[发明专利]基于邻近加权自适应k值的KNN的室内目标定位方法

权利要求书

1.一种基于邻近加权自适应k值的KNN的室内目标定位方法，其特征在于，包括如下步骤：

步骤1：利用RFID设备采集的室内各个位置的RSS数据构建位置指纹数据库，位置指纹数据库包括位置集合P和信号强度值R；

步骤2：利用RFID读卡天线对待定位目标采集相应信号强度值，然后将该信号强度值和位置指纹数据库进行匹配，得到匹配程度最高的指纹，并将该指纹映射位置作为待定位目标当前位置；

步骤2的具体步骤包括：

步骤2.1：使用离线位置指纹数据集RSS去重构每一个测量指纹数据rss_i×d，构建离线位置指纹数据集RSS与测量指纹数据rss_i×d之间残差的模型，i∈1,…,m，m表示测量指纹数据的指纹数量，d表示RFID读卡天线的数量；

步骤2.2：求解残差模型，得到重构系数W的最优解W*；

步骤2.3：求解W*的对应最佳k值集，k为临近数；

步骤2.4：获得k+1最近邻训练样本集RSS_neighbor；

步骤2.5：对前k个近邻样本集到测试数据的距离进行标准化；

步骤2.6：计算rss为Y的后验概率P_Posterior，P_posterior＝[p(y₁|rssⁱ),…,p(y_h|rssⁱ)]，

h∈1,…,k_i，最大p(y_h|rssⁱ)值所对应的y_h就被判定为第i行测量位置指纹数据rssⁱ的标签值，其集合为Y_rss；

步骤2.1中残差模型为：

R₂(W)＝Tr(W^TRSS^TL*RSS*W) (3)

其中，||·||_F是Frobenius矩阵范数，即Tr(.)表示矩阵的迹，W＝[ω₁,…,ω_n]^T∈R^n×1表示RSS和rss之间的重构系数，的闭式解为(RSSTRSS)-1RSSTrss，n表示离线位置指纹数据集的指纹数量；ρ₁和ρ₂表示调整参数；L∈R^n×n是一个拉普拉斯矩阵，是用来表示离线位置数据样本集之间的相关性信息；

L＝S-D (4)

其中，S为特征相关性矩阵，是用来表示特征向量之间的关系，S＝[s_ij]；

其中，б表示核宽度，D是对角矩阵，即

步骤2.2的具体步骤包括：

步骤2.2.1：初始化参数，令L＝S-D，t＝1，t为计数值；

步骤2.2.2：Dat＝D，迭代优化a次，a∈1,…,N，N为迭代优化的最大次数，每次循环中有：L＝S-D，t＝t+1；

步骤2.2.3：W＝W^t，其中W被视为最优解W*；

步骤2.3的具体步骤包括：

假设最优解W*∈R3×2如下：

得：

根据式(7)的W*与k值的对应转换关系，得到测量位置指纹数据集rss_m×d相对于离线位置指纹数据集RSS_n×d的最优k值集K_m×1，K＝[k₁,k₂,…,k_m]^T；

步骤2.4的具体步骤包括：

步骤2.4.1：计算第i行测量位置指纹数据rssⁱ到离线位置指纹数据集RSS的距离d^ij＝[d(rssⁱ,RSS₁),…,d(rssⁱ,RSS_j)]^T，j∈[1,2,…,n]，距离度量d(rssⁱ,RSS_j)用欧式距离量度，即：

步骤2.4.2：依次遍历d_ij并根据大小关系进行排序得到选择中距离最小的k_i+1个距离值并记录其下标值j；

步骤2.4.3：取下标值j所对应的离线位置指纹数据集RSS的k_i+1个近邻样本，构成rssⁱ的k_i+1最近邻离线样本数据集是其对应的坐标标签值；

步骤2.5的具体步骤包括：

利用RSS_neighbor中第k_i+1个离线位置指纹近邻样本数据和测量位置指纹数据之间rssⁱ的距离对于RSS_neighbor中前k_i+1个数据到rssⁱ的距离进行标准化得到D_stand，

其中，定义为：

步骤2.6的具体步骤包括：

利用加权核函数K(D_stand)将标准距离D_stand转化为rssⁱ和RSS_neighbor的概率P，

其中，K(D_stand)此处选择高斯核函数，即定义如下：

根据概率P求出rssⁱ为标签y_h∈Y_neighbor,，h∈(1,…,k_i)的后验概率P_Posterior，P_posterior＝[p(y₁|rssⁱ),…,p(y_h|rssⁱ)]，h∈1,…,k_i；

p(y_h|rssⁱ)定义为：