一种基于支持向量回归的室内指纹快速定位方法技术

本发明专利技术公开了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，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。采用本发明专利技术的基于支持向量回归的室内指纹快速定位方法可以减少在线指纹匹配范围，并且通过提取信号强度之间的特征值减少噪声干扰，从而提高定位精度，加快指纹匹配的速度。

A fast indoor fingerprint localization method based on support vector regression

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(WeighedKNN，WKNN)、支持向量回归算法(SupportvectorRegression，SVR)、遗传算法等。但上述传统WLAN指纹定位方法在实际应用中，存在在线匹配时通常会出现计算量大、匹配时间长，导致定位实时性差、或精度受影响等缺点。
技术实现思路
为了解决传统WLAN指纹定位方法中指纹匹配数据库过于庞大、实时性差、原始数据存在干扰噪声等问题，本专利技术公开了一种基于支持向量回归的室内指纹快速定位方法。为了达到上述专利技术目的，本专利技术采用以下技术方案：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：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。进一步，所述粗定位采用svm粗定位。进一步，所述准确定位采用knn细定位。本专利技术与传统的指纹库不同，传统指纹库是利用RSS，本专利技术则利用RSS的特征值，通过svm粗定位、knn细定位实现一个指纹库的准确定位。进一步，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。更进一步，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。更进一步，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]，其中fi,j代表第j个AP在参考点i的特征，fi,j＝[μ,σ,κ,α,Kr]；进一步，所述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，ξi≥0，ξi*≥0；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K(Fi,F)，并利用Wolfe对偶技巧求解上述问题，最终得到的回归模型如下：式中，(αi、α*i)为拉格朗日乘子，(αi≥0，α*i)≥0。更进一步，所述步骤二中利用关系模型进行进行粗定位方法包括以下步骤：4.1按离线阶段步骤2.2给出的参考点指纹采集方法，实时采集用户所处位置周围AP的信号强度表示第k次采集到的第j个AP的信号强度。4.2按离线阶段步骤2.3给出的特征矢量计算方法，计算全部AP在这个位置的特征指纹F。4.3将上步得到的F代入离线阶段步骤3.2给出的回归模型中，得到该位置的坐标(x,y)。更进一步，所述步骤二中利用加权K近邻(WKNN)算法进行准确定位方法包括以下步骤：5.1利用SVR定位误差大小确定特征指纹在数据库中的指纹匹配的搜索范围；5.2采用WKNN方法确定离特征指纹最近的若干参考点；5.3得到用户坐标。更进一步，所述步骤5.1具体为：以步骤4.3得到的坐标(x,y)为中心，根据SVR定位误差大小，确定特征指纹F在数据库中的指纹匹配的搜索范围。更进一步，所述步骤5.2具体为：在步骤5.1得到的搜索范围内采用WKNN方法得到K个离特征指纹F最近的参考点，其对应坐标为Pi。近邻准则公式为d＝||F-Fi||，||·||代表2范数，Fi代表参考点Pi对应的特征矢量，d表示F和Fi之间的欧几里得距离，在WKNN中用来求解最近的参考点。更进一步，所述步骤5.3具体为：最终用户位置P的坐标(x,y)根据下面两个式子计算得到。其中，T表示矩阵转置，wi表示权重因子，di表示近邻准则公式求得的欧几里得距离，K表示采用WKNN求得的K个参考点个数，K取大于等于1的自然数，xi和yi表示根据WKNN求解得到的参考点坐标。本专利技术的实现过程为：首先，离线阶段在待定位区域选取参考点，在各个参考点处采集附近无线AP的信号强度RSS，同时结合室内地图确定参考点的位置坐标；其次，根据采集到的信号强度RSS计算相应的特征值，构成位置特征值指纹数据库，并利用支持向量回归算法构建位置与特征指纹之间的非线性关系；然后，在线定位阶段用户根据移动设备接收到的附近无线AP的信号强度RSS，同样计算相应的特征值，代入离线阶段训练的非线性模型，得到用户初步的定位结果；最后，在初步定位的位置的附近采用加权K近邻指纹匹配的方法，确定用户的最终位置。针对直接采用WKNN存在数据库匹配复杂度大的缺点，本专利技术先利用支持向量回归得到用户大概位置，然后在小范围内采用WKNN进行匹配，可以大幅度减少WKNN的匹配复杂度，从而降低数据库的搜索时间，提高算法的实时性能。此外，在定位要求不高的场合，也可以直接使用支持向量回归得到定位结果，加快系统响应时间。针对支本文档来自技高网...

【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