[发明专利]基于权值重要度约束的无监督融合定位方法

说明书

本发明公开了一种基于权值重要度约束的无监督融合定位方法，包括如下步骤：步骤1：构建离线指纹库，步骤2：线上定位，步骤2.1：K近邻匹配，步骤2.2：构造候选位置集合，步骤2.3：建立代价函数，步骤2.4：交替更新，步骤2.5：定位输出，交替执行步骤2.4若干轮，直至算法收敛，输出待定位目标的实际位置。本发明能够在无需硬件改动的情况下在复杂的室内环境中大幅度提高定位精度，是一种精度高、实用性好的融合定位方法。

技术领域

本发明属于定位技术领域，具体地说涉及一种基于权值重要度约束的无监督融合定位方法。

背景技术

为地球表面绝大部分地区提供准确、快速的定位服务。由于GPS卫星信号功率低，无法穿过建筑物墙壁，因此在室内环境中无法利用GPS卫星定位系统。而人们日常生活中，有很大一部分的时间都在室内环境中，尤其是随着智能手机和移动互联网的高速发展，人们对室内定位的需求日益上涨。常见的室内定位技术包括红外定位、超声波定位、WiFi定位、蓝牙定位、UWB定位、视觉定位等，UWB定位可以获得分米级的精度，但是其设备昂贵，普及率低，通常只用于工业环境。基于红外、超声波和视觉的定位系统存在部署困难，使用不方便，需要增加额外设备，因此普及率也较低。随着智能手机的普及，几乎所有的智能手机都装配蓝牙和WiFi无线组件，更适合用于室内定位，可以大大减少成本，提高实用性。利用蓝牙和WiFi的定位系统都要求无线接入点(Wireless Access Point)具有固定的坐标，通常情况下蓝牙只装配在移动设备上，而WiFi无线接入点则具有固定的安放坐标，因此基于WiFi的室内定位技术应用最广。基于WiFi的室内定位主要有参数化定位方法和非参数化定位方法，参数化定位方法就是根据信道传播模型和信号处理理论，进行TOA/TDOA/AOA等参数的估计，进而实现定位，然而在复杂的室内定位环境中，参数化定位面临着多径、非视距等诸多挑战，实现上具有很多困难。比较而言，非参数化定位方法具有更高的精度，这是因为非参数化定位把定位的环境信息和带定位目标的坐标的函数进行估计，是一种环境感知的思想，它无需进行直达波鉴别和非直达波的剔除等过程，对信号的传播环境没有特殊的要求。

非参数化定位方法的主要代表是指纹式定位方法，把实际环境中的无线信号指纹(一般是RSS指纹)与空间坐标联系起来，然后可以建立机器学习模型学习RSS指纹与空间坐标的映射关系，在定位阶段，首先在待定位区域收集RSS指纹，然后交由模型进行预测，得到定位结果。常见的用于室内定位的机器学习模型包括K-近邻、支持向量机、随机森林等。然而在复杂的室内环境中，无线信号RSS波动较大，且存在不规律的时变性，大大降低了机器学习方法的定位精度。为了解决这个问题，有不少学者提出了基于信息融合的方法。

如现有技术中提出了一种基于最小均方误差(Minimum Mean Square Error，MMSE)准则的分类器模型权值估计方法，该方法训练多种不同的分类器，然后利用额外的指纹数据，按照MMSE准则，离线估计最优的分类器权重，在定位阶段，利用训练好的多个分类器进行位置预测，然后利用离线训练好的权值，对多个分类器预测的结果进行融合。该方法实现简单，原理清晰，但存在以下问题：1)需要收集更多的指纹用于估计权值，增加了建立指纹库的工作量。2)该方法不能自适应地每个分类器预测结果的权值，限制了定位精度。

如现有技术中还提出了一种动态加权的融合定位方法，该方法同一种基于最小均方误差准则的分类器模型权值估计方法类似，也需要训练多个分类器模型，然后利用额外的指纹数据，估计分类器在每个子区域的权值；在线定位阶段，通过计算RSS测量值与RSS指纹库之间的把在线数据和离线数据进行匹配，先进行子区域定位，然后选取对应子区域的权值方案用于融合。该方法在不同的区域给每个指纹函数分配不同的权值，具有较强的适应性，但是也存在以下缺点：1)训练子区域的权值，也需要额外采集指纹数据，增加了建立指纹库的工作量；2)利用欧氏距离进行粗定位本身具有较大误差，因此可能会选取不恰当的权值，可能对定位精度没有提升，甚至会降低定位精度。

发明内容