[发明专利]基于流形学习的指纹库自更新方法和装置

说明书

技术领域

本发明涉及定位领域，特别涉及一种基于流形学习的指纹库自更新方法和装置。

背景技术

指纹库保存有位置空间与信号向量空间之间的映射关系，根据接收到的信号向量和指纹库可以确定相应的位置信息，从而实现定位。由此可见，建立精确的位置空间与信号向量空间之间的映射模型，对提高定位精度至关重要。

目前指纹库通常采用监督学习的训练算法来建立的位置空间与信号向量空间之间的映射模型，该方法在离线训练阶段需要从实际环境中采集大量的训练数据集，训练数据集全部为标记数据，即经用户确认位置的位置点的信号向量。采集带有标记数据的训练数据集，样本收集代价非常高。

并且，无线信号容易受到环境的影响而发生变化，在信号分布变化时位置空间与信号向量空间的映射关系会发生较大改变，此时，如果仍然按照之前建立的指纹库进行定位，定位精度就会急剧下降。按照现有技术，需要重新采集大量带有标记数据的训练数据集来更新指纹库中的信息，样本收集代价非常高。

由此可见，现有的指纹库更新方法无法适用无线信号多变的通信环境，每次指纹库更新均需要采集大量带有标记数据的训练数据集，样本收集代价非常高。

发明内容

本发明实施例所要解决的一个技术问题是：解决指纹库更新过程由于需要大量标记数据的训练数据集所导致的样本收集代价较高的问题。

根据本发明实施例的一个方面，提出一种基于流形学习的指纹库自更新方法，包括：基于流形学习技术将高维信号向量空间的数据点映射为低维位置空间对应的数据点，其中，所述高维信号向量空间的数据点包括无标记数据，无标记数据是指未经用户确认位置的位置点的信号向量；从低维位置空间的数据点中筛选出可信数据点；基于可信数据点预测出其他位置的数据点；将低维位置空间中预测出的数据点映射为高维信号向量空间的数据点；根据可信数据点对应的高维信号向量空间的数据点以及映射得到的高维信号向量空间的数据点更新指纹库。

所述基于流形学习技术将高维信号向量空间的数据点映射为低维位置空间对应的数据点包括：在高维信号向量空间的数据点中寻找其中任意第一数据点的预设数量的邻居数据点；由邻居数据点构造邻接图，并计算邻接图的邻接矩阵；根据邻接矩阵将高维信号向量空间的第一数据点映射为低维位置空间对应的数据点。

所述从低维位置空间的数据点中筛选出可信数据点包括：通过粗大误差滤除方法或者距离阈值过滤方法从低维位置空间的数据点中筛选出可信数据点。

所述基于可信数据点预测出其他位置的数据点包括：采用数据插值方法或者高斯过程方法，基于可信数据点预测出其他位置的数据点。

所述高维信号向量空间的数据点还包括标记数据；其中，标记数据是指经用户确认位置的位置点的信号向量。

根据本发明实施例的再一个方面，提出一种基于流形学习的指纹库自更新装置，包括：第一映射单元，用于基于流形学习技术将高维信号向量空间的数据点映射为低维位置空间对应的数据点，其中，所述高维信号向量空间的数据点包括无标记数据，无标记数据是指未经用户确认位置的位置点的信号向量；筛选单元，用于从低维位置空间的数据点中筛选出可信数据点；预测单元，用于基于可信数据点预测出其他位置的数据点；第二映射单元，用于将低维位置空间中预测出的数据点映射为高维信号向量空间的数据点；更新单元，用于根据可信数据点对应的高维信号向量空间的数据点以及映射得到的高维信号向量空间的数据点更新指纹库。

所述第一映射单元，具体用于在高维信号向量空间的数据点中寻找其中任意第一数据点的预设数量的邻居数据点；由邻居数据点构造邻接图，并计算邻接图的邻接矩阵；根据邻接矩阵将高维信号向量空间的第一数据点映射为低维位置空间对应的数据点。

所述筛选单元，具体用于通过粗大误差滤除方法或者距离阈值过滤方法从低维位置空间的数据点中筛选出可信数据点。

所述预测单元，具体用于采用数据插值方法或者高斯过程方法，基于可信数据点预测出其他位置的数据点。

所述高维信号向量空间的数据点还包括标记数据；其中，标记数据是指经用户确认位置的位置点的信号向量。