一种基于核极限学习机与粒子滤波的室内定位方法技术

本发明专利技术涉及基于核极限学习机与粒子滤波的室内定位方法，可有效解决WiFi指纹法定位精度易受信号波动影响的问题以及定位误差较大的问题，其解决的技术方案是，该室内定位方法包括离线阶段和在线阶段两部分，在离线阶段，设置n个AP点，在目标区域上合理选择均匀的参考点RP，建立起指纹数据库，利用已经训练好的模型与建立好的指纹数据库中的指纹进行匹配，通过筛选匹配的结果来确定最后定位的位置，本发明专利技术在指纹数据库基础上，通过结合极限学习机与粒子滤波，解决了WiFi指纹法定位精度易受信号波动影响的问题以及定位误差较大的问题，能够显著地提高定位精度，是室内定位方法上的创新。

【技术实现步骤摘要】
一种基于核极限学习机与粒子滤波的室内定位方法
本专利技术涉及室内定位
，特别是一种基于核极限学习机与粒子滤波的室内定位方法。
技术介绍
在实际生活、工作和生产中，人类活动的80％～90％的时间都处在室内环境中，例如大型商场、酒店、图书馆、车站、地下交通、机场、写字楼等成为人们生活中重要的组成部分，以及地下、矿井、隧道等室内生产，使得人们对室内位置服务的需求迅速增加，并为室内定位技术提供了广阔的发展空间。目前，主流的室内定位技术有蓝牙定位、超宽带定位、ZigBee定位、红外感应定位、WiFi定位等，但是前几种定位方法都需要特殊的硬件设施或者条件才能实现精准定位，与之相比，WiFi室内定位由于成本低廉，不需要额外的基础设施，易于实现等受到了广泛的青睐。基于WiFi的室内定位又分为基于传播模型的定位和基于RSSI(无线信号强度指示)的位置指纹定位。基于传播模型的定位需要无线信号在室内传播的模型,由于无线电信号传播过程中受室内复杂环境的影响，存在折射、反射、散射、衍射、多径传播、非视距、天线增益等现象，很难精准的建立好模型,从而导致定位精本文档来自技高网...

【技术保护点】
1.一种基于核极限学习机与粒子滤波的室内定位方法，其特征在于，该室内定位方法包括离线阶段和在线阶段两部分，在离线阶段，设置n个AP点，在目标区域上合理选择均匀的参考点RP，在每个参考点，采集每个AP的无线信号强度，然后参考点上的RSSI指纹数据表示为(si,ri)(i＝1,2…n)，实际的物理坐标为si＝(xi,yi)，该点指纹信息ri＝(ri1,ri2,…rim)是由m个AP组成的RSSI值，建立起指纹数据库，得到RSSI高维向量与地理位置坐标二维向量的一一对应关系，在实际定位时，即在线阶段，利用用户接收到的一组RSSI，利用已经训练好的模型与建立好的指纹数据库中的指纹进行匹配，通过筛选匹配...

【技术特征摘要】
1.一种基于核极限学习机与粒子滤波的室内定位方法，其特征在于，该室内定位方法包括离线阶段和在线阶段两部分，在离线阶段，设置n个AP点，在目标区域上合理选择均匀的参考点RP，在每个参考点，采集每个AP的无线信号强度，然后参考点上的RSSI指纹数据表示为(si,ri)(i＝1,2…n)，实际的物理坐标为si＝(xi,yi)，该点指纹信息ri＝(ri1,ri2,…rim)是由m个AP组成的RSSI值，建立起指纹数据库，得到RSSI高维向量与地理位置坐标二维向量的一一对应关系，在实际定位时，即在线阶段，利用用户接收到的一组RSSI，利用已经训练好的模型与建立好的指纹数据库中的指纹进行匹配，通过筛选匹配的结果来确定最后定位的位置。


2.根据权利要求1所述的基于核极限学习机与粒子滤波的室内定位方法，其特征在于，具体包括以下步骤：
一、首先采集WiFi的信号强度并记录位置坐标来构建指纹数据库，步骤如下：
1)实验场地内布设n个AP，以试验区域一个角为坐标原点，n个AP坐标分别放置试验区的四个角，并记录其坐标；
2)从原点起每隔1m间距设置一个指纹点，遍历整个实验区域，共计m个；
3)手持手机在预先布设的指纹点上，通过WIFI指纹采集APP采集并记录每个指纹点对应的n个AP的RSSI值(RSSIAP1i,RSSIAP2i,RSSIAP3i,……RSSIAPni)(i＝1,2,3…m)，每点采集时长10min，采集频率1次/s；
4)将m个指纹点的采集数据通过高斯滤波方法进行滤波，滤波后的数据求平均值，作为最终结果同对应物理坐标(XRP,YRP)录入1m间距的指纹点离线数据库；
5)重复步骤3)、4)，建立0.5m间距、2m间距的指纹点离线数据库；
6)未知节点采集:在该实验场地内随机选取p个未知节点，记录每个未知节点实际物理坐标(Xtest,Ytest)，采集每个未知节点n个AP的RSSI值，方法同上；
7)将以上采集的数据存储并建立数据库，该数据库就是指纹数据库；
二、建立基于核函数的极限学习机，将采集的指纹数据库通过基于核函数的极限学习机进行训练，得到未知节点的位置坐标与信号强度之间的映射关系，假设设置L个参考点和n个接入点，那么ELM的输入矩阵可以写为



输入层与隐含层之间的权值为：



输出表达式为：



对于极限学习机，样本数为N的(xi,yi)，xi＝[xi1,xi2,…xin]T，yi＝[yi1,yi2,…yin]T，L个隐层节点的SLFN可描述为：
f(x)＝Ψ(x)β公式(4)
亦为：



其中μi和bi为输入权值和隐层神经元阈值，βi表示隐层第i个神经元与输出层的连接权值，Ψ(x)是隐层神经元的激活函数；
以矩阵形式表示为：
Ψβ＝Y公式(6)
其中，






因为随机产生输入权值和隐层神经元阈值所以无需调整Ψ，隐层与输出层连接权值β通过求解方程组minβ‖Ψβ-Y‖
解得：
β＝Ψ-1Y公式(7)
其中Ψ-1是Moore-Penrose广义逆矩阵；
...

【专利技术属性】
技术研发人员：马利，张建平，冯肖亮，吴兰，闫晶晶，王伟生，张晓东，郑维，
申请(专利权)人：河南工业大学，
类型：发明
国别省市：河南;41