[发明专利]一种基于SVM和步行者航位推算融合的室内定位方法

权利要求书

1.一种基于SVM和步行者航位推算融合的室内定位方法，其特征在于，包括如下步骤：

(1)利用麦克风阵列，获得声源在不同位置的混响信号；

采用两个麦克风组成的麦克风传感器阵列对声源进行定位，假设每一个训练位置为l_i,i＝1,2,L,M；其中对于这两个麦克风，它的接受信号分别为：

其中，s(k)表示声源，它的位置在l_s；h₁(l_s,k),h₂(l_s,k)分别表示从声源到第一个麦克风房间的脉冲响应和声源到第二个麦克风房间的脉冲响应；

假设房间脉冲效应的长度为H，则对第i个麦克风，接受到的信号可以表示为：

(2)根据得到的混响信号，计算出互相关函数；

在实际情况中，由于受到噪声以及混响的干扰，相关函数往往会受到以下影响：最大峰被弱化以及出现多个峰值；广义互相关法是对一对麦克风信号的互功率谱实行加权处理，达到相关函数在时延的峰值位置更加突出的效果；信号x₁(k),x₂(k)的广义互相关函数可以表示为：

其中，‘*’表示复共轭；X₁(ω)是x₁(t)的傅里叶变换；

(3)根据互相关函数，生成特征向量z；

特征向量z通过广义互相关函数表示：

x_m＝round(αLf_s/c) (5)

其中，设为α为1.67，L表示两个麦克风之间的距离，f_s表示采样频率，c表示声速，round()表示取整函数；

假设对于单个特征z_i,i＝1,2,L,2x_m+1满足SVM模型，那么特征z的几何间隔为：

其中，y_i,w_i,b_i分别表示第i个特征z的法向量、结果标签和截距；

(4)利用特征向量z，实现SVM对声源的定位；

在互相关函数的SVM模型中，可以利用一个特征向量z实现SVM分类器对声源位置的估计功能；

假设一个前提，对于任意一个特征z_i,i＝1,2,L,2x_m+1，它们之间都是独立统计的，那么特征z_i,i＝1,2,L,2x_m+1的几何间隔为：

对于给定的样本点，选取一组(w_i,b_i)来表示，所以令w·x+b＝1，则超平面的距离表示为：2/||w||；

则几何间隔最小的位置就是声源的位置：

(5)融合PDR得到最终定位坐标；

构建步行者行走的系统模型，PDR定位的初始位置坐标通过SVM分类器声源定位获得，融合声源定位和PDR定位得到误差阈值门限；通过智能终端内置传感器、陀螺仪、方向传感器可以获得步行者完成一步后的位置，使用量测方程更新状态信息和位置信息，通过UKF算法实现PDR定位，得到最终融合定位坐标。

2.根据权利要求1所述的基于SVM和步行者航位推算融合的室内定位方法，其特征在于，步骤(3)中，当处于训练过程中，对于任意一个位置l_i,i＝1,2,L,n，可以利用K帧的训练数据来估算几何间隔由于对于任意一个超曲面来说，这个超平面都可以用一个法向量w和一个常数截距b来表示，所以一个点到这个超曲面的距离可以表示为：

其中，表示第c帧训练数据的第j个特征。