[发明专利]基于特征迁移的动态环境下的室内定位方法、装置及可读介质

说明书

本发明公开了一种基于特征迁移的动态环境下的室内定位方法、装置及可读介质，获取第一源域数据和第一目标域数据，根据第一源域数据和第一目标域数据分别计算得到边缘概率分布差异和条件概率分布差异，并计算得到动态平衡因子；根据边缘概率分布差异、条件概率分布差异和动态平衡因子确定数据整体特征分布适配优化目标；根据第一源域数据分别计算第二源域数据中同一类数据的类内距离和第二源域数据中不同类数据的类间距离，并确定数据局部几何特性保留优化目标；根据数据整体特征分布适配优化目标和数据局部几何特性保留优化目标构造得到总优化目标，并求解得到映射矩阵，通过映射矩阵实现定位，有效提高环境鲁棒性及定位精度。

技术领域

本发明涉及室内无源定位领域，具体涉及一种基于特征迁移的动态环境下的室内定位方法、装置及可读介质。

背景技术

随着物联网技术的不断发展，智能化逐渐成为各种室内场景的研究方向，基于位置服务的室内定位技术受到了广泛的关注，而Wi-Fi信号作为广泛存在于各种家庭场景中的信号源也成为了室内定位领域研究的重点。

早期Wi-Fi定位技术中通常使用链路层的接收信号强度指示(Received SignalStrength Indication,RSSI)，RSSI只能提供粗粒度的特征信息，其只能描述所接收的不同路径失真信号的整体叠加结果，无法对不同路径信号进行区分，因此一旦环境条件发生变化，RSSI信号自身的稳定性就会被破坏，从而造成数据漂移等问题，故RSSI难以持续完成高精度的室内定位工作。

随着Wi-Fi信号的物理层信息的开放，研究信号源也逐步从链路层的RSSI数据转向了物理层的信道状态信息(Channel State Information,CSI)数据。相比于RSSI，CSI能够提供细粒度的数据特征以供算法使用，大量研究表明CSI数据一定程度上提升了信号的稳定性和定位算法的定位效果，但基于Wi-Fi的定位算法的核心问题仍然没有解决。Wi-Fi信号本身随环境变化而产生域偏移，造成训练采集数据和测试采集数据不满足独立同分布条件从而使得定位精度大幅下降的问题。

近些年，为了解决收集数据间的域偏移问题，迁移学习方法已经被用于了室内定位领域当中并得到了广泛的应用，常见的迁移学习方法如TCA、JDA、CORAL等都能够一定程度减小两域数据间的分布差异。但其仍存在一些缺点，主要如下所述：

(1)知识迁移不够充分，导致域适应效果有效，对于室内定位精度提升有限。

(2)只从两域数据整体角度出发实现域适应，造成了混淆对齐问题，对后续定位算法分类造成了很大的困扰。

发明内容

针对上述提到的技术问题。本申请的实施例的目的在于提出了一种基于特征迁移的动态环境下的室内定位方法、装置及可读介质，来解决以上背景技术部分提到的技术问题。

第一方面，本发明提供了一种基于特征迁移的动态环境下的室内定位方法，包括以下步骤：

S1，获取第一源域数据和第一目标域数据，根据第一源域数据和第一目标域数据组成的输入数据矩阵计算得到第二源域数据和第二目标域数据之间的边缘概率分布差异，根据每一类别的第一源域数据和第一目标域数据计算得到第二源域数据和第二目标域数据之间的条件概率分布差异，根据第一源域数据和第一目标域数据整体之间的距离以及第一源域数据和第一目标域数据中每个类别数据之间的距离计算得到动态平衡因子；

S2，根据边缘概率分布差异、条件概率分布差异和动态平衡因子确定数据整体特征分布适配优化目标；

S3，根据第一源域数据分别计算第二源域数据中同一类数据的类内距离和第二源域数据中不同类数据的类间距离，根据类内距离和类间距离确定数据局部几何特性保留优化目标；

S4，根据数据整体特征分布适配优化目标和数据局部几何特性保留优化目标构造得到总优化目标，根据总优化目标求解得到映射矩阵，通过映射矩阵实现定位。