[发明专利]融合PSO和SS-ELM的蜂窝网无线定位方法

说明书

本发明公开了融合PSO和SS‑ELM的蜂窝网无线定位方法。本发明的实现包括使用有标签训练数据和无标签训练数据对SS‑ELM的输出层权值参数β作进行训练，对SS‑ELM进行训练的过程中引入PSO对SS‑ELM的超参数进行自动优化，PSO的适应度值计算函数在训练的过程中使用了有标签训练数据和无标签训练数据对SS‑ELM进行优化筛选得到最优的SS‑ELM参数作为回归模型用于在线定位服务。本发明专利的实施分离线和在线两部分实施。本发明减少基于RSS指纹数据的蜂窝网络定位对有标签的RSS指纹数据的依赖，降低人工采集数据的成本，并减少算法训练过程中的人工调节参数的工作量。

技术领域

本发明属于模式识别和计算智能领域内的一种蜂窝网络无线定位方法，具体涉及粒子群优化(Particle Swarm Optimization,PSO)和半监督极限学习机(Semi-SupervisedExtreme Learning Machine,SS-ELM)。

背景技术

高度发达的蜂窝网络系统和覆盖全球的蜂窝网络信号使得蜂窝网络系统是最为广泛使用的移动通信系统，和智能手机的普及使得基于蜂窝网系统的定位技术成为了一种重要的室外定位技术。尤其在卫星定位系统，如全球定位系统(GPS)不可用的情况下，智能手机只能依靠蜂窝网络系统进行室外的定位。与此同时随着物联网技术的发展，接入蜂窝网络的智能设备将会越来越多，获取智能设备的位置信息将会成为各种应用场景的先决条件。

与TOA,TDOA,AOA等基于几何距离的传统定位技术相比，接收信号强度(RSS)和机器学习算法更适用于在无线电信号非视距传播(NLOS)的环境下对移动设备进行定位。但是由于因为有监督的机器学习算法训练所需要的RSS指纹数据，即带有位置信息和接收信号强度(RSS)的“有标签训练数据”的采集，需要通过可移动的信号采集设备在定位的目标区域中获取接收信号强度和对应的位置信息(二维的经纬度或者一维的位置区域标示)，特别是在广阔的室外环境收集到足够的RSS指纹数据则需要更多时间和人力成本。于此相反获取不含位置信息的无标签接收信号强度(RSS)数据的所付出的代价要少很多，我们可以从目标服务区内的手机上传的MR(Measurement Report)数据中提取出大量接收信号强度(RSS)数据，但这些数据不包含位置信息，我们称之为“无标签训练数据”。模式识别领域中半监督学习，无标签数据是有标签训练数据的补充，在有标签训练数据较少的情况下无标签数据可以提高算法预测和识别的准确率。

半监督极限学习机(Semi-supervised extreme learning machine)以下简称SS-ELM是一种单隐藏层的神经网络，具有训练速度快泛化能力好的特点，同时该算法可以结合有标签和无标签训练数据进行训练。但是SS-ELM对范数和流形正则约束十分敏感，在实际的应用中没有系统的理论指导我们去优化约束的超参数，而SS-ELM的训练过程本身只对输出层权值β进行训练优化，也不存在系统的理论对SS-ELM超参数优化进行指导，所以SS-ELM超参数的优化往往只能通过有经验的工作人员根据具体的业务场景进行反复的实验。

发明内容

本发明的实施方案分为两大步骤：目的在于解决基于RSS指纹数据的蜂窝网络环境下的定位需要采集较多的有标签训练数据，使用SS-ELM在实现同等定位精度下，SS-ELM需要的有标签训练数据较少，从而降低了人工收集有标签训练数据的成本。同时本发明是SS-ELM和PSO的结合，利用PSO对SS-ELM的超参数进行自动优化，减少了算法参数调优中的人工干预，提高生产应用的效率。本发明通过如下技术方案实现。

融合PSO和SS-ELM的蜂窝网无线定位方法，其包括使用有标签训练数据和无标签训练数据对SS-ELM的输出层权值参数β作进行训练，在SS-ELM训练过程中使用PSO对SS-ELM的超参数进行自动优化，PSO的适应度值计算函数的计算涵盖了有标签训练数据和无标签训练数据，经过PSO优化筛选后得到的最优SS-ELM参数作为回归模型用于在线定位服务。