基于全局和局部联合约束迁移学习的室内定位方法技术

本发明专利技术属于室内定位技术领域，特别是一种基于全局和局部联合约束迁移学习的室内定位方法。本发明专利技术的方法通过最小化域间的边缘和条件概率分布差异，以及最大化潜在子空间的样本方差约束全局结构的一致性。同时，通过最小化类内方差，最大化类间方差来保持每一个类别与其对应样本的依赖性，以及通过流形正则化保持局部的邻域关系，进而约束局部结构的一致性。可解决目前迁移学习方法知识迁移不充分的问题，从源域中迁移得到的知识可有效地提高目标域的定位精度，解决因环境变化而引起RSS波动的问题。从而本发明专利技术提出的基于全局和局部联合约束迁移学习的定位方法是一种适合在复杂室内环境下的高精度定位新方法。

Indoor Location Method Based on Global and Local Joint Constrained Transfer Learning

The invention belongs to the field of indoor positioning technology, in particular to an indoor positioning method based on global and local joint constraint transfer learning. The method of the present invention constrains the consistency of the global structure by minimizing the difference of probability distribution of edges and conditions between domains and maximizing the sample variance of potential subspaces. At the same time, by minimizing intra-class variance and maximizing inter-class variance, the dependence of each class on its corresponding samples can be maintained, and the local neighborhood relationship can be maintained by manifold regularization, thus constraining the consistency of local structures. It can solve the problem of insufficient knowledge transfer in current transfer learning methods. The knowledge acquired from source domain can effectively improve the positioning accuracy of target domain and solve the problem of RSS fluctuation caused by environmental changes. Thus, the localization method based on global and local joint constraint transfer learning proposed by the invention is a new high-precision localization method suitable for complex indoor environment.

【技术实现步骤摘要】
基于全局和局部联合约束迁移学习的室内定位方法
本专利技术属于室内定位
，特别是一种基于全局和局部联合约束迁移学习的室内定位方法。
技术介绍
近年来，室内定位技术展现出广阔的发展前景和商业价值。譬如，大型商场的导航，医护人员对病人的看护，紧急情况下室内人员的救助。因此在巨大的市场需求之下，寻求一种适合复杂多变的室内环境下的高精度实时定位系统，已经成为业界的研究重点。为了解决多径效应以及非视距效应带来的影响，一般采用基于RSS(ReceivedSignalStrength，接收信号强度)指纹的方法进行定位，该方法通常包含两个阶段：离线阶段和在线阶段。在离线阶段，在划分好的每一个格点通过移动设备采集所有接入点的RSS值，之后利用采集到的RSS值与其对应的坐标信息形成指纹数据库。在线阶段时，将移动设备收集到的RSS样本与指纹数据库进行匹配，其相似度最高的RSS值对应的位置作为定位结果。传统的匹配算法通常要求离线指纹数据和在线指纹数据满足相同的分布，但由于环境的多变性，RSS值通常会发生波动，导致定位精度的下降。文献[1]利用迁移学习方法来解决RSS值发生波动的问题。该方法学习一组映射将源域和目标域数据映射到一个潜在的子空间，在这个子空间中，样本的方差被最大化以保留数据的属性，源域和目标域间的边缘概率分布差异通过最大均值差异准则(MaximumMeanDiscrepancy，MMD)得到减小。在生成的子空间中，利用标准的匹配算法即可得到目标域中待定位用户的位置标记。文献“PanSJ,TsangIW,KwokJT,etal.Domainadaptationviatransfercomponentanalysis[J].IEEETransactionsonNeuralNetworks,2011,22(2):199-210.”的方法尽管在一定程度上能从源域迁移知识到目标域，但是它忽略了域间条件概率分布的差异，其最终获得的定位性能提升有限。文献“LongM,WangJ,DingG,etal.Transferfeaturelearningwithjointdistributionadaptation[C].ProceedingsoftheIEEEinternationalconferenceoncomputervision.2013:2200-2207”在此基础上，利用减小类条件概率分布差异来近似减小条件概率分布差异，并且迭代地更新位置伪标记直至收敛。上述两种方法都是从全局性角度，约束结构的一致性，进而将源域的知识迁移到目标域中，在一定程度上解决了RSS值发生波动的问题。但是仅通过约束全局结构的一致性，迁移得到的知识往往并不充分。因此，该类方法由于上述问题的存在而在复杂的室内环境中很难形成准确、实时、稳定的定位。
技术实现思路
本专利技术的目的是针对技术背景中的单约束全局结构的一致性的迁移学习(TransferLearning，TL)方法存在的缺陷，提出了一种基于全局和局部联合约束迁移学习的高精度室内定位方法。该方法在约束全局结构一致性的同时，增强每一种类别与其对应样本之间的依赖性，同时通过保持局部的邻域结构，来约束局部结构的一致性。该方法从全局和局部的角度出发，约束结构的一致性，进而从源域中更充分地迁移知识到目标域中，减轻了环境变化引起RSS值波动带来的性能下降，有效地提高了定位精度和稳健性。为了实现本专利技术的目的，将采用以下技术方案：一种适用于复杂多变的室内环境的定位方法，它基于全局和局部的联合约束迁移源域的知识到目标域中，它包括以下步骤：步骤1.将需要定位的室内环境划分为等大小的格点。步骤2.依次将移动设备置于定位环境中的各个格点，并记录下此时的格点坐标信息以及来自于各个接入点的RSS值，形成RSS指纹数据库，即为源域。步骤3.采集待定位移动设备的RSS值，形成目标域。步骤4.知识迁移：步骤4-1.利用核技巧将源域和目标域数据映射到高维的再生核希尔伯特空间(ReproducingKernelHilbertSpace:RKHS)。步骤4-2.基于全局结构一致性约束，最小化源域和目标域间的边缘和条件概率分布差异，最大化所有RSS数据的方差，形成第一个优化目标函数。步骤4-3.基于局部结构一致性约束，最小化源域数据的类内方差以及最大化源域数据的类间方差，利用流形正则化保持数据的局部邻域结构，形成第二个优化目标函数。步骤4-4.结合步骤4-2和4-3的优化目标函数，得到最终的优化目标函数，求解即可得到映射矩阵。步骤4-5.利用4-4求解得到的映射矩阵将源域数据和目标域数据映射到潜在子空间。步骤5.在潜在子空间的源域数据上训练一个基本的分类器。步骤6.将潜在子空间的目标域数据输入到步骤5训练得到的分类器中，即可获得位置估计。本专利技术利用迁移学习方法解决了因环境变化而引起的RSS波动性问题，提高了定位的准确性，克服了传统机器学习方法假设源域数据和目标域数据同分布在复杂多变的室内环境下不成立的缺点。本专利技术从全局和局部的角度，约束结构的一致性，从源域中更充分地迁移知识到目标域中，解决了
技术介绍
中的迁移学习方法知识迁移不充分的问题。从而本专利技术提出的基于全局和局部联合约束迁移学习的定位方法是一种定位精度高、稳健性好的定位方法。。附图说明图1为本专利技术的流程图；图2为技术背景中采用的定位方法和本专利技术方法的定位误差性能比较图。具体实施方式下面结合附图和实施例，详细描述本专利技术的技术方案。实施例1.实验场地布置实验环境为308.4m2的图书馆环境，室内有座椅板凳及书架等，在定位区域可探测到的WiFi接入点数量为448个，先将场地划分为230个格点。2.获取数据并形成RSS指纹数据库将移动设备依次置于每一个格点，记录下格点编号和来自于各个接入点的RSS值，形成RSS向量此处ns为已知位置标记的所有RSS样本数量，相应的位置标记表示成ci∈{1,2,…,C}，C＝230为格点的数量。RSS值与相应的位置标记构成了指纹数据库，即源域其中，3.收集待定位设备的RSS值收集请求定位的移动设备的RSS值，形成目标域此处为无位置标记的RSS样本形成的目标域数据矩阵，nt为收集的RSS样本数量。4.映射到潜在子空间完成知识迁移4-1.利用获得的源域数据矩阵Xs，与目标域数据矩阵Xt形成数据矩阵利用核技巧将RSS数据映射到高维的再生核希尔伯特空间中，核矩阵K＝φ(X)Tφ(X)，Ks＝φ(X)Tφ(Xs)，Kt＝φ(X)Tφ(Xt)，ki＝φ(X)Tφ(xi)，φ为一个核映射，通常采用高斯径向基函数(RadialBasisFunction:RBF)。4-2.利用MMD准则衡量源域和目标域之间的边缘分布距离，如下：其中，Tr(·)为求迹算子，A为映射矩阵，M0为MMD矩阵，计算方式如下：4-3.利用MMD准则衡量源域和目标域之间的条件分布距离，如下：其中，和分别是源域和目标域中属于第c个格点的样本，和分别是相应的样本数量，初始化时由于目标域的标记信息未知，故令Mc＝0，在之后的迭代过程中，Mc由如下的方式计算：利用一个平衡因子μ结合(1)和(3)式，得到下式：其中，μ∈[0,1]，通过最小化(5)式，即可减小源域和目标域之间的边缘和条件概率分布差异。4-4.利本文档来自技高网...

【技术保护点】
1.基于全局和局部联合约束迁移学习的室内定位方法，其特征在于，包括以下步骤：S1、将需要定位的室内环境划分为等大小的格点；S2、依次将移动设备置于定位环境中的各个格点，并记录下此时的格点坐标信息以及来自于各个接入点的RSS值，形成RSS指纹数据库，定义为源域；S3、采集待定位移动设备的RSS值，形成目标域；S4、知识迁移：S41、利用核技巧将源域和目标域数据映射到高维的再生核希尔伯特空间；S42、基于全局结构一致性约束，最小化源域和目标域间的边缘和条件概率分布差异，最大化所有RSS数据的方差，形成第一个优化目标函数；S43、基于局部结构一致性约束，最小化源域数据的类内方差以及最大化源域数据的类间方差，利用流形正则化保持数据的局部邻域结构，形成第二个优化目标函数；S44、结合步骤S42和S43的优化目标函数，得到最终的优化目标函数，求解即可得到映射矩阵；S45、利用S44求解得到的映射矩阵将源域数据和目标域数据映射到潜在子空间；S5、在潜在子空间的源域数据上训练一个基本的分类器；S6、将潜在子空间的目标域数据输入到步骤S5训练得到的分类器中，即可获得位置估计。

【技术特征摘要】
1.基于全局和局部联合约束迁移学习的室内定位方法，其特征在于，包括以下步骤：S1、将需要定位的室内环境划分为等大小的格点；S2、依次将移动设备置于定位环境中的各个格点，并记录下此时的格点坐标信息以及来自于各个接入点的RSS值，形成RSS指纹数据库，定义为源域；S3、采集待定位移动设备的RSS值，形成目标域；S4、知识迁移：S41、利用核技巧将源域和目标域数据映射到高维的再生核希尔伯特空间；S42、基于全局结构一致性约束，最小化源域和目标域间的边缘和条件概率分布差异，最大化所有RSS数据的方差，形成第一个优化目标函数；S43、基于局部结构一致性约束，最小化源域数据的类内方差以及最大化源域数据的类间方差，利用流形正则化保持数据的局部邻域结构，形成第二个优化目标函数；S44、结合步骤S42和S43的优化目标函数，得到最终的优化目标函数，求解即可得到映射矩阵；S45、利用S44求解得到的映射矩阵将源域数据和目标域数据映射到潜在子空间；S5、在潜在子空间的源域数据上训练一个基本的分类器；S6、将潜在子空间的目标域数据输入到步骤S5训练得到的分类器中，即可获得位置估计。2.根据权利要求1所述的基于全局和局部联合约束迁移学习的室内定位方法，其特征在于，所述步骤S2的具体方法为：设定位区域网络接入点数量为N个，则获得RSS向量ri＝[ri1,ri2,…,riN]T，i＝1,2,3,…,ns，此处ns为已知位置标记的所有RSS样本数量，相应的位置标记表示成ci∈{1,2,…,C}，C为格点的数量，RSS值与相应的位置标记构成了指纹数据库，即源域其中，3.根据权利要求2所述的基于全局和局部联合约束迁移学习的室内定位方法，其特征在于，所述步骤S3的具体方法为：收集请求定位的移动设备的RSS值，形成目标域此处为无位置标记的RSS样本形成的目标域数据矩阵，nt为收集的RSS样本数量。4.根据权利要求3所述的基于全局和局部联合约束迁移学习的室内定位方法，其特征在于，所述步骤S4的具体方法为：S41、利用获得的源域数据矩阵Xs，与目标域数据矩阵Xt形成数据矩阵利用核技巧将RSS数据映射到高维的再生核希尔伯特空间中，核矩阵K＝φ(X)Tφ(X)，Ks＝φ(X)Tφ(Xs)，Kt＝φ(X)Tφ(Xt)，ki＝φ(X)Tφ(xi)，φ为一...

【专利技术属性】
技术研发人员：郭贤生，王磊，李林，胡芳姿，万群，段林甫，沈晓峰，李会勇，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51