基于改进TCA算法的环境自适应定位方法、装置及可读介质制造方法及图纸

本发明专利技术公开了一种基于改进TCA算法的环境自适应定位方法、装置及可读介质，获取参考指纹点和待定位点的原始CSI数据和位置坐标并进行预处理，得到CSI数据；采用1D

【技术实现步骤摘要】
基于改进TCA算法的环境自适应定位方法、装置及可读介质


[0001]本专利技术涉及室内定位领域，具体涉及一种基于改进TCA算法的环境自适应定位方法、装置及可读介质。

技术介绍

[0002]基于Wi
‑
Fi的室内定位技术相比于基于卫星信号的定位技术而言，优点有很多，因此受到了广泛的关注。前期的研究中，室内定位是基于接收信号强度(Received Signal Strength Indication,RSSI)的，之后由于不断有新算法提出，使得基于RSSI的室内定位精度得到了很大的提升。近几年，随着CSITool的发布，使得获取WiFi环境下的信道状态信息成为可能，因此基于CSI作为特征参数的室内定位方法愈发受到重视。
[0003]在基于位置指纹数据库的室内定位方法中主要包括指纹数据采集、数据预处理、模型建立、定位数据匹配四个步骤。在所需定位区域各参考节点(RP，Reference Point)位置的信号特征参数进行采集，其中特征参数包括CSI数据片段和RP点的位置坐标。对采集到的CSI信号片段进行数据预处理后，根据特定的算法建立CSI片段与位置坐标之间的对应关系并生成位置指纹数据库(Location Fingerprint Database)。在在线定位阶段，将采集的CSI信号片段进行预处理并送入已训练好的模型中，根据建立的模型从而以回归或者分类的方式得出用户位置。
[0004]然而现有大部分关于室内定位的研究都假设CSI数据的概率分布是稳定、不变化的，然而这一假设基础在具有复杂组成的真实室内环境中时不成立的，随着各种环境条件的变化，原有的模型并不能精确的定位用户位置。在两个不同时间段采集到的数据，其整体的概率分布是不一样的，因此，就是不能直接套用传统的机器学习进行定位操作。

技术实现思路

[0005]针对上述提到的基于CSI数据的室内定位由于环境变化、不稳定，导致难以精确定位问题。本申请的实施例的目的在于提出了一种基于改进TCA算法的环境自适应定位方法、装置及可读介质，来解决以上
技术介绍
部分提到的技术问题。
[0006]第一方面，本专利技术提供了一种基于改进TCA算法的环境自适应定位方法，包括以下步骤：
[0007]S1，获取参考指纹点和待定位点的原始CSI数据和位置坐标，对参考指纹点和待定位点的原始CSI数据进行预处理，得到CSI数据；
[0008]S2，采用1D
‑
CNN模型提取CSI数据中的特征数据，并将参考指纹点的特征数据及其对应的位置坐标存入位置指纹数据库中；
[0009]S3，将参考指纹点的特征数据作为第一源域特征数据，将待定位点的特征数据作为第一目标域特征数据，根据第一源域特征数据和第一目标域特征数据通过改进TCA算法进行数据映射和降维处理，得到第二源域特征数据和第二目标特征域数据，改进TCA算法的优化目标包括最大均值差异距离值、类内距离值和类间距离值；
[0010]S4，将第二源域特征数据和第二目标域特征数据作为域不变的特征数据，根据域不变的特征数据和位置指纹数据库中的位置坐标通过双层KNN定位算法预测得到待定位点的位置坐标。
[0011]作为优选，步骤S1中对参考指纹点和待定位点的原始CSI数据进行预处理，得到CSI数据，具体包括：
[0012]使用Hample滤波去除原始CSI数据中明显的异常点、离群点，得到滤波后的原始CSI数据；
[0013]将滤波后的原始CSI数据进行尺度小波分解，得到小波分解系数W，将小波分解系数W分为近似小波系数cA
n
和细节小波系数cD
n
；
[0014]将小波分解系数取绝对值，并由小到大排列，并将每个小波分解系数的绝对值平方，得到待估计向量S，对待估计向量S中的每个元素，按下式计算风险向量：
[0015][0016]其中，Risk
l
表示第l个元素的风险向量，在风险向量中找出最小点作为风险值，记风险向量的最小点所对应的下标值为k，根据下式计算得到阈值为：
[0017][0018]对经过尺度小波分解所得到的细节小波系数cD
n
进行阈值收缩处理，若细节小波系数cD
n
的绝对值低于阈值，则可认为是由噪声引起，对该细节小波系数置0；若细节小波系数cD
n
比阈值大，则对其做收缩处理，具体公式如下：
[0019][0020]其中sign()代表符号函数，ωλ为经过小波阈值处理后的小波系数；
[0021]将经过小波阈值处理后的小波系数ωλ和近似小波系数cA
n
进行小波逆变换，得到CSI数据。
[0022]作为优选，1D
‑
CNN模型包括依次连接的输入层、第一复合层、第二复合层、第三复合层、第一全连接层、第二全连接层与输出层，第一复合层包括依次连接的第一卷积层和第一池化层，第二复合层包括依次连接的第二卷积层和第二池化层，第三复合层包括依次连接的第三卷积层和第三池化层。
[0023]作为优选，第一卷积层中卷积核大小为5，步长为2，卷积核数量为16，padding设为0，第一池化层中卷积核大小为5，步长为1；
[0024]第二卷积层中卷积核大小为5，步长为2，卷积核数量为32，padding设为0，第二池化层中卷积核大小为5，步长为1；
[0025]第三卷积层中卷积核大小为5，步长为1，卷积核数量为64，padding设为0，第三池化层中卷积核大小为5，步长为1；
[0026]第一全连接层的神经元个数为3264，第二全连接层的神经元个数为270。
[0027]作为优选，将第二全连接层中提取的若干维特征数据作为特征数据。
[0028]作为优选，步骤S3具体包括：
[0029]采用最大均值差异MMD计算第一源域特征数据和第一目标域特征数据的距离，计算公式如下：
[0030][0031]其中，为第一源域特征数据，为第一目标域特征数据，n1和n2分别代表第一源域特征数据的总数据量和第一目标域特征数据的总数据量；
[0032]第一源域特征数据中第t类样本的类内距离值WCD的距离计算公式如下：
[0033][0034]第一源域特征数据中所有类样本的类内距离之和为：
[0035][0036]其中，t
i
和t
j
分别为第t类样本中的其中两个样本。
[0037]第一源域特征数据的类间距离值BCD的距离计算公式如下：
[0038][0039]φ(
·
)表示特征映射，用于将原始数据映射至高维空间中，映射函数为域适应函数，为降维矩阵，为降维向量；
[0040]以最大均值差异MMD、类内距离值WCD和类间距离值BCD作为衡量方式构建多目标优化问题，多目标优化问题由以下公式表示：
[0041][0042]其中，α、β和μ为影响因子，用于平衡不同距离的重要性；
...

【技术保护点】

【技术特征摘要】
1.一种基于改进TCA算法的环境自适应定位方法，其特征在于，包括以下步骤：S1，获取参考指纹点和待定位点的原始CSI数据和位置坐标，对所述参考指纹点和待定位点的原始CSI数据进行预处理，得到CSI数据；S2，采用1D
‑
CNN模型提取所述CSI数据中的特征数据，并将所述参考指纹点的特征数据及其对应的位置坐标存入位置指纹数据库中；S3，将所述参考指纹点的特征数据作为第一源域特征数据，将所述待定位点的特征数据作为第一目标域特征数据，根据所述第一源域特征数据和第一目标域特征数据通过改进TCA算法进行数据映射和降维处理，提取得到域不变的特征数据，第二源域特征数据和第二目标特征域数据，所述改进TCA算法的优化目标包括最大均值差异距离值、类内距离值和类间距离值；S4，将所述第二源域特征数据和第二目标域特征数据作为域不变的特征数据，根据所述域不变的特征数据和所述位置指纹数据库中的位置坐标通过双层KNN定位算法预测得到待定位点的位置坐标。2.根据权利要求1所述的基于改进TCA算法的环境自适应定位方法，其特征在于，所述步骤S1中对所述参考指纹点和待定位点的原始CSI数据进行预处理，得到CSI数据，具体包括：使用Hample滤波去除原始CSI数据中明显的异常点、离群点，得到滤波后的原始CSI数据；将所述滤波后的原始CSI数据进行尺度小波分解，得到小波分解系数W，将所述小波分解系数W分为近似小波系数cA
n
和细节小波系数cD
n
；将小波分解系数取绝对值，并由小到大排列，并将每个小波分解系数的绝对值平方，得到待估计向量S，对所述待估计向量S中的每个元素，按下式计算风险向量：其中，Risk
l
表示第l个元素的风险向量，在风险向量中找出最小点作为风险值，记风险向量的最小点所对应的下标值为k，根据下式计算得到阈值为：对经过尺度小波分解所得到的细节小波系数cD
n
进行阈值收缩处理，若细节小波系数cD
n
的绝对值低于阈值，则可认为是由噪声引起，对该细节小波系数置0；若细节小波系数cD
n
比阈值大，则对其做收缩处理，具体公式如下：其中sign()代表符号函数，ωλ为经过小波阈值处理后的小波系数；将所述经过小波阈值处理后的小波系数ωλ和近似小波系数cA
n
进行小波逆变换，得到所述CSI数据。3.根据权利要求1所述的基于改进TCA算法的环境自适应定位方法，其特征在于，所述1D
‑
CNN模型包括依次连接的输入层、第一复合层、第二复合层、第三复合层、第一全连接层、第二全连接层与输出层，所述第一复合层包括依次连接的第一卷积层和第一池化层，所述
第二复合层包括依次连接的第二卷积层和第二池化层，所述第三复合层包括依次连接的第三卷积层和第三池化层。4.根据权利要求3所述的基于改进TCA算法的环境自适应定位方法，其特征在于，所述第一卷积层中卷积核大小为5，步长为2，卷积核数量为16，padding设为0，所述第一池化层中卷积核大小为5，步长为1；所述第二卷积层中卷积核大小为5，步长为2，卷积核数量为32，padding设为0，所述第二池化层中卷积核大小为5，步长为1；所述第三卷积层中卷积核大小为5，步长为1，卷积核数量为64，padding设为0，所述第三池化层中卷积核大小为5，步长为1；所述第一全连接层的神经元个数为3264，所述第二全连接层的神经元个数为270。5.根据权利要求3所述的基于改进TCA算法的环境自适应定位方法，其特征在于，将所述第二全连接层中提取的若干维特征数据作为所述特征数据。6.根据权利要求1所述的基于改进TCA算法的环境自适应定位方法，其特征在于，所述步骤S3具体包括：采用最大均值差异MMD计算所述第一源域特征数据和第一目标域特征数据的边缘概率分布差异，计算公式如下：其中，为所述第一源域特征数据，为所述第一目标域特征数据，n1和n2分别代表所述第一源域特征数据的总数据量和所述第一目标域特征数据的总数据量；所述第一源域特征数据中第t类样本的类内距离值WCD的距离计算公式如下：所述第一源域特征数据中所有类样本的类内距离之和为：其中，t
i
和t
j
分别为第t类样本中的其中两个样本。所述第一源域特征数据的类间距离值BCD的...

【专利技术属性】
技术研发人员：林建旋，付一夫，胡思林，方剑平，廖小顺，吕小勤，
申请(专利权)人：厦门智小金智能科技有限公司，
类型：发明
国别省市：