CN106879032A - 一种基于模式分类的室内外无缝切换方法及系统 - Google Patents

Abstract

本发明公开了一种基于模式分类的室内外无缝切换方法及系统，所述方法包含：步骤101)扫描并记录移动终端附近的wifi信号的强度信息及北斗/GPS的导航定位信号，其中，所述北斗/GPS导航定位信号包含：移动终端当前的位置、方向或精度因子；基于记录的强度信息及导航定位信号构造当前移动终端所在位置的特征向量；步骤102)利用历史数据对特征矢量和当前位置的关系进行学习，建立机器学习模型；步骤103)基于得到的wifi信号的强度信息和北斗/GPS的导航定位信号，再根据建立的SVM识别方程，识别所述移动终端的当前状态；步骤104)根据当前状态的识别结果，再进一步判断是否对移动终端进行室内和室外间的切换操作。

Description

一种基于模式分类的室内外无缝切换方法及系统

技术领域

本发明属于信息技术、自动控制和电子技术领域，具体涉及通过构造室外位置分类模型从而实现对移动终端当前的位置判断，从而实现室内外无缝切换的方法及系统。

背景技术

随着位置数据业务的不断发展，室内外定位技术已经在人们生活得各个领域都取得了广泛的应用。通过采用基于wifi的室内定位技术，并实现与室外北斗/GPS定位技术的结合，能够有效克服室外北斗/GPS系统在建筑物内、停车场、商场等区域定位精度差或无法定位的难题，从而更好地满足人们对位置服务的需求。目前，许多科研机构和公司都进行室内外定位相关技术和系统的开发，并已成功应用在了多个领域。但当从室内进入室外或从室外进入室内时，由于定位误差的存在会导致定位结果存在室内外切换频繁、震荡，或切换过程严重滞后的情况，这严重降低了系统的使用性能。

发明内容

为了克服已有系统室内外切换过程中存在震荡、滞后等问题，本发明提出了一种基于模式分类的室内外无缝切换方法及系统。

为了实现上述目的，本发明提供一种基于模式分类的室内外无缝切换方法，所述方法包含：

步骤101)扫描并记录移动终端附近的wifi信号的强度信息及北斗/GPS的导航定位信号，其中，所述北斗/GPS导航定位信号包含：移动终端当前的位置、方向或精度因子；基于记录的强度信息及导航定位信号构造当前移动终端所在位置的特征向量。

步骤102)利用历史数据对特征矢量和当前位置的关系进行学习，建立机器学习模型；基于历史数据生成训练样本集，对所建立的机器学习模型加以训练进而得到SVM识别函数，该SVM识别函数用于判断当前移动终端位于室内还是室外。

步骤103)基于得到的wifi信号的强度信息和北斗/GPS的导航定位信号，再根据建立的SVM识别函数，识别所述移动终端的当前状态；其中，所述当前状态为：移动终端位于室内或者室外。

步骤104)根据当前状态的识别结果，再进一步判断是否对移动终端进行室内和室外间的切换操作，具体为：设定第一阈值和第二阈值，所述第一阈值与第二阈值均为大于1的自然数；当移动终端是从室外进入室内，且连续若干次判断移动终端当前均在室内，则实现室外向室内模式的切换；其中，所述若干次的具体取值为大于等于第一阈值的数；当移动终端是从室内进入室外，并连续若干次判断移动终端在室外时，则进行室内模式向室外模式的切换；其中，所述若干次的具体取值为大于等于第二阈值的数。

可选的，上述步骤102)进一步包括：

步骤102-1)将整个待定位区域划分为“J×K”个网格，并将每个网格的坐标点记为其中，j＝1,2,…,J且k＝1,2,…,K。

步骤102-2)基于历史数据对每个网格的wifi信号强度、北斗/GPS导航信息进行采集，构造位置识别特征向量。

步骤102-3)以每个网格点采集的信息构成的位置特征向量作为输入点，以当前移动终端处在室内还是室外的状态作为输出，进而生成训练样本集，其中，采用一位二进制数表示处于室外和室外两种状态：所述输入特征集表示为：X＝[x₁,x₂,…,x_J×K]；所述输出目标集表示为：f＝[y₁,y₂,…,y_J×K]。

步骤102-4)采用步骤102-3)所得到的训练样本集对支持向量机进行训练，利用训练样本集给出的输入特征集和输出目标集，对SVM进行训练，得到用于判断当前移动终端所在位置的SVM识别函数。

上述步骤102-4)采用如下算法对SVM进行训练：

步骤102-4-1)利用二次规划算法，求解下式的最优化问题：

s.t.

其中，ε为一给定的参数值，α_m ^*、α_m为训练求取的参数，f_m为训练输出集的第m个目标输出值，X_m为输入特征集的第m个样本，K(X_m,X_n)为径向基函数核函数；

所述径向基函数核函数为：

其中，γ为高斯核函数宽度参数。

步骤102-4-2)训练完成后，建立的SVM函数为：

其中，b为训练得到的阈值，α_m ^*、α_m为训练求取的参数；X＝(x,y)^T为给定的待预测样本特征矢量；为识别函数的输出值。

可选的，上述步骤103)进一步包括：

步骤103-1)利用步骤102)获得的位置识别函数对移动终端的当前位置进行位置识别，其中对于任意输入x的识别结果为：

步骤103-2)当I＝1时，判断当前处于室外；当I＝0时，当前移动终端处于室内。

此外，本发明还提供了一种基于模式分类的室内外无缝切换系统，所述系统包含：

信号采集记录模块，用于扫描并记录移动终端附近的wifi信号的强度信息及北斗/GPS的导航定位信号，其中，所述北斗/GPS导航定位信号包含：移动终端当前的位置、方向或精度因子；基于记录的强度信息及导航定位信号构造当前移动终端所在位置的特征向量。

构造SVM识别函数的模块，用于利用历史数据对特征矢量和当前位置的关系进行学习，建立机器学习模型；基于历史数据生成训练样本集，对所建立的机器学习模型加以训练进而得到SVM识别函数，该SVM识别函数用于判断当前移动终端位于室内还是室外。

当前状态判决模块，用于基于得到的wifi信号的强度信息和北斗/GPS的导航定位信号，再根据建立的SVM识别方程，识别所述移动终端的当前状态；其中，所述当前状态为：移动终端位于室内或者室外。

切换决策模块，用于根据当前状态的识别结果，再进一步判断是否对移动终端进行室内和室外间的切换操作，具体为：设定第一阈值和第二阈值，所述第一阈值与第二阈值均为大于1的自然数；当移动终端是从室外进入室内，且连续若干次判断移动终端当前均在室内，则实现室外向室内模式的切换；其中，所述若干次的具体取值为大于等于第一阈值的数；当移动终端是从室内进入室外，并连续若干次判断移动终端在室内时，则进行室内模式向室外模式的切换；其中，所述若干次的具体取值为大于等于第二阈值的数。

可选的，上述构造SVM识别函数的模块进一步包括：

划分子模块，用于将整个待定位区域划分为“J×K”个网格，并将每个网格的坐标点记为其中，j＝1,2,…,J且k＝1,2,…,K。

特征矢量构造子模块，用于基于历史数据对每个网格的wifi信号强度、北斗/GPS导航信息进行采集，构造位置识别特征向量。

训练样本获取子模块，用于以每个网格点采集的信息构成的位置特征向量作为输入点，以当前移动终端处在室内还是室外的状态作为输出，进而生成训练样本集，其中，采用一位二进制数表示处于室外和室外两种状态：所述输入特征集表示为：X＝[x₁,x₂,…,x_J×K]；所述输出目标集表示为：f＝[y₁,y₂,…,y_J×K]。

训练子模块，用于采用得到的训练样本集对支持向量机进行训练，利用训练样本集给出的输入特征集和输出目标集，对SVM进行训练，得到用于判断当前移动终端所在位置的SVM识别函数。

可选的，上述训练子模块还包含：

第一处理子单元，用于利用二次规划算法，求解下式的最优化问题：

s.t.

其中，ε为一给定的参数值，α_m ^*、α_m为训练求取的参数，f_m为训练输出集的第m个目标输出值，X_m为输入特征集的第m个样本，K(X_m,X_n)为径向基函数核函数；

所述径向基函数核函数为：

其中，γ为高斯核函数宽度参数。

第二处理子单元，用于训练完成后建立SVM识别函数为：

其中，b为训练得到的阈值，α_m ^*、α_m为训练求取的参数；X＝(x,y)^T为给定的待预测样本特征矢量；为识别函数的输出值。

上述当前状态判决模块进一步包括：

识别预处理子模块，用于利用获得的位置识别函数对移动终端的当前位置进行位置识别，其中对于任意输入x的识别结果为：

识别子模块，用于依据如下原则作出判决：当I＝1时，判断当前处于室外；当I＝0时，当前移动终端处于室内。

与现有技术相比，本发明的优点在于：

本发明主要采用基于支持向量机的机器学习技术将室内外切换问题转化为位置分类问题，由于训练过程中，充分考虑了不同位置点的特征信息，因此本发明提出的方法能够有效的提高切换操作的精度和较好的实时性。

附图说明

图1是本发明记载的基于模式分类的室内外无缝切换方法的流程图；

图2是本发明记载的基于模式分类的室内外无缝切换系统的组成框图。

具体实施方式

下面结合附图对本发明做进一步的说明。

实施例

以下实施例的第一阈值和第二阈值均设置为2，且采用一位二进制数字0和1表示室内室外两个状态。

如图1所示，本发明提出的基于模式分类的室内外无缝切换方法包括以下步骤：

步骤1)移动终端对当前范围内的所有wifi信号进行扫描，获得所有wifi的强度信息，同时，记录当前北斗/GPS导航定位信息，包括当前位置、方向、精度因子等，将所有测量信息构成当前室内外位置识别的特征向量；

步骤2)利用历史数据对特征矢量和当前位置的关系进行学习，建立机器学习模型；然后基于历史数据生成训练样本集，对所建立的机器学习模型加以训练，得到用于生成当前室内外位置判断的SVM识别函数；

该步骤进一步包括：

步骤2-1)将整个待定位区域划分为J×K个网格，每个网格的坐标点记为j＝1,2,…,J，k＝1,2,…,K；

步骤2-2)、基于历史数据对每个位置点的wifi信号强度、北斗/GPS导航信息进行采集，构造位置识别特征向量；

步骤2-3)、以每个网格点采集的信息构成的位置特征向量作为输入点，以当前处在室内外状态作为输出，即用0、1表示室内、室外两种状态

输入特征集：X＝[x₁,x₂,…,x_J×K]；

输出目标集：f＝[y₁,y₂,…,y_J×K]；

步骤2-4)、采用步骤2-3)所得到的训练样本集对支持向量机进行训练，利用训练样本集给出的输入特征集和输出目标集，对SVM按如下步骤进行训练，得到用于判断当前移动终端所在位置的SVM识别函数：

步骤2-4-1)、利用二次规划算法，求解最优化问题：

s.t.

其中，ε为一给定的参数值，α_m ^*、α_m为训练求取的参数，f_m为训练输出集的第m个目标输出值，X_m为输入特征集的第m个样本，K(X_m,X_n)为径向基函数核函数，其形式为：

其中，γ为高斯核函数宽度参数；

步骤2-4-2)、训练完成后，建立SVM函数为：

其中：b为训练得到的阈值，α_m ^*、α_m为训练求取的参数；X＝(x,y)^T为给定的待预测样本特征矢量；为识别函数的输出值。

步骤3)基于步骤1)中移动终端的实时扫描结果，结合步骤2)所建立的SVM识别方程，识别所述移动终端的当前状态；

该步骤进一步包括：

步骤3-1)利用步骤2)获得的位置识别函数进行位置识别，对于任意输入x，判别结果为

步骤3-2)当I＝1时，判断当前处于室外；当I＝0是，当前移动终端处于室内。

步骤4)根据当前状态的识别结果，判断是否进行室内外切换：

具体为：设定第一阈值和第二阈值，所述第一阈值与第二阈值均为大于1的自然数；当移动终端是从室外进入室内，且连续若干次判断移动终端当前均在室内，则实现室外向室内模式的切换；其中，所述若干次的具体取值为大于等于第一阈值的数；当移动终端是从室内进入室外，并连续若干次判断移动终端在室外时，则进行室内模式向室外模式的切换；其中，所述若干次的具体取值为大于等于第二阈值的数。即，当从室外进入室内，且连续两次判断在室内，则实现室外向室内模式的切换；同理，当从室内进入室外，并连续两次判断在室内时，则进行室内模式向室外模式的切换。

如图2所示，本发明还提供了一种基于模式分类的室内外无缝切换系统，所述系统包含：

信号采集记录模块，用于扫描并记录移动终端附近的wifi信号的强度信息及北斗/GPS的导航定位信号，其中，所述北斗/GPS导航定位信号包含：移动终端当前的位置、方向或精度因子；基于记录的强度信息及导航定位信号构造当前移动终端所在位置的特征向量。

构造SVM识别函数的模块，用于利用历史数据对特征矢量和当前位置的关系进行学习，建立机器学习模型；基于历史数据生成训练样本集，对所建立的机器学习模型加以训练进而得到SVM识别函数，该SVM识别函数用于判断当前移动终端位于室内还是室外。

当前状态判决模块，用于基于得到的wifi信号的强度信息和北斗/GPS的导航定位信号，再根据建立的SVM识别方程，识别所述移动终端的当前状态；其中，所述当前状态为：移动终端位于室内或者室外。

切换决策模块，用于根据当前状态的识别结果，再进一步判断是否对移动终端进行室内和室外间的切换操作，具体为：

设定第一阈值和第二阈值，所述第一阈值与第二阈值均为大于1的自然数；

当移动终端是从室外进入室内，且连续若干次判断移动终端当前均在室内，则实现室外向室内模式的切换；其中，所述若干次的具体取值为大于等于第一阈值的数；

当移动终端是从室内进入室外，并连续若干次判断移动终端在室内时，则进行室内模式向室外模式的切换；其中，所述若干次的具体取值为大于等于第二阈值的数。

上述构造SVM识别函数的模块进一步包括：

划分子模块，用于将整个待定位区域划分为“J×K”个网格，并将每个网格的坐标点记为其中，j＝1,2,…,J且k＝1,2,…,K。

特征矢量构造子模块，用于基于历史数据对每个网格的wifi信号强度、北斗/GPS导航信息进行采集，构造位置识别特征向量。

训练样本获取子模块，用于以每个网格点采集的信息构成的位置特征向量作为输入点，以当前移动终端处在室内还是室外的状态作为输出，进而生成训练样本集，其中，采用一位二进制数表示处于室外和室外两种状态：所述输入特征集表示为：X＝[x₁,x₂,…,x_J×K]；所述输出目标集表示为：f＝[y₁,y₂,…,y_J×K]。

训练子模块，用于采用得到的训练样本集对支持向量机进行训练，利用训练样本集给出的输入特征集和输出目标集，对SVM进行训练，得到用于判断当前移动终端所在位置的SVM识别函数。

上述训练子模块还包含：

第一处理子单元，用于利用二次规划算法，求解下式的最优化问题：

s.t.

其中，ε为一给定的参数值，α_m ^*、α_m为训练求取的参数，f_m为训练输出集的第m个目标输出值，X_m为输入特征集的第m个样本，K(X_m,X_n)为径向基函数核函数；

所述径向基函数核函数为：

其中，γ为高斯核函数宽度参数。

第二处理子单元，用于训练完成后建立SVM识别函数为：

其中，b为训练得到的阈值，α_m ^*、α_m为训练求取的参数；X＝(x,y)^T为给定的待预测样本特征矢量；为识别函数的输出值。

上述当前状态判决模块进一步包括：

识别预处理子模块，用于利用获得的位置识别函数对移动终端的当前位置进行位置识别，其中对于任意输入x的识别结果为：

识别子模块，用于依据如下原则作出判决：当I＝1时，判断当前处于室外；当I＝0时，当前移动终端处于室内。

综上所述，本发明通过建立室内外的特征矢量，并采用SVM机器学习方法实现对室内外的分类模式判断，由于离线阶段可对各种环境下的特征进行充分提取，因此大大提高了位置切换的精度和及时性。

最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (8)

1.一种基于模式分类的室内外无缝切换方法，所述方法包含：

步骤101)扫描并记录移动终端附近的wifi信号的强度信息及北斗/GPS的导航定位信号，其中，所述北斗/GPS导航定位信号包含：移动终端当前的位置、方向或精度因子；

基于记录的强度信息及导航定位信号构造当前移动终端所在位置的特征向量；

步骤102)利用历史数据对特征矢量和当前位置的关系进行学习，建立机器学习模型；

基于历史数据生成训练样本集，对所建立的机器学习模型加以训练进而得到SVM识别函数，该SVM识别函数用于判断当前移动终端位于室内还是室外；

步骤103)基于得到的wifi信号的强度信息和北斗/GPS的导航定位信号，再根据建立的SVM识别函数，识别所述移动终端的当前状态；

其中，所述当前状态为：移动终端位于室内或者室外；

步骤104)根据当前状态的识别结果，再进一步判断是否对移动终端进行室内和室外间的切换操作，具体为：

设定第一阈值和第二阈值，所述第一阈值与第二阈值均为大于1的自然数；

当移动终端是从室外进入室内，且连续若干次判断移动终端当前均在室内，则实现室外向室内模式的切换；其中，所述若干次的具体取值为大于等于第一阈值的数；

当移动终端是从室内进入室外，并连续若干次判断移动终端在室外时，则进行室内模式向室外模式的切换；其中，所述若干次的具体取值为大于等于第二阈值的数。

2.根据权利要求1所述的基于模式分类的室内外无缝切换方法，其特征在于，所述步骤102)进一步包括：

步骤102-1)将整个待定位区域划分为“J×K”个网格，并将每个网格的坐标点记为其中，j＝1,2,…,J且k＝1,2,…,K；

步骤102-2)基于历史数据对每个网格的wifi信号强度、北斗/GPS导航信息进行采集，构造位置识别特征向量；

步骤102-3)以每个网格点采集的信息构成的位置特征向量作为输入点，以当前移动终端处在室内还是室外的状态作为输出，进而生成训练样本集，其中，采用一位二进制数表示处于室外和室外两种状态：所述输入特征集表示为：X＝[x₁,x₂,…,x_J×K]；所述输出目标集表示为：f＝[y₁,y₂,…,y_J×K]；

步骤102-4)采用步骤102-3)所得到的训练样本集对支持向量机进行训练，利用训练样本集给出的输入特征集和输出目标集，对SVM进行训练，得到用于判断当前移动终端所在位置的SVM识别函数。

3.根据权利要求2所述的基于模式分类的室内外无缝切换方法，其特征在于，所述步骤102-4)采用如下算法对SVM进行训练：

步骤102-4-1)利用二次规划算法，求解下式的最优化问题：

$\begin{array}{c}\underset{\mathrm{\α},{\mathrm{\α}}^{*}}{\max }\{-\mathrm{\ϵ}\underset{m=1}{\overset{J\×K}{\Σ}}({{\mathrm{\α}}_m}^{*}+{\mathrm{\α}}_m)+\underset{m=1}{\overset{J\×K}{\Σ}}{f}_m({{\mathrm{\α}}_m}^{*}-{\mathrm{\α}}_m)-\frac{1}{2}\underset{m=1}{\overset{J\×K}{\Σ}}\underset{n=1}{\overset{J\×K}{\Σ}}{({{\mathrm{\α}}_m}^{*}-{\mathrm{\α}}_m)}^{T}K(X_m,X_n)({{\mathrm{\α}}_n}^{*}-{\mathrm{\α}}_n)\}\\ s.t.\\ \underset{m=1}{\overset{J\×K}{\Σ}}({\mathrm{\α}}_m-{{\mathrm{\α}}_m}^{*})=0,0\≤C,m=1,\mathrm{2...},J\×K\end{array}$

其中，ε为一给定的参数值，α_m ^*、α_m为训练求取的参数，f_m为训练输出集的第m个目标输出值，X_m为输入特征集的第m个样本，K(X_m,X_n)为径向基函数核函数；

所述径向基函数核函数为：

$K(X_m,X_n)=\exp (-\frac{\left|\right|X_m-X_n|{|}^2}{2{\mathrm{\γ}}^2})$

其中，γ为高斯核函数宽度参数；

步骤102-4-2)训练完成后，建立的SVM函数为：

${\hat{y}}_i\left(x\right)=\underset{m=1}{\overset{J\×K}{\Σ}}({{\mathrm{\α}}_m}^{*}-{\mathrm{\α}}_m)K(X_m,X)+b$

其中，b为训练得到的阈值，α_m ^*、α_m为训练求取的参数；X＝(x,y)^T为给定的待预测样本特征矢量；为识别函数的输出值。

4.根据权利要求3所述的基于模式分类的室内外无缝切换方法，其特征在于，所述步骤103)进一步包括：

步骤103-1)利用步骤102)获得的位置识别函数对移动终端的当前位置进行位置识别，其中对于任意输入x的识别结果为：

$I=\left\{\begin{array}{cc}1& {\hat{y}}_i\left(x\right)\&GreaterEqual;0.5\\ 0& {\hat{y}}_i\left(x\right)<0.5\end{array}\right.;$

步骤103-2)当I＝1时，判断当前处于室外；当I＝0时，当前移动终端处于室内。

5.一种基于模式分类的室内外无缝切换系统，其特征在于，所述系统包含：

信号采集记录模块，用于扫描并记录移动终端附近的wifi信号的强度信息及北斗/GPS的导航定位信号，其中，所述北斗/GPS导航定位信号包含：移动终端当前的位置、方向或精度因子；基于记录的强度信息及导航定位信号构造当前移动终端所在位置的特征向量；

构造SVM识别函数的模块，用于利用历史数据对特征矢量和当前位置的关系进行学习，建立机器学习模型；基于历史数据生成训练样本集，对所建立的机器学习模型加以训练进而得到SVM识别函数，该SVM识别函数用于判断当前移动终端位于室内还是室外；

当前状态判决模块，用于基于得到的wifi信号的强度信息和北斗/GPS的导航定位信号，再根据建立的SVM识别方程，识别所述移动终端的当前状态；其中，所述当前状态为：移动终端位于室内或者室外；

切换决策模块，用于根据当前状态的识别结果，再进一步判断是否对移动终端进行室内和室外间的切换操作，具体为：

设定第一阈值和第二阈值，所述第一阈值与第二阈值均为大于1的自然数；

当移动终端是从室外进入室内，且连续若干次判断移动终端当前均在室内，则实现室外向室内模式的切换；其中，所述若干次的具体取值为大于等于第一阈值的数；

当移动终端是从室内进入室外，并连续若干次判断移动终端在室内时，则进行室内模式向室外模式的切换；其中，所述若干次的具体取值为大于等于第二阈值的数。

6.根据权利要求1所述的基于模式分类的室内外无缝切换系统，其特征在于，所述构造SVM识别函数的模块进一步包括：

划分子模块，用于将整个待定位区域划分为“J×K”个网格，并将每个网格的坐标点记为其中，j＝1,2,…,J且k＝1,2,…,K；

特征矢量构造子模块，用于基于历史数据对每个网格的wifi信号强度、北斗/GPS导航信息进行采集，构造位置识别特征向量；

训练样本获取子模块，用于以每个网格点采集的信息构成的位置特征向量作为输入点，以当前移动终端处在室内还是室外的状态作为输出，进而生成训练样本集，其中，采用一位二进制数表示处于室外和室外两种状态：所述输入特征集表示为：X＝[x₁,x₂,…,x_J×K]；所述输出目标集表示为：f＝[y₁,y₂,…,y_J×K]；

训练子模块，用于采用得到的训练样本集对支持向量机进行训练，利用训练样本集给出的输入特征集和输出目标集，对SVM进行训练，得到用于判断当前移动终端所在位置的SVM识别函数。

7.根据权利要求6所述的基于模式分类的室内外无缝切换系统，其特征在于，所述训练子模块还包含：

第一处理子单元，用于利用二次规划算法，求解下式的最优化问题：

$\begin{array}{c}\underset{\mathrm{\&alpha;},{\mathrm{\&alpha;}}^{*}}{\max }\{-\mathrm{\&epsiv;}\underset{m=1}{\overset{J\&times;K}{\&Sigma;}}({{\mathrm{\&alpha;}}_m}^{*}+{\mathrm{\&alpha;}}_m)+\underset{m=1}{\overset{J\&times;K}{\&Sigma;}}{f}_m({{\mathrm{\&alpha;}}_m}^{*}-{\mathrm{\&alpha;}}_m)-\frac{1}{2}\underset{m=1}{\overset{J\&times;K}{\&Sigma;}}\underset{n=1}{\overset{J\&times;K}{\&Sigma;}}{({{\mathrm{\&alpha;}}_m}^{*}-{\mathrm{\&alpha;}}_m)}^{T}K(X_m,X_n)({{\mathrm{\&alpha;}}_n}^{*}-{\mathrm{\&alpha;}}_n)\}\\ s.t.\\ \underset{m=1}{\overset{J\&times;K}{\&Sigma;}}({\mathrm{\&alpha;}}_m-{{\mathrm{\&alpha;}}_m}^{*})=0,0\&le;C,m=1,\mathrm{2...},J\&times;K\end{array}$

其中，ε为一给定的参数值，α_m ^*、α_m为训练求取的参数，f_m为训练输出集的第m个目标输出值，X_m为输入特征集的第m个样本，K(X_m,X_n)为径向基函数核函数；

所述径向基函数核函数为：

$K(X_m,X_n)=\exp (-\frac{\left|\right|X_m-X_n|{|}^2}{2{\mathrm{\&gamma;}}^2})$

其中，γ为高斯核函数宽度参数；

第二处理子单元，用于训练完成后建立SVM识别函数为：

${\hat{y}}_i\left(x\right)=\underset{m=1}{\overset{J\&times;K}{\&Sigma;}}({{\mathrm{\&alpha;}}_m}^{*}-{\mathrm{\&alpha;}}_m)K(X_m,X)+b$

其中，b为训练得到的阈值，α_m ^*、α_m为训练求取的参数；X＝(x,y)^T为给定的待预测样本特征矢量；为识别函数的输出值。

8.根据权利要求7所述的基于模式分类的室内外无缝切换系统，其特征在于，所述当前状态判决模块进一步包括：

识别预处理子模块，用于利用获得的位置识别函数对移动终端的当前位置进行位置识别，其中对于任意输入x的识别结果为：

$I=\left\{\begin{array}{cc}1& {\hat{y}}_i\left(x\right)\&GreaterEqual;0.5\\ 0& {\hat{y}}_i\left(x\right)<0.5\end{array}\right.;$

识别子模块，用于依据如下原则作出判决：当I＝1时，判断当前处于室外；当I＝0时，当前移动终端处于室内。