基于岭回归和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岭回归和极限学习机的室内定位方法，包括如下步骤：S1、离线数据集构建步骤，在定位区域内采集无线信号接收强度数据，建立离线数据训练集；S2、离线学习步骤，利用岭回归技术和极限学习机技术，学习离线数据训练集中的无线信号接收强度与目标位置之间的关系，训练得到基于位置的递归模型；S3、在线数据获取步骤，在线收集待估计位置处的无线信号接收强度数据并将其代入基于位置的递归模型中，得到位置估计结果。本发明专利技术具有在离线阶段学习稳定性好、在在线阶段定位精度高等优点，可以充分满足实际的使用需求。同时，本发明专利技术对于离线训练数据集中异常数据元素的敏感性低，抗干扰性能优异。

【技术实现步骤摘要】
基于岭回归和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，涉及一种基于岭回归和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。目前市面上出现了很多的室内定位系统，主要包括基于RFID的定位系统、基于红外的定位系统、基于超声波的定位系统和基于蓝牙的定位系统等。上述系统虽然能在一定程度上满足人们的使用需求。但是这些系统在使用时都需要额外增加部署传感器节点、成本较大，而且存在功耗大、不稳定等弊端。相比较而言，基于WIFI信号的室内定位方法凭借其使用方便、无需额外部署传感器、成本低廉等优点越来越受到人们的关注。基于WIFI信号的定位技术包括基于信号传播模型的方法和基于信号指纹的定位方法。具体而言，基于信号传播模型的方法，其工作原理为：移动终端从WIFI接入点收到WIFI信号强度之后，首先，通过经典传播模型来估计距离WIFI接入点的距离，然后，通过三本文档来自技高网...

【技术保护点】
1.一种基于岭回归和极限学习机的室内定位方法，其特征在于，包括如下步骤：S1、离线数据集构建步骤，在定位区域内采集无线信号接收强度数据，建立离线数据训练集；S2、离线学习步骤，利用岭回归技术和极限学习机技术，学习离线数据训练集中的无线信号接收强度与目标位置之间的关系，训练得到基于位置的递归模型；S3、在线数据获取步骤，在线收集待估计位置处的无线信号接收强度数据并将其代入基于位置的递归模型中，得到位置估计结果。

【技术特征摘要】
1.一种基于岭回归和极限学习机的室内定位方法，其特征在于，包括如下步骤：S1、离线数据集构建步骤，在定位区域内采集无线信号接收强度数据，建立离线数据训练集；S2、离线学习步骤，利用岭回归技术和极限学习机技术，学习离线数据训练集中的无线信号接收强度与目标位置之间的关系，训练得到基于位置的递归模型；S3、在线数据获取步骤，在线收集待估计位置处的无线信号接收强度数据并将其代入基于位置的递归模型中，得到位置估计结果。2.根据权利要求1所述的基于岭回归和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所述的基于岭回归和极限学习机的室内定位方法，其特征在于，S1所述离线数据集构建步骤，具体包括：在定位区域的不同位置处采集无线信号接收强度数据，结合所述无线信号接收强度数据及与其相匹配的位置坐标数据，建立信号强度-目标位置指纹库、并将其作为离线数据训练集。4.根据权利要求1所述的基于岭回归和极限学习机的室内定位方法，其特征在于，假定所述离线数据训练集为{xi，ti}，其中xi∈R1×n，ti∈R1×m，i＝1，2，...，N，S2所述离线学习步骤，具体包括：S21、随机生成隐层输出矩阵H，其中，h(xi)是隐层行向量的输出，h(xi)＝[h1(x)，h2(x)，......，hL(x)]，h(xi)∈R1×L，h(xi)＝h(ωi·xj+bi...

【专利技术属性】
技术研发人员：颜俊，冯志跃，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