一种无线定位信号指纹样本库的自动学习方法技术

本发明专利技术属于无线定位技术领域，涉及室内指纹定位，具体是一种无线定位信号指纹样本库的自动学习方法。主要原理是：1.给出轨迹跟踪信息和无标记的辅助数据；2.计算隐式马尔科夫模型的传输矩阵和拉斯特征向量；3.分别将原始数据库和辅助指纹库通过局部线性嵌入算法映射到低维空间，拟采用隐式马尔科夫模型进行训练和转换；4.使用交替投影法，选择新的流形矩阵并使用流形对齐重新投影两个数据集，直到成本函数最小化。通过这种方式，标记过时的指纹样本集。之后，再根据一定条件实现神经网络的自动训练。本发明专利技术实现信号指纹样本库的自动学习，克服样本库过时的难题，使深度学习方法适应指纹信号的变化，提高定位精度。提高定位精度。提高定位精度。

【技术实现步骤摘要】
一种无线定位信号指纹样本库的自动学习方法


[0001]本专利技术属于无线定位
，特别涉及室内指纹定位，具体是一种无线定位信号指纹样本库的自动学习方法。

技术介绍

[0002]位置信息是物联网中重要的感知信息，也是移动互联网的基础要素之一，它与人们的生产生活息息相关，同时也对社会发展的信息化、智能化有着重要的影响。根据调查显示，目前人们每日的大部分时间是处于室内环境中，因此，室内位置信息的获取尤为重要。室内定位服务近年来逐渐向全球定位系统、北斗定位系统等室外定位系统一样，成为为人们生活提供便利以及满足人们日常需要的基础应用服务。
[0003]目前，室内定位技术是近年来研究的热门技术之一，在社会各个场景中被广泛应用，比如工厂、医院或仓库的智能化管理以及消防紧急救援等，该技术为人们生活带来便利的同时，也可以在发生意外状况时提高救灾效率，减少经济损失与人员伤亡。但是室内环境的构造通常较为复杂，室内定位会受到家具等静态物品的干扰或人行走、电磁信号等动态干扰，有时还会受到温度、湿度等环境条件的约束与限制，因此，如何对移动目标实现低成本、高精度、连续且稳定的室内无线定位研究成为热门问题之一。
[0004]指纹定位算法成本低廉、方法简易，逐渐成为室内定位的主流方法。指纹定位算法是根据信号特征与位置之间的映射关系进行定位的，常见的指纹定位算法可以分为确定型、概率型等方法。确定型指纹定位方法从最初微软开发的RADAR(Radio Detection and Ranging，无线电探测和测距)系统所使用的最近邻算法发展到K最近邻算法，然后再发展到加权K最近邻算法，最后是增强加权K最近邻算法，另外还有欧氏距离、余弦相似度和Tanimato相似度等方法。概率型指纹定位算法是根据概率进行计算，如Horus方法、直方图概率分布，以及混合高斯分布等。
[0005]神经网络及现在十分热门的深度学习也被尝试用在基于信号指纹的室内定位算法中，为推动室内定位的发展提供了多样的优化方向。如使用卡尔曼滤波和神经网络相结合建立指纹数据库的方法；树状数据挖掘技术与神经网络相结合建立指纹和目标节点的映射关系；用贝叶斯框架实现的低复杂度的指纹定位方法；用UWB(Ultra Wide Band，超宽带)信道路径损耗、时延等传播参数和RBF(Radical Basis Function,径向基函数)神经网络相结合实现指纹定位等。但基于深度学习的室内定位技术仍然面临着非常多的技术挑战，其中最大的问题是室内电磁环境、室内设施等均可能会发生变动，造成原有的训练样本过时，从而会对基于信号指纹的定位精度产生直接影响，已经训练的算法无法进行相应的自动学习，从而导致定位误差出现较大偏离，甚至导致系统无法正常工作，必须重新对系统进行配置、重新标注构建训练样本、神经网络需要重新训练学习。而解决上述问题的关键是实现信号指纹样本库的自动更新与自动学习，克服室内布局多变造成样本库过时的难题，从而使深度学习自动训练方法适应指纹信号的变化，提高定位精度。

技术实现思路

[0006]在基于位置指纹的室内定位系统中，数据采集主要分为离线采集与在线定位两个阶段。离线采集阶段主要是采集定位区域各参考点的特征信息,建立位置指纹的离线数据库。首先绘制定位区域地图，确定合理的参考点；然后依次测量各参考点并按一定格式记录在数据库中，该数据库就是定位的离线位置指纹库。在线定位阶段,首先随机采集多点实时信号,因为该信号只有强度大小而没有对应的物理位置,故称其为未标记数据。
[0007]然而，离线采集的数据受室内布局或者电磁变化的影响很容易过时，而重新校准整个数据库是耗时的。鉴于现有的信号指纹样本库本身具有局限性，不能满足室内实时定位的需求，本专利技术提出了一种无线定位信号指纹样本库的自动学习方法，从而可以实现信号指纹样本库的自动更新与自动学习。
[0008]本专利技术的技术方案如下：
[0009]本方法采用基于隐式马尔科夫模型的流形对齐算法对过时样本记录进行判断并标注，充分利用数据库指纹信息，避免了重新校准数据库的时间损耗，提高了工作效率。该专利技术包括以下步骤：
[0010]1)获取初始指纹样本数据。
[0011]根据实际情况模型所需的原始输入样本进行采集，在基于指纹的室内定位算法中,离线阶段在参考点采集的数据已知位置坐标，定义为标记数据，用户路径采集的数据由于坐标未知,定义为未标记数据。选择合适的参考点建立指纹数据库。
[0012]2)计算隐式马尔科夫模型的传输矩阵与拉斯特征向量。
[0013]隐式马尔科夫模型(Hidden Markov Model，HMM)常用来描述一个含有隐藏参数的马尔科夫过程，HMM可以观察到的状态序列和隐藏的状态序列是概率相关的，利用隐藏参数来进一步的分析，实现相关的功能。计算HMM的传输矩阵A和拉斯特征向量μ，其中A为流形过程和降维的限制条件。
[0014]3)样本数据进行降维、训练与转换。
[0015]此处使用的降维算法为LLE(Locally Linear Embedding，局部线性嵌入)，它能够使降维后的数据较好地保持原有的流形结构，是经典的流形学习方法之一。LLE算法认为每一个数据点都可以通过邻近点的线性加权组合构造得到。算法主要通过以下三步实现：寻找每个样本点的k个近邻点；由每个样本点的近邻点计算出该样本点的局部重建权值矩阵；由该样本点的局部重建权值矩阵和其近邻点计算出该样本点的输出值。
[0016]降维后的数据拟采用反映其内在几何结构的HMM进行训练和转换。将这些未标记的实时位置信号与数据库的指纹信息结合用于流形学习,通过LLE算法映射到低维数据空间,获得位置指纹的低维嵌入信息。
[0017]4)判断并标记过时的指纹样本集。
[0018]通过交替投影法，选择新的流形矩阵并流形对齐所得的数据集。流形对齐可以将来自不同领域的高维数据同时投影到一个共同的潜在低维空间中,同时保持流形间的对应关系和流形自身局部几何结构不变，从而实现迁移学习。当成本函数最小化时，输出结果就是辅助指纹数据到原始指纹数据的映射矩阵，进而可以构建最终的指纹样本库，通过上述的方法可以实现对过时指纹样本集的标记。之后，再根据一定条件自动对神经网络进行训练。
附图说明
[0019]图1为基于隐式马尔科夫模型的流形对齐的算法
具体实施方式
[0020]以下结合图例，对本专利技术进行详细说明。
[0021]本专利技术提出的一种无线定位信号指纹样本库的自动学习方法，采用基于隐式马尔科夫模型的流形对齐的算法进行判断并标注过时样本记录，以实现样本库自动学习与更新，提高定位精度。假设某模型在LOS(Line of Sight，视距)环境下，对采集到的地磁信号与位置指纹样本库进行自动更新；在NLOS(Non Line of Sight，非视距)环境下，对采集到的UWB能量谱特征向量与位置指纹样本库进行自动标准更新；在系统空闲状态时，对样本进行重新自动的学习训练，从而克服室内布局多变造成样本库过时的难题，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种无线定位信号指纹样本库的自动学习方法，包括以下步骤：1)获取初始指纹样本数据根据实际情况模型所需的原始输入样本进行采集，在基于指纹的室内定位算法中,离线阶段在参考点采集的数据已知位置坐标，定义为标记数据，用户路径采集的数据由于坐标未知,定义为未标记数据，选择合适的参考点建立指纹数据库；2)计算隐式马尔科夫模型的传输矩阵与拉斯特征向量计算马尔可夫模型的传输矩阵A和拉斯特征向量，其中A为流形过程和降维的限制条件；3)样本数据进行降维、训练与转换降维后的数据拟采用反映其内在几何结构的隐式马尔科夫进行训练和转换，将这些未标记的实时位置信号与数据库的指纹信息结合用...

【专利技术属性】
技术研发人员：李娟，崔学荣，张敬瑶，毛欣伟，杨瑾，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：