基于多核极限学习机和接收信号强度的定位方法技术

本发明专利技术揭示了一种基于多核极限学习机和接收信号强度的定位方法，包括如下步骤：S1、离线阶段步骤，输入训练数据接收信号，对所获得的训练数据接收信号进行聚类，得到训练数据集，随后对训练数据集进行训练，得到分类函数和位置回归函数集；S2、在线阶段步骤，获取待测数据接收信号，借助分类函数从位置回归函数集中选择对应的位置回归函数，得到定位结果。本发明专利技术充分利用了现有设施，在方案的实现过程中无需添加额外硬件设备，具有功耗小、成本低、学习性能好、定位精度高等优点。

【技术实现步骤摘要】
基于多核极限学习机和接收信号强度的定位方法
本专利技术涉及一种定位方法，具体而言，涉及一种基于多核极限学习机和接收信号强度的定位方法，属于无线定位和机器学习应用领域。
技术介绍
在常用的定位算法中，定位测量参数主要包括：信号到达时间，信号到达时间差，信号到达角度和信号接收强度。在运用上述测量参数的定位算法中，利用信号接收强度的定位算法在其实现过程中不需添加额外硬件设备，能充分利用现有无线网设施，技术实现成本低，也正因如此，该类定位算法被广泛关注。基于接收信号强度的定位算法主要包括以下三种：基于距离、基于指纹和基于压缩感知。具体而言，基于距离的定位算法由于信号能量衰落模型很难与实际环境相对应，在将接收信号强度转变成信号传输距离时存在较大误差。基于压缩感知的定位算法实现复杂度高，更适合于多目标的定位。基于指纹的定位算法不需要知道接入点安放位置，避免了Wi-Fi接入点传播途径复杂带来的定位精度较低的缺点。但是目前基于指纹的定位技术中使用的匹配算法计算复杂度较高，影响定位的实时性。随着机器学习的兴起，室内定位问题可以转变成机器学习问题。例如，k最近邻算法、支持向量机和神经网络，是解决接收信号本文档来自技高网...

【技术保护点】
1.一种基于多核极限学习机和接收信号强度的定位方法，其特征在于，包括如下步骤：S1、离线阶段步骤，输入训练数据接收信号，对所获得的训练数据接收信号进行聚类，得到训练数据集，随后对训练数据集进行训练，得到分类函数和位置回归函数集；S2、在线阶段步骤，获取待测数据接收信号，借助分类函数从位置回归函数集中选择对应的位置回归函数，得到定位结果。

【技术特征摘要】
1.一种基于多核极限学习机和接收信号强度的定位方法，其特征在于，包括如下步骤：S1、离线阶段步骤，输入训练数据接收信号，对所获得的训练数据接收信号进行聚类，得到训练数据集，随后对训练数据集进行训练，得到分类函数和位置回归函数集；S2、在线阶段步骤，获取待测数据接收信号，借助分类函数从位置回归函数集中选择对应的位置回归函数，得到定位结果。2.根据权利要求1所述的基于多核极限学习机和接收信号强度的定位方法，其特征在于：所述训练数据接收信号包括训练接收信号强度及训练位置坐标。3.根据权利要求1所述的基于多核极限学习机和接收信号强度的定位方法，其特征在于，S1所述离线阶段步骤，具体包括：S11、训练数据预处理步骤，借助聚类技术对训练数据接收信号进行无监督的聚类，得到训练数据接收信号内每一个训练样本的样本标签，将结果汇总构成接收信号强度-标签训练集，并依据不同样本标签划分出多个接收信号强度-位置坐标训练子集；S12、训练数据学习步骤，使用计算机算法分别对接收信号强度-标签训练集以及接收信号强度-位置坐标训练子集进行训练，得到分类函数和位置回归函数集。4.根据权利要求3所述的基于多核极限学习机和接收信号强度的定位方法，其特征在于：S11所述训练数据预处理步骤中，所述聚类技术为基于迭代自组织数据分析的聚类技术。5.根据权利要求3所述的基于多...

【专利技术属性】
技术研发人员：颜俊，曹一鸣，曹艳华，钱琛，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏,32