CN103258001B - 一种基于局部线性嵌入算法的射频地图无监督分类方法 - Google Patents
一种基于局部线性嵌入算法的射频地图无监督分类方法 Download PDFInfo
- Publication number
- CN103258001B CN103258001B CN201310111148.8A CN201310111148A CN103258001B CN 103258001 B CN103258001 B CN 103258001B CN 201310111148 A CN201310111148 A CN 201310111148A CN 103258001 B CN103258001 B CN 103258001B
- Authority
- CN
- China
- Prior art keywords
- class
- matrix
- merging
- data
- merge
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Complex Calculations (AREA)
Abstract
一种基于局部线性嵌入算法的射频地图无监督分类方法,涉及一种局部线性嵌入算法的分类方法,解决现有的射频地图分类方法在分类时只能依靠待定位区域的空间分布进行分类的问题。在待定位的室内区域设置访问接入参考点和测试点,根据测试点的位置与访问接入参考点的RSS确定Radio?map的矩阵,将Radio?map数据进行处理,所述处理步骤为将Radio?map中的空间坐标信息保存至存储设备,然后将空间坐标信息删除,得到实际的高维数据X=(x1,x2,…,xt),根据近邻点构造局部协方差矩阵Q,利用局部重构权值矩阵W计算低维嵌入,将低维数据分成S个类并判断类间散度与类内散度,通过比值情况对类进行合并,获得最终的类别信息矩阵。本发明可广泛应用于对射频地图无监督的分类情况。
Description
技术领域
本发明涉及一种局部线性嵌入(LocallyLinearEmbedding,LLE)算法的分类方法。
背景 技术
随着科技水平的提高和城镇化进程的加快,人类的活动空间已经由室外转向了室内,人们对于定位服务,尤其是室内定位服务的要求也在日益提高。如何在纷繁复杂的室内环境中确定移动终端及其持有者的空间坐标便成为了一个迫切需要解决的问题。然而,由于室内环境的复杂性,尤其是小尺度衰落等干扰因素的存在,导致传统的室外定位方法在室内场景中很难应用,精度也难以达到要求。
超声波定位技术、红外定位技术、超宽带技术等室内定位手段虽然精度很高,但需要大量硬件支撑。上述几种室内定位技术几乎是建立了一个专用于定位的系统,从用户终端到控制系统都是专门设计。与实际人类生活的环境相差很大,实际应用中具有很大的局限性。
目前,基于802.11协议的宽带无线技术得到了飞速的发展,而基于无线局域网络(WLAN)的位置指纹(FingerPrint)的室内定位技术应运而生。该方法的网络搭载在现有的民用网络上,不需要额外的硬件支撑,成本低,而且系统的定位精度较高。
然而随着室内无线局域网的普及和广泛的使用,基于位置指纹技术建立的射频地图(Radiomap)会因为定位区域的增大,而导致测试点数目的增多。因为Radiomap包含测试点的位置坐标即该点的无线电信号数据,因此随着所需定位区域的扩展,Radiomap数据量增长速度越来越快。大量的数据从信息论的角度上考虑会对整个系统的定位精度有一定程度的提升,但是大量的数据也会加重延定位运算的负担,同时如何存储这么庞大的数据也是一个很棘手的问题。
一种对大量数据进行处理的方案是对Radiomap数据进行分类。若定位前能够预先将数据按照空间位置信息和测量的射频信号强度(RSS)值合理的划分成若干子区域,一方面可以大幅降低数据量,另一方面还可以通过空间坐标的聚集达到提高定位精度的目的。但是现有的Radiomap分类方法分类的依据是室内定位环境的空间分布。
发明内容
本发明为了解决现有的射频地图分类方法在分类时只能依靠待定位区域的空间布局进行分类导致分类需要的人工成本较高,同时对空间布局理解的不同会产生不同的分类方案,分类方案的主观性较强的问题,从而提供一种基于局部线性嵌入算法的射频地图无监督分类方法。
一种基于局部线性嵌入算法的射频地图无监督分类方法,它包括如下步骤:
步骤一:在待定位的室内区域设置访问接入参考点和测试点,所述访问接入参考点的高度距离地面2-2.5米,测试点的密度为3-5点/平方米;
步骤二:根据测试点的位置与访问接入参考点的RSS确定Radiomap的矩阵;
若共有t个测试点,则Radiomap为α=(α1,α2,…,αj,…,αt),α1,α2,…,αt均为列向量,j为测试点的次序;其中,α1,j,α2,j分别为第j个测试点空间位置的横坐标和纵坐标,并且测试点的空间信息是连续的;空间信息连续是指在Radiomap中,每一个空间坐标只出现一次,并且次序相邻的空间坐标之间直线距离小于1.1m;αi,j为在第j个测试点测量到的第i-2个访问接入点的RSS值,i≠1,2;
步骤三:将Radiomap数据进行处理,所述处理步骤为将Radiomap中的空间坐标信息保存至存储设备,然后将空间坐标信息删除,得到实际的高维数据X=(x1,x2,…,xt);
步骤四:以距离矩阵D表示高维数据X的任意两个列向量之间的欧氏距离,其中Di,j表示高维数据X第i列和第j列的欧氏距离;将距离矩阵D中的第i行取出来,其中Di,i=0,并按照从小到大的顺序进行排列,计算除Di,i以外K个最小欧氏距离的值和这些值在距离矩阵D中的矩阵位置,记录所述矩阵位置的列数值,设其为ω1,ω2,…,ωK,而且ω1<ω2<…<ωK,则高维数据X中的ω1,ω2,…,ωK列是高维数据X的第i列xi的近邻点,将高维数据X的ω1,ω2,…,ωK列记为xi,1,xi,2,…,xi,k;
所述欧氏距离为连点之间的直线距离;所述K的取值范围为:6≤K≤8;
步骤五:根据近邻点构造局部协方差矩阵Q,对于高维数据X的第i列xi的协方差矩阵Qi,协方差矩阵Qi的第j行第m列数值为列向量xi和列向量xi,j的差值与列向量xi和列向量xi,m的差值的内积;
然后计算局部重构权值矩阵W
步骤六:利用局部重构权值矩阵W计算低维嵌入,首先将局部重构权值矩阵W变为方阵,若局部重构权值矩阵W共有t行,则在第K+1列到第t列补零;然后对变换矩阵M进行广义特征值分解,所述变换矩阵M为:
M=(I-W)(I-W)T(3)
其中I为t行t列的单位矩阵,0<λ1≤λ2≤…≤λd为变换矩阵M的最小且不为零的d个特征值,5≤d≤7,y1,y2,…,yd为对应于λ1,λ2,…,λd的特征向量且都为列向量;得到降维以后的低维数据Y,
Y=(y1,y2,…,yd)(4)
低维数据Y中的行向量均为高维数据X中对应列的列向量的低维嵌入;将低维数据Y转置,得到低维数据A
A=YT(5)
步骤七:将测试点的数量除以3,得到商数S和余数Z,U=S-Z,故将低维数据A分成S个类;
低维数据A的前U个类中包含三个测试点的低维数据,前U个类中第i类包含低维数据A的第3i-2列到第3i列数据;
低维数据A的后Z个类有四个测试点的低维数据,后Z个类中的第j类包含低维数据A的第3S-3Z+4j-3列到3S-3Z+4j列数据;并根据分类信息矩阵的规则生成分类信息矩阵O;
步骤八:根据分类信息矩阵O和步骤六获得的低维数据A,遍历所有的类,计算各类的类内散度θ和类间散度φ的比值获得用于合并的类,所述用于合并的类为类内散度θ和类间散度φ的比值最大的类;
设定最终类数目N;
步骤九:假设用于合并的类与其在步骤七所述的S个类中左边的类H合并,计算合并后的类的类内散度θ1和类间散度φ1的比值再假设用于合并的类与其在步骤七所述的S个类中右边的类I合并,计算合并后的类的类内散度θ2和类间散度φ2的比值
当用于合并的类在A的最左侧时,其在步骤七所述的S个类中左边的类H不存在,则用于合并的类与其在步骤七所述的S个类中左边的类H合并以后仍为用于合并的类,当用于合并的类在A的最右侧时,其右边的类I不存在,则用于合并的类与其在步骤七所述的S个类中右边的类I合并以后仍为用于合并的类;
步骤十:比较v1和v2;
(1)当用于合并的类不在低维数据A的最左边和最右边时:若v1比v2小,那么用于合并的类应该与左边的类合并,若v2比v1小,那么用于合并的类应该与右边的类合并;
(2)当用于合并的类在低维数据A的最左边时:若v1比v2小,那么合并不成功;若v2比v1小,合并成功,用于合并的类应该与右边的类合并;
(3)当用于合并的类在低维数据A的最右边时:若v1比v2小,合并成功,用于合并的类应该与左边的类合并;若v2比v1小,那么合并不成功;
若合并成功,则进入步骤十一,若不成功,则返回步骤八重新获取最大的类进行计算,直至合并成功进入步骤十一;
步骤十一:更新分类信息矩阵O并计算剩余类的数目n,如果剩余类的数目n大于设定的类的数目N,则返回步骤八,直至剩余类的数目n等于设定的聚类数N,结束计算获得分类信息矩阵O的分类结果。
本发明一种基于局部线性嵌入算法的射频地图无监督分类方法实现了不依靠带定位区域的空间分布情况进行对射频地图的分类,避免了分类需要的人工成本较高,同时对空间布局理解的不同会产生不同的分类方案,分类方案的主观性较强的问题。通过引入LLE降维算法进行特征提取,可以提高分类结果的有效性同时降低了计算成本。提出类内散度和类间散度,可以客观的衡量分类结果的好坏。以类内散度和类间散度的比值作为分类依据,可以综合考虑了同一类的数据和不同类的数据对于分类的影响。使用了局部最优的方法进行合并,可以使得分类速度更快,效果更好。
附图说明
图1为本发明一种基于局部线性嵌入算法的射频地图无监督分类方法的流程图;
图2为具体实施例所述的平面示意图。
具体实施方式
具体实施方式一、结合图1说明本具体实施方式。一种基于局部线性嵌入算法的射频地图无监督分类方法,它包括如下步骤:
步骤一:在待定位的室内区域设置访问接入参考点和测试点,所述访问接入参考点的高度距离地面2-2.5米,测试点的密度为3-5点/平方米;
步骤二:根据测试点的位置与访问接入参考点的RSS确定Radiomap的矩阵;
若共有t个测试点,则Radiomap为α=(α1,α2,…,αj,…,αt),α1,α2,…,αt均为列向量,j为测试点的次序;其中,α1,j,α2,j分别为第j个测试点空间位置的横坐标和纵坐标,并且测试点的空间信息是连续的;空间信息连续是指在Radiomap中,每一个空间坐标只出现一次,并且次序相邻的空间坐标之间直线距离小于1.1m;αi,j为在第j个测试点测量到的第i-2个访问接入点的RSS值,i≠1,2;
步骤三:将Radiomap数据进行处理,所述处理步骤为将Radiomap中的空间坐标信息保存至存储设备,然后将空间坐标信息删除,得到实际的高维数据X=(x1,x2,…,xt);
步骤四:以距离矩阵D表示高维数据X的任意两个列向量之间的欧氏距离,其中Di,j表示高维数据X第i列和第j列的欧氏距离;将距离矩阵D中的第i行取出来,其中Di,i=0,并按照从小到大的顺序进行排列,计算除Di,i以外K个最小欧氏距离的值和这些值在距离矩阵D中的矩阵位置,记录所述矩阵位置的列数值,设其为ω1,ω2,…,ωK,而且ω1<ω2<…<ωK,则高维数据X中的ω1,ω2,…,ωK列是高维数据X的第i列xi的近邻点,将高维数据X的ω1,ω2,…,ωK列记为xi,1,xi,2,…,xi,k;
所述欧氏距离为连点之间的直线距离;所述K的取值范围为:6≤K≤8;
步骤五:根据近邻点构造局部协方差矩阵Q,对于高维数据X的第i列xi的协方差矩阵Qi,协方差矩阵Qi的第j行第m列数值为列向量xi和列向量xi,j的差值与列向量xi和列向量xi,m的差值的内积;
然后计算局部重构权值矩阵W
步骤六:利用局部重构权值矩阵W计算低维嵌入,首先将局部重构权值矩阵W变为方阵,若局部重构权值矩阵W共有t行,则在第K+1列到第t列补零;然后对变换矩阵M进行广义特征值分解,所述变换矩阵M为:
M=(I-W)(I-W)T(3)
其中I为t行t列的单位矩阵,0<λ1≤λ2≤…≤λd为变换矩阵M的最小且不为零的d个特征值,5≤d≤7,y1,y2,…,yd为对应于λ1,λ2,…,λd的特征向量且都为列向量;得到降维以后的低维数据Y,
Y=(y1,y2,…,yd)(4)
低维数据Y中的行向量均为高维数据X中对应列的列向量的低维嵌入;将低维数据Y转置,得到低维数据A
A=YT(5)
步骤七:将测试点的数量除以3,得到商数S和余数Z,U=S-Z,故将低维数据A分成S个类;
低维数据A的前U个类中包含三个测试点的低维数据,前U个类中第i类包含低维数据A的第3i-2列到第3i列数据;
低维数据A的后Z个类有四个测试点的低维数据,后Z个类中的第j类包含低维数据A的第3S-3Z+4j-3列到3S-3Z+4j列数据;并根据分类信息矩阵的规则生成分类信息矩阵O;
步骤八:根据分类信息矩阵O和步骤六获得的低维数据A,遍历所有的类,计算各类的类内散度θ和类间散度φ的比值获得用于合并的类,所述用于合并的类为类内散度θ和类间散度φ的比值最大的类;
设定最终类数目N;
步骤九:假设用于合并的类与其在步骤七所述的S个类中左边的类H合并,计算合并后的类的类内散度θ1和类间散度φ1的比值再假设用于合并的类与其在步骤七所述的S个类中右边的类I合并,计算合并后的类的类内散度θ2和类间散度φ2的比值
当用于合并的类在A的最左侧时,其在步骤七所述的S个类中左边的类H不存在,则用于合并的类与其在步骤七所述的S个类中左边的类H合并以后仍为用于合并的类,当用于合并的类在A的最右侧时,其右边的类I不存在,则用于合并的类与其在步骤七所述的S个类中右边的类I合并以后仍为用于合并的类;
步骤十:比较v1和v2;
(1)当用于合并的类不在低维数据A的最左边和最右边时:若v1比v2小,那么用于合并的类应该与左边的类合并,若v2比v1小,那么用于合并的类应该与右边的类合并;
(2)当用于合并的类在低维数据A的最左边时:若v1比v2小,那么合并不成功;若v2比v1小,合并成功,用于合并的类应该与右边的类合并;
(3)当用于合并的类在低维数据A的最右边时:若v1比v2小,合并成功,用于合并的类应该与左边的类合并;若v2比v1小,那么合并不成功;
若合并成功,则进入步骤十一,若不成功,则返回步骤八重新获取最大的类进行计算,直至合并成功进入步骤十一;
步骤十一:更新分类信息矩阵O并计算剩余类的数目n,如果剩余类的数目n大于设定的类的数目N,则返回步骤八,直至剩余类的数目n等于设定的聚类数N,结束计算获得分类信息矩阵O的分类结果。
具体实施方式二、本具体实施方式与具体实施方式一不同的是步骤四中所述K个列向量取值为K=6或7。
具体实施方式三、本具体实施方式与具体实施方式一不同的是步骤九中所述类内散度θ的计算过程为:
设定类的中心,所述中心是一个类中与该类所有点的欧氏距离和最小的点;
设B=(b1,b2,…,bi,…,bn)为一类,且bm为类B的中心,类内散度θ为中心bm与B中所有点欧式距离的平均值,即
其中d(bm,bi)为计算列向量bm和列向量bi的欧氏距离。
具体实施方式四、本具体实施方式与具体实施方式三不同的是步骤九中类间散度φ的计算过程为:设共有k个类,第j类的中心为cj,第j类的类间散度可以表示为
具体实施方式五、本具体实施方式与具体实施方式四不同的是步骤十一所述更新分类信息矩阵O的过程为:
(1)当用于合并的类与其在步骤七所述的S个类中左边的类H合并成功时,则将用于合并的类的起始位置的列数值与其在步骤七所述的S个类中左边的类H的终止位置的列数值删除;
(2)当用于合并的类与其在步骤七所述的S个类中右边的类I合并成功时,则将用于合并的类的终止位置的列数值与其在步骤七所述的S个类中右边的类I的起始位置的列数值删除;
完成分类信息矩阵O的更新。
采用本发明一种基于局部线性嵌入算法的射频地图无监督分类方法的Radiomap具有两个特点:①在空间上,Radiomap测试点在待定位区域的分布是均匀的;②由于测量天线具有方向性,需要进行多个方向的测量以保证AP测量的精确。如果依然不能测量到所有的AP,可在对应于该AP的位置补零。在本专利中,相邻点的空间信息是连续的。空间信息连续的意思是将若干个次序数连续的列向量α归为一类,并将其空间坐标提取出来。如果将其映射至待定位空间中,会发现已分类的点与未分类的点空间上有明确的界线。空间信息连续可以使得经过后续的分类以后,同一聚类的点在空间上不是分布于整个待定位区域,而是局限于其中的一小部分,有利于提高定位精度。
采用本发明一种基于局部线性嵌入算法的射频地图无监督分类方法在数据分类前引入LLE算法降维,一方面借助LLE算法提取Radiomap数据特征,提高数据分类的精确度。另一方面,LLE降维可以大大降低运算量,提高分类效率。经过LLE算法降维后的高维数据X的次序数在低维数据中保持不变,换句话说,高维Radiomap中测试点的次序在低维Radiomap中保持不变的。
采用本发明一种基于局部线性嵌入算法的射频地图无监督分类方法的步骤七至步骤十一的过程为数据分类的过程。数据分类的目的是使得同一类数据的差异尽可能的小,不同类的差异尽可能的大。本专利以类内散度作为衡量同一类数据差异的标准,以类间散度作为衡量不同类的差异的标准。其中,分类信息矩阵的规则为由于位置信息连续,每一个聚类都是从一个测试点的数据开始,该点被称为开始测试点,到另一个测试点结束,该点被称为结束测试点。分类信息矩阵指出一个类从哪一个测试点开始到哪一个测试点结束,也就是说记录了起始测试点和结束测试点的次序数。即为:
聚类D在另一个聚类E的左侧意味着聚类D的结束测试点的次序数比聚类E的开始测试点的次序数小一。同时聚类E也可以说在聚类D的右侧。例如一个Radiomap可以分为三类,Radiomap共有K个点,第i个和第j个数据点为三个类的分界点,则分类矩阵为[1,i,i+1,j,j+1,K],第一类[1,i]在第二类[i+1,j]的左侧,第二类[i+1,j]在第一类[1,i]的右侧。由于本分类算法要求数据点空间坐标连续,故不可能出现一个聚类中的点出现在其他聚类中的情况。
具体实施例:
以哈尔滨工业大学科学园2A栋12层为例建立Radiomap。Wi-Fi室内定位系统建立于该实验环境中。该层总共布置有27个访问接入参考点,访问接入参考点布置的位置为蓝色扇形Wi-Fi标志所在处。访问接入参考点布设位置距离房间地面高度为2米。采集Radiomap时使用笔记本(联想V450)及相关软件(NetStumbler),在所有参考点上采样并记录每一个访问接入参考点的RSS值,共测量100次,采样速率为2次/秒,然后将100个RSS值求平均得到该参考点的RSS值,记录测量点的空间坐标信息。
将所有的参考点的空间坐标及相应的RSS值进行存储生成相应数据库,建立Radiomap。设Radiomap为α=(α1,α2,…,αk)。由于本实验环境中共有828个参考点,故k=828,α1,α2,…,αk为列向量,αj为第j个测试点的空间坐标和RSS值。因为本实验环境采样密度为50cm×50cm,为保证采样点数据之间空间位置的连续,要求
|α1,j-1-α1,j+1|+|α2,j-1-α2,j+1|=100cm(1)
|α1,j-α1,j-1|+|α2,j-α2,j-1|=50cm(2)
将Radiomap矩阵α分为两部分,一部分为其空间信息矩阵P,既矩阵α的前两行的数据。另一部分为高维数据X,既矩阵α的第三行至第二十九行的所有数据。在空间信息矩阵P第i列的位置测量的二十七个AP的RSS数据是高维数据X的第i列的数据。将空间信息矩阵P和高维数据X保存起来。
对高维数据X使用LLE降维算法降至六维,提取高维数据X的数据特征。降维后的低维数据为Y。低维数据Y中的第i行是高维数据X第i列的低维嵌入。为了计算的统一。将低维数据Y进行转置,得到A。
对A进行预分类,低维数据A分为276类,第i类包含A中的第(3×i-2)列到(3×i)列数据,并生成分类信息矩阵O。
根据分类信息矩阵O和获得的低维数据A,遍历所有的类,计算各类的类内散度θ和类间散度φ的比值获得用于合并的类,所述用于合并的类为类内散度θ和类间散度φ的比值最大的类;设定最终类数目N;
假设用于合并的类与其在步骤七所述的S个类中左边的类H合并,计算合并后的类的类内散度θ1和类间散度φ1的比值再假设用于合并的类与其在步骤七所述的S个类中右边的类I合并,计算合并后的类的类内散度θ2和类间散度φ2的比值
当用于合并的类在A的最左侧时,其在步骤七所述的S个类中左边的类H不存在,则用于合并的类与其在步骤七所述的S个类中左边的类H合并以后仍为用于合并的类,当用于合并的类在A的最右侧时,其右边的类I不存在,则用于合并的类与其在步骤七所述的S个类中右边的类I合并以后仍为用于合并的类;
比较v1和v2;
(1)当用于合并的类不在低维数据A的最左边和最右边时:若v1比v2小,那么用于合并的类应该与左边的类合并,若v2比v1小,那么用于合并的类应该与右边的类合并;
(2)当用于合并的类在低维数据A的最左边时:若v1比v2小,那么合并不成功;若v2比v1小,合并成功,用于合并的类应该与右边的类合并;
(3)当用于合并的类在低维数据A的最右边时:若v1比v2小,合并成功,用于合并的类应该与左边的类合并;若v2比v1小,那么合并不成功;
更新分类信息矩阵O。如果G与左边的类合并,则在分类信息矩阵O中,将类G的起始测试点的次序数和左侧类H的结束测试点的次序数删除;如果G与右边的类合并,则在分类信息矩阵O中,将该类G的结束测试点的次序数和右侧类I的起始测试点的次序数删除。完成分类信息矩阵O的更新。计算当前的类别个数n。
如果出现G为A中最左边的类,同时发现G应该与G左边类合并,或者G为A中最右边的类且G应该与G右边类合并,既G与一个不存在的类合并时,找出第二大的类进行合并,若依旧出现上述情况,则找出第三大的类进行合并。
不断重复数据合并和更新分类信息矩阵O的步骤,直至当前的类别个数n与规定的类别个数N相等时停止合并。完成了数据的分类。
Claims (2)
1.一种基于局部线性嵌入算法的射频地图无监督分类方法,其特征在于它包括如下步骤:
步骤一:在待定位的室内区域设置访问接入参考点和测试点,所述访问接入参考点的高度距离地面2-2.5米,测试点的密度为3-5点/平方米;
步骤二:根据测试点的位置与访问接入参考点的RSS确定Radiomap的矩阵;
若共有t个测试点,则Radiomap为α=(α1,α2,…,αj,…,αt),α1,α2,…,αt均为列向量,j为测试点的次序;其中,α1,j,α2,j分别为第j个测试点空间位置的横坐标和纵坐标,并且测试点的空间信息是连续的;空间信息连续是指在Radiomap中,每一个空间坐标只出现一次,并且次序相邻的空间坐标之间直线距离小于1.1m;αi,j为在第j个测试点测量到的第i-2个访问接入点的RSS值,i≠1,2;
步骤三:将Radiomap数据进行处理,所述处理步骤为将Radiomap中的空间坐标信息保存至存储设备,然后将空间坐标信息删除,得到实际的高维数据X=(x1,x2,…,xt);
步骤四:以距离矩阵D表示高维数据X的任意两个列向量之间的欧氏距离,其中Di,j表示高维数据X第i列和第j列的欧氏距离;将距离矩阵D中的第i行取出来,其中Di,i=0,并按照从小到大的顺序进行排列,计算除Di,i以外K个最小欧氏距离的值和这些值在距离矩阵D中的矩阵位置,记录所述矩阵位置的列数值,设其为ω1,ω2,…,ωK,而且ω1<ω2<…<ωK,则高维数据X中的ω1,ω2,…,ωK列是高维数据X的第i列xi的近邻点,将高维数据X的ω1,ω2,…,ωK列记为xi,1,xi,2,…,xi,k;
所述欧氏距离为连点之间的直线距离;所述K的取值范围为:6≤K≤8;
步骤五:根据近邻点构造局部协方差矩阵Q,对于高维数据X的第i列xi的协方差矩阵Qi,协方差矩阵Qi的第j行第m列数值为列向量xi和列向量xi,j的差值与列向量xi和列向量xi,m的差值的内积;
然后计算局部重构权值矩阵W
步骤六:利用局部重构权值矩阵W计算低维嵌入,首先将局部重构权值矩阵W变为方阵,若局部重构权值矩阵W共有t行,则在第K+1列到第t列补零;然后对变换矩阵M进行广义特征值分解,所述变换矩阵M为:
M=(I-W)(I-W)T(3)
其中I为t行t列的单位矩阵,0<λ1≤λ2≤…≤λd为变换矩阵M的最小且不为零的d个特征值,5≤d≤7,y1,y2,…,yd为对应于λ1,λ2,…,λd的特征向量且都为列向量;得到降维以后的低维数据Y,
Y=(y1,y2,…,yd)(4)
低维数据Y中的行向量均为高维数据X中对应列的列向量的低维嵌入;将低维数据Y转置,得到低维数据A
A=YT(5)
步骤七:将测试点的数量除以3,得到商数S和余数Z,U=S-Z,故将低维数据A分成S个类;
低维数据A的前U个类中包含三个测试点的低维数据,前U个类中第i类包含低维数据A的第3i-2列到第3i列数据;
低维数据A的后Z个类有四个测试点的低维数据,后Z个类中的第j类包含低维数据A的第3S-3Z+4j-3列到3S-3Z+4j列数据;并根据分类信息矩阵的规则生成分类信息矩阵O;
步骤八:根据分类信息矩阵O和步骤六获得的低维数据A,遍历所有的类,计算各类的类内散度θ和类间散度φ的比值获得用于合并的类,所述用于合并的类为类内散度θ和类间散度φ的比值最大的类;
类内散度θ的计算过程为:
设定类的中心,所述中心是一个类中与该类所有点的欧氏距离和最小的点;
设B=(b1,b2,…,bi,…,bn)为一类,且bm为类B的中心,类内散度θ为中心bm与B中所有点欧式距离的平均值,即
其中d(bm,bi)为计算列向量bm和列向量bi的欧氏距离;
类间散度φ的计算过程为:设共有k个类,第j类的中心为cj,第j类的类间散度可以表示为
设定最终类数目N;
步骤九:假设用于合并的类与其在步骤七所述的S个类中左边的类H合并,计算合并后的类的类内散度θ1和类间散度φ1的比值再假设用于合并的类与其在步骤七所述的S个类中右边的类I合并,计算合并后的类的类内散度θ2和类间散度φ2的比值
当用于合并的类在A的最左侧时,其在步骤七所述的S个类中左边的类H不存在,则用于合并的类与其在步骤七所述的S个类中左边的类H合并以后仍为用于合并的类;当用于合并的类在A的最右侧时,其右边的类I不存在,则用于合并的类与其在步骤七所述的S个类中右边的类I合并以后仍为用于合并的类;
步骤十:比较v1和v2;
(1)当用于合并的类不在低维数据A的最左边和最右边时:若v1比v2小,那么用于合并的类应该与左边的类合并,若v2比v1小,那么用于合并的类应该与右边的类合并;
(2)当用于合并的类在低维数据A的最左边时:若v1比v2小,那么合并不成功;若v2比v1小,合并成功,用于合并的类应该与右边的类合并;
(3)当用于合并的类在低维数据A的最右边时:若v1比v2小,合并成功,用于合并的类应该与左边的类合并;若v2比v1小,那么合并不成功;
若合并成功,则进入步骤十一,若不成功,则返回步骤八重新获取最大的类进行计算,直至合并成功进入步骤十一;
步骤十一:更新分类信息矩阵O并计算剩余类的数目n,如果剩余类的数目n大于设定的类的数目N,则返回步骤八,直至剩余类的数目n等于设定的聚类数N,结束计算获得分类信息矩阵O的分类结果;
更新分类信息矩阵O的过程为:
(1)当用于合并的类与其在步骤七所述的S个类中左边的类H合并成功时,则将用于合并的类的起始位置的列数值与其在步骤七所述的S个类中左边的类H的终止位置的列数值删除;
(2)当用于合并的类与其在步骤七所述的S个类中右边的类I合并成功时,则将用于合并的类的终止位置的列数值与其在步骤七所述的S个类中右边的类I的起始位置的列数值删除;
完成分类信息矩阵O的更新。
2.根据权利要求1所述的一种基于局部线性嵌入算法的射频地图无监督分类方法,其特征在于步骤四中所述K个列向量取值为K=6或7。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310111148.8A CN103258001B (zh) | 2013-04-01 | 2013-04-01 | 一种基于局部线性嵌入算法的射频地图无监督分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310111148.8A CN103258001B (zh) | 2013-04-01 | 2013-04-01 | 一种基于局部线性嵌入算法的射频地图无监督分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103258001A CN103258001A (zh) | 2013-08-21 |
CN103258001B true CN103258001B (zh) | 2016-05-18 |
Family
ID=48961920
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310111148.8A Active CN103258001B (zh) | 2013-04-01 | 2013-04-01 | 一种基于局部线性嵌入算法的射频地图无监督分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103258001B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105320920B (zh) * | 2014-07-29 | 2019-05-21 | 国网山西省电力公司信息通信分公司 | 数据降维方法及基于数据降维方法的人脸识别方法 |
CN104318046A (zh) * | 2014-08-18 | 2015-01-28 | 南京大学 | 增量式的高维数据转换为低维数据的系统及方法 |
CN104200134A (zh) * | 2014-08-30 | 2014-12-10 | 北京工业大学 | 一种基于局部线性嵌入算法的肿瘤基因表数据特征选择方法 |
CN108225332B (zh) * | 2018-01-10 | 2020-10-02 | 内蒙古大学 | 基于监督的室内定位指纹地图降维方法 |
CN109342909B (zh) * | 2018-12-14 | 2021-02-23 | 中国测试技术研究院电子研究所 | 一种基于slle的电缆附件局部放电模式识别方法 |
CN110346654B (zh) * | 2019-07-19 | 2021-03-16 | 中国人民解放军国防科技大学 | 基于普通克里金插值的电磁频谱地图构建方法 |
CN112698112B (zh) * | 2021-03-23 | 2021-06-01 | 中国人民解放军国防科技大学 | 电磁频谱地图构建方法、装置、计算机设备和存储介质 |
CN114051202A (zh) * | 2021-10-29 | 2022-02-15 | 中国石油大学(华东) | 一种无线定位信号指纹样本库的自动学习方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101815308B (zh) * | 2009-11-20 | 2012-07-25 | 哈尔滨工业大学 | 神经网络区域训练的wlan室内定位方法 |
CN102802260B (zh) * | 2012-08-15 | 2015-05-13 | 哈尔滨工业大学 | 基于矩阵相关的wlan室内定位方法 |
-
2013
- 2013-04-01 CN CN201310111148.8A patent/CN103258001B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN103258001A (zh) | 2013-08-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103258001B (zh) | 一种基于局部线性嵌入算法的射频地图无监督分类方法 | |
CN104038901B (zh) | 一种减少指纹数据采集工作量的室内定位方法 | |
CN105223546B (zh) | 基于接收信号强度和参考点位置双聚类的室内定位方法 | |
CN106131959B (zh) | 一种基于Wi-Fi信号空间划分的两级定位方法 | |
KR102116824B1 (ko) | 딥러닝 기반 측위 시스템 및 이의 구축 방법 | |
CN105704652B (zh) | 一种wlan/蓝牙定位中的指纹库采集和优化方法 | |
CN104853435B (zh) | 一种基于概率的室内定位方法和装置 | |
WO2019062734A1 (zh) | 基于Wi-Fi热点的室内定位方法及装置 | |
CN107087256A (zh) | 一种基于WiFi室内定位的指纹聚类方法及装置 | |
CN104507050B (zh) | 一种WiFi室内定位中概率型指纹匹配方法 | |
CN104519571B (zh) | 一种基于rss的室内定位方法 | |
CN103455811B (zh) | 室内无线定位指纹采集方法及系统 | |
CN104063718B (zh) | 在作物识别和面积估算中选择遥感数据和分类算法的方法 | |
CN106851573A (zh) | 基于对数路径损耗模型的联合加权k近邻室内定位方法 | |
CN104703143A (zh) | 一种基于wifi信号强度的室内定位方法 | |
CN101820676B (zh) | 传感器节点定位方法 | |
CN106912105A (zh) | 基于pso_bp神经网络的三维定位方法 | |
CN110536257B (zh) | 一种基于深度自适应网络的室内定位方法 | |
CN108627798B (zh) | 基于线性判别分析和梯度提升树的wlan室内定位算法 | |
CN103428850A (zh) | 基于压缩感知的分布式多区域定位方法 | |
CN111062525B (zh) | 扩容小区的基站选址方法、装置、设备及存储介质 | |
CN103313383B (zh) | 一种基于区域分割和曲面拟合的室内定位方法 | |
CN108810799B (zh) | 一种基于线性判别分析的多楼层室内定位方法及系统 | |
CN101873605A (zh) | 一种网络规划中自适应传播环境分类方法 | |
CN104581945A (zh) | 基于距离约束的半监督apc聚类算法的wlan室内定位方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20200331 Address after: 150001 No. 118 West straight street, Nangang District, Heilongjiang, Harbin Patentee after: Harbin University of technology high tech Development Corporation Address before: 150001 Harbin, Nangang, West District, large straight street, No. 92 Patentee before: HARBIN INSTITUTE OF TECHNOLOGY |
|
TR01 | Transfer of patent right |