[发明专利]基于半监督超限学习机的增量式定位算法

说明书

技术领域

本发明属于无线传感器网络技术领域，涉及一种基于半监督超限学习机的增量式定位算法。

背景技术

近年来，基于无线信号的室内定位技术在学术界和工业界越来越受到重视。这是因为位置信息是移动智群感知和物联网应用的基础要素之一，且在室内环境中具有广泛的应用场景，例如机场/火车站/商场的人员导航、特殊贵重物品跟踪、基于位置的服务推送、安全和入侵检测与防范等。然而，室内环境复杂，无线信号传播容易受到人员流动、家具、墙壁等障碍物的影响。同时，室内定位应用对位置精度提出了很高的要求。因此大量的研究工作已经针对室内定位技术展开。

目前室内定位算法主要分为3类:最强基站法、几何法、位置指纹法。其中，位置指纹法是当前室内定位技术研究的重点。这是因为与最强基站法和几何法相比，指纹定位技术在基站侧和移动终端侧都不需要特殊设备，且具有较高的定位精度(平均定位误差1-3米)。特别是随着智能手机和WLAN基础设施的快速普及，基于WiFi信号强度指纹的定位技术已经成为研究和应用的主要方向。

国内外众多学者针对室内位置指纹定位算法做了大量探索与研究。Zhou等人研究基于加权最近邻居(Weighted K Nearest Neighbor，WKNN)的室内指纹定位算法，虽然拥有较高的定位精度，但是文中不同的K值选择对最终的定位精度有着较大影响，并且文中也没给出具体的K值选取标准。Figuera等人提出了一种可抗干扰的支持向量机(Support Vector Machine，SVM)定位算法，有效提高了定位精度，但训练和测试速度较慢，定位实时性较差。Dwiyasa等人提出基于超限学习机(Extreme Learning Machine，ELM)的位置指纹定位算法，该算法利用ELM极快的学习速度大幅减少离线学习时间，并凭借其紧密的网络结构，有效克服环境变化以及RSS时变对定位精度的影响，但其采用监督学习的模式，对离线阶段收集带标签训练数据的成本要求较高，导致算法的实用性低。Li等人提出基于协同训练的半监督超限学习机，降低了训练成本，但缺点是学习过程中重复循环训练造成学习速度的降低和累计误差的增加；Liu等人提出基于流形正则化的半监督超限学习机(Semi-supervised Extreme Learning Machine，SELM)来进行室内位置估计，确保在带标签数据稀疏的情况下仍然有着理想的定位精度，缺点是模型过于固定，随环境的变化定位精度下降迅速。Yang等人将增量学习方法应用到室内实时定位之中，在每次循环反馈中对新加入的样本进行在线连续学习，然而在线收集大量带标签的新增训练数据将消耗巨大的人力物力。

发明内容

本发明的目的是为了解决传统室内位置指纹定位算法实时性差、对动态环境适应性不足的问题，而提出一种基于半监督超限学习机的增量式定位算法(Incremental Semi-supervised Extreme Learning Machine，IS-ELM)。本发明采用的技术方案是：

一种基于半监督超限学习机的增量式定位算法，包括以下步骤：

步骤一：从实际环境中取得带标签训练数据和无标签训练数据，共同作为半监督学习的初始化训练数据集；

步骤二：设置定位模型的系统参数，包括激活函数g(x)，隐含层节点个数L，正则化参数μ，惩罚权重ω；

步骤三：随机分配输入权值矩阵W＝[w₁,w₂,...,w_L]^T和隐含层节点的偏移b＝[b₁,b₂,...,b_L]^T；步骤四：计算初始化隐含层输出矩阵H₀、初始化图拉普拉斯矩阵和初始化隐含层输出权值矩阵β⁽⁰⁾，给隐含层输出权值矩阵β加入正则化约束项，得到新的隐含层输出权值矩阵；

步骤五：当在线阶段有新的训练数据输入时，计算新的图拉普拉斯矩阵以及迭代后的模型参数β^(k+1)；

步骤六：给原有模型参数分配惩罚权重ω，设定最大迭代次数，利用牛顿迭代法的方式对最终输出的模型参数进行更新调整，得到最终的模型参数β^(out)；

步骤七：输入测试数据到定位模型中，进行位置估计。

进一步地，步骤四中，给原有的定位模型加入正则化约束项，则构建初始化IS-ELM定位模型可描述为如下二阶优化问题；