一种基于改进的机器学习算法的无线定位方法技术

本发明专利技术公开了一种基于改进的机器学习算法的无线定位方法，基于现有指纹识别方法WKNN算法，引入改进AKF算法和AHP层次分析模型，使用改进AKF算法降低测试点处RSS中的噪声，降噪后的RSS值用于从指纹数据库中选择符合要求的指纹，然后使用AHP为被选择的指纹坐标分配权重，再使用WKNN算法得到最佳位置估计。本发明专利技术采用改进的AKF算法对接收到的RSS值进行降噪处理，克服现有AKF算法的定位精度较低的问题。同时采用AHP算法作为权重分配方式，合理扩大参考点之间RSS差距对权重的影响，从而提高定位精度。

A wireless location method based on improved machine learning algorithm

【技术实现步骤摘要】
一种基于改进的机器学习算法的无线定位方法
本专利技术涉及室内定位
，主要涉及一种基于改进的机器学习算法的无线定位方法。
技术介绍
随着互联网和智能手机的普及，人们对室内场景中高精度定位和导航的需求也在不断增加。WLAN室内定位可以充分利用已经广泛部署的接入点(AP)来实现高性能定位，这使得其成为未来室内定位和导航服务的最优选择。目前，基于WLAN的定位方法主要有三角形算法和位置指纹识别，三角形算法利用待测目标到至少三个已知AP之间的距离信息估计目标位置，其中距离是通过测量来自AP的RSS进行估计。基于三角形算法的WLAN定位很大程度上依赖于准确的信号传输损耗模型。影响信号传输的因素很多，不同环境下的信号传输损耗模型大不相同，建立一个准确的、适合实际应用的损耗模型存在着很大的困难。因此，基于三角形算法的无线定位在具体实施中困难较大。近年来WLAN室内定位系统使用指纹(由参考点的位置坐标和在参考点处收集的AP的信号强度构成)识别方法成为研究热点。指纹识别方法包括两个阶段——离线阶段和在线阶段。离线阶段的主要任务是构建一个名为无线电地图的指纹识别数据库，它包含了位置空间和信号强度空间的映射关系，其中位置空间由所有参考点(RP)的位置构成，信号强度空间由RP从AP测得的一系列接收信号强度(RSS)值构成，每个RP的位置对应一组来自所有AP的RSS值。在在线阶段，用户终端测量来自所有AP的RSS，并将其与指纹数据库中的信号强度空间中的RSS进行比对，然后用合适的指纹匹配算法计算用户的位置。广泛使用的指纹匹配算法是WKNN算法(加权K邻近算法)，现有WKNN算法定位过程是：首先计算测试点测得的来自所有AP的RSS值与指纹库中每一个RP的指纹RSS值之间的欧式距离。将得到的欧式距离按从小到大进行排序，取欧式距离最小的前k个指纹对应的坐标。然后按照权重大小与欧式距离大小成反比的方式给这k个指纹分配权重，即欧氏距离小的指纹对应的坐标分配较大的权重，欧氏距离大的指纹对应的坐标分配较小的权重。最后通过k个坐标与权重的组合确定测试点的位置。目前室内定位系统使用的指纹识别方法主要存在下面两方面的问题：(1)由于测得的RSS值易受噪声干扰，算法的定位精度大大降低。目前普遍采用自适应卡尔曼滤波算法(AKF)来去除RSS中的测量噪声。AKF算法包括预测、更新和噪声协方差估计三个阶段。在预测阶段，AKF利用上一时刻的真实值估计后验值(上一时刻的输出结果)求出当前时刻的先验真实估计值在更新阶段，AKF基于当前时刻的测量值Zt，Zt的估计值(当前时刻期望的AKF输出结果)，和卡尔曼增益矩阵Kt来得到降噪后当前时刻的真实值估计后验值即当前时刻AKF的输出结果；在噪声协方差估计阶段，AKF更新测量噪声协方差矩阵Rt和过程噪声协方差矩阵Qt，用于下一次迭代。然而AKF在迭代过程中估计误差具有传递性，这种误差的传递将影响AKF达到收敛状态所需的选代次数和收敛后输出结果的精确性。当系统模型不准确时，输出结果将偏离真实值，因此现有AKF算法效果较差。(2)由欧氏距离从小到大顺序得到的前k个欧氏距离值之间差距不大，根据欧氏距离为k个指纹分配的权重之间的差距也很小，位置坐标的加权求和几乎成为位置坐标的平均。有必要扩大不同位置坐标之间的权重距离，才能定位得更加准确。
技术实现思路
专利技术目的：为了克服现有技术中存在的不足，本专利技术提供一种基于改进的机器学习算法的无线定位方法，采用改进的AKF算法对接收到的RSS值进行降噪处理，克服现有AKF算法的定位精度较低的问题。同时采用AHP算法作为权重分配方式，合理扩大参考点之间RSS差距对权重的影响，从而提高定位精度。技术方案：为实现上述目的，本专利技术采用的技术方案为：一种基于改进的机器学习算法的无线定位方法，包括以下步骤：步骤1：构建指纹数据库FP；步骤2：在测试点处多次测量来自所有接入点AP的信号强度RSS值，获取待降噪处理的RSS矩阵Z；步骤3：采用改进传统自适应卡尔曼滤波算法AKF，将Z的第一列作为改进AKF算法中的初值为改进AKF算法的第t次迭代设置阈值gatet，基于AKF降噪过程对Z的第t列Zt降噪，得到输出结果计算期望输出结果值与测量值之间的误差εt的协方差比较与gatet；如果则修正得到使用进行下一次迭代，否则使用进行下一次迭代；根据改进AKF算法得到的降噪后的测试点的RSS值计算与指纹数据库中各个指纹之间的欧氏距离并排序，选择k个最近的指纹坐标；步骤4：采用层次模型算法AHP，基于和k个指纹构建层次模型和判断矩阵，检验各个判断矩阵的一致性，求解判断矩阵的权重向量，获得方案层中k个指纹坐标分别对室内定位问题的总权重；步骤5：基于k个指纹坐标和及其相应的权重，采用加权K邻近算法WKNN求得测试点的最佳位置估计进一步地，所述改进传统自适应卡尔曼滤波算法AKF具体步骤如下：步骤L1：t时刻接收点RP从M个接入点AP接收到RSS真实值矢量Xt和测量值矢量Zt，满足如下关系：Xt＝FXt-1+Wt(1)Zt＝HXt+Vt(2)其中Xt-1是t-1时刻的RSS真实值矢量，F是状态转移矩阵，H是测量矩阵，矢量Wt是服从零均值和协方差矩阵Qt的高斯白噪声，Wt～N(0,Qt)，矢量Vt是服从零均值和协方差矩阵Rt的高斯白噪声，Vt～N(0,Rt)；步骤L2：在预测阶段，基于t-1时刻的后验真实值估计计算t时刻的先验真实值估计同时基于Pt-1和Qt计算t时刻的先验误差协方差矩阵Pt|t-1，其中Pt-1是t-1时刻的后验误差协方差矩阵，且满足Pt|t-1＝FPt-1FT+Qt(4)其中，Pt-1的初值P0为M阶单位矩阵，的初值取第一次测量值；步骤L3：在更新阶段，首先计算t时刻Zt的估计值计算卡尔曼增益矩阵Kt，最后根据Kt，和Zt求得t时刻的后验真实值估计即t时刻AKF降噪后的输出结果，同时更新t时刻的后验误差协方差矩阵Pt：Kt＝Pt|t-1HT(HPt|t-1HT+Rt)-1(6)Pt＝Pt|t-1-KtHPt|t-1(8)步骤L4：在噪声协方差估计阶段，更新协方差矩阵Qt和Rt如下：其中b是遗忘因子，取值范围为0.95～0.995，εt为期望输出结果值与测量值之间的误差；步骤L5：设定t时刻的修正门限gatet如下：gatet＝μrt(13)其中Rt(1,1)表示Rt中第一行第一列的数值，gatet表示t时刻的修正门限，系数μ取值范围为0.5～0.9；当时，修正根据式(3)重新计算修正结果如下：ct＝μrt/Rt(1,1)(15)其中是εt的协方差；在获取修正结果后，将其用于下一次迭代，最终获得降噪后的输出RSS值进一步地，所述层次模型算法AHP构建步骤如下：步骤S1：建立层次结构模型本文档来自技高网...

【技术保护点】
1.一种基于改进的机器学习算法的无线定位方法，其特征在于：包括以下步骤：/n步骤1：构建指纹数据库；/n步骤2：在测试点处多次测量来自所有接入点的信号强度RSS值，获取待降噪处理的RSS矩阵Z；/n步骤3：改进自适应卡尔曼滤波算法，将Z的第一列作为算法中

【技术特征摘要】
1.一种基于改进的机器学习算法的无线定位方法，其特征在于：包括以下步骤：
步骤1：构建指纹数据库；
步骤2：在测试点处多次测量来自所有接入点的信号强度RSS值，获取待降噪处理的RSS矩阵Z；
步骤3：改进自适应卡尔曼滤波算法，将Z的第一列作为算法中的初值为改进自适应卡尔曼滤波算法的第t次迭代设置阈值gatet，基于降噪过程对Z的第t列Zt降噪，得到输出结果计算期望输出结果值与测量值之间的误差εt的协方差比较与gatet；如果则修正得到使用进行下一次迭代，否则使用进行下一次迭代；根据改进自适应卡尔曼滤波算法得到的降噪后的测试点的RSS值计算与指纹数据库中各个指纹之间的欧氏距离并排序，选择k个最近的指纹坐标；
步骤4：采用层次模型算法，基于和k个指纹构建层次模型和判断矩阵，检验各个判断矩阵的一致性，求解判断矩阵的权重向量，获得方案层中k个指纹坐标分别对室内定位问题的总权重；
步骤5：基于k个指纹坐标和及其相应的权重，采用加权K邻近算法求得测试点的最佳位置估计


2.根据权利要求1所述的一种基于改进的机器学习算法的无线定位方法，其特征在于：所述步骤3中改进自适应卡尔曼滤波算法具体步骤如下：
步骤L1：t时刻接收点RP从M个接入点AP接收到RSS真实值矢量Xt和测量值矢量Zt，满足如下关系：
Xt＝FXt-1+Wt(1)
Zt＝HXt+Vt(2)
其中Xt-1是t-1时刻的RSS真实值矢量，F是状态转移矩阵，H是测量矩阵，矢量Wt是服从零均值和协方差矩阵Qt的高斯白噪声，Wt～N(0,Qt)，矢量Vt是服从零均值和协方差矩阵Rt的高斯白噪声，Vt～N(0,Rt)；
步骤L2：在预测阶段，基于t-1时刻的后验真实值估计计算t时刻的先验真实值估计同时基于Pt-1和Qt计算t时刻的先验误差协方差矩阵Pt|t-1，其中Pt-1是t-1时刻的后验误差协方差矩阵，且满足



Pt|t-1＝FPt-1FT+Qt(4)
其中，Pt-1的初值P0为M阶单位矩阵，的初值取第一次测量值；
步骤L3：在更新阶段，首先计算t时刻Zt的估计值计算卡尔曼增益矩阵Kt，最后根据Kt，和Zt求得t时刻的后验真实值估计即t时刻AKF降噪后的输出结果，同时更新t时刻的后验误差协方差矩阵Pt：



Kt＝Pt|t-1HT(HPt|t-1HT+Rt)-1(6)



Pt＝Pt|t-1-KtHPt|t-1(8)
步骤L4：在噪声协方差估计...

【专利技术属性】
技术研发人员：潘甦，华胜，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏;32