[发明专利]基于改进型TrAdaBoost的迁移学习室内定位方法

说明书

本发明公开了一种基于改进型TrAdaBoost的迁移学习室内定位方法，其步骤包括：1、将采集指纹数据库的原始场景作为源域，将新场景或内部环境发生变化的场景定义为目标域；2、利用One‑Hot算法对消除线性变换后的CSI幅度数据进行编码；3、利用One‑vs‑Rest算法对处理后的幅度数据进行交叉匹配；4、利用TrAdaBoost算法调整源域和目标域数据的权值，训练出最终的多分类器，并结合两个场景的指纹特征构建新的指纹图库，用于目标域的定位；5、最后，通过置信回归估计测试点的位置。本发明能以较低的成本更新场景发生变化的指纹库或建立新场景的指纹库，在保证较高定位精度的前提下降低算法复杂度。

技术领域

本发明属于无线通信技术领域，具体的说是一基于改进型TrAdaBoost的迁移学习室内定位方法。

背景技术

目前，由于网络基础设施的广泛安装，基于WLAN的无线终端设备在商场、办公室、机场、火车站等各种公共场所得到了越来越多的部署。基于Wi-Fi的无线定位技术具有部署成本低、接入开放等优点，已成为室内定位领域最有前途的定位方法之一。

信号强度(RSSI)广泛应用于基于WiFi的室内定位，它是多个信号路径的聚合信号强度，因为其简单性和低硬件要求，许多现有的室内定位系统使用RSSI值作为指纹。但它只是无线信道的粗略表示，在正交频分复用(Orthogonal Frequency-DivisionMultiplexing，OFDM)中，它并没有从子载波中提取更丰富的多径信息，信道状态信息(Channel State Information，CSI)以物理层为基础，描述了信道的幅度和相位特性，能够更好地反映细粒度的信道信息。

实际的基于CSI的室内定位系统存在面临两大挑战：一是CSI数据易受动态环境变化的影响。具体来说，由于严重的多径和阴影衰落影响，CSI数据不稳定，这是由短期干扰(如开门、关门、桌椅等家具的移动)和长期干扰(如湿度、温度和光照变化)引起的。因此，实时CSI数据将与指纹库中的值大不相同。如果指纹库没有相应的更新，会导致定位精度降低。一个简单的解决方案是重新收集数据并补充指纹库以适应环境的变化。然而，这种方法是非常不切实际的，因为这个校准过程耗时费力。一些工厂部署了固定的硬件来获得新的CSI进行修改，但是额外的硬件实现会产生额外的成本。此外，另一个需要考虑的挑战是，在定位场景时，必须针对不同的场景重新建立不同的指纹，这将给定位过程带来相当大的工作量。

目前，最接近的技术：基于Wi-Fi的指纹定位方法需要事先通过实地调查采集定位区域内的位置指纹，建立指纹数据库。由于受场景或环境变化的影响，需要重新生成训练集，但实地调查费时费力，无法适应环境的动态变化。这是阻碍指纹定位方法实际应用的最大瓶颈。研究人员利用压缩感知或指纹点的空间相关性进行指纹点重建，试图减少或消除指纹定位中的野外调查环节。另外，群体智能感知技术是解决这一问题的一种途径。人群感知以普通用户的移动设备为基本感知单元，通过网络通信形成一个群体智能感知网络，实现感官任务的分配和包括复杂社会感知任务在内的感官数据采集。在室内定位领域，普通用户的移动性实现了无需人工现场勘测。另一方面，迁移学习在基于动态环境的室内定位中的应用也引起了研究者的关注。专家学者提出了一种基于迁移学习框架的室内定位算法，分为度量学习和度量传递。这两个部分分别用于学习源域的距离度量和确定最适合目标域的距离度量。简言之，其原理是从源域传递的知识重塑目标域中的数据分布，使属于同一簇的数据在逻辑上更加接近，而其他数据则彼此远离。

综上所述，基于群体智能感知的指纹点采集与更新虽然取得了良好的效果，但它依赖于智能移动终端和普通用户的移动，是一项耗时的工作。基于特征、模型和核学习的迁移学习方法在各种场景下也取得了良好的定位效果，但算法复杂度较高。

发明内容

本发明是为了解决上述现有技术存在的不足之处，提出一种基于改进型TrAdaBoost的迁移学习室内定位方法，以期能以较低的成本更新场景发生变化的指纹库或建立新场景的指纹库，在保证较高定位精度的前提下降低算法复杂度，普及室内定位技术。