[发明专利]基于机器学习的混合核函数室内定位方法

说明书

本发明公开了一种基于机器学习的混合核函数室内定位方法。首先，建立指纹地图库并以该指纹库为训练数据集；然后，利用加权求和的方法构造混合核函数，并采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；最后，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，再利用该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。与传统的室内定位算法：BP神经网络算法、K近邻算法、线性核函数算法、多项式核函数算法和高斯核函数算法相比，本发明的算法定位精度更高。

技术领域

本发明涉及无线通信技术、传感器技术，尤其涉及一种基于机器学习的混合核函数室内定位方法属于通信定位技术领域。

背景技术

近年来随着无线传感网络技术的发展，位置服务广泛用于个人和商业应用。传统的定位算法包括基于接收信号强度指示(RSSI)算法，基于到达时间(TOA)、基于到达时间差(TDOA)算法和基于到达角度(AOA)算法[1][2][3]。其中，基于RSSI算法因其低功耗和低成本而广受推崇。

基于RSSI算法又分为两类：分别是测距定位算法[4]，指纹定位算法[5][6]。测距定位算法将RSSI通过距离损耗模型转换为距离以后，通过求解数个圆交点的方式，利用最小二乘法进行的定位处理。该算法只考虑短距离衰减，因而只有在房间内进行定位才能取得良好的定位精度。指纹定位算法需先建立指纹地图，待移动终端收到几个基站的信号以后，使用信号的场强组成指纹地图，直接查询指纹地图数据库，从而得到目标的地理位置信息，实现定位。该算法定位精度和稳定性高，但离线阶段工作量大。

机器学习[7][8][9]是近20多年兴起的一门多领域交叉学科，机器学习算法是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。上世纪90年代中期，统计学习开始成为机器学习的主流技术，支持向量机[10][11][12](Support vectormachine，SVM)算法凭借其优越性能得到了广泛应用。

SVM方法是通过一个非线性映射p，把样本空间映射到一个高维乃至无穷维的特征空间中(Hilbert空间)，使得在原来的样本空间中非线性可分的问题转化为在特征空间中的线性可分的问题。当支持向量机的求解只用到内积运算，且在低维输入空间又存在某个函数K(x，x′)，它恰好等于在高维空间中这个内积，就可以大大简化计算。这样的函数K(x，x′)就称为核函数[13][14][15]。

当前的支持向量机算法在核函数的选用上以单一核函数为主，但是单一核函数的泛化能力和鲁棒性具有局限性，并不对所有具体问题均适用，且当样本特征含有异构信息、样本规模巨大时，单一核函数的劣势就愈加显现出来。多核学习[16][17][18]则有效弥补了这一点，并且增强了决策函数的可解释性，从而获得比单核模型更优的性能，提高分类正确率和预测精度。

传统的几种定位算法详见：

[1]S.Golden and S.Bateman，“Sensor measurements for Wi-Fi locationwith emphasis on time-of-arrival ranging，”IEEE Trans.Mobile Comput.，vol.6，no.10，pp.1185-1198，2007.

[2]Y.Shen and M.Win，“On the accuracy of localization systems usingwideband antenna arrays，”IEEE Trans.Commun.，vol.58，no.1，pp.270-280，2010.

[3]Z.li Wu，C.hung Li，J.-Y.Ng，and K.R.Leung，“Location estimation viasupport vector regression，”IEEE Trans.Mobile Comput.，vol.6，no.3，pp.311-321，2007.