[发明专利]基于全局和局部联合约束迁移学习的室内定位方法

摘要

本发明属于室内定位技术领域，特别是一种基于全局和局部联合约束迁移学习的室内定位方法。本发明的方法通过最小化域间的边缘和条件概率分布差异，以及最大化潜在子空间的样本方差约束全局结构的一致性。同时，通过最小化类内方差，最大化类间方差来保持每一个类别与其对应样本的依赖性，以及通过流形正则化保持局部的邻域关系，进而约束局部结构的一致性。可解决目前迁移学习方法知识迁移不充分的问题，从源域中迁移得到的知识可有效地提高目标域的定位精度，解决因环境变化而引起RSS波动的问题。从而本发明提出的基于全局和局部联合约束迁移学习的定位方法是一种适合在复杂室内环境下的高精度定位新方法。

主权项

1.基于全局和局部联合约束迁移学习的室内定位方法，其特征在于，包括以下步骤：S1、将需要定位的室内环境划分为等大小的格点；S2、依次将移动设备置于定位环境中的各个格点，并记录下此时的格点坐标信息以及来自于各个接入点的RSS值，形成RSS指纹数据库，定义为源域；S3、采集待定位移动设备的RSS值，形成目标域；S4、知识迁移：S41、利用核技巧将源域和目标域数据映射到高维的再生核希尔伯特空间；S42、基于全局结构一致性约束，最小化源域和目标域间的边缘和条件概率分布差异，最大化所有RSS数据的方差，形成第一个优化目标函数；S43、基于局部结构一致性约束，最小化源域数据的类内方差以及最大化源域数据的类间方差，利用流形正则化保持数据的局部邻域结构，形成第二个优化目标函数；S44、结合步骤S42和S43的优化目标函数，得到最终的优化目标函数，求解即可得到映射矩阵；S45、利用S44求解得到的映射矩阵将源域数据和目标域数据映射到潜在子空间；S5、在潜在子空间的源域数据上训练一个基本的分类器；S6、将潜在子空间的目标域数据输入到步骤S5训练得到的分类器中，即可获得位置估计。