[发明专利]联合多种情景模式的自适应定位方法

权利要求书

1.一种联合多种情景模式的自适应定位方法，所述方法应用于空间定位，其特征在于，包括以下步骤：

步骤1：情景数据获取及分析，获取定位区域的情景数据，并对获取的情景数据规律进行分析；

步骤2：情景数据预处理及加噪，对情景数据进行数据预处理，并对不同的情景数据添加对应的情景噪声；

步骤3：自适应情景网络学习与训练，利用自适应情景网络对加噪后的情景数据进行自适应学习与多层子网训练，获取情景数据特征；

步骤4：构建情景模式特征模型，通过学习与训练后输出的情景数据特征，建立定位区域的情景模式地图；

步骤5：定位区域确认，自适应匹配定位区域；

所述步骤1中的获取情景数据包括：在待定位空间M中，划分了m个不同的区域，设定需要采集的情景模式数据，在自定义时间T内，划分t个不同的时段，采集m_i(i＝1,2,...,M)区域t_j时段r(r＝1,2,…,R)个无线信号强度RSSI^r及其他情景模式影响参数X1,X2,...,Xn，获取的情景数据向量V_ij包含如下特征：V_ij＝{t_j,RSSI^r,X1,X2,...,Xn}；区域情景数据的特征包含情景数据向量V和采集区域m_i，用S表示多个区域情景数据，并以S＝{(V_1j，m₁)，(V_2j，m₂)，…，(V_ij，m_i)，…，(V_Mj，m_M)}格式构建区域情景数据库S，其中i为划分的区域数目，j为划分的时段，Vij表示在第i个区域第j个时段采集的情景数据；

所述步骤1中的情景数据分析包括：

对区域情景数据库S的情景数据结构化，分析采集的情景数据RSSI^r,X1,X2,...,Xn随时间段t_j变化的规律特点；

对情景数据作关联分析，计算不同的情景数据之间的支持度和置信度，若不同时满足最小支持度阈值和最小置信度阈值，则作聚类分析；

对情景数据作聚类分析，计算不同情景数据在各区域簇中心的相似性，将区域簇中心相似度高的情景数据进行聚类处理；

对情景数据作离群点分析，以统计检验的方法分析采集的情景数据t_j,RSSI^r,X1,X2,...,Xn，辨识出与数据的一般客观规律或模型特征不一致的可疑数据，分析产生离群数据的原因；

步骤2所述情景数据预处理及加噪具体包括以下步骤：

步骤21：情景数据预处理；

将情景数据按照比例分为训练集与测试集，对情景数据进行数据清理，数据集成和数据归约等预处理过程，并对其进行归一化；

步骤22：情景数据加噪处理；

识别区域情景数据库S中不同的情景数据属性，若是满足于或近似满足于高斯分布的自然离散情景数据，则添加高斯噪声；若是属于布尔类型的情景数据，则添加椒盐噪声，除自然离散数据与布尔数据以外的其他数据属性则添加掩蔽噪声；

加噪处理后情景数据库为加噪处理后的情景数据表示：

步骤3所述自适应情景网络学习与训练具体包括以下步骤：

步骤31：设置自适应情景网络的网络结构：包括组成自适应情景网络子网的隐含层层数L，其中每一个子网由映射子网和重构子网组成，以及映射子网与重构子网之间连接的节点个数h；

步骤32：输入加噪处理后的情景数据至自适应情景网络中，由第一层子网开始非监督训练，自映射子网将情景数据通过映射函数f_θ编码处理，编码后的数据输出g，经过重构子网的重构函数g_θ解码处理，输出解码后的情景数据作为下一层子网的输入数据，继续对下一层子网进行训练；

步骤33：非监督逐层训练自适应情景网络每个子网的映射子网和重构子网，计算训练集中的重构误差，逐层输出自适应情景网络各层子网的权重参数W^(l)和偏置参数b^(l)；

步骤34：逐层训练步骤31中设置的自适应情景网络子网的隐含层层数L，在网络的顶层加入logistic层，用于预测和分类定位区域m_i；

步骤35：多层子网组成一个深度的自适应情景网络，利用情景数据库S再次进行训练，有监督地反向微调自适应情景网络各层子网权重参数W^(l)和偏置参数b^(l)；

步骤36：改变自适应情景网络子网的隐含层层数L，以及每一个子网中映射子网与重构子网之间的连接节点数目h，确定自适应情景网络学习与训练的迭代次数N，重复迭代执行步骤31～步骤35，直到完成迭代次数N或者重构误差到达最小时，选取对应的网络结构和各层子网的参数作为自适应情景网络的最优网络结构和参数，并输出情景数据特征；

所述步骤4具体如下：

确定自适应情景网络的最优网络结构和参数，步骤3输出的情景数据特征结合划分的区域一同构建情景模式特征模型，输入情景数据集的测试集，对步骤3网络结构输出的数据特征进行测试，纠正和调整匹配定位中出现的错误定位区域；经过测试验证和纠正调整后的情景数据特征，连同划分的时间段t_j，建立各区域对应的情景模式V_ij＝{t_j,RSSI^r,X1,X2,...,Xn}的特征模型，确定在不同时间段内各区域对应的情景模式特征模型，建立情景模式地图；

步骤5所述定位区域确认具体包括以下步骤：

步骤51：确定情景数据优先级；

规约请求定位的情景数据的优先级别，确定参与定位的情景数据顺序，设定高优先级别的情景参数作为主要定位成分，低优先级别的情景参数作为辅助定位成分；

步骤52：自适应确定定位时段；

预处理请求定位的情景数据，自适应匹配请求时间所属的时间段t_j，提取请求定位的情景参数t_j,RSSI^r,x1,x2,...,xn；

步骤53：自适应模糊定位；

计算请求定位的情景数据x1,x2,...,xn与情景模式地图中低优先级情景数据的相似距离，设定低优先级情景数据相似距离判断范围，选取在相似距离范围内的区域特征模型作为模糊定位区域；

步骤54：自适应待定位区域；

在模糊定位区域中，计算请求定位的情景数据x1,x2,...,xn与情景模式地图中高优先级情景数据的相似距离，设定高优先级情景数据相似距离判断范围，选取在相似距离范围内的区域特征模型，作为自适应待定位区域；

步骤55：匹配定位区域；

在待定位区域中，计算请求定位数据中RSSI与情景模式地图的无线信号强度RSSI^r的相似距离，设定相似距离判断范围，选取在相似距离范围内的区域作为最终的匹配定位区域。