[发明专利]基于谱聚类和加权反向传播神经网络的3D室内定位方法

权利要求书

1.一种基于谱聚类和加权反向传播神经网络的3D室内定位方法，其特征在于，所述基于谱聚类和加权反向传播神经网络的3D室内定位方法包括线下阶段和线上阶段；

所述线下阶段用谱聚类将参考点分成N_C个簇，在每个簇中，用接收信号强度和相应的位置信息训练一个反向传播神经网络模型；

所述线上阶段采用加权BPNN算法估计待测点的位置，确定待测点指纹在每个簇中的权重，利用训练好的N_C个BPNN模型得到N_C个坐标，用N_C个坐标加权估计待测点的位置；

所述线下阶段包括建立指纹库，用谱聚类将参考点分簇和训练反向传播神经网络模型；

所述线下阶段具体包括如下步骤：

(1)建立指纹库：

在定位场景中，建立的指纹库表示为其中表示选取的N_RP个参考点建立的指纹矩阵，P为所有参考点的坐标集合，ID为N_AP个AP的BSSID集合：

N_RP个参考点的指纹矩阵为：

其中表示第j个参考点接收到第i个AP的接收信号强度值；表示第j个参考点接收到所有AP的接收信号强度值向量；

P＝{p_j＝(x_j,y_j,z_j),j＝1,2,...,N_RP}，其中p_j表示第j个参考点的坐标；

其中ID_i表示第i个AP的BSSID；

(2)用谱聚类将参考点分簇：

将参考点分为N_C个簇；

(3)训练N_C个BPNN模型：选择三层的BPNN模型，其中包括一个输入层，一个隐藏层和一个输出层；隐藏层的神经元个数取决于输入层与输出层神经元个数之和；隐藏层与输出层的神经元的激励函数可以为sigmoid函数，purelin函数和tanh函数；每个簇中参考点的接收信号强度指纹为一个BPNN模型的输入，相应的坐标为输出，以最小真实坐标与预测坐标的欧氏距离为目标训练BPNN模型；记录保存真实反映接收信号强度指纹与坐标间关系的模型。

2.如权利要求1所述的基于谱聚类和加权反向传播神经网络的3D室内定位方法，其特征在于，所述谱聚类的具体步骤如下：

(a)构造一个加权的无向图G＝{φ,E,S}，其中表示无向图中所有顶点的集合，φ_j表示第j个顶点；E＝{(φ_i,φ_j)|φ_i,φ_j∈φ}表示无向图中所有边的集合；

为一个N_RP×N_RP的矩阵，表示所有边的权重，其中s_i,j≥0(i,j＝1,...,N_RP)表示第i个参考点和第j个参考点的余弦相似度，采用如下公式计算：

(b)计算一个N_RP×N_RP的对角矩阵D，其对角线的元素分别为S中的每一行元素相加，并计算归一化的拉普拉斯矩阵

(c)计算L_norm矩阵中N_C个最大的特征值及其特征向量并用N_C个特征向量形成一个N_RP×N_C的特征矩阵，记为Q；

(d)对特征矩阵Q做k-means聚类，得到一个N_RP维的向量

(e)C中的第j个元素代表第j个参考点所属的簇。