基于层次聚类技术和在线极限学习机的室内定位方法技术

本发明专利技术揭示了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，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。本发明专利技术可以充分利用现有设施，不需要改变系统的硬件，降低了网络升级的影响。

Indoor Location Method Based on Hierarchical Clustering Technology and Online Extreme Learning Machine

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)及其各种改进算法。其中，极限学习机算法学习速度快，效率高，计算复杂度低，泛化性能好。在线极限学习机作为其一种改进算法，具备连续学习能力，能够很好的适应环境的变化，但是在线极限学习机并没有考虑训练样本可能被攻击的问题，因此也不适合被直接应用于这类定位问题中。综上所述，如何在现有技术的基础上提出一种新的定位方法，将在线极限学习机应用于室内定位中，以克服现有技术中存在着诸多缺陷，也就成为了本领域内技术人员亟待解决的问题。
技术实现思路
鉴于现有技术存在上述缺陷，本专利技术提出了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，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。优选地，所述无线信号为WIFI信号。优选地，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。优选地，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，再使用新的聚类进行迭代，计算新的距离矩阵；S24、重复S22与S23，直至聚类的数目变成两个，以剩下的两个聚类中样本数目较少的一个聚类作为受攻击的训练数据样本、另一个聚类作为未受到攻击的训练数据样本。优选地，S21具体包括：S211、对离线指纹数据训练库中的信号强度向量进行z-score标准化处理；S212、将离线指纹数据训练库中的每一个信号强度向量均作为一个聚类。优选地，S211中所述对离线指纹数据训练库中的信号强度向量进行z-score标准化处理，处理公式为：z＝(x-μ)/σ，其中，x为离线指纹数据训练库中任一具体的信号强度向量，μ为离线指纹数据训练库中所有信号强度向量的平均值，σ为离线指纹数据训练库中所有信号强度向量的标准差。优选地，S3所述模型建立步骤，具体包括：利用在线极限学习机训练未受到攻击的训练数据样本，得到位置递归模型。优选地，S4所述位置估计步骤，具体包括：S41、对定位区域内需要进行定位的对象所在位置处的无线信号的信号强度值进行在线收集；S42、将收集到的信号强度值代入位置递归模型中，得到对象的位置估计值。与现有技术相比，本专利技术的优点主要体现在以下几个方面：本专利技术可以充分利用现有设施，不需要改变系统的硬件，降低了网络升级的影响。同时，本专利技术充分地利用了在线极限学习机的连续学习能力，有效地提升了在线定位性能。本专利技术还通过使用层次聚类技术实现了对受攻击训练数据样本的辨别，排除了野值点对离线训练的影响，确保了定位结果的准确性。此外，本专利技术也为同领域内的其他相关问题提供了参考，可以以此为依据进行拓展延伸，运用于同领域内其他定位方法和机器学习系统的技术方案中，具有十分广阔的应用前景。以下便结合实施例附图，对本专利技术的具体实施方式作进一步的详述，以使本专利技术技术方案更易于理解、掌握。附图说明图1为本专利技术的方法流程示意图；图2为受攻击样本数占训练样本数据库的比例对定位精度的影响对比图；图3为受攻击样本所受到的攻击程度对定位精度的影响对比图；图4为在线极限学习机的隐层节点数对定位精度的影响对比图；图5为训练数据集的大小对定位精度的影响对比图。具体实施方式如图1所示，本专利技术揭示了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，包括离线阶段和在线阶段两个部分。所述离线阶段包括训练库构建步骤、聚类处理步骤以及模型建立步骤，所述在线阶段包括位置估计步骤。具体而言，本专利技术包括如下步骤：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。在本实施例中，所述无线信号为WIFI信号。进一步而言，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。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。这一部分是本专利技术的重点内容，主要是为了解决恶意节点攻击的问题，本专利技术的基本思想就是在将在线极限学习机用于回归训练之前，利用基于聚类分析的数据预处理方法来识别受攻击的样本，然后只将未受到攻击的样本用于离线阶段的训练。为了研究攻击对定位性能的影响，本专利技术以线性攻击模型为例，具体表示为：其中，和Ri分别为第i个信号发射器获得的受到攻击以及未受到攻击时的测量值，α和β是两个攻击参数。当α＞1，β＝0时，特定节点的接收信号功率被放大；当α＜1，β＝0时，接收信号功率会衰减。进一步而言，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，本文档来自技高网...

【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