CN105911539B - 一种到达时间差的误差补偿值确定方法及装置 - Google Patents

Abstract

本发明实施例公开了一种到达时间差的误差补偿值确定方法及装置，该方法包括：根据尺度不变特征转换、信息熵和到达时间差，以及已训练好的支持向量机多类分类器，将尺度不变特征转换、信息熵和到达时间差划分到预设数量类中对应的确定类，确定确定类所对应的误差补偿值区间；根据所确定的误差补偿值区间，确定到达时间差的误差补偿值。该方法和针对该方法提出的装置的误差补偿值确定过程以及采用的分类器训练过程都考虑了实际的传播环境对信号传输的影响，能够准确地将误差补偿值接近的分为一类，使得最终确定的误差补偿值具有一定的准确性，利用该误差补偿值对到达时间差修正，可使其更接近视距到达时间差。

Description

一种到达时间差的误差补偿值确定方法及装置

技术领域

本发明涉及定位技术领域，特别涉及一种到达时间差的误差补偿值确定方法及装置。

背景技术

到达时间差(Time Difference of Arrival，简称为TDOA)定位技术是一种常用的定位技术，是利用到达时间差进行定位的技术，根据多个基站的每两个基站与待定位点之间传输信号的到达时间差，根据每个到达时间差计算出距离差，以每个到达时间差的两个基站为焦点，对应距离差为长轴作出双曲线，多个双曲线的交点就是待定位点的位置，用该定位技术定位时，到达时间差越接近视距到达时间差，定位越准确。

在实际的基于到达时间差的室内外定位中，由于城市环境因素复杂，房屋建筑的遮挡较为严重，在基站与待定位点之间传输信号时，承载信号的无线电波可能会经反射、散射、衍射、绕射或透射等到达终端，这就导致信号非视距传播，非视距传播会使接收端接收到信号存在时间延迟，从而使得定位时所用的到达时间差与视距到达时间差存在偏差，进而导致定位不准确，因此，需要确定误差补偿值，以对定位时的到达时间差进行修正。

发明内容

本发明实施例的目的在于提供一种到达时间差的误差补偿值确定方法及装置，以使确定出的误差补偿值具有一定的准确性，通过确定的误差补偿值对到达时间差修正，能够使到达时间差更接近视距到达时间差。

为达到上述目的，本发明实施例公开了一种到达时间差的误差补偿值确定方法及装置。技术方案如下：

第一方面，一种到达时间差的误差补偿值确定方法，应用于定位处理服务器，所述方法包括：

获取待定位点的照片，提取所述照片的尺度不变特征转换，计算所述照片的信息熵；针对任意两个定位基站，获取所述待定位点与所述两个基站之间信号传输的到达时间差；

根据所述尺度不变特征转换、信息熵和到达时间差，以及已训练好的支持向量机多类分类器，将所述尺度不变特征转换、信息熵和到达时间差划分到预设数量类中对应的确定类，确定所述确定类所对应的误差补偿值区间；

根据所确定的误差补偿值区间，确定所述到达时间差的误差补偿值；

其中，训练所述支持向量机多类分类器，包括：

将误差补偿值划分为预设数量个误差补偿值区间，其中，每一误差补偿值区间对应一类；

根据多个样本点中的每个样本点的实际误差补偿值所属的误差补偿值区间，确定每个样本点的所述尺度不变特征转换、信息熵和到达时间差所属的类别；

根据所述每个样本点的所述尺度不变特征转换、信息熵和到达时间差，训练所述支持向量机多类分类器，以使所述支持向量机多类分类器将类别相同的所述尺度不变特征转换、信息熵和到达时间差划分到同一类别。

优选地，所述将误差补偿值划分为预设数量个误差补偿值区间，具体为：

根据所述多个样本点的实际误差补偿值，确定所述实际误差补偿值的期望或方差；

根据所述期望或方差，确定所述误差补偿值的瑞利分布密度函数的形状参数，以确定所述误差补偿值的瑞利分布密度函数；

根据所述瑞利分布密度函数将误差补偿值连续等概率划分为预设数量个误差补偿值区间。

优选地，所述根据所确定的误差补偿值区间，确定所述到达时间差的误差补偿值，具体为：

将所确定的误差补偿值区间的中间值，确定为所述到达时间差的误差补偿值。

优选地，获得所述多个样本点的实际误差补偿值，包括：

针对每个样本点，根据所述样本点与所述两个基站之间的直线距离确定所述样本点的视距到达时间差；

将所述样本点的所述到达时间差与所述视距到达时间差的差值，确定为所述样本点的实际误差补偿值。

优选地，所述支持向量机多类分类器为基于二叉树的分类器，所述支持向量机多类分类器的每个支持向量机二分类器的核函数为：

x_i和x_j分别表示输入的第i和j个样本点的所述尺度不变特征转换、信息熵和到达时间差所组成的向量，γ为核函数参数。

第二方面，一种到达时间差的误差补偿值确定装置，应用于定位处理服务器，所述装置包括：

第一获得模块，用于获取待定位点的照片，提取所述照片的尺度不变特征转换，计算所述照片的信息熵，针对任意两个定位基站，获取所述待定位点与所述两个基站之间信号传输的到达时间差；

第一确定模块，用于根据所述尺度不变特征转换、信息熵和到达时间差，以及已训练好的支持向量机多类分类器，将所述尺度不变特征转换、信息熵和到达时间差划分到预设数量类中对应的确定类，确定所述确定类所对应的误差补偿值区间；

第二确定模块，用于根据所确定的误差补偿值区间，确定所述到达时间差的误差补偿值；

第一预分类模块，用于将误差补偿值划分为预设数量个误差补偿值区间，其中，每一误差补偿值区间对应一类；

第二预分类模块，用于根据多个样本点中的每个样本点的实际误差补偿值所属的误差补偿值区间，确定每个样本点的所述尺度不变特征转换、信息熵和到达时间差所属的类别；

训练模块，用于根据所述每个样本点的所述尺度不变特征转换、信息熵和到达时间差，训练所述支持向量机多类分类器，以使所述支持向量机多类分类器将类别相同的所述尺度不变特征转换、信息熵和到达时间差划分到同一类别。

优选地，所述第一预分类模块，包括：

期望或方差确定单元，用于根据所述多个样本点的实际误差补偿值，确定所述实际误差补偿值的期望或方差；

瑞利分布密度函数确定单元，用于根据所述期望或方差，确定所述误差补偿值的瑞利分布密度函数的形状参数，以确定所述误差补偿值的瑞利分布密度函数；

预分类单元，用于根据所述瑞利分布密度函数将误差补偿值连续等概率划分为预设数量个误差补偿值区间。

优选地，所述第二确定模块，具体用于：

将所确定的误差补偿值区间的中间值，确定为所述到达时间差的误差补偿值。

优选地，所述装置还包括：第二获得模块；

所述第二获得模块，用于针对每个样本点，根据所述样本点与所述两个基站之间的直线距离确定所述样本点的视距到达时间差；将所述样本点的所述到达时间差与所述视距到达时间差的差值，确定为所述样本点的实际误差补偿值，以获得所述多个样本点的实际误差补偿值。

优选地，所述支持向量机多类分类器为基于二叉树的分类器，所述支持向量机多类分类器的每个支持向量机二分类器的核函数为：

x_i和x_j分别表示输入的第i和j个样本点的所述尺度不变特征转换、信息熵和到达时间差所组成的向量，γ为核函数参数。

本发明实施例提供的一种到达时间差的误差补偿值确定方法及装置，应用于定位处理服务器，待定位点的照片信息和到达时间差通过已训练好的支持向量机多类分类器被划分到预设数量类中的确定类中，由于每类所对应的误差补偿区间已经预先确定，因此，可确定出确定类所对应的误差补偿区间，从而根据这个区间确定出误差补偿值，这个确定方法简单，能够快速确定出误差补偿值。其中，样本点实际误差补偿值是确定的，通过划分的预设数量个误差补偿值区间能够对样本点的实际误差补偿值、照片信息、到达时间差进行归类，根据样本点的照片信息、到达时间差训练支持向量机多类分类器，以使支持向量机多类分类器将类别相同的照片信息、到达时间差划分到同一类别，使得支持向量机多类分类器获得能够将待定位点的照片信息、到达时间差进行准确分类的功能。由于照片信息包括尺度不变特征转换、信息熵，尺度不变特征转换、信息熵和达时间差都包含了信号传播的环境信息，考虑了实际的传播环境对信号传输的影响，能够准确地将误差补偿值接近的分为一类，因此，根据类别对应的误差补偿区间所确定的误差补偿值具有一定的准确性，利用该误差补偿值对到达时间差修正，可使其更接近视距到达时间差。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种到达时间差的误差补偿值确定方法的流程示意图；

图2为本发明实施例提供的一种到达时间差的误差补偿值确定方法中的训练支持向量机多类分类器的流程示意图；

图3为本发明实施例提供的一种到达时间差的误差补偿值确定装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明实施例提供了一种到达时间差的误差补偿值确定方法，应用于定位处理服务器，该方法应用于室内定位更具有优势，当然，该方法也适用于室外定位，该方法包括：

S101、获取待定位点的照片，提取该照片的尺度不变特征转换，计算该照片的信息熵；针对任意两个定位基站，获取该待定位点与该两个基站之间信号传输的到达时间差；

本步骤中，通过处于待定位点的终端拍摄待定位点的照片，并将其传送给服务器。

服务器提取该照片的尺度不变特征转换，首先，选取合适的尺度因子建立尺度空间，提取尺度不变的特征点；然后，根据每个检测到的特征点生成4×4×8的128维尺度不变特征转换特征向量。尺度不变特征转换是用于图像处理领域的一种描述子，它具有特征独特性好，信息量丰富，对于大多数变换都有较强鲁棒性等优点。

计算该照片的信息熵，信息熵的定义为：

设矢量υ＝{x₁,x₂,...,x_n}，假定x_i∈υ的概率p_i＝p(x_i)，则υ的信息熵可定义如下：

它表示为随机变量的概率分布函数。

根据该函数计算图像的信息熵，可表示为

其中，h_i表示被量化颜色i的像素在整幅图像中所占的百分比。

信息熵只与不同颜色的概率分布有关，而与像素的实际分布没有关系，单纯采用信息熵进行分类，会引起分类不准确。因此，引入图像尺度不变特征转换，可以提高分类的准确性。

针对任意两个定位基站，获取该待定位点与该两个基站之间信号传输的到达时间差，获取到达时间差主要是通过两个基站同时向待定位点处的终端发送信号，信号可能会经过反射、散射、衍射、绕射或透射等最终到达终端，终端接收到两个基站发送信号的时间差即为到达时间差，终端将到达时间差发送给服务器。

S102、根据该尺度不变特征转换、信息熵和到达时间差，以及已训练好的支持向量机多类分类器，将该尺度不变特征转换、信息熵和到达时间差划分到预设数量类中对应的确定类，确定该确定类所对应的误差补偿值区间；

训练好的支持向量机多类分类器可以将误差补偿值在同一误差补偿值区间的尺度不变特征转换、信息熵和到达时间差归到同一类别中。

根据图像特征值的分类问题一般都属于非线性分类问题，支持向量机二分类器可以将非线性分类问题映射到高维空间的线性分类问题。

具体的，对于线性不可分的情况，可以把样本映射到一个高维特征空间,并在此空间中运用原空间的函数来实现内积运算,这样通过将非线性问题转换成另一空间的线性问题来获得一个样本的归属。根据泛函的有关理论,只要一种核函数满足Mercer条件,它就对应某一空间中的内积，因此，只要在最优分类面上采用适当的内积函数就可以解决这种线性不可分的分类问题，此时的目标函数为：

最后得到相应的最优分类面的判别函数式，

使两种类别间的距离最大。

其中，为核函数，用于将输入的数据直接映射为特征空间中特征向量的内积形式；x_i和x_j分别表示输入支持向量机的第i和j个样本点的特征向量；y_i、y_j的分类标签，即分类结果。α_i、α_j、α^*和b表示支持向量机的分类参数，在具体训练支持向量机二分类器的过程中可以获得α_i、α_j、α^*和b的具体值。

核函数将高维空间的内积运算转化为低维输入空间的核函数计算，从而巧妙地解决了在高维特征空间中计算的“维数灾难”等问题，为在高维特征空间解决复杂的分类或回归问题奠定了理论基础。

由多个支持向量机二分类器可以构造一个支持向量机多类分类器，可以通过已知训练样本对支持向量机多类分类器进行训练，使其具有需要的分类功能。

S103、根据所确定的误差补偿值区间，确定该到达时间差的误差补偿值；

具体的，可以将该误差补偿值区间内的任一值确定为该到达时间差的误差补偿值，当然，也可以按照预设的选取规则来确定。

本实施例中，如图2所示，训练所述支持向量机多类分类器，包括：

S201、将误差补偿值划分为预设数量个误差补偿值区间，其中，每一误差补偿值区间对应一类；

具体的，可以根据实际误差补偿值的最大值和最小值，确定一个误差补偿值的范围，将这个范围等分成或按其他预定划分规则划分成预设数量个误差补偿值区间，也可以根据误差补偿值的可能存在值，适当的扩大误差补偿值的范围，再通过具体的划分规则来划分。

S202、根据多个样本点中的每个样本点的实际误差补偿值所属的误差补偿值区间，确定每个样本点的尺度不变特征转换、信息熵和到达时间差所属的类别；

每个误差补偿值区间对应一类，每个样本点的实际误差补偿值属于哪个误差补偿值区间，这个样本点就对应属于哪一类，这个样本点类别即是该样本点的尺度不变特征转换、信息熵和到达时间差的类别。

S203、根据每个样本点的尺度不变特征转换、信息熵和到达时间差，训练支持向量机多类分类器，以使该支持向量机多类分类器将类别相同的尺度不变特征转换、信息熵和到达时间差划分到同一类别。

针对每个样本点，将其尺度不变特征转换、信息熵和到达时间差作为输入，将上述实际的样本点的尺度不变特征转换、信息熵和到达时间差的分类结果作为输出，具体的，可以将每个样本点的尺度不变特征转换、信息熵和到达时间差对应的误差补偿值作为输出，也可以将分类标签作为输出，训练支持向量机多类分类器，最终获得可将尺度不变特征转换、信息熵和到达时间差按照误差补偿值区间范围分类的分类器模型。这里的具体训练过程属于现有技术，在此不做赘述。

上述训练样本的采集包括：

首先，在不同复杂度的室内或室外选取多个精确位置的样本点。

为了模型的准确性，如果是针对室内定位，可以全部选取室内的样本点；如果针对室外定位，可以全部选取室外的样本点。当然，如果较少考虑模型的准确性问题，也可以随意配比选择室内外的样本点。

其次，通过对每个样本点进行拍摄照片，对这些照片进行提取尺度不变特征转换，计算信息熵；确定每个样本点的实际误差补偿值；这些处理既可以通过定位处理服务器来做，也可以通过其他处理设备来做。

针对每个样本点和该两个定位基站，获取每个样本点与该两个基站之间信号传输的到达时间差，具体的获取到达时间差主要是通过两个基站同时向样本点处的终端发送信号，信号可能会经过反射、散射、衍射、绕射或透射等最终到达终端，终端接收到两个基站发送信号的时间差即为到达时间差。具体实施时，由于同一地点的到达时间差在不同时刻会有一定幅度的微小波动，因此，可以针对每个样本点，采取每隔预设时间段获取一个到达时间差，对每个样本点的获取的多个到达时间差计算平均值，将这个平均值作为该样本点的到达时间差，这样设置可以在一定程度上消除样本点的到达时间差的波动带来的影响，利用这个平均值作为样本的数据可以提高支持向量机多类分类器分类的准确性。

另外，每个样本点的实际误差补偿值是每个样本点与该两个基站的到达时间差的实际误差补偿值，本实施例中，获得多个样本点的实际误差补偿值，包括：

针对每个样本点，根据该样本点与该两个基站之间的直线距离确定该样本点的视距到达时间差；

具体的，可以根据两个直线距离的差值以及信号的传播速度，来确定视距到达时间差，当然，也可以通过其他方式计算，不限于此。

将样本点的到达时间差与视距到达时间差的差值，确定为该样本点的实际误差补偿值。

受实际环境影响的到达时间差与视距到达时间差之间的差值就是实际误差补偿值。

上述获得误差补偿值的方法简单实用，能够快速确定出实际误差补偿值；同时，到达时间差是通过实际信号传输获得的，而且由于样本点位置已知使得直接获得的视距到达时间差是准确的，因此，所确定出的实际误差补偿值是可靠准确的。

当然，获取实际误差补偿值的方法，不限于上述方法，例如，还可以通过实际的定位测试获得，通过对样本点进行实际定位，根据定位服务器所定位置与样本点的实际位置的偏差，不断地测试修正到达时间差，以使定位接近或准确到样本点位置，接近程度可以根据实际情况设定，最终，达到满意的定位所采用的到达时间差的修正值即为实际的误差补偿值。

具体训练支持多类分类器时，输入支持向量机的向量可以是一个128维不变特征转换+1维信息熵再+1维到达时间差共130维的向量。

本实施例应用于定位处理服务器，待定位点的照片信息和到达时间差通过已训练好的支持向量机多类分类器被划分到预设数量类中的确定类中，由于每类所对应的误差补偿区间已经预先确定，因此，可确定出确定类所对应的误差补偿区间，从而根据这个区间确定出误差补偿值，这个确定方法简单，能够快速确定出误差补偿值。其中，样本点实际误差补偿值是确定的，通过划分的预设数量个误差补偿值区间能够对样本点的实际误差补偿值、照片信息、到达时间差进行归类，根据样本点的照片信息、到达时间差训练支持向量机多类分类器，以使支持向量机多类分类器将类别相同的照片信息、到达时间差划分到同一类别，使得支持向量机多类分类器获得能够将待定位点的照片信息、到达时间差进行准确分类的功能。由于照片信息包括尺度不变特征转换、信息熵，尺度不变特征转换、信息熵和达时间差都包含了信号传播的环境信息，考虑了实际的传播环境对信号传输的影响，能够准确地将误差补偿值接近的分为一类，因此，根据类别对应的误差补偿区间所确定的误差补偿值具有一定的准确性，利用该误差补偿值对到达时间差修正，可使其更接近视距到达时间差。

本实施例中，将误差补偿值划分为预设数量个误差补偿值区间，具体为：

根据该多个样本点的实际误差补偿值，确定实际误差补偿值的期望或方差；

该期望或方差的确定所采用的方法属于现有技术，在此不做赘述。

根据该期望或方差，确定误差补偿值的瑞利分布密度函数的形状参数以确定误差补偿值的瑞利分布密度函数；

具体的，瑞利分布密度函数的期望或方差等于实际误差补偿值的期望或方差，瑞利分布的期望：

瑞利分布的方差：

X为误差补偿值，σ为瑞利分布形状参数。

根据瑞利分布密度函数将误差补偿值连续等概率划分为预设数量个误差补偿值区间，其中，每一误差补偿值区间对应一类。

每个误差补偿值区间的密度为：

其中，k为预设数量。

由瑞利分布密度函数的曲线走向可知，等概率划分之后，那些出现概率较大的误差补偿值所属的误差补偿值区间较小，即误差补偿值分布集中的区域划分更密，从而使得针对实际定位时待定位点尺度不变特征转换、信息熵和到达时间差分类结果容易出现在的误差补偿值区间，更容易获得准确地误差补偿值。

具体应用时，将所确定的误差补偿值区间的中间值，确定为到达时间差的误差补偿值，误差补偿值区间的中间值更接近真实值，将中间值确定为误差补偿值具有更高的精确度。

上述方法中，支持向量机多类分类器为基于二叉树的分类器，支持向量机多类分类器的每个支持向量机二分类器的核函数为：

x_i和x_j分别表示输入的第i和j个样本点的尺度不变特征转换、信息熵和到达时间差所组成的向量，γ为核函数参数；||x_i-x_j||₂是x_i和x_j的二阶范数。

支持向量机多类分类器的核函数常用的有多项式核函数、径向核函数以及二层神经网，经过实验对分类准确度的评估，采用径向核函数获得的分类效果最好，因此，本实施例中选用径向核函数作为支持向量机的核函数。

通过分析比较，发现二叉树分类法对于预设数量分类问题只需构造预设数量减一个支持向量机二分类器，具有较小的时间复杂度和较高的训练速度，能够消除样本点同时属于多类而不属于任何一类的情况，有较高的分类准确度。

本实施例中，为了能够获得支持向量机多类分类器的更优模型参数，以使支持向量机多类分类器的分类效果更佳，训练过程结束后，还通过采集的其他样本点的尺度不变特征转换、信息熵和到达时间差对支持向量机多类分类器进行交叉验证以优化正则参数和核函数参数。

利用交叉验证的算法可获得每一个支持向量机二分类器更优化的正则参数以及核函数参数，使支持向量机多类分类器分类效果更佳。

如图3所示，本发明的另一方面，提出了一种到达时间差的误差补偿值确定装置，应用于定位处理服务器，该装置包括：

第一获得模块21，用于获取待定位点的照片，提取该照片的尺度不变特征转换，计算该照片的信息熵，针对任意两个定位基站，获取该待定位点与该两个基站之间信号传输的到达时间差；

第一确定模块22，用于根据尺度不变特征转换、信息熵和到达时间差，以及已训练好的支持向量机多类分类器，将待定位点的尺度不变特征转换、信息熵和到达时间差划分到预设数量类中对应的确定类，确定该确定类所对应的误差补偿值区间；

第二确定模块23，用于根据所确定的误差补偿值区间，确定该到达时间差的误差补偿值；

通过第一获得模块21、第一确定模块22和第二确定模块23的作用最终确定出待定位点与两个定位基站的到达时间差的误差补偿值，由于已训练好的支持向量机多类分类器考虑了实际的传播环境对信号传输的影响，能够准确地将误差补偿值接近的分为一类，从而使得可确定出准确地误差补偿值，通过这个误差补偿值对到达时间差进行修正，使得到达时间差更接近视距到达时间差，利用修正后的到达时间差可以获得更准确地定位。

第一预分类模块24，用于将误差补偿值划分为预设数量个误差补偿值区间，其中，每一误差补偿值区间对应一类；

第二预分类模块25，用于根据多个样本点中的每个样本点的实际误差补偿值所属的误差补偿值区间，确定每个样本点的尺度不变特征转换、信息熵和到达时间差所属的类别；

训练模块26，用于根据每个样本点的尺度不变特征转换、信息熵和到达时间差，训练支持向量机多类分类器，以使该支持向量机多类分类器将类别相同的尺度不变特征转换、信息熵和到达时间差划分到同一类别。

通过第一预分类模块24、第二预分类模块25和训练模块26的作用，获得可由尺度不变特征转换、信息熵和到达时间差获得误差补偿值区间范围的分类器模型，由于训练时考虑了样本点与基站之间信号传输环境对信号传输的影响，因此，该分类器能够获得更加准确地误差补偿值区间。

本实施例中，第一预分类模块24，包括：期望或方差确定单元、瑞利分布密度函数确定单元、预分类单元(图中未示出)，其中，

期望或方差确定单元，用于根据该多个样本点的实际误差补偿值，确定实际误差补偿值的期望或方差；

瑞利分布密度函数确定单元，用于根据该期望或方差，确定误差补偿值的瑞利分布密度函数的形状参数以确定误差补偿值的瑞利分布密度函数；

预分类单元，用于根据该瑞利分布密度函数将误差补偿值连续等概率划分为预设数量个误差补偿值区间，其中，每一误差补偿值区间对应一类。

具体实施时，第二确定模块23，具体用于：

将所确定的误差补偿值区间的中间值，确定为到达时间差的误差补偿值。

根据期望或方差确定单元、瑞利分布密度函数确定单元、预分类单元的作用获得的误差补偿值区间，具有出现概率较大的误差补偿值所属的误差补偿值区间较小的特点，即误差补偿值分布集中的区域划分更密，使得针对实际定位时待定位点尺度不变特征转换、信息熵和到达时间差分类结果容易出现在的区间较小的误差补偿值区间内，从而使得更容易获得准确地误差补偿值。

第二确定模块23确定的误差补偿值区间的中间值更接近真实值，具有更高的精确度。

一种实施例中，本发明提出的装置还包括：

第二获得模块(图中未示出)，用于针对每个样本点，根据样本点与两个基站之间的直线距离确定样本点的视距到达时间差；确定样本点的到达时间差与视距到达时间差的差值为样本点的实际误差补偿值，以获得多个样本点的实际误差补偿值。

第二获得模块获得误差补偿值的方法简单实用，能够快速确定出实际误差补偿值；同时，到达时间差是通过实际信号传输获得的，而且由于样本点位置已知使得直接获得的视距到达时间差是准确的，因此，第二获得模块能够确定出可靠准确的实际误差补偿值。

上述结构中，所采用的支持向量机多类分类器为基于二叉树的分类器，支持向量机多类分类器的每个支持向量机二分类器的核函数为：

x_i和x_j分别表示输入的第i和j个样本点的所述尺度不变特征转换、信息熵和到达时间差所组成的向量，γ为核函数参数；||x_i-x_j||₂是x_i和x_j的二阶范数。

二叉树分类法对于预设数量分类问题只需构造预设数量减一个支持向量机二分类器，具有较小的时间复杂度和较高的训练速度，能够消除样本点同时属于多类而不属于任何一类的情况，有较高的分类准确度。

支持向量机多类分类器的训练过程还包括对支持向量机多类分类器进行交叉验证以优化正则参数和核函数参数。

每个支持向量机二分类器的核函数采用径向核函数使得多类分类器具有较好的分类效果，通过交叉算法优化正则参数和核函数参数，可以提高分类器分类效果。

为了能够获得支持向量机多类分类器的更优模型参数，以使支持向量机多类分类器的分类效果更佳，在经过训练模块26的训练之后，还通过采集的其他样本点的尺度不变特征转换、信息熵和到达时间差对支持向量机多类分类器进行交叉验证以优化正则参数和核函数参数。利用交叉验证的算法可获得每一个支持向量机二分类器更优化的正则参数以及核函数参数，使支持向量机多类分类器分类效果更佳。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本领域普通技术人员可以理解实现上述方法实施方式中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于计算机可读取存储介质中，这里所称得的存储介质，如：ROM/RAM、磁碟、光盘等。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (10)

1.一种到达时间差的误差补偿值确定方法，应用于定位处理服务器，其特征在于，所述方法包括：

获取待定位点的照片，提取所述照片的尺度不变特征转换，计算所述照片的信息熵；针对任意两个定位基站，获取所述待定位点与所述两个基站之间信号传输的到达时间差；

根据所述尺度不变特征转换、信息熵和到达时间差，以及已训练好的支持向量机多类分类器，将所述尺度不变特征转换、信息熵和到达时间差划分到预设数量类中对应的确定类，确定所述确定类所对应的误差补偿值区间；

根据所确定的误差补偿值区间，确定所述到达时间差的误差补偿值；

其中，训练所述支持向量机多类分类器，包括：

将误差补偿值划分为预设数量个误差补偿值区间，其中，每一误差补偿值区间对应一类；

根据多个样本点中的每个样本点的实际误差补偿值所属的误差补偿值区间，确定每个样本点的尺度不变特征转换、信息熵和每个样本点与所述两个基站之间信号传输的到达时间差所属的类别；

根据所述每个样本点的所述尺度不变特征转换、信息熵和到达时间差，训练所述支持向量机多类分类器，以使所述支持向量机多类分类器将类别相同的所述尺度不变特征转换、信息熵和到达时间差划分到同一类别。

2.根据权利要求1所述的方法，其特征在于，所述将误差补偿值划分为预设数量个误差补偿值区间，具体为：

根据所述多个样本点的实际误差补偿值，确定所述实际误差补偿值的期望或方差；

根据所述期望或方差，确定所述误差补偿值的瑞利分布密度函数的形状参数，以确定所述误差补偿值的瑞利分布密度函数；

根据所述瑞利分布密度函数将误差补偿值连续等概率划分为预设数量个误差补偿值区间。

3.根据权利要求2所述的方法，其特征在于，所述根据所确定的误差补偿值区间，确定所述到达时间差的误差补偿值，具体为：

将所确定的误差补偿值区间的中间值，确定为所述到达时间差的误差补偿值。

4.根据权利要求1所述的方法，其特征在于，获得所述多个样本点的实际误差补偿值，包括：

针对每个样本点，根据所述样本点与所述两个基站之间的直线距离确定所述样本点的视距到达时间差；

将所述样本点的所述到达时间差与所述视距到达时间差的差值，确定为所述样本点的实际误差补偿值。

5.根据权利要求1-4任一所述的方法，其特征在于，所述支持向量机多类分类器为基于二叉树的分类器，所述支持向量机多类分类器的每个支持向量机二分类器的核函数为：

x_i和x_j分别表示输入的第i和j个样本点的所述尺度不变特征转换、信息熵和到达时间差所组成的向量，γ为核函数参数。

6.一种到达时间差的误差补偿值确定装置，应用于定位处理服务器，其特征在于，所述装置包括：

第一获得模块，用于获取待定位点的照片，提取所述照片的尺度不变特征转换，计算所述照片的信息熵，针对任意两个定位基站，获取所述待定位点与所述两个基站之间信号传输的到达时间差；

第一确定模块，用于根据所述尺度不变特征转换、信息熵和到达时间差，以及已训练好的支持向量机多类分类器，将所述尺度不变特征转换、信息熵和到达时间差划分到预设数量类中对应的确定类，确定所述确定类所对应的误差补偿值区间；

第二确定模块，用于根据所确定的误差补偿值区间，确定所述到达时间差 的误差补偿值；

第一预分类模块，用于将误差补偿值划分为预设数量个误差补偿值区间，其中，每一误差补偿值区间对应一类；

第二预分类模块，用于根据多个样本点中的每个样本点的实际误差补偿值所属的误差补偿值区间，确定每个样本点的尺度不变特征转换、信息熵和每个样本点与所述两个基站之间信号传输的到达时间差所属的类别；

训练模块，用于根据所述每个样本点的所述尺度不变特征转换、信息熵和到达时间差，训练所述支持向量机多类分类器，以使所述支持向量机多类分类器将类别相同的所述尺度不变特征转换、信息熵和到达时间差划分到同一类别。

7.根据权利要求6所述的装置，其特征在于，所述第一预分类模块，包括：

期望或方差确定单元，用于根据所述多个样本点的实际误差补偿值，确定所述实际误差补偿值的期望或方差；

瑞利分布密度函数确定单元，用于根据所述期望或方差，确定所述误差补偿值的瑞利分布密度函数的形状参数，以确定所述误差补偿值的瑞利分布密度函数；

预分类单元，用于根据所述瑞利分布密度函数将误差补偿值连续等概率划分为预设数量个误差补偿值区间。

8.根据权利要求7所述的装置，其特征在于，所述第二确定模块，具体用于：

将所确定的误差补偿值区间的中间值，确定为所述到达时间差的误差补偿值。

9.根据权利要求6所述的装置，其特征在于，所述装置还包括：第二获得模块；

所述第二获得模块，用于针对每个样本点，根据所述样本点与所述两个基站之间的直线距离确定所述样本点的视距到达时间差；将所述样本点的所述到达时间差与所述视距到达时间差的差值，确定为所述样本点的实际误差补偿值，以获得所述多个样本点的实际误差补偿值。

10.根据权利要求6-9任一所述的装置，其特征在于，所述支持向量机多类分类器为基于二叉树的分类器，所述支持向量机多类分类器的每个支持向量机二分类器的核函数为：

x_i和x_j分别表示输入的第i和j个样本点的所述尺度不变特征转换、信息熵和到达时间差所组成的向量，γ为核函数参数。