[发明专利]一种基于支持向量回归的室内指纹快速定位方法

权利要求书

1.一种基于支持向量回归的室内WLAN指纹快速定位方法，包括离线阶段和在线阶段两个步骤，其特征在于：

步骤一离线阶段，建立参考点的特征指纹数据库和训练特征指纹与参考点位置之间的关系模型；

步骤二在线阶段，利用关系模型进行粗定位，然后利用加权K近邻算法进行准确定位；

所述步骤一中建立参考点的特征指纹数据库包括如下步骤：

2.1根据室内地图按照均匀抽样原则确定参考点位置；

2.2在每个参考点位置采集T次全部无线AP的信号强度：

2.3在每个参考点利用采集到的信号强度数据建立特征指纹矢量；

2.4将每个参考点的特征指纹、位置录入到特征指纹数据库中；

所述步骤2.3具体为：特征指纹矢量由每个AP在参考点i的信号强度均值μ、标准差σ、峰度系数κ、偏度系数α和赖斯因子K_r组成，记参考点i的特征指纹为为F_i＝[f_i，1，f_i，2，…f_i，N]，f_i，j＝[μ，σ，κ，α，K_r]，其中f_i，j代表第j个AP在参考点i的特征；

步骤一中训练特征指纹与参考点位置之间的关系模型包括如下步骤：

3.1采用支持向量回归(SVR)算法进行训练关系模型，通过一个非线性映射Φ；F→H将F_i映射到高维特征空间H中，在H中构建位置坐标P中与特征值F的最优回归函数：

P＝W^T·Φ(F)+b

式中：W为权系数，W∈H，b为偏置，T表示矩阵转置；

依据结构风险化最小原则，求解如下凸二次规划问题：

式中，C为惩罚参数，N表示高维空间的维数，ξ_i、为松弛变量，ε表示一个正的无穷小量；

3.2通过引入拉格朗日多项式，同时根据SVR理论引入核函数K(F_i，F)，并利用Wolfe对偶技巧求解上述问题，最终得到的回归模型如下：

式中，α_i、为拉格朗日乘子，α_i≥0，

所述步骤二中利用关系模型进行粗定位方法包括以下步骤：

4.1按离线阶段步骤2.2给出的参考点指纹采集方法，实时采集用户所处位置周围AP的信号强度表示第k次采集到的第j个AP的信号强度；

4.2按离线阶段步骤2.3给出的特征矢量计算方法，计算全部AP在这个位置的特征指纹F；

4.3将上步得到的F代入离线阶段步骤3.2给出的回归模型中，得到该位置的坐标(x，y)；

所述步骤二中利用加权K近邻WKNN算法进行准确定位方法包括以下步骤：

5.1利用SVR定位误差大小确定特征指纹在数据库中的指纹匹配的搜索范围；

5.2采用WKNN方法确定离特征指纹最近的若干参考点；

5.3得到用户坐标；

所述步骤5.1具体为：以步骤4.3得到的坐标(x，y)为中心，根据SVR定位误差大小，确定特征指纹F在数据库中的指纹匹配的搜索范围；

所述步骤5.2具体为：在步骤5.1得到的搜索范围内采用WKNN方法得到K个离特征指纹F最近的参考点，其对应坐标为P_i；近邻准则公式为d＝||F-F_i||，||·||代表2范数，F_i代表参考点P_i对应的特征矢量，d表示上F和F_i之间的欧几里得距离；

所述步骤5.3具体为：最终用户位置P的坐标(x，y)根据下面两个式子计算得到，

其中，T表示矩阵转置，W_i表示权重因子，d_i表示近邻准则公式求得的欧几里得距离，K表示采用WKNN求得的K个参考点数目，K取大于等于1的自然数，x_i和y_i表示根据WKNN求解得到的参考点坐标。

2.根据权利要求1所述的一种基于支持向量回归的室内WLAN指纹快速定位方法，其特征在于，所述步骤2.2具体为：记参考点i的位置为P_i＝(x_i，y_i)，参考点i的RSS值为

表示第k次在参考点i采集到的第j个AP的信号强度，设定位区域总共有M个参考点，N个AP；其中，i取大于或等于1的自然数，P_i代表参考点i所在的位置，x、y代表室内位置形成的一个平面直角坐标系，k取大于或等于1的自然数，j取大于或等于1的自然数，M取大于或等于1的自然数，N取大于或等于1的自然数。