The invention discloses an indoor positioning method based on hierarchical clustering technology and online extreme learning machine, which includes the following steps: S1, construction steps of training library, measurement and acquisition of signal intensity vectors of wireless signals at different locations in the positioning area, forming an offline fingerprint data training library; S2, clustering processing steps, and using hierarchical clustering technology to train offline fingerprint data base. Unsupervised clustering processing is carried out to obtain the attacked training data samples and the unaffected training data samples respectively; S3 and model building steps are used to process the training data samples and obtain the position recursive model; S4 and position estimation steps are used to substitute the signal intensity measured on-line into the position recursive model to obtain the position estimation value. The invention can make full use of the existing facilities, does not need to change the hardware of the system, and reduces the impact of network upgrade.
【技术实现步骤摘要】
基于层次聚类技术和在线极限学习机的室内定位方法
本专利技术涉及一种定位方法,具体而言,涉及一种基于层次聚类技术和在线极限学习机的室内定位方法,属于机器学习领域。
技术介绍
随着通信和智能产业的不断发展,定位技术在我们的日常生活中扮演着越来越重要的角色。虽然全球定位系统可以在户外提供高精度的定位结果,但在复杂的室内环境中效果不佳。因此,如何实现室内环境中的精准定位,已经成为当下研究的热点问题。基于WiFi的室内定位技术通过利用移动终端从无线接入点(AP)接收信号的方式来确定用户位置,这一技术凭借其低成本、高效率的特性,成为了近年来室内定位技术研究的热点。这类室内定位方法大多基于测距原理完成定位,主要包括到达时间法(TOA)、到达时间差法(TDOA)、到达角度法(AOA)以及接收信号强度法(RSS)等,其中基于接收信号强度的室内定位方法能够充分利用现有的无线网络设施,既不需要添加额外的硬件设备,也不需要准确的时间同步和角度测量,因此目前这类基于接收信号强度的室内定位方法得到了广泛地应用。基于接收信号强度的室内定位方法主要包括传播模型法和位置指纹法。具体而言,基于传播模型的定位方法,首先需要通过信道衰落模型将接收信号强度的测量值转换为距离,然后再利用三角测量法进行位置估计。位置指纹定位方法,主要是基于离线阶段在定位区域中采集接收信号强度得到的位置指纹库,然后通过一定的匹配算法进行定位。近年来,随着机器学习技术的不断发展,这类定位问题能够被转化为机器学习的问题。常用的机器学习定位算法包括误差反向传播(BP)算法、支持向量机(SVM)、极限学习机(ELM)及其各种改 ...
【技术保护点】
1.一种基于层次聚类技术和在线极限学习机的室内定位方法,其特征在于,包括如下步骤:S1、训练库构建步骤,测量并获得定位区域内多个不同位置处无线信号的信号强度向量,构成离线指纹数据训练库;S2、聚类处理步骤,利用层次聚类技术对离线指纹数据训练库进行无监督聚类处理,分别得到受攻击的训练数据样本和未受到攻击的训练数据样本;S3、模型建立步骤,对训练数据样本进行处理,得到位置递归模型;S4、位置估计步骤,将在线收集到的信号强度测量值代入位置递归模型中,得到位置估计值。
【技术特征摘要】
1.一种基于层次聚类技术和在线极限学习机的室内定位方法,其特征在于,包括如下步骤:S1、训练库构建步骤,测量并获得定位区域内多个不同位置处无线信号的信号强度向量,构成离线指纹数据训练库;S2、聚类处理步骤,利用层次聚类技术对离线指纹数据训练库进行无监督聚类处理,分别得到受攻击的训练数据样本和未受到攻击的训练数据样本;S3、模型建立步骤,对训练数据样本进行处理,得到位置递归模型;S4、位置估计步骤,将在线收集到的信号强度测量值代入位置递归模型中,得到位置估计值。2.根据权利要求1所述的基于层次聚类技术和在线极限学习机的室内定位方法,其特征在于:所述无线信号为WIFI信号。3.根据权利要求1所述的基于层次聚类技术和在线极限学习机的室内定位方法,其特征在于,S1所述训练库构建步骤,具体包括:S11、测量定位区域内多个不同位置处无线信号的信号强度值;S12、将所测量的信号强度值转化为信号强度向量,并将每个位置上的信号强度向量与该位置对应的坐标组合视为一个训练数据样本;S13、收集全部训练数据样本,构建得到离线指纹数据训练库。4.根据权利要求1所述的基于层次聚类技术和在线极限学习机的室内定位方法,其特征在于,S2所述聚类处理步骤,具体包括:S21、对离线指纹数据训练库内的训练数据样本进行初始化处理,得到多个聚类;S22、计算每个聚类之间的距离,形成距离矩阵;S23、将距离最近的两个聚类进行合并,形成一个新的聚类,再使用新的聚...
【专利技术属性】
技术研发人员:颜俊,路培彬,钱琛,曹艳华,
申请(专利权)人:南京邮电大学,
类型:发明
国别省市:江苏,32
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。