The invention discloses an indoor WLAN fingerprint location algorithm based on support vector regression, including off-line and on-line stages of two steps, one step off-line stage, the relationship model was established between the reference point of the fingerprint database and training characteristics of fingerprint and reference point; step two online stage for coarse positioning using relational model then, by using the weighted K nearest neighbor algorithm for accurate positioning. The invention of the indoor fingerprint rapid positioning method based on support vector regression can reduce the online fingerprint matching range, and by extracting characteristics between the signal intensity values reduce noise interference, so as to improve the positioning accuracy, speed up the speed of fingerprint matching.
【技术实现步骤摘要】
一种基于支持向量回归的室内指纹快速定位方法
本专利技术属于室内定位
,具体涉及一种基于支持向量回归的室内指纹快速定位方法。
技术介绍
随着物联网应用的不断扩大和深入,基于位置的服务(Location-basedServices,LBS)有了越来越广泛的应用,人们对位置信息及时、快速、准确获取的需求也越来越强烈。传统的GPS和蜂窝网技术在室外能达到较高的定位精度,但在室内环境下,由于建筑物对信号的影响,定位能力受到较大的限制。无线局域网(WirelessLocalAreaNetwork,WLAN)由于具有布设简单、价格低廉等特性,被广泛密集部署在室内环境中为用户提供通信服务,基于WLAN的室内定位已经成为当前室内定位的研究热点。目前WLAN室内定位方法中研究最普遍的是位置指纹定位方法。位置指纹定位方法一般分为离线阶段和在线阶段两个阶段。离线阶段,首先根据室内环境选择一些参考点,然后在每个参考点上采集周围WLAN接入点(AccessPoint,AP)的接收信号强度(ReceivedSignalStrength,RSS),以此构建RSS指纹,最后利用室内地图确定参考点的坐标,建立由参考点坐标和RSS指纹共同组成的位置指纹数据库。在线阶段,用户通过移动终端采集定位位置点的RSS指纹,然后将采集到的RSS指纹与位置指纹数据库里面的RSS指纹匹配,根据匹配结果确定用户当前的位置坐标。针对传统的指纹匹配算法,目前展开的研究有加快指纹库匹配的速度,优化指纹库匹配的算法,许多算法和技术已被应用,如K近邻算法(KNearestNeighbors,KNN)、加权K近邻法( ...
【技术保护点】
一种基于支持向量回归的室内WLAN指纹快速定位方法,包括离线阶段和在线阶段两个步骤,其特征在于:步骤一离线阶段,建立参考点的特征指纹数据库和训练特征指纹与参考点位置之间的关系模型;步骤二在线阶段,利用关系模型进行粗定位,然后利用加权K近邻算法进行准确定位。
【技术特征摘要】
1.一种基于支持向量回归的室内WLAN指纹快速定位方法,包括离线阶段和在线阶段两个步骤,其特征在于:步骤一离线阶段,建立参考点的特征指纹数据库和训练特征指纹与参考点位置之间的关系模型;步骤二在线阶段,利用关系模型进行粗定位,然后利用加权K近邻算法进行准确定位。2.根据权利要求1所述的一种基于支持向量回归的室内WLAN指纹快速定位方法,其特征在于,所述步骤一中建立参考点的特征指纹数据库包括如下步骤:2.1根据室内地图按照均匀抽样原则确定参考点位置;2.2在每个参考点位置采集T次全部无线AP的信号强度;2.3在每个参考点利用采集到的信号强度数据建立特征指纹矢量;2.4将每个参考点的特征指纹、位置录入到特征指纹数据库中。3.根据权利要求2所述的一种基于支持向量回归的室内WLAN指纹快速定位方法,其特征在于,所述步骤2.2具体为:记参考点i的位置为Pi=(xi,yi),参考点i的RSS值为表示第k次在参考点i采集到的第j个AP的信号强度,设定位区域总共有M个参考点,N个AP;其中,i取大于或等于1的自然数,Pi代表参考点i所在的位置,x、y代表室内位置形成的一个平面直角坐标系,k取大于或等于1的自然数,j取大于或等于1的自然数,M取大于或等于1的自然数,N取大于或等于1的自然数。4.根据权利要求3所述的一种基于支持向量回归的室内WLAN指纹快速定位方法,其特征在于,所述步骤2.3具体为:特征指纹矢量由每个AP在参考点i的信号强度均值μ、标准差σ、峰度系数κ、偏度系数α和赖斯因子Kr组成,记参考点i的特征指纹为Fi=[fi,1,fi,2,...,fi,N],fi,j=[μ,σ,κ,α,Kr],其中fi,j代表第j个AP在参考点i的特征。5.根据权利要求1所述的一种基于支持向量回归的室内WLAN指纹快速定位方法,其特征在于,步骤一中训练特征指纹与参考点位置之间的关系模型包括如下步骤:3.1采用支持向量回归(SVR)算法进行训练关系模型,通过一个非线性映射Φ;F→H将Fi映射到高维特征空间H中,在H中构建位置坐标P与特征值F的最优回归函数:P=WT·Φ(F)+b式中:W为权系数,W∈H,b为偏置,T表示矩阵转置;依据结构风险化最小原则,求解如下凸二次规划问题:并满足式中,C为惩罚参数,N表示高维空间的维数,ξi,ξi*为松弛变量;3.2通过引入拉格朗日多项式,同时根据SVR理论引入核函数...
【专利技术属性】
技术研发人员:姚英彪,毛伟勇,刘兆霆,严军荣,冯维,
申请(专利权)人:杭州电子科技大学,
类型:发明
国别省市:浙江,33
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。