CN106604218A - 一种基于误差迁移学习的高精度室内定位方法 - Google Patents

Abstract

本发明提供了一种基于误差迁移学习的高精度室内定位方法，所述方法包括：步骤1)移动终端A在划分的网格点上分别对室内的所有wifi信号进行扫描，获取信号强度数据和带有定位误差的定位数据的矩阵V；移动终端B在m个待测量点上对所有wifi信号进行扫描，获取信号强度数据和定位数据的矩阵；步骤2)将矩阵V和矩阵进行转置和归一化处理；步骤3)对所述移动终端A的定位误差信息进行学习，得到基向量矩阵X和基向量系数矩阵S；步骤4)将矩阵在基向量系数矩阵S下进行分解，得到基向量系数矩阵；步骤5)利用矩阵S和，采用基于向量的相似度比较方法对移动终端B在待测量点处的定位结果进行误差修正，得到修正后的定位结果。

Description

一种基于误差迁移学习的高精度室内定位方法

技术领域

本发明属于信息技术、自动控制和电子技术领域，具体涉及一种基于误差迁移学习的高精度室内定位方法。

背景技术

随着位置数据业务的不断发展，室内定位在机场、商场、停车场、矿井等领域取得了广泛的应用。但由于室内定位环境的复杂性，其在定位精度方面还难以满足实际要求。一方面，由于不同室内环境下，室内整体结构、材料、物品位置等都会导致信号传输存在较大损耗和波动，另一方面，室内存在的反射、绕射等现象，会产生严重的多径效应，极大增加了定位难度。虽然，目前许多学者在室内定位方式、定位算法等都开展了许多研究，已经提出多种室内定位算法，包括三角定位、强度法、指纹法等，取得了许多重要研究成果，但由于实际环境的复杂性，室内定位精度仍难以令人满意，定位精度还亟待进一步提高。

发明内容

本发明的目的在于克服目前室内环境存在的定位方法精度较低，难以满足实际需要的缺陷，通过对一个移动终端的测量结果误差进行学习，并通过迁移学习方法实现对另一个终端定位误差的估计，从而提高了定位精度。

为了实现上述目的，本发明提出了一种基于误差迁移学习的高精度室内定位方法，所述方法包括：

步骤1)移动终端A在划分的网格点上分别对室内的所有wifi信号进行扫描，获取信号强度数据和带有定位误差的定位数据的矩阵V；移动终端B在m个待测量点上对所有wifi信号进行扫描，获取信号强度数据和定位数据的矩阵

步骤2)将矩阵V和矩阵进行转置和归一化处理；

步骤3)对所述移动终端A的定位误差信息进行学习，得到基向量矩阵X和基向量系数矩阵S；

步骤4)将矩阵在基向量系数矩阵S下进行分解，得到基向量系数矩阵

步骤5)利用两个基向量系数矩阵S和采用基于向量的相似度比较方法对移动终端B在待测量点处的定位结果进行误差修正，得到修正后的定位结果。

上述技术方案中，所述步骤1)具体包括：

步骤1-1)将整个室内待定位区域划分为J×K个网格，每个网格点的高精度定位数据通过高精度测量设备获得；在室内设置N个WiFi信号接入点；

步骤1-2)移动终端A在每个网格点对N个wifi信号进行扫描并获取信号强度数据和定位数据，由此获得的定位样本为：

Y(j,k)＝{V(j,k),ΔX(j,k)}，j＝1,2,…,J，k＝1,2,…,K

其中：V(j,k)＝[P₁ ^(j,k)，P₂ ^(j,k)，…P_N ^(j,k)]，P_i ^(j,k)(i＝1…N)为移动终端A在网格点(j,k)上，扫描获取的第i个wifi信号的信号强度；ΔX(j,k)为定位误差，为移动终端A在网格点(j,k)上利用wifi信号进行定位的定位结果减去已知的高精度定位值的差；

步骤1-3)移动终端B在m个待测量点上对N个wifi信号进行扫描并获取信号强度数据和定位数据，由此获得的定位样本为：

其中：为移动终端B在第j个测量点处扫描获得的第i个wifi的信号强度；为移动终端B在第j个测量点上利用wifi信号进行定位的定位数据。

上述技术方案中，所述步骤2)的实现过程为：

将矩阵V和矩阵进行转置，矩阵V转置后的矩阵维数为N行J×K列，矩阵转置后的矩阵维数为N行m列；对转置后的矩阵进行归一化处理，归一化方法如下：

其中，V_min为V矩阵中的元素的最小值；V_max为V矩阵中的元素的最大值；

其中，为矩阵中的元素的最小值；为矩阵中的元素的最大值；

上述技术方案中，所述步骤3)的实现过程为：

建立最优化问题：

s.t.||X||²≤C

其中，X为待求的基向量矩阵，维数为N行M列，M≤J×K；S为基向量系数矩阵，维数为M行J×K列；C为给定基向量2范数约束上限值；β为给定的参数值；

采用迭代优化算法对上述最优化问题进行求解，得到优化后的基向量矩阵X和基向量系数矩阵S。

上述技术方案中，所述步骤4)的实现过程为：

矩阵的基向量系数矩阵的计算公式为：

上式中为拉格朗日乘子，令

其中，Tr表示求矩阵的迹；采用牛顿法迭代更新公式为：

其中，μ为给定的系数，L'为迹相对于矩阵Λ的一阶导数；L”为二阶导数；迭代计算得到基向量系数矩阵

上述技术方案中，所述步骤5)的实现过程为：

所述移动终端A的基向量系数矩阵为S，所述移动终端B的基向量系数矩阵为则相似度计算公式为：

上式中，为基向量系数矩阵的第n列；S(i)为基向量系数矩阵S的第i列；计算相似度最大值对应的索引值：

上式中，最大值索引值I(n)为移动终端B在第n个待测量点处的测量误差估计值对的测量值进行修正，修正后的定位结果为：

本发明的优点在于：本发明的方法通过考虑不同移动终端之间的接收信号差异性，将一个移动终端下的误差学习结果通过迁移学习方式实现对另一移动终端的定位误差估计，利用定位误差估计对定位结果进行修正，从而大大提高了定位精度。

附图说明

图1为本发明的基于误差迁移学习的高精度室内定位方法的流程图。

具体实施方式

下面结合附图和具体实施例对本发明做进一步详细的说明。

如图1所示，一种基于误差迁移学习的高精度室内定位方法，所述方法包括：

步骤1)移动终端A在划分的网格点上分别对室内的所有wifi信号进行扫描，获取信号强度数据和带有定位误差的定位数据的矩阵V；移动终端B在m个待测量点上对所有wifi信号进行扫描，获取信号强度数据和定位数据的矩阵具体包括：

步骤1-1)将整个室内待定位区域划分为J×K个网格，每个网格点的高精度定位数据通过高精度测量设备获得；在室内设置N个WiFi信号接入点；

步骤1-2)移动终端A在每个网格点对N个wifi信号进行扫描并获取信号强度数据和定位数据，由此获得的定位样本为：

Y(j,k)＝{V(j,k),ΔX(j,k)}，j＝1,2,…,J，k＝1,2,…,K

其中：V(j,k)＝[P₁ ^(j,k)，P₂ ^(j,k)，…P_N ^(j,k)]，P_i ^(j,k)(i＝1…N)为定位终端A在网格点(j,k)上，扫描获取的第i个wifi信号的信号强度；ΔX(j,k)为定位误差矢量：

ΔX(j,k)＝[Δx₁ ^(j,k),Δx₂ ^(j,k),…Δx_N ^(j,k)]

其中，Δx_i ^(j,k)(i＝1…N)为定位终端A在网格点(j,k)上，利用第i个wifi信号进行定位的定位结果减去已知的高精度定位值的差；

步骤1-3)移动终端B在m个待测量点上对N个wifi信号进行扫描并获取信号强度数据和定位数据，由此获得的定位样本为：

其中：为移动终端B在第j个测量点处扫描获得的第i个wifi的信号强度； 为移动终端B在第j(j＝1…m)个测量点处利用第i个wifi信号进行定位得到的定位数据；

步骤2)将矩阵V和矩阵进行转置和归一化处理；

将矩阵V和矩阵进行转置，矩阵V转置后的矩阵维数为N行J×K列，矩阵转置后的矩阵维数为N行m列；对转置后的矩阵进行归一化处理，归一化方法如下：

其中，V_min为V矩阵中的元素的最小值；V_max为V矩阵中的元素的最大值；

其中，为矩阵中的元素的最小值；为矩阵中的元素的最大值；

步骤3)对移动终端A的测量误差信息进行学习，得到基向量矩阵X和基向量系数矩阵S；

建立最优化问题：

s.t.||X||²≤C

其中，V为步骤2)获得的移动终端A的矩阵；X为待求的基向量矩阵，维数为N行M列，M≤J×K；S为基向量系数矩阵，维数为M行J×K列；C为给定基向量2范数约束上限值；β为给定的参数值；

采用迭代优化算法对上述最优化问题进行求解，求解过程为：

步骤a)随机生成满足条件的矩阵X，求得基向量系数矩阵S为：

S＝(X^TX+βI)^-1X^TV

步骤b)根据获得的基向量系数矩阵S，对基向量矩阵X进行更新：

X＝VS^T(SS^T+Λ)^-1

上式中Λ为拉格朗日乘子，维数为M行M列，令：

L＝Tr[V^TV-VS^T(SS^T+Λ)^-1(VS^T)^T-CΛ]

其中，Tr表示求矩阵的迹；采用牛顿法迭代更新公式为：

其中，μ为给定的系数，L'为迹相对于矩阵Λ的一阶导数；L”为二阶导数；迭代终止次数设置为T1，即当迭代循环变量i循环至T1时，迭代终止，得到矩阵X；

步骤c)根据步骤b)得到的矩阵X，计算矩阵S：

S＝(X^TX+βI)^-1X^TV

再将S值代入步骤b)迭代得到X，重复上述过程直至迭代次数为T2，迭代过程终止；得到优化后的基向量系数矩阵S；

步骤4)将矩阵在基向量系数矩阵S下进行分解，得到基向量系数矩阵

上式中为拉格朗日乘子，令

其中，Tr表示求矩阵的迹；采用牛顿法迭代更新公式为：

上式中为迹相对于矩阵的一阶导数；为二阶导数；迭代终止次数设置为T1，即当迭代循环变量i循环至T1时，迭代终止；得到基向量矩阵

步骤5)利用两个基向量系数矩阵S和采用基于向量的相似度比较方法对移动终端B在待测量点处的定位结果进行误差修正，得到修正后的定位结果；

所述移动终端A的基向量系数矩阵为S，所述移动终端B的基向量系数矩阵为则相似度计算公式为：

上式中，为基向量系数矩阵的第n列；S(i)为基向量系数矩阵S的第i列；计算相似度最大值对应的索引值：

上式中，最大值索引值I(n)为移动终端B在第n个待测量点处的测量误差估计值对的测量值进行修正，修正后的定位结果为：

Claims (6)

1.一种基于误差迁移学习的高精度室内定位方法，所述方法包括：

步骤1)移动终端A在划分的网格点上分别对室内的所有wifi信号进行扫描，获取信号强度数据和带有定位误差的定位数据的矩阵V；移动终端B在m个待测量点上对所有wifi信号进行扫描，获取信号强度数据和定位数据的矩阵

步骤2)将矩阵V和矩阵进行转置和归一化处理；

步骤3)对所述移动终端A的定位误差信息进行学习，得到基向量矩阵X和基向量系数矩阵S；

步骤4)将向量在基向量系数矩阵S下进行分解，得到基向量系数矩阵

步骤5)利用两个基向量系数矩阵S和采用基于向量的相似度比较方法对移动终端B在待测量点处的定位结果进行误差修正，得到修正后的定位结果。

2.根据权利要求1所述的基于误差迁移学习的高精度室内定位方法，其特征在于，所述步骤1)具体包括：

步骤1-1)将整个室内待定位区域划分为J×K个网格，每个网格点的高精度定位数据通过高精度测量设备获得；在室内设置N个WiFi信号接入点；

步骤1-2)移动终端A在每个网格点对N个wifi信号进行扫描并获取信号强度数据和定位数据，由此获得的定位样本为：

Y(j,k)＝{V(j,k),ΔX(j,k)}，j＝1,2,…,J，k＝1,2,…,K

其中：V(j,k)＝[P₁ ^(j,k)， P₂ ^(j,k)， … P_N ^(j,k)]，P_i ^(j,k)(i＝1…N)为移动终端A在网格点(j,k)上，扫描获取的第i个wifi信号的信号强度；ΔX(j,k)为定位误差，为移动终端A在网格点(j,k)上利用wifi信号进行定位的定位结果减去已知的高精度定位值的差；

步骤1-3)移动终端B在m个待测量点上对N个wifi信号进行扫描并获取信号强度数据和定位数据，由此获得的定位样本为：

$\stackrel{\‾}{Y}=\{\stackrel{\‾}{V}\left(j\right),\stackrel{\‾}{X}\left(j\right)\}$

其中： $\stackrel{\‾}{V}\left(j\right)=\[\begin{array}{cccc}{\stackrel{\‾}{P}}_1^j,& {\stackrel{\‾}{P}}_2^j,& ...& {\stackrel{\‾}{P}}_N^j\end{array}\],{\stackrel{\‾}{P}}_i^j(i=1...N)$ 为移动终端B在第j个测量点处扫描获得的第i个wifi的信号强度；为移动终端B在第j个测量点上利用wifi信号进行定位的定位数据。

3.根据权利要求2所述的基于误差迁移学习的高精度室内定位方法，其特征在于，所述步骤2)的实现过程为：

将矩阵V和矩阵进行转置，矩阵V转置后的矩阵维数为N+1行J×K列，矩阵转置后的矩阵维数为N+1行m列；对转置后的矩阵进行归一化处理，归一化方法如下：

$V=\frac{V-V_{\min }}{V_{max}-V_{\min }},$

其中，V_min为V矩阵中的元素的最小值；V_max为V矩阵中的元素的最大值；

$\stackrel{\‾}{V}=\frac{\stackrel{\‾}{V}-{\stackrel{\‾}{V}}_{min}}{{\stackrel{\‾}{V}}_{\max }-{\stackrel{\‾}{V}}_{min}}$

其中，为矩阵中的元素的最小值；为矩阵中的元素的最大值。

4.根据权利要求3所述的基于误差迁移学习的高精度室内定位方法，其特征在于，所述步骤3)的实现过程为：

建立最优化问题：

s.t. ||X||²≤C

其中，X为待求的基向量矩阵，维数为N行M列，M≤J×K；S为基向量系数矩阵，维数为M行J×K列；C为给定基向量2范数约束上限值；β为给定的参数值；

采用迭代优化算法对上述最优化问题进行求解，得到优化后的基向量矩阵X和基向量系数矩阵S。

5.根据权利要求4所述的基于误差迁移学习的高精度室内定位方法，其特征在于，所述步骤4)的实现过程为：

矩阵的基向量系数矩阵的计算公式为：

$\stackrel{\‾}{S}=\stackrel{\‾}{V}{S}^T{({\mathrm{SS}}^T+\stackrel{\‾}{\mathrm{\Λ}})}^{-1}$

上式中为拉格朗日乘子，令

$\stackrel{\‾}{L}=Tr\[{\stackrel{\‾}{V}}^T\stackrel{\‾}{V}-\stackrel{\‾}{V}{S}^T{({\mathrm{SS}}^T+\stackrel{\‾}{\mathrm{\Λ}})}^{-1}{\left(\stackrel{\‾}{V}{S}^T\right)}^T-C\stackrel{\‾}{\mathrm{\Λ}}\]$

其中，Tr表示求矩阵的迹；采用牛顿法迭代更新公式为：

$\stackrel{\‾}{\mathrm{\Λ}}(i+1)=\stackrel{\‾}{\mathrm{\Λ}}\left(i\right)-\mathrm{\μ}\frac{{\stackrel{\‾}{L}}^{\′}}{{\stackrel{\‾}{L}}^{\′\′}}$

其中，μ为给定的系数，L'为迹相对于矩阵Λ的一阶导数；L”为二阶导数；迭代计算得到基向量系数矩阵

6.根据权利要求5所述的基于误差迁移学习的高精度室内定位方法，其特征在于，所述步骤5)的实现过程为：

所述移动终端A的基向量系数矩阵为S，所述移动终端B的基向量系数矩阵为则相似度计算公式为：

$cos\mathrm{\θ}(n,i)=\frac{\stackrel{\‾}{S}{\left(n\right)}^{T}S\left(i\right)}{\left|\right|\stackrel{\‾}{S}\left(n\right)\left|\right|*\left|\right|S\left(i\right)\left|\right|},i=1,2,...,J\×K,n=1,2,...,m$

上式中，为基向量系数矩阵的第n列；S(i)为基向量系数矩阵S的第i列；计算相似度最大值对应的索引值：

$I\left(n\right)=\underset{i}{\mathrm{argmax}}\left(cos\mathrm{\θ}\right(n,1),cos\mathrm{\θ}(n,2),...,cos\mathrm{\θ}(n,J\×K\left)\right)$

上式中，最大值索引值I(n)为移动终端B在第n个待测量点处的测量误差估计值对的测量值进行修正，修正后的定位结果为：