[发明专利]一种基于参数约束的双网络架构室内定位方法

权利要求书

1.一种基于参数约束的双网络架构室内定位方法，其特征在于，包括以下步骤：

S1、将室内环境划分为等大小的网格区域，记录网格的位置坐标并设置标签，一个位置坐标有且仅有唯一的标签与之对应，网格标签表示为：

Y_s＝{y_k|k＝1,2,…,C}

其中，C代表室内环境划分的总网格区域数；

S2、在第1个月内使用移动设备在格点中进行多次采样，记录不同格点内各个接入点的RSS值，并将其与对应的格点标签进行拼接构建指纹库，作为源域数据

其中，X_s表示在室内环境中采集到的总数量为n_s的RSS样本，表示为：

X_s＝{x_i^T|i＝1,2,…,n_s}

第i条RSS样本值表示为：

其中，m表示室内环境中的总接入点数量，表示第i条样本中接收到第m个接入点的RSS信号强度值；

S3、收集来自第n个月的待定位设备的RSS值，n≥2，作为目标域数据

其中，X_t表示待定位设备在室内环境中收集的RSS样本集合，表示为：

X_t＝{x_j^T|j＝1,2,…,n_t}

其中，n_t表示目标域数据的总数量；

S4、构建两个结构完全相同的深度神经网络，分别记为源网络和目标网络，对应网络的参数记为Θ_s和Θ_t；其中，Θ表示神经网络参数，表示为：

其中，L表示神经网络的层数，Θ⁽ⁱ⁾表示第i层的网络参数，包括该层的权重矩阵W⁽ⁱ⁾和偏置向量b⁽ⁱ⁾两项；

S5、对源网络和目标网络的对应层参数施加线性约束；网络的前(L-1)层作为特征提取部分，参数不共享并施加线性约束；最后一层作为分类层，该层参数由两个网络共享；对网络参数施加线性约束的具体方法为：

S51、初始化两个网络第i层的线性约束参数为a_i＝1，d_i＝0；

S52、训练过程中，将a_i作为权重项，将d_i作为偏置项，作用在中的每一个元素上，即满足

S6、将源域数据和目标域数据分别输入源网络和目标网络中，通过训练获得训练好的网络模型；

S7、采用训练好的目标网络对来自第(n+1)个月的待定位设备的RSS值进行定位，得到定位结果。

2.根据权利要求1所述的一种基于参数约束的双网络架构室内定位方法，其特征在于，步骤S6中训练网络模型的具体方法为：

S61、源网络中输入有标签的源域数据通过前(L-1)层网络得到源域数据特征F_s；将F_s通过最后一层网络，利用交叉熵损失函数衡量预测结果，即对源域数据分类层的输出计算分类损失并将其最小化：

其中，是标准的分类损失；

S62、目标网络输入无标签目标域数据通过前(L-1)层网络得到目标域数据特征F_t；

S63、通过MMD准则约束，在希尔伯特空间内最小化源域特征F_s和目标域特征F_t的距离，即最小化损失函数

其中，φ为核映射，核函数k(F_s,F_t)＝φ(F_s),φ(F_t)；

S64、源网络和目标网络的对应层参数在满足线性约束的条件下差异最小化，即最小化参数约束函数

S65、使用梯度下降法对源网络参数Θ_s和目标网络参数Θ_t，以及对应层的参数约束项a_i和d_i进行更新，最小化总损失函数直到收敛：