[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

说明书

本发明公开了一种基于SVM和步行者航位推算融合的室内定位方法，涉及超声波信号室内定位技术领域，解决的技术问题是提供一种测量精度高的室内定位方法，该方法包括如下步骤：（1）利用麦克风阵列，获得声源在不同位置的混响信号；（2）根据得到的混响信号，计算出互相关函数；（3）根据互相关函数，生成特征向量z；（4）利用特征向量z，实现SVM对声源的定位；（5）融合PDR得到最终定位坐标。本发明充分发挥支持向量机回归在收敛速度、小样本预测及全局寻优上的优势，缩短了声源定位时间、提高了定位精度，同时具有定位精度高、软件运算量低的特点，在保证定位精度的前提下实现实时定位要求。

技术领域

本发明涉及超声波信号室内定位技术领域，尤其涉及一种基于SVM和步行者航位推算融合的室内定位方法。

背景技术

基于麦克风阵列的语音系统由于其广泛的应用前景，受到了越来越广泛的关注。在基于麦克风阵列的语音信号处理中，声源定位技术处在核心位置。除了能够提供位置信息之外，声源定位技术在基于麦克风阵列的语音增强中也发挥着重要作用，对于如何增强语音信号处理的性能以及增强声源定位的性能有很重要的意义。对于绝大多数的声源定位系统来说，采用的都是麦克风阵列。从规模上进行划分，麦克风阵系统可分为两种：一种是大型的麦克风阵，主要用来进行语音控制，包含了几十到几百的阵元；另一种则是小型的麦克风阵，主要应用在一些电子产品，比如手提电脑以及移动电话中使用。

声发射原定位方法分为两种：参数定位法和波形定位法。基于参数的声源定位算法主要有：时差定位、能量定位、区域定位和智能定位四种方法，波形定位法主要是基于板波理论的模态分析定位法。

基于人工智能的声源定位方法以先进的人工智能算法为基础，支持向量机(SVM)就是这样的一种机器学习算法：SVM建立在统计学习的VC维度 (Vapnik－ChervonenkisDimension)理论以及结构风险最小化原理的基础上，可以对有限的样本实现模型复杂度以及学习能力的平衡。支持向量机利用对最大间距的超平面的寻找进行分类，有着很强的泛化能力，并且对小样本的分类尤为适用。SVM主要处理二分类的情况，主要思想是面向线性可分的问题设计。在样本是线性不可分时，SVM通过非线性映射也就是核函数，使低维空间的样本映射到高维空间中，这样就可以使样本线性可分，从而可以在高维空间线性分类。对超平面的寻找是建立在结构风险最小理论的基础上，通过对两个间隔最大的平行超平面的寻找实现样本分类，这样就可以让分类器获得全局最优解，并且在样本空间中符合期望风险以某个概率满足一定上界的情况。

目前智能定位方法中，主要采用神经网络方法，利用神经网络强大的非线性能力，极大地放宽了传统定位方法所必须的约束条件，实现复杂的声源定位且定位精度较高，但由于神经网络本省的缺陷也使得基于神经网络的智能定位算法有致命的缺陷。如网络结构难以确定、过度学习、大样本及易陷入局部极值的等。

目前应用最多、发展最为成熟的是时差定位法，但是其定位精度非常容易收到波速、波形、构件形状、衰减的影响，只适合结构化比较简单的场合。能量定位法具有不需要测量波速和时差，简单易实现的优点，但是能量衰减规律非常容易受结构材料类型、构件的几何形状、波模式等因素的影响而不确定。区域定位法实现简单，不易误定位，但定位精度低，不能给声发射源精确的位置。

利用智能终端进行室内定位过程中，由于移动终端普遍配有陀螺仪、加速度传感器、电子罗盘等运动传感器，这使得移动终端的惯性导航技术具有较好的推广性，具有不易受环境影响、稳定性高等优势。但是，由于电子罗盘容易受到环境干扰，会导致航向角出现偏差，且步态判断误差和步长估计误差会导致行走距离误差，造成的累积误差会导致惯性系统无法长时间进行精确定位，如何有效消除累积误差成为解决问题的关键。

发明内容

针对现有技术的不足，本发明所解决的技术问题是提供一种测量精度高的室内定位方法。

为解决上述技术问题，本发明采用的技术方案是一种基于SVM和步行者航位推算融合的室内定位方法，包括如下步骤：