[发明专利]一种基于异构迁移学习的室内定位方法

说明书

本发明属于室内定位技术领域，具体是涉及一种基于异构迁移学习的室内定位方法。本发明首先通过在每个格点采集RSS值建立离线指纹库作为源域数据，并随机收集一部分格点的RSS值作为共现数据中源域信息部分。然后在线上定位阶段，采集测试样本以及共现数据中目标域信息部分，并完成对共现数据的拼接。本发明的方法，以共现数据为桥梁，并加入边缘分布和条件分布对齐以及拓扑一致性约束，计算一个将源域投影到目标域的映射。最后，利用映射后的源域数据训练分类器，用于目标域的测试样本的位置计算。本发明充分利用共现数据，将源域和目标域数据联系起来，能在定位环境中传感器大量更换的情况下继续完成稳定、准确的定位，而不需要重新建立指纹库。

技术领域

本发明属于室内定位技术领域，具体是涉及一种基于异构迁移学习的室内定位方法。

背景技术

随着社会的发展与科技的进步，基于室内位置的服务也被广泛的应用到了人们的日常生产生活中，例如大型超市对货物的跟踪，医院对于特殊病人的位置监控，智能家居，室内导航等。由于易于广泛部署、成本低、通信能力强等优点，室内定位技术广泛的采用了基于WiFi指纹定位的定位系统。

基于WiFi指纹的定位技术通常分为离线阶段和在线阶段两部分。离线建库阶段主要任务为在待定位区域进行样本采集，建立稳定、可靠的指纹库；而在线定位阶段将采集到的待定位样本与离线指纹库中的样本数据进行对比匹配，完成位置计算。因此，基于WiFi指纹的定位技术的定位精度取决于指纹库的样本数据的代表性以及定位环境变化的剧烈程度。

通常，在一个定位区域中的路由器数量不是恒定不变的，随着时间的推移，部分路由器由于人为关闭或者设备故障等原因无法被探测到，同时也会新增部分人为部署的路由器。在传统的定位方法中通常选择忽略新增的路由器，并且为未被探测到的路由器的信号强度值补充-100dB来保持数据维度一致，这将很大程度的增加定位误差，甚至在路由器全部更换的情况下无法进行位置估计。路由器的数量变化使得在线采集到的待定位样本在特征维度和种类上与指纹库中的样本间存在较大差异，无法使用传统的机器学习方法进行定位，而异构迁移学习可以很好的解决这个问题。

迁移学习是指将一个域所学知识迁移到一个不同但又相关的域上，而异构迁移学习专门针对两个域的特征维度不相同的情况。文献“B.Myagmar,J.Li and S.Kimura,Heterogeneous Daily Living Activity Learning through Domain Invariant FeatureSubspace,in IEEE Transactions on Big Data,doi:10.1109/TBDATA.2020.2977626.”提出了一种新的半监督异构迁移学习算法，该算法利用最大均值差异(Maximum MeanDifference,MMD)准则将源域数据投影到目标域PCA降维后的子空间中，在新的子空间进行分布对齐。该方法在实测的智能家居数据中被证明是有效的。该方法包括以下几个步骤：1)在待定位区域划分格点，并采集每个格点处周围APs(Access Points)的信号强度(Received Signal Strength，RSS)，记录对应坐标值，建立离线指纹库，作为源域数据；2)改变实验环境，随机关闭部分路由器，并部署部分新的路由器；3)采集环境变化后的RSS数据，少部分数据记录格点标签，大部分数据不记录标签信息。它们分别作为目标域有标签和无标签的待定位样本数据。4)利用该方法中的HDLAL方法求解一个映射，将源域数据映射到目标域PCA降维后的子空间进行对齐；5)在映射后的空间，利用目标域数据和源域数据进行欧氏距离匹配，计算定位结果。

该异构迁移学习方法能够在一定程度上缓解由于路由器维度变化带来的定位误差，但是其缺点也较为明显，主要表现为以下两个方面：1)该方法是半监督的异构迁移学习方法，要求目标域中包含一定数量的有标签数据。但是在室内定位领域，难以获取有准确位置信息的样本数据；2)对于无标签的目标域数据，该算法采用利用伪标签计算源域和目标域的条件分布差异，计算结果直接取决于伪标签的精度。因此，该类方法由于上述问题的存在而在路由器数量变化的室内环境中难以准确、稳定的位置估计。

发明内容