过程是将指纹信号与数据库中的指纹信号进行匹配从而估算出位置。与另外两种定位技术相比,位置指纹定位精度较高、对环境及设备要求低,因此成为室内定位技术中的热点。超限学习机(ExtremeLearningMachine,ELM)作为一种新兴的机器学习算法被提出,并且凭借其快速学习能力以及良好的泛化能力,引起了广泛的关注,与此同时,基于ELM的室内指纹定位算法也受到了研究者的青睐。假设训练样本输入为输出为其中,N:输 ...
【技术保护点】
基于在线增量超限学习机的室内指纹定位算法,其特征在于包括以下几个方面:(1)通过增量学习,逐个添加隐含层节点至定位模型之中;(2)计算经过增量学习后的隐含层输出权值向量,构建初始化的位置估计模型;(3)通过在线学习方法对初始化的位置估计模型进行动态调整;(4)计算经过在线学习后的隐含层输出权值向量,得到最终的位置估计模型。
【技术特征摘要】
1.基于在线增量超限学习机的室内指纹定位算法,其特征在于包括以下几个方面:(1)通过增量学习,逐个添加隐含层节点至定位模型之中;(2)计算经过增量学习后的隐含层输出权值向量,构建初始化的位置估计模型;(3)通过在线学习方法对初始化的位置估计模型进行动态调整;(4)计算经过在线学习后的隐含层输出权值向量,得到最终的位置估计模型。2.根据权利要求1所述的基于在线增量超限学习机的室内指纹定位算法,其特征在于隐含层节点是逐个被添加到位置估计模型中,并且每个隐含层节点被添加后进行多次训练,根据残留误差的大小选取最优的隐含层节点参数。3.根据权利要求1所述的基于在线增量超限学习机的室内指纹定位算法,其特征在于每个新添加的隐含层节点所对应的输出权值向量必须满足βn*=<en-1*,hn*>||hn*||2]]>其中,是残留误差,隐含层输出。4.根据权利要求1所述的基于在线增量超限学习机的室内指纹定位算法,其特征在于新加入的训练样本对于训练好的位置估计模型进行动态调整,其中,对应的隐含层输出矩阵必须满足:Hk+1=G(w1,b1,x(...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。