基于特征迁移的动态环境下的室内定位方法、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特征迁移的动态环境下的室内定位方法、装置及可读介质，获取第一源域数据和第一目标域数据，根据第一源域数据和第一目标域数据分别计算得到边缘概率分布差异和条件概率分布差异，并计算得到动态平衡因子；根据边缘概率分布差异、条件概率分布差异和动态平衡因子确定数据整体特征分布适配优化目标；根据第一源域数据分别计算第二源域数据中同一类数据的类内距离和第二源域数据中不同类数据的类间距离，并确定数据局部几何特性保留优化目标；根据数据整体特征分布适配优化目标和数据局部几何特性保留优化目标构造得到总优化目标，并求解得到映射矩阵，通过映射矩阵实现定位，有效提高环境鲁棒性及定位精度。位精度。位精度。

【技术实现步骤摘要】
基于特征迁移的动态环境下的室内定位方法、装置及可读介质


[0001]本专利技术涉及室内无源定位领域，具体涉及一种基于特征迁移的动态环境下的室内定位方法、装置及可读介质。

技术介绍

[0002]随着物联网技术的不断发展，智能化逐渐成为各种室内场景的研究方向，基于位置服务的室内定位技术受到了广泛的关注，而Wi
‑
Fi信号作为广泛存在于各种家庭场景中的信号源也成为了室内定位领域研究的重点。
[0003]早期Wi
‑
Fi定位技术中通常使用链路层的接收信号强度指示(Received Signal Strength Indication,RSSI)，RSSI只能提供粗粒度的特征信息，其只能描述所接收的不同路径失真信号的整体叠加结果，无法对不同路径信号进行区分，因此一旦环境条件发生变化，RSSI信号自身的稳定性就会被破坏，从而造成数据漂移等问题，故RSSI难以持续完成高精度的室内定位工作。
[0004]随着Wi
‑
Fi信号的物理层信息的开放，研究信号源也逐步从链路层的RSSI数据转向了物理层的信道状态信息(Channel State Information,CSI)数据。相比于RSSI，CSI能够提供细粒度的数据特征以供算法使用，大量研究表明CSI数据一定程度上提升了信号的稳定性和定位算法的定位效果，但基于Wi
‑
Fi的定位算法的核心问题仍然没有解决。Wi
‑
Fi信号本身随环境变化而产生域偏移，造成训练采集数据和测试采集数据不满足独立同分布条件从而使得定位精度大幅下降的问题。
[0005]近些年，为了解决收集数据间的域偏移问题，迁移学习方法已经被用于了室内定位领域当中并得到了广泛的应用，常见的迁移学习方法如TCA、JDA、CORAL等都能够一定程度减小两域数据间的分布差异。但其仍存在一些缺点，主要如下所述：
[0006](1)知识迁移不够充分，导致域适应效果有效，对于室内定位精度提升有限。
[0007](2)只从两域数据整体角度出发实现域适应，造成了混淆对齐问题，对后续定位算法分类造成了很大的困扰。

技术实现思路

[0008]针对上述提到的技术问题。本申请的实施例的目的在于提出了一种基于特征迁移的动态环境下的室内定位方法、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。
[0009]第一方面，本专利技术提供了一种基于特征迁移的动态环境下的室内定位方法，包括以下步骤：
[0010]S1，获取第一源域数据和第一目标域数据，根据第一源域数据和第一目标域数据组成的输入数据矩阵计算得到第二源域数据和第二目标域数据之间的边缘概率分布差异，根据每一类别的第一源域数据和第一目标域数据计算得到第二源域数据和第二目标域数
据之间的条件概率分布差异，根据第一源域数据和第一目标域数据整体之间的距离以及第一源域数据和第一目标域数据中每个类别数据之间的距离计算得到动态平衡因子；
[0011]S2，根据边缘概率分布差异、条件概率分布差异和动态平衡因子确定数据整体特征分布适配优化目标；
[0012]S3，根据第一源域数据分别计算第二源域数据中同一类数据的类内距离和第二源域数据中不同类数据的类间距离，根据类内距离和类间距离确定数据局部几何特性保留优化目标；
[0013]S4，根据数据整体特征分布适配优化目标和数据局部几何特性保留优化目标构造得到总优化目标，根据总优化目标求解得到映射矩阵，通过映射矩阵实现定位。
[0014]作为优选，步骤S1中根据第一源域数据和第一目标域数据组成的输入数据矩阵计算得到第二源域数据和第二目标域数据之间的边缘概率分布差异，具体包括：
[0015]根据MMD计算得到边缘概率分布差异，公式如下：
[0016][0017]其中，表示再生希尔伯特空间，M是映射矩阵，M
T
表示映射矩阵的转置矩阵，X＝[X
src
,X
tar
]表示由第一源域X
src
和第二目标域数据X
tar
组成的输入数据矩阵，表示第一源域X
src
中的第i个数据，表示第二目标域数据X
tar
中的第j个数据，n
s
和n
t
分别表示第一源域数据的数量和第一目标域数据的数量，tr(
·
)表示对矩阵求迹，为MMD矩阵，采用如下方式构造：
[0018][0019]作为优选，步骤S1中根据每一类别的第一源域数据和第一目标域数据计算得到第二源域数据和第二目标域数据之间的条件概率分布差异，具体包括：
[0020]使用第一源域数据训练分类器，得到经训练的分类器，将第一目标域数据输入经训练的分类器，得到第一目标域数据对应的类别；
[0021]使用类条件概率分布的充分统计量来近似替代条件概率分布，从而计算第二源域数据和第二目标域数据之间的条件概率分布，公式如下：
[0022][0023]其中，y
src
＝c表示第一源域数据的类别为c，y
tar
＝c表示第一目标域数据的类别为c，c∈{1,2,
…
,C}表示标签的类别；
[0024]根据MMD计算条件概率分布差异，公式如下：
[0025][0026]表示第一源域数据中类别为c的样本，表示第一目标域数据中类别为c的样本，和分别表示第一源域数据和第二源域数据中类别为c的样本的数量，为权值矩阵，采用如下方式构造：
[0027][0028]其中，与分别表示第一源域数据和第一目标域数据上的类别为c的先验类概率。
[0029]作为优选，步骤S1中根据第一源域数据和第一目标域数据整体之间的距离以及第一源域数据和第一目标域数据中每个类别数据之间的距离计算得到动态平衡因子，具体包括：
[0030][0031]其中，δ∈[0,1]，dist
AM
和分别表示第一源域数据和第一目标域数据整体及第一源域数据和第一目标域数据中每类数据之间的A
‑
distance，A
‑
distance的计算公式如下：
[0032]dist
A
(X
src
,X
tar
)＝2(1
‑
2loss(h))；
[0033]其中，loss(h)表示第一源域数据和第一目标域数据所训练的二分类器h的分类损失。
[0034]作为优选，步骤S2具体包括：
[0035]将边缘概率分布差异、条件概率分布差异和动态平衡因子相结合，并加入数据方差作为限制条件以确保两域数据映射前后其特征维持不变，得到数据整体特征分布适配优化目标为：
[0036][0037]其中，H为中心矩阵且H＝I
‑
(1/n
s
+n
t
)1，是单位矩阵，为正本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于特征迁移的动态环境下的室内定位方法，其特征在于，包括以下步骤：S1，获取第一源域数据和第一目标域数据，根据所述第一源域数据和第一目标域数据组成的输入数据矩阵计算得到第二源域数据和第二目标域数据之间的边缘概率分布差异，根据每一类别的第一源域数据和第一目标域数据计算得到第二源域数据和第二目标域数据之间的条件概率分布差异，根据第一源域数据和第一目标域数据整体之间的距离以及所述第一源域数据和第一目标域数据中每个类别数据之间的距离计算得到动态平衡因子；S2，根据所述边缘概率分布差异、条件概率分布差异和动态平衡因子确定数据整体特征分布适配优化目标；S3，根据所述第一源域数据分别计算第二源域数据中同一类数据的类内距离和第二源域数据中不同类数据的类间距离，根据所述类内距离和类间距离确定数据局部几何特性保留优化目标；S4，根据所述数据整体特征分布适配优化目标和数据局部几何特性保留优化目标构造得到总优化目标，根据所述总优化目标求解得到映射矩阵，通过所述映射矩阵实现定位。2.根据权利要求1所述的基于特征迁移的动态环境下的室内定位方法，其特征在于，所述步骤S1中根据所述第一源域数据和第一目标域数据组成的输入数据矩阵计算得到第二源域数据和第二目标域数据之间的边缘概率分布差异，具体包括：根据MMD计算得到边缘概率分布差异，公式如下：其中，表示再生希尔伯特空间，M是映射矩阵，M
T
表示映射矩阵的转置矩阵，X＝[X
src
,X
tar
]表示由第一源域X
src
和第二目标域数据X
tar
组成的输入数据矩阵，表示第一源域X
src
中的第i个数据，表示第二目标域数据X
tar
中的第j个数据，n
s
和n
t
分别表示第一源域数据的数量和第一目标域数据的数量，tr(
·
)表示对矩阵求迹，为MMD矩阵，采用如下方式构造：3.根据权利要求1所述的基于特征迁移的动态环境下的室内定位方法，其特征在于，所述步骤S1中根据每一类别的第一源域数据和第一目标域数据计算得到第二源域数据和第二目标域数据之间的条件概率分布差异，具体包括：使用第一源域数据训练分类器，得到经训练的分类器，将所述第一目标域数据输入所述经训练的分类器，得到所述第一目标域数据对应的类别；使用类条件概率分布的充分统计量来近似替代条件概率分布，从而计算第二源域数据和第二目标域数据之间的条件概率分布，公式如下：
其中，y
src
＝c表示第一源域数据的类别为c，y
tar
＝c表示第一目标域数据的类别为c，c∈{1,2,
…
,C}表示标签的类别；根据MMD计算条件概率分布差异，公式如下：根据MMD计算条件概率分布差异，公式如下：表示第一源域数据中类别为c的样本，表示第一目标域数据中类别为c的样本，和分别表示第一源域数据和第二源域数据中类别为c的样本的数量，为权值矩阵，采用如下方式构造：其中，与分别表示第一源域数据和第一目标域数据上的类别为c的先验类概率。4.根据权利要求1所述的基于特征迁移的动态环境下的室内定位方法，其特征在于，所述步骤S1中根据第一源域数据和第一目标域数据整体之间的距离以及所述第一源域数据和第一目标域数据中每个类别数据之间的距离计算得到动态平衡因子，具体包括：其中，δ∈[0,1]，dist
AM
和分别表示第一源域数据和第一目标域数据整体及第一源域数据和第一目...

【专利技术属性】
技术研发人员：胡思林，付一夫，林建旋，方剑平，冯海男，胡鑫，
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：