[发明专利]一种基于密度峰值聚类和梯度提升算法的定位方法及系统

权利要求书

1.一种基于密度峰值聚类和梯度提升算法的定位方法，其特征在于，包括：

在预设区域设置参考点；

收集所述参考点的第一接收信号强度值，并与该参考点的位置坐标共同构成一条指纹数据，存入指纹数据库；

获取定位终端在接入点的第二接收信号强度值；

比较所述第二接收信号强度值与所述第一接收信号强度值，并获得比较结果；

根据所述比较结果获得所述待定位点的位置坐标。

2.根据权利要求1所述的基于密度峰值聚类和梯度提升算法的定位方法，其特征在于，收集所述参考点的第一接收信号强度值，并与该参考点的位置坐标共同构成一条指纹数据，存入指纹数据库包括：

采用密度峰值聚类算法建立指纹数据库；

通过密度峰值聚类算法算法计算样本在其所属空间中的高斯核局部密度和距离；

筛选密度峰值聚类算法同时获得到高取值的样本为聚类中心；

将聚类中心的样本值作为所述参考点的第一接受信号强度值。

3.根据权利要求2所述的基于密度峰值聚类和梯度提升算法的定位方法，其特征在于，筛选密度峰值聚类算法同时获得到高取值的样本为聚类中心包括：

设参考点k到信号接收点l，m，n的接受信号强度数据经初步过滤后有

以l点的数据为三维坐标系的X坐标，m点的数据为Y坐标，n点的数据为Z坐标，τ表示记录次数，将样本表示为三维空间S分布的点为：

对空间S中的样本i到样本j的欧氏距离定义为d_ij，样本i的高斯核局部密度和距离两维属性，分别为ρi和δi，定义如下：

其中，d_c为截断距离，ρ_i表示空间S中与样本i距离小于d_c的样本个数；

空间S中d_ij数目总计为N＝n(n-1)/2，升序排序后为：

d₁≤d₂≤…≤d_N；d_c＝d_f(Nμ)

其中，f(Nμ)表示对Nμ进行四舍五入后得到的整数，μ∈(0，1)为给定参数；

对空间S中的样本i，通过以上公式计算得到二元组(ρ_i，δ_i)，i∈I_s，将空间中全部样本的二元组{(ρi，δi)}以ρ为横轴δ为纵轴绘制到二维平面上，选择满足max{ρ_i*δ_i}，i＝1，2，…，n的样本为聚类中心。

4.根据权利要求3所述的基于密度峰值聚类和梯度提升算法的定位方法，其特征在于，基于密度峰值聚类和梯度提升算法的定位方法还包括：以梯度提升算法为基础构建定位模型，所述梯度提升算法使用加法模型，不断减小训练过程产生的残差来达到将数据分类或者回归的算法。