一种基于广义多核函数的室内定位方法技术

本发明专利技术揭示了一种基于广义多核函数的室内定位方法，顺序建立指纹地图库；利用迭代自组织数据分析算法对训练数据集进行预处理；利用C‑支持向量分类算法进行分类学习；构造多核函数；利用基于谱投影梯度下降的广义多核学习算法训练得到多核函数的最佳权重系数和最佳核参数；对训练数据集进行回归学习得到位置回归函数集合；利用分类函数对目标接收到的RSSI值进行在线分类，并调用对应的位置回归函数进行位置估计，得到目标的位置坐标。本发明专利技术技术方案得以应用后，增强了机器学习的离线训练能力，进一步提高了室内定位的精度，同时切实降低了离线计算复杂度，得以成本效率优化。

An indoor location method based on generalized multi kernel function

The invention discloses an indoor positioning method based on generalized multi-kernel function, which establishes fingerprint map database sequentially, preprocesses training data set by using iterative self-organizing data analysis algorithm, classifies and learns by using C_support vector classification algorithm, constructs multi-kernel function, and uses generalized multi-kernel based on spectral projection gradient descent. Kernel learning algorithm trains the best weight coefficient and kernel parameter of multi-kernel function; gets the set of position regression function by regression learning of training data set; classifies the RSSI value received by the target on-line by using classification function, and estimates the position of the target by calling the corresponding position regression function. Mark. After the technical scheme of the invention is applied, the off-line training ability of machine learning is enhanced, the indoor positioning accuracy is further improved, and the off-line calculation complexity is effectively reduced, and the cost efficiency is optimized.

【技术实现步骤摘要】
一种基于广义多核函数的室内定位方法
本专利技术涉及无线通信技术、传感器技术，尤其涉及一种基于广义多核函数的室内定位方法，属于通信定位

技术介绍
近年来，由于政府调控和商业应用的增加，无线定位引起了广泛的关注。基于位置的服务（LocationBasedService,LBS）应用到了众多的领域中，例如：追踪、健康监测和智能交通系统（IntelligentTransportSystem,ITS）等。以往的文献中提出了很多用于无线定位的测距方法，例如接收信号强度指示（ReceivedSignalStrengthIndicators,RSSI），到达时间（TimeofArrival,TOA），到达时间差（TimeDifferenceofArrival,TDOA）和到达角（AngleofArrival,AOA）[1][2][3]等。其中，基于RSSI的方法功耗小，成本低，因而是一种性价比较高的解决方案。随着机器学习的发展，解决基于RSSI测量值的室内定位问题逐渐转化为求解机器学习问题。支持向量回归（SupportVectorRegression,SVR）[4][5][6][7]是传统的机器学习方法之一，作为SVR的一项重要技术，基于核函数[8][9]的学习方法也已广泛应用于定位问题中。而多核学习方法[10][11]（MultipleKernelLearning,MKL）将基核函数组合起来，从而解决更多的问题，例如学习相似性度量、异构特征组合，学习稀疏结构模型等。但现有多核学习算法一般都用于解决某一具体问题。例如：利用半正定规划[12]、M.-Y.正则化[13]、镜像下降[14]或半正定线性规划[15]等对服从正则化的线性MKL进行优化，利用范数[16]的直接最小化学习稀疏MKL模型，利用序列最小优化（SequentialMinimalOptimization,SMO）算法[17]、随机梯度下降[18]和半无限线性规划[19]对正则化的线性MKL进行优化等。这些特定的优化方法仅适用于他们本身针对的问题，无法推广应用。而广义多核学习算法[20]能够在线性和非线性核组合中，实现核参数化。广义多核学习[21]最常用的求解方法是投影梯度下降（ProjectedGradientDescent,PGD）求解算法，但该算法效率较低，扩展性差。相对于传统的PGD求解算法，谱投影梯度下降（SpectralProjectedGradient,SPG）求解算法具有巨大的优势。第一，该算法能够根据谱步长来选择步进大小，从而得到二次信息。第二，通过引入非单调线性搜索准则来计算谱步长，能够有效减少支持向量机的评估次数。同时，该准则还可以排除较差的局部最优解，从而对非凸的核参数进行更好的优化。第三，SPG求解算法在计算目标函数和梯度时，抗噪能力较强，算法性能更加稳定。最后，SPG求解算法所需的初始支持向量求解精度较低，以后每次求解时再对该精度进行动态提高，有效降低了支持向量机的评估成本。常见的无线定位测距方法详见：[1]S.GoldenandS.Bateman,“SensormeasurementsforWi-Filocationwithemphasisontime-of-arrivalranging,”IEEETrans.MobileComput.,vol.6,no.10,pp.1185–1198,2007；[2]Y.ShenandM.Win,“Ontheaccuracyoflocalizationsystemsusingwidebandantennaarrays,”IEEETrans.Commun.,vol.58,no.1,pp.270–280,2010；[3]Z.liWu,C.hungLi,J.-Y.Ng,andK.R.Leung,“Locationestimationviasupportvectorregression,”IEEETrans.MobileComput.,vol.6,no.3,pp.311–321,2007。支持向量回归算法详见：[4]LuXX,ZouH,ZhouHM,etal.Robustextremelearningmachinewithitsapplicationtoindoorpositioning[J].IEEETransactionsonCybernetics,vol.46,no.1,pp.194-205,January2016；[5]WuZL,LiCH,NgJK,etal,Locationestimationviasupportvectorregression[J].IEEETransactionsonMobileComputing,vol.6,no.3,pp.311-321,March2007；[6]MahfouzS,ChehadeFM,HoneineP,etal,Kernel-basedmachinelearningusingradio-fingerprintsforlocalizationinWSNs[J].IEEETransactionsonAerospaceandElectronicSystems,vol.51,no.2,pp.1324-1336,April2015；[7]KimW,ParkJ,YooJ,etal,Targetlocalizationusingensemblesupportvectorregressioninwirelesssensornetworks[J].IEEETransactionsonCybernetics,vol.43,no.4,pp.1189-1198,August2013。核函数详见：[8]KushkiA,PlataniotisKN,VenetsanopoulosAN.Kernel-basedpositioninginwirelesslocalareanetworks[J].IEEETransactionsonMobileComputing,2007,6(6):689-705；[9]MahfouzS,Mourad-ChehadeF,HoneineP,etal.Kernel-basedlocalizationusingfingerprintinginwirelesssensornetworks[C].IEEE14thWorkshoponSignalProcessingAdvancesinWirelessCommunications(SPAWC),2013,744-748。多核学习方法详见：[10]RakotomamonjyA,BachFR,CanuS,etal.Moreefficiencyinmultiplekernellearning[C].Proceedingsofthe24thInternationalConferenceonMachineLearning.Corvalis,Oregon:ACM,2007.775-782；[11]AronszajnN.Theoryofreproducingkernels[J].TransactionsoftheAmericanMathematicalSociety,1950,68(3):337-404。现本文档来自技高网...

【技术保护点】
1.一种基于广义多核函数的室内定位方法，其特征在于以谱投影梯度下降算法作为求解算法，利用广义多核学习模型实现目标定位，包括步骤：a、利用参考节点的位置坐标和接收到的RSSI测量值建立指纹数据库，并作为训练数据集；b、利用迭代自组织数据分析算法对训练数据集进行预处理，分别得到RSSI测量值的类别标签数据集和每类RSSI测量值的位置数据子集；c、利用C‑支持向量分类算法对RSSI测量值的类别标签数据集进行分类学习，得到RSSI测量值的分类函数；d、利用线性组合的方法构造多核函数；e、利用基于谱投影梯度下降的广义多核学习算法同时训练得到多核函数的最佳核参数和最佳权重系数；f、在权重系数和核参数最佳的前提下，分别对每类RSSI测量值的位置数据子集进行回归学习，从而得到位置回归函数集合；g、利用步骤c得到的分类函数，对目标接收到的RSSI值进行在线分类，然后调用对应的位置回归函数进行位置估计，得到目标的位置坐标。

【技术特征摘要】
1.一种基于广义多核函数的室内定位方法，其特征在于以谱投影梯度下降算法作为求解算法，利用广义多核学习模型实现目标定位，包括步骤：a、利用参考节点的位置坐标和接收到的RSSI测量值建立指纹数据库，并作为训练数据集；b、利用迭代自组织数据分析算法对训练数据集进行预处理，分别得到RSSI测量值的类别标签数据集和每类RSSI测量值的位置数据子集；c、利用C-支持向量分类算法对RSSI测量值的类别标签数据集进行分类学习，得到RSSI测量值的分类函数；d、利用线性组合的方法构造多核函数；e、利用基于谱投影梯度下降的广义多核学习算法同时训练得到多核函数的最佳核参数和最佳权重系数；f、在权重系数和核参数最佳的前提下，分别对每类RSSI测量值的位置数据子集进行回归学习，从而得到位置回归函数集合；g、利用步骤c得到的分类函数，对目标接收到的RSSI值进行在线分类，然后调用对应的位置回归函数进行位置估计，得到目标的位置坐标。2.根据权利要求1所述基于广义多核函数的室内定位方法，其特征在于：步骤a中所述训练数据集的得来过程：给定M个位置已知的参考节点和N个位置未...

【专利技术属性】
技术研发人员：颜俊，赵琳，刘芳，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏,32