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.Domainadaptationvia ...
【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
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。