[发明专利]一种基于广义多核函数的室内定位方法

说明书

本发明揭示了一种基于广义多核函数的室内定位方法，顺序建立指纹地图库；利用迭代自组织数据分析算法对训练数据集进行预处理；利用C‑支持向量分类算法进行分类学习；构造多核函数；利用基于谱投影梯度下降的广义多核学习算法训练得到多核函数的最佳权重系数和最佳核参数；对训练数据集进行回归学习得到位置回归函数集合；利用分类函数对目标接收到的RSSI值进行在线分类，并调用对应的位置回归函数进行位置估计，得到目标的位置坐标。本发明技术方案得以应用后，增强了机器学习的离线训练能力，进一步提高了室内定位的精度，同时切实降低了离线计算复杂度，得以成本效率优化。

技术领域

本发明涉及无线通信技术、传感器技术，尤其涉及一种基于广义多核函数的室内定位方法，属于通信定位技术领域。

背景技术

近年来，由于政府调控和商业应用的增加，无线定位引起了广泛的关注。基于位置的服务（Location Based Service, LBS）应用到了众多的领域中，例如：追踪、健康监测和智能交通系统（Intelligent Transport System, ITS）等。以往的文献中提出了很多用于无线定位的测距方法，例如接收信号强度指示（Received Signal Strength Indicators,RSSI），到达时间（Time of Arrival, TOA），到达时间差（Time Difference of Arrival,TDOA）和到达角（Angle of Arrival, AOA）[1][2][3]等。其中，基于RSSI的方法功耗小，成本低，因而是一种性价比较高的解决方案。

随着机器学习的发展，解决基于RSSI测量值的室内定位问题逐渐转化为求解机器学习问题。支持向量回归（Support Vector Regression, SVR）[4][5][6][7]是传统的机器学习方法之一，作为SVR的一项重要技术，基于核函数[8][9]的学习方法也已广泛应用于定位问题中。而多核学习方法[10][11]（Multiple Kernel Learning, MKL）将基核函数组合起来，从而解决更多的问题，例如学习相似性度量、异构特征组合，学习稀疏结构模型等。但现有多核学习算法一般都用于解决某一具体问题。例如：利用半正定规划[12]、M.-Y.正则化[13]、镜像下降[14]或半正定线性规划[15]等对服从正则化的线性MKL进行优化，利用范数[16]的直接最小化学习稀疏MKL模型，利用序列最小优化（Sequential MinimalOptimization, SMO）算法[17]、随机梯度下降[18]和半无限线性规划[19]对正则化的线性MKL进行优化等。这些特定的优化方法仅适用于他们本身针对的问题，无法推广应用。

而广义多核学习算法[20]能够在线性和非线性核组合中，实现核参数化。广义多核学习[21]最常用的求解方法是投影梯度下降（Projected Gradient Descent, PGD）求解算法，但该算法效率较低，扩展性差。相对于传统的PGD求解算法，谱投影梯度下降（Spectral Projected Gradient, SPG）求解算法具有巨大的优势。第一，该算法能够根据谱步长来选择步进大小，从而得到二次信息。第二，通过引入非单调线性搜索准则来计算谱步长，能够有效减少支持向量机的评估次数。同时，该准则还可以排除较差的局部最优解，从而对非凸的核参数进行更好的优化。第三，SPG求解算法在计算目标函数和梯度时，抗噪能力较强，算法性能更加稳定。最后，SPG求解算法所需的初始支持向量求解精度较低，以后每次求解时再对该精度进行动态提高，有效降低了支持向量机的评估成本。

常见的无线定位测距方法详见：

[1] S. Golden and S. Bateman, “Sensor measurements for Wi-Fi locationwith emphasis on time-of-arrival ranging,” IEEE Trans. Mobile Comput., vol.6, no. 10, pp. 1185–1198, 2007；