[发明专利]一种基于参数预测的深度迁移室内定位方法

权利要求书

1.一种基于参数预测的深度迁移室内定位方法，其特征在于，包括以下步骤：

S1、将待定位室内环境划分为C个格点，依次记录每个格点的位置并设置唯一标签，格点标签表示为：

Y_s＝{y_k|k＝1,2,…,C}

S2、在第1个月份内，使用移动设备依次在每个格点中进行多次采样并记录每条RSS样本值用于构建指纹库，其中第i条RSS样本值表示为：

其中，m表示待定位区域中所有接入点的数量，表示第i条样本中接收到第m个接入点的信号强度值；假设整个待定位区域中一共采集了n_s条RSS样本，则所有样本表示为：

X_s＝{x_i^T|i＝1,2,…,n_s}

将所有样本和其对应的位置标签进行拼接，得到源域数据

S3、从第n个月开始，n≥2，接收来自用户或待定位设备的RSS值作为目标域数据

其中，X_t表示总数量为n_t的所有在线样本集合：

X_t＝{x_j^T|j＝1,2,…,n_t}

S4、构建包含L层的源网络进行预训练，其中网络前(L-1)层为特征提取部分，对应参数记为Θ_s，最后一层为分类层，对应参数记为θ_s；将有标签的源域数据输入源网络中，采用如公式(1)所示的交叉熵损失函数计算网络的分类损失，并基于该分类损失利用梯度下降法更新参数Θ_s和θ_s；

S5、构建与源网络结构相同的目标网络，其特征提取部分的参数记为Θ_t，分类层对应参数记为θ_t，初始化目标网络的参数为预训练好的源网络参数；

S6、基于源网络参数和转换矩阵对目标网络参数进行预测，预测部分为网络前(L-1)层的参数Θ_t，分类层参数在源网络分类层参数的基础上随训练过程进行更新；神经网络的每一层都包含权重矩阵和偏置向量两部分，一个具有L层的神经网络的参数Θ，具体表示为：

其中，Θ⁽ⁱ⁾表示第i层的网络参数，W⁽ⁱ⁾和b⁽ⁱ⁾分别表示该层的权重矩阵和偏置向量，转换矩阵中包含对权重矩阵进行放缩的矩阵A及对偏置向量进行平移的向量d；

S7、将源域数据和目标域数据分别输入源网络和目标网络中，固定源网络参数Θ_s，更新每一层的放缩矩阵A和平移向量d，以及最后一层分类层的参数θ_t；

S8、将第(n+1)个月的在线RSS样本输入目标网络中进行定位，得到定位结果。

2.根据权利要求1所述的一种基于参数预测的深度迁移室内定位方法，其特征在于，所述步骤S6的具体方法为：

S61、将放缩矩阵A中的元素全部初始化为1，将平移向量d设置为零向量；

S62、基于源网络参数Θ_s对目标网络的参数进行预测，即每一层权重矩阵中的元素与放缩矩阵中的对应元素相乘，偏置向量中的元素与平移向量中的元素对应相加，目标域网络第i层的参数计算方式为：

3.根据权利要求2所述的一种基于参数预测的深度迁移室内定位方法，其特征在于，所述步骤S7的具体方法为：

S71、将有标签的源域数据输入源网络，经过前4层参数为Θ_s的特征提取部分后得到源域数据特征R_s，特征通过参数为θ_t的分类层后，利用交叉熵损失函数衡量预测结果：

S72、将无标签目标域数据通过前4层参数为Θ_t的特征提取部分得到目标域数据特征R_t；

S73、为了使目标域数据特征充分接近源域数据特征，在希尔伯特空间内利用MMD准则最小化源域特征R_s和目标域特征R_t之间的距离，即最小化损失函数

其中，φ为核映射，核函数k(R_s,R_t)＝φ(R_s),φ(R_t)；

S74、使用梯度下降法更新每一层网络参数的放缩矩阵A和平移向量d及最后一层分类层的参数θ_t，最小化总损失函数直到收敛：