[发明专利]基于机器学习的混合核函数室内定位方法

权利要求书

1.一种基于机器学习的混合核函数室内定位方法，其特征在于，包括如下步骤：

步骤1.利用参考节点的位置坐标(x，y)和接收到的信号强度RSSI建立指纹地图库，并作为训练数据集；

步骤2.利用加权求和的方法构造混合核函数；

步骤3.利用机器学习算法中的支持向量回归算法和v折交叉验证方法训练得出混合核函数的最佳权重系数和最佳核参数；

步骤4.在权重系数和核参数最佳的前提下，对训练数据集进行离线训练学习，从而分别得出x坐标和y坐标的拟合函数；

步骤5.利用得到的拟合函数，对目标接收到的RSSI值进行在线学习，从而得出目标的位置坐标。

2.根据权利要求1所述的基于机器学习的混合核函数室内定位方法，其特征在于，所述的步骤1具体包括以下内容：

已知N个参考节点，位置坐标为(x_i，y_i)，i∈(1，2，…，N)，一个目标节点，其位置坐标设为(x，y)；在离线阶段，目标分别移动到N个参考节点的位置p_n＝(x_n′，y_n′)，n∈(1，2，…，N)，并收集每个位置接收到的RSSI值，形成指纹数据库；令位置p_n接收到的RSSI测量值为Γ_n＝(r_1，n，r_2，n，…r_N，n)^T，其中r_i，n代表从第i个参考节点接收到的RSSI值；因此，x坐标的训练集写成：(Γ_n，x_n′)，n∈(1，2，…，N)，同理，y坐标的训练集写成：(Γ_n，y_n′)，n∈(1，2，…，N)。

3.根据权利要求1所述的基于机器学习的混合核函数室内定位方法，其特征在于，所述的步骤2具体包括以下内容：

核函数分为局部核函数和全局核函数两类；高斯核函数是局部核函数，多项式核函数是全局核函数；

两种核函数通过线性加权构成一种全新的核函数，这种新的核函数定义为混合核函数K_M：

K_M＝wK_G+(1-w)K_L (1)

其中，K_G为全局核函数，K_L为局部核函数，w为全局核函数在整个核函数中所占的比例，w越大，全局核函数在混合核函数中起的作用越大，反之，越小。

4.根据权利要求1所述的基于机器学习的混合核函数室内定位方法，其特征在于，所述的步骤3具体包括以下内容：

首先，选用高斯核函数和多项式核函数来构造混合核函数，权重系数范围为w_L＜w＜w_H，搜索步长为Δw＝(w_H-w_L)/n，其中n为预先设定的常数，因此，交叉验证的权重系数可转化为：

w_i＝w_L+iΔw(1≤i≤n) (2)

当w_i取定值时，优化过程如下：

(1)将训练集随机分成v份，v≥2；

(2)设第1份为验证集，其余(v-1)份为训练集，用混合核函数训练定义的训练集可得x坐标的拟合函数；再利用验证集可计算得出估计性能的均方误差；重复v次可得平均均方误差及最小均方误差对应的核参数；

(3)将步骤(1)和步骤(2)重复n次可得出所有权重系数对应的平均均方误差和核参数，最小平均均方误差对应的权重系数即为最佳权重系数，此时最小均方误差对应的核参数即为最佳核参数。

5.根据权利要求1所述的基于机器学习的混合核函数室内定位方法，其特征在于，所述的步骤4具体包括以下内容：

离线阶段的训练函数可定义为：

f_x(Γ_n)＝w_x，ψ_x(Γ_n)+b_x，w_x∈Rⁿ，b_x∈R (3)

其中，w_x是权重向量；ψ_x()是将输入的低维数数据映射到高维特征空间的非线性映射函数，ψ_x：Rⁿ→H；，是内积运算；b_x是偏置常量；

根据SVR相关知识，将(3)式的系数求解问题转化为如下优化问题：

其中，w_x是权重向量；b_x是偏置常量；C是惩罚系数；ε是训练结果和实际坐标之间的偏差；C是惩罚系数；ξ_i和是松弛变量；x′_i为目标节点在第i个参考节点的X轴坐标；Γ_i为目标节点在第i个参考节点上接收的RSSI值；

(4)式的优化问题又进一步转化为求解带有Hessian矩阵的二次拉格朗日最大值的问题，其解为：

其中，N是离线训练数据的个数；α_x和α_x^*是拉格朗日乘子向量；Γ_n和Γ_j分别为目标节点在参考节点位置p_n和p_j接收到的RSSI测量值；ψ_x()是将输入的低维数数据映射到高维特征空间的非线性映射函数，ψ_x：Rⁿ→H；，是内积运算；b_x^*是最佳阈值；

(5)式中的内积运算是H空间中的内积运算，计算起来相当繁琐，而核函数的引入则巧妙地避开了这一点；核函数定义式为：

K(Γ_n，Γ_j)＝ψ_x(Γ_n)，ψ_x(Γ_j) (6)

其中，Γ_n和Γ_j分别为位置p_n和p_j接收到的RSSI测量值；ψ_x()是将输入的低维数数据映射到高维特征空间的非线性映射函数，ψ_x：Rⁿ→H；，是内积运算；

因此，x坐标的拟合函数最终转化为：

其中，N是离线训练数据的个数；α_x和α_x^*是拉格朗日乘子向量；Γ_n和Γ_j分别为位置p_n和p_j接收到的RSSI测量值；K(，)是核函数；b_x^*是最佳阈值；

同理，y坐标的拟合函数最终可转化为：

其中，N是离线训练数据的个数；α_y和α_y^*是拉格朗日乘子向量；Γ_n和Γ_j分别为位置p_n和p_j接收到的RSSI测量值；K(，)是核函数；b_y^*是最佳阈值。