CN107277773A - 联合多种情景模式的自适应定位方法 - Google Patents

Abstract

本发明提出的联合多种情景模式的自适应定位方法，包括以下步骤：情景数据获取及分析；情景数据预处理及加噪；自适应情景网络学习与训练；构建情景模式特征模型和定位区域确认。本发明在一个划分了多个定位区域的空间中，对采集的情景数据进行分析和预处理，在不同的情景数据中添加对应的情景噪声，通过自适应情景网络学习与训练，构建定位区域的情景模式特征模型，确认准确后用于用户的区域匹配定位。本发明提出的自适应定位方法适应于不同环境的定位区域，提高了区域匹配定位的精确度，稳定性和鲁棒性。

Description

联合多种情景模式的自适应定位方法

技术领域

本发明属于无线空间定位技术领域，具体涉及在不同的环境下联合多种情景模式的自适应定位方法。

背景技术

随着通信技术的发展，在信息时代中，位置信息的获取是当前社会各领域中需求最多的业务之一。因此，在复杂的环境中，通过定位服务准确快速获得目标的位置区域是无线空间定位技术的研究热点。在室外，常用美国的GPS定位系统，我国的北斗卫星导航定位系统以及分布在各地的基站进行定位，在室内，常见的定位方法有超宽带，地磁，蓝牙和wifi技术等。现有的无线空间定位技术的研究大部分是以无线信号强度作为特征用于区域匹配定位中，但是无线信号强度受复杂的自然地形环境，无线信号强度传播衰减，空间传播环境的多径效应和可移动目标的噪声影响等，通过无线信号强度定位的方法的有效性和精确度受到很大的影响。

在一天的不同时间段中，无线信号强度的区域匹配定位受到移动目标的影响，在不同的区域反映出不同的信号特征规律，在不同的时间不同的区域中有着不同的空间信号模型。考虑到时间能反映区域的信号变化情况，而且时间维度在空间定位中具有唯一性，能弥补无线信号强度定位的不稳定性。此外，在不同的定位区域中，有着多种不同的情景模式影响因素。不同的情景模式在区域中有其特殊的辨识特征，因此可以考虑作为空间定位的参考因素。

自适应在处理和分析数据的过程中，根据处理的数据特征自动调整处理方法、处理顺序、处理参数、边界条件或约束条件，使其与所处理数据的统计分布特征、结构特征相适应，以取得最佳的处理效果的过程。

自适应网络具有良好的泛化能力，能从复杂的数据中提取有效的特征，进行自适应学习与训练后，能较好地输出该数据的特征表示。在复杂的定位区域中，有着多种不同的情景模式因素，普通的机器学习训练网络难以从多维情景数据中学习和表达出区域的情景特征，因此，通过自适应网络联合多种不同的情景模式应用于空间区域定位中，能更好地表达区域特征。自适应情景网络从复杂的环境中提取有效的情景数据特征进行学习与训练，结合各区域的时间维度，从而构建各定位区域的情景模式特征模型，能更准确地表达各区域的信号变化规律。

因此，本发明提出联合多种情景模式的自适应定位方法，在基于自适应网络的学习与训练下，利用区域采集的无线信号强度，同时结合时间和多种不同的情景模式作为辅助定位的方法，以此提高区域匹配定位的精确度，稳定性和鲁棒性。

发明内容

为了适应不同的目标定位区域，提高区域匹配定位的精确度，本发明基于无线空间定位技术，提出一种联合多种情景模式的自适应定位方法。本发明在一个划分了多个定位区域的空间中，采集空间中存在的情景数据，对其加以分析和预处理，在不同的情景数据中添加对应的情景噪声，通过自适应情景网络学习与训练，输出定位区域的情景模式特征模型，定位区域模型确认准确后用于用户的区域匹配定位。

本发明采用如下技术方案来实现联合多种情景模式的自适应定位方法。包括以下5个步骤：

步骤1：情景数据获取及分析，获取定位区域的情景数据，并对获取的情景数据规律进行分析；

步骤2：情景数据预处理及加噪，对情景数据进行数据预处理，并对不同的情景数据添加对应的情景噪声；

步骤3：自适应情景网络学习与训练，利用自适应情景网络对加噪后的情景数据进行自适应学习与多层子网训练，获取情景数据特征；

步骤4：构建情景模式特征模型，通过学习与训练后输出的情景数据特征，建立定位区域的情景模式地图；

步骤5：定位区域确认，自适应匹配定位区域。

下面将详细介绍本发明方法的实现过程。

优选地，所述的步骤1情景数据获取及分析包括以下步骤：

步骤11：获取情景数据；

在待定位空间M中，划分了m个不同的区域，设定需要采集的情景模式数据。在自定义时间T内，划分t个不同的时段。采集m_i(i＝1,2,...,m)区域t_j(j＝1,2,...,t)时段r(r＝1,2,…,R)个无线信号强度RSSI^r及其他情景模式影响参数X1,X2,...,Xn，获取的情景数据向量V_ij包含如下特征：

V_ij＝{t_j,RSSI^r,X1,X2,...,Xn}

区域情景数据s的特征包含情景数据向量V和采集区域m_i，用S表示多个区域情景数据，并以S＝{(V_1j,m₁),(V_2j,m₂),...,(V_ij,m_i),...,(V_Mj,m_M)}格式构建情景数据库S；

其中i为划分的区域数目，j为划分的时段，Vij表示在第i个区域第j个时段采集的情景数据。

步骤12：情景数据分析；

对数据库S的情景数据结构化，分析采集的情景数据RSSI^r,X1,X2,...,Xn随时间段t_j变化的规律特点。

对情景数据作关联分析，计算不同的情景数据之间的支持度和置信度，若不同时满足最小支持度阈值和最小置信度阈值，则作聚类分析。

对情景数据作聚类分析，计算不同情景数据在各区域簇中心的相似性，将区域簇中心相似度高的情景数据进行聚类处理。

对情景数据作离群点分析，以统计检验的方法分析采集的情景数据t_j,RSSI^r,X1,X2,...,Xn，辨识出与数据的一般客观规律或模型特征不一致的可疑数据，分析产生离群数据的原因。

优选地，所述的步骤2情景数据预处理及加噪包括以下步骤：

步骤21：情景数据预处理；

将情景数据按照比例分为训练集与测试集，对情景数据进行数据清理，数据集成和数据归约等预处理过程，并对其进行归一化。

步骤22：情景数据加噪处理

识别情景数据库S中不同的情景数据属性，若是满足于或近似满足于高斯分布的自然离散情景数据，则添加高斯噪声，若是属于布尔类型的情景数据，则添加椒盐噪声，除自然离散数据与布尔数据以外的其他数据属性则添加掩蔽噪声。

加噪处理后情景数据库为由步骤3作下一步处理。

优选地，所述的步骤3自适应情景网络学习与训练包括以下步骤：

步骤31：设置自适应情景网络的网络结构：包括组成自适应情景网络子网的隐含层层数L，其中每一个子网由映射子网和重构子网组成，以及映射子网与重构子网之间连接的节点个数h；

步骤32：输入加噪处理后的情景数据至自适应情景网络中，由第一层子网开始非监督训练，自映射子网将情景数据通过映射函数f_θ编码处理，编码后的数据输出g，经过重构子网的重构函数g_θ解码处理，输出解码后的情景数据作为下一层子网的输入数据，继续对下一层子网进行训练：

步骤33：非监督逐层训练自适应情景网络每个子网的映射子网和重构子网，计算训练集中的重构误差，逐层输出自适应情景网络各层子网的权重参数W^(l)和偏置参数b^(l)；

步骤34：逐层训练步骤31中设置的自适应情景网络的L层子网后，在网络的顶层加入logistic层，用于预测和分类定位区域m_i；

步骤35：多层子网组成一个深度的自适应情景网络，利用情景数据库S再次进行训练，有监督地反向微调自适应情景网络各层子网权重参数W^(l)和偏置参数b^(l)；

步骤36：改变自适应情景网络子网层数L，以及每一个子网中映射子网与重构子网之间的连接节点数目n，确定自适应情景网络学习与训练的迭代次数N，重复迭代执行步骤31～步骤35，直到完成迭代次数N或者重构误差到达最小时，选取对应的网络结构和各层子网的参数作为自适应情景网络的最优网络结构和参数，并输出情景数据特征。

优选地，所述的步骤4构建情景模式特征模型内容如下：

确定自适应情景网络的最优网络结构和参数，步骤3输出的情景数据特征结合划分的区域一同构建情景模式特征模型，输入情景数据集的测试集，对步骤3网络结构输出的数据特征进行测试，纠正和调整匹配定位中出现的错误定位区域。

经过测试验证和纠正调整后的情景数据特征，连同划分的时间段t_j，建立各区域对应的情景模式V_ij＝{t_j,RSSI^r,X1,X2,...,Xn}的特征模型。确定在不同时间段内各区域对应的情景模式特征模型，建立情景模式地图。

优选地，所述的步骤5定位区域确认的内容如下：

步骤51：确定情景数据优先级

规约请求定位的情景数据的优先级别，确定参与定位的情景数据顺序，设定高优先级别的情景参数作为主要定位成分，低优先级别的情景参数作为辅助定位成分；

步骤52：自适应确定定位时段

预处理请求定位的情景数据，自适应匹配请求时间所属的时间段t_j，提取请求定位的情景参数t_j,RSSI^r,x1,x2,...,xn；

步骤53：自适应模糊定位

计算请求定位的情景数据x1,x2,...,xn与情景模式地图中低优先级情景数据的相似距离，设定低优先级情景数据相似距离判断范围，选取在相似距离范围内的区域特征模型作为模糊定位区域；

步骤54：自适应待定位区域

在模糊定位区域中，计算请求定位的情景数据x1,x2,...,xn与情景模式地图中高优先级情景数据的相似距离，设定高优先级情景数据相似距离判断范围，选取在相似距离范围内的区域特征模型，作为自适应待定位区域；

步骤55：匹配定位区域。

在待定位区域中，计算请求定位数据中RSSI与情景模式地图的无线信号强度RSSI^r的相似距离，设定相似距离判断范围，选取在相似距离范围内的区域作为最终的匹配定位区域。

与现有技术相比，本发明具有如下的优点：

1、本发明通过自适应情景网络强大的泛化能力，通过学习与训练构建情景模式特征模型，适应于各定位区域对应的情景特征模型表达，提出的联合多种情景模式的自适应定位方法有利于提高区域匹配定位的精确度。

2、本发明提出的联合多种情景模式的自适应定位方法，适应于所有能采集得到无线信号强度的场景，同时能结合特定的区域环境采集当地的情景数据，不局限于特定的场景定位，对定位的环境有较强的鲁棒性能。

3、本发明提出的联合多种情景模式的自适应定位方法，拓展了通过无线信号强度技术定位的方法，能结合定位区域所有的情景模式的数据进行辅助定位，适应于不同时段的环境变化情况，增加区域定位的准确性和稳定性。

附图说明

图1为本发明联合多种情景模式的自适应定位方法的流程图；

图2为本发明对获取的情景数据进行分析、预处理和加噪过程的流程图；

图3为本发明自适应情景网络学习与训练过程的流程图。

具体实施方式

为了更加清楚地描述本发明，以下结合具体的实施例和附图，对本发明的技术方案进行清楚、完整的描述，所述的具体实施方式目的是便于对本发明的理解，而不限定于此方式。

本发明采用如下技术方案实现联合多种情景模式的自适应定位方法。如图1所示，具体地包括以下步骤：

步骤1：情景数据获取及分析，获取定位区域的情景数据，并对获取的情景数据规律进行分析；

步骤11：获取情景数据

本实施例在待定位空间M中，划分了m个不同的区域，在自定义时间T(如一整天24小时)内，划分t(t＝6)个不同的时段，设定本发明方法训练阶段所需的情景数据(如采集待定位空间M中的r个wifi无线信号强度{RSSI¹,RSSI²,...,RSSI^r,RSSI^R}，与其他n＝6个情景数据，分别为基站信号RSSI’，气压P，风向W1，风力W2，温度C，湿度H)，即X1＝RSSI’，X2＝P，X3＝W1，X4＝W2，X5＝C，X6＝H。

获取的情景数据向量V_ij包含如下特征：

V_ij＝{t_j,RSSI^r,RSSI’,P,W1,W2,C,H}

区域情景数据s的特征包含情景数据向量V和采集区域m_i，用S表示多个区域情景数据，并以S＝{(V_1j,m₁),(V_2j,m₂),...,(V_ij,m_i),...,(V_Mj,m_M)}格式构建情景数据库S；

步骤12：情景数据分析

本实施例对数据库S的情景数据结构化，分析采集的情景数据RSSI^r,RSSI’,P,W1,W2,C,H随时间段t_j变化的规律特点，数据分析包括情景模式关联分析，聚类分析和离群点分析。

对情景数据作关联分析，计算不同的情景数据之间的支持度和置信度，若不同时满足最小支持度阈值和最小置信度阈值，则作聚类分析。

所述的关联分析的具体分析方法为：计算随时间段t_j变化的RSSI^r,RSSI’,P,W1,W2,C,H等情景数据之间的支持度和置信度，根据彼此的关联规则判断是否同时满足最小支持度阈值和最小置信度阈值，若不满足，作进一步数据分析。

具体方法为：假如设置最小支持度α＝0.5，最小置信度β＝0.6；

如表1所示，在某区域m_i中，判断气压P与W1，W2的关联程度

表1

时间段	气压P	风向W1	温度C	湿度H
					t1	100.085kPa	东风	23℃	50％RH
t2	100.085kPa	东北风	23℃	50％RH
					t3	100.085kPa	东北风	30℃	50％RH
t4	100.085kPa	东北风	29℃	50％RH
					t5	100.088kPa	东北风	23℃	60％RH
t6	100.085kPa	东风	23℃	60％RH

在局部数据库S1的时间段t₁～t₆中，气压P在100.085kPa占了5项，风向W1为东风占了2项，气压P为100.085kPa和风向W1为东风的共同项为2项，因此，P^W1＝2,S1＝6，支持度α’＝(P^W1)/S1＝0.33；气压P＝5,置信度β’＝(P^W1)/P＝0.4。α’<α，β’<β，α’，β’不同时满足最小支持度和最小置信度，因此判断该区域气压P与风向W1之间不存在关联。

在局部数据库S1的时间段t₁～t₆中，气压P在100.085kPa占了5项，温度C为23℃占了4项，气压P为100.085kPa和温度C为23℃的共同项为3项，因此，P^C＝3,S1＝6，支持度α’＝(P^C)/S1＝0.5；气压P＝5,置信度β’＝(P^C)/P＝0.6。α’>α，β’＝β，α’，β’同时都满足最小支持度和最小置信度，因此判断该区域气压P与温度C为23℃之间存在关联。

在局部数据库S1的时间段t₁～t₆中，气压P在100.085kPa占了5项，湿度H为50％RH占了5项，气压P为100.085kPa和湿度H为50％RH的共同项为4项，因此，P^H＝4,S1＝6，支持度α’＝(P^H)/S1＝0.67；气压P＝5,置信度β’＝(P^H)/P＝0.8。α’>α，β’>β，α’，β’同时都满足最小支持度和最小置信度，因此判断该区域气压P与湿度H为50％RH之间存在关联。

对情景数据作聚类分析，计算不同情景数据在各区域簇中心的相似性，将区域簇中心相似度高的情景数据进行聚类处理。

所述的聚类分析用于分析wifi无线信号强度在待定位区域中的信号分布情况。如表2所示，在区域m₁～m₁₀的区域中，在时间段t_j所能检测得到的wifi无线信号强度接入点(accesspoints，APs)的情况如下表所示(单位：dBm)：

表2

区域	AP1	AP2	AP3	AP4	AP5
						m1	-56	-63	-49	0	0
m2	-68	-70	-51	0	0
						m3	-96	-86	0	-52	-49
m4	-86	0	-98	-50	-51
						m5	-89	-88	0	-48	-52
m6	-90	-89	0	-53	-51
						m7	0	0	-69	-87	-74
m8	-65	-68	-50	0	0
						m9	-86	-59	-54	0	-56
m10	0	0	-70	-85	-77

从上表可以看出区域{m₁,m₂,m₈}，{m₃,m₄,m₅,m₆}，{m₇,m₁₀}，{m₉}有类内最大的相似性，类间最小的相似性，可以判断上述区域可以分为4个大区域类，以此作为待定位的区域辨识特征。

对情景数据作离群点分析，以统计检验的方法分析采集的情景数据t_j,RSSI^r,RSSI’,P,W1,W2,C,H，辨识出与数据的一般客观规律或模型特征不一致的可疑数据，分析产生离群数据的原因。

分析后的情景数据由步骤2作下一步处理。

如图2所示，所述的步骤2情景数据预处理及加噪包括以下步骤：

步骤2：情景数据预处理及加噪，对情景数据进行数据预处理，并对不同的情景数据添加对应的情景噪声；

步骤21：情景数据预处理

将情景数据按照比例分为训练集与测试集，如70％的数据作为训练集，30％的数据作为测试集，这里的划分只是推荐值，可以根据实际使用情况进行划分数据比例，如果数据量太少，可以采用多折交叉验证方法划分训练集和数据集以充分利用数据，对情景数据进行数据清理，数据集成和数据归约等预处理过程，并对其进行归一化。

本实施例所采用的归一化的具体方法(并不局限于此方法)为将情景数据中的最小值X_min和最大值X_max，对其区间中的值X根据下式进行归一化：

其中，所述的数据清理为清理情景数据库S中的由于缺失，噪声和不一致性导致的不正确的数据，根据过往时段的发展规律填补采集的情景数据库S中缺失的数值，去除由于噪声和其他额外原因导致不一致的数据；

其中，所述的数据集成是合并来自多个情景数据采集点存储的数据，对同区域多个不同采集点采集的情景数据合成为该区域的情景数据向量，减少该区域数据集的冗余和不一致；

其中，所述的数据规约是对采集的n维情景数据RSSI^r,RSSI’,P,W1,W2,C,H使用主成成分分析进行规约，通过正交变换将RSSI^r,RSSI’,P,W1,W2,C,H这组存在相关性的变量转换为一组线性不相关的变量，计算方差越大，相关性越强，对所有采集的情景数据提取强相关属性的情景数据，减少其中不相关、弱相关或冗余的情景数据属性，减少情景数据的维度。

步骤22：情景数据加噪处理

识别情景数据库S中不同的情景数据属性，若是满足于或近似满足于高斯分布的自然离散情景数据，则添加高斯噪声，若是属于布尔类型的情景数据，则添加椒盐噪声，除自然离散数据与布尔数据以外的其他数据属性则添加掩蔽噪声。

其中，所述的对自然离散数据加噪处理的方法是：对满足于或近似满足于高斯分布的自然离散情景数据添加高斯噪声处理

其中，所述的对布尔数据加噪处理的方法是：添加椒盐噪声处理，具体为对情景数据库S中属于布尔数据类型的小部分样本比例的情景数据随机设置为它们可能的最大值或者最小值；

其中，所述的对处理自然离散数据与布尔数据以外的其他数据类型加噪处理的方法是：添加掩蔽噪声处理，具体为对情景数据库S中属于其他数据类型的小部分样本比例的情景数据强制置0；

加噪处理后情景数据库为由步骤3作下一步处理。

如图3所示，自适应情景网络学习与训练包括以下步骤：

步骤3：自适应情景网络学习与训练，利用自适应情景网络对加噪后的情景数据进行自适应学习与多层子网训练，获取情景数据特征；

步骤31：设置自适应情景网络的网络结构：包括组成自适应情景网络子网的隐含层层数L，其中每一个子网由映射子网和重构子网组成，以及映射子网与重构子网之间连接的节点个数h；

设置一个L＝3的自适应情景网络，设置映射子网与重构子网之间连接的节点个数为200，第l层的直接输入为z^(l)，a^(l)为通过sigmoid函数变换的第l层的激活值(l＝1,2,3)，如下式所示，通过sigmoid函数进行变换，

f(z)＝sigm(z)＝1/(1+exp(-z))

步骤32：输入加噪处理后的情景数据至自适应情景网络中，由第一层子网开始非监督训练，自映射子网将情景数据通过映射函数f_θ编码处理，编码后的数据输出g，经过重构子网的重构函数g_θ解码处理，输出解码后的情景数据作为下一层子网的输入数据，继续训练，具体过程如下列公式所示：

输入情景数据至自适应情景网络第一层子网：

通过sigmoid函数在子网映射编码处理：

再通过sigmoid函数在子网重构解码输出至下一层：

其中，W⁽¹⁾、b⁽¹⁾分别为自适应情景网络第一层子网的权重参数和偏置参数；W⁽²⁾、b⁽²⁾分别为自适应情景网络第二层子网的权重参数和偏置参数。

步骤33：非监督逐层训练自适应情景网络每个子网的映射子网和重构子网，计算训练集中的重构误差，逐层输出自适应情景网络各层子网的权重参数W^(l)和偏置参数b^(l)，其中，l＝1,2,3；

具体过程如下列公式所示：

由第l-1层子网向第l层子网传递重构后的情景数据：

由第l层子网向第l+1层子网传递重构后的情景数据：

自适应情景网络子网之间的重构误差：

自适应情景网络的各子网在无稀疏约束时网络的损失函数J(W^(l),b^(l))为：

前一个部分表示每批次训练的情景数据样本损失函数的平均值，第二部分表示全局训练中的对情景数据权值惩罚函数部分，用于限制权值的改变率。其中，T为损失函数每次训练的样本数目，λ是惩罚系数，表示第l+1隐含层中第u个情景数据连接节点和在第l层第v个情景数据连接节点所连接的权重，n_l表示第l层中包含的情景数据连接节点数目。

其中，

为防止自适应情景网络产生过拟合情况，对网络进行稀疏处理：

其中，KL(ρ||ρ_v)为Kullback-Leibler距离，表示两个情景数据连接节点之间的差异值，ρ为子网稀疏系数，ρ_v为第l个子网中第v个情景数据连接节点的稀疏系数，β为稀疏限制项的权重。

对上式第二部分进行展开得：

其中，子网的情景数据连接节点输出平均值求法如下式所示：

其中，表示在第l个子网中第v个情景数据连接节点的激活值。

步骤34：逐层训练步骤31中设置的自适应情景网络的L层子网后，在网络的顶层加入logistic层，用于预测和分类定位区域m_i；

具体过程如下列公式所示：

m＝sigm(W^(L)h^(L-1)+b^(L))

步骤35：多层子网组成一个深度的自适应情景网络，利用情景数据库S再次进行训练，有监督地反向微调自适应情景网络各层子网权重参数W^(l)和偏置参数b^(l)；

步骤36：改变自适应情景网络子网层数L，以及每一个子网中映射子网与重构子网之间的连接节点数目n，确定自适应情景网络学习与训练的迭代次数N，采用梯度下降算法，重复迭代执行步骤31～步骤35，直到完成迭代次数N或者重构误差到达最小时，输出相对应的网络结构形式和各层子网最优化的权重参数W^(l)和偏置参数b^(l)，选取对应的网络结构和各层子网的参数作为自适应情景网络的最优网络结构和参数，并输出情景数据特征。

自适应情景网络的各子网重构后的情景数据最小化各隐含层之间信号特征的重构误差，逐层训练下一层，通过随机梯度下降算法达到最优。

其中，ΔW^(l)和Δb^(l)分别是自适应情景网络反向传播的各层子网的权重参数W^(l)和偏置参数b^(l)，α是SDAE各自适应情景网络各层子网的学习率。

步骤4：构建情景模式特征模型，通过学习与训练后输出的情景数据特征，建立定位区域的情景模式地图；

确定自适应情景网络的最优网络结构和参数，步骤3输出的情景数据特征结合划分的区域一同构建情景模式特征模型，输入情景数据集的测试集，对步骤3网络结构输出的数据特征进行测试，纠正和调整匹配定位中出现的错误定位区域。

经过测试验证和纠正调整后的情景数据特征，连同划分的时间段t_j，建立各区域对应的情景模式V_ij＝{t_j,RSSI^r,RSSI',P,W1,W2,C,H}的特征模型。确定在不同时间段内各区域对应的情景模式特征模型，建立情景模式地图。

步骤5：定位区域确认，自适应匹配定位区域。

步骤51：确定情景数据优先级

规约请求定位的情景数据的优先级别，确定参与定位的情景数据顺序，设定高优先级别的情景参数作为主要定位成分，低优先级别的情景参数作为辅助定位成分，如本实施例中采用主成成分分析方法确定情景数据的优先级别；

步骤52：自适应确定定位时段

预处理请求定位的情景数据，自适应匹配请求时间所属的时间段t_j，提取请求定位V_ij的情景数据RSSI^r,RSSI’,P,W1,W2,C,H；

步骤53：自适应模糊定位

假设本实施例中情景数据的P,W1,W2,C,H是低优先级别的情景数据。计算请求定位V_ij的情景数据P,W1,W2,C,H与情景模式地图中低优先级情景数据的相似距离(相似距离可以采用欧式距离，曼哈顿距离或余弦距离等，不局限于一种)，设定低优先级情景数据相似距离判断范围，选取在相似距离范围内的区域特征模型作为模糊定位区域；

步骤54：自适应待定位区域

假设本实施例中基站信号RSSI’是高优先级别的情景数据。在模糊定位区域中，计算请求定位V_ij的情景数据RSSI’与情景模式地图中高优先级情景数据的相似距离(相似距离可以采用欧式距离，曼哈顿距离或余弦距离等，不局限于一种)，设定高优先级情景数据相似距离判断范围，选取在相似距离范围内的区域特征模型，作为自适应待定位区域；

步骤55：匹配定位区域。

在待定位区域中，计算定位请求数据中RSSI^r与情景模式地图的无线信号强度RSSI^r的相似距离，设定相似距离判断范围，选取在相似距离范围内的区域作为最终的匹配定位区域。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。

Claims (7)

1.一种联合多种情景模式的自适应定位方法，所述方法应用于空间定位，其特征在于，包括以下步骤：

步骤1：情景数据获取及分析，获取定位区域的情景数据，并对获取的情景数据规律进行分析；

步骤2：情景数据预处理及加噪，对情景数据进行数据预处理，并对不同的情景数据添加对应的情景噪声；

步骤3：自适应情景网络学习与训练，利用自适应情景网络对加噪后的情景数据进行自适应学习与多层子网训练，获取情景数据特征；

步骤4：构建情景模式特征模型，通过学习与训练后输出的情景数据特征，建立定位区域的情景模式地图；

步骤5：定位区域确认，自适应匹配定位区域。

2.根据权利要求1所述的联合多种情景模式的自适应定位方法，其特征在于，所述步骤1中的获取情景数据包括：在待定位空间M中，划分了m个不同的区域，设定需要采集的情景模式数据，在自定义时间T内，划分t个不同的时段，采集m_i(i＝1,2,...,m)区域t_j(j＝1,2,...,t)时段r(r＝1,2,…,R)个无线信号强度RSSI^r及其他情景模式影响参数X1,X2,...,Xn，获取的情景数据向量V_ij包含如下特征：V_ij＝{t_j,RSSI^r,X1,X2,...,Xn}；区域情景数据的特征包含情景数据向量V和采集区域m_i，用S表示多个区域情景数据，并以

S＝{(V_1j,m₁),(V_2j,m₂),...,(V_ij,m_i),...,(V_Mj,m_M)}格式构建区域情景数据库S。

其中i为划分的区域数目，j为划分的时段，Vij表示在第i个区域第j个时段采集的情景数据。

3.根据权利要求2所述的联合多种情景模式的自适应定位方法，其特征在于，所述步骤1中的情景数据分析包括：

对区域情景数据库S的情景数据结构化，分析采集的情景数据RSSI^r,X1,X2,...,Xn随时间段t_j变化的规律特点；

对情景数据作关联分析，计算不同的情景数据之间的支持度和置信度，若不同时满足最小支持度阈值和最小置信度阈值，则作聚类分析；

对情景数据作聚类分析，计算不同情景数据在各区域簇中心的相似性，将区域簇中心相似度高的情景数据进行聚类处理；

对情景数据作离群点分析，以统计检验的方法分析采集的情景数据t_j,RSSI^r,X1,X2,...,Xn，辨识出与数据的一般客观规律或模型特征不一致的可疑数据，分析产生离群数据的原因。

4.根据权利要求3所述的联合多种情景模式的自适应定位方法，其特征在于，步骤2所述情景数据预处理及加噪具体包括以下步骤：

步骤21：情景数据预处理；

将情景数据按照比例分为训练集与测试集，对情景数据进行数据清理，数据集成和数据归约等预处理过程，并对其进行归一化；

步骤22：情景数据加噪处理；

识别区域情景数据库S中不同的情景数据属性，若是满足于或近似满足于高斯分布的自然离散情景数据，则添加高斯噪声；若是属于布尔类型的情景数据，则添加椒盐噪声，除自然离散数据与布尔数据以外的其他数据属性则添加掩蔽噪声；

加噪处理后情景数据库为加噪处理后的情景数据表示：。

5.根据权利要求4所述的联合多种情景模式的自适应定位方法，其特征在于，步骤3所述自适应情景网络学习与训练具体包括以下步骤：

步骤31：设置自适应情景网络的网络结构：包括组成自适应情景网络子网的隐含层层数l，其中每一个子网由映射子网和重构子网组成，以及映射子网与重构子网之间连接的节点个数h；

步骤32：输入加噪处理后的情景数据至自适应情景网络中，由第一层子网开始非监督训练，自映射子网将情景数据通过映射函数f_θ编码处理，编码后的数据输出g，经过重构子网的重构函数g_θ解码处理，输出解码后的情景数据作为下一层子网的输入数据，继续对下一层子网进行训练；

步骤33：非监督逐层训练自适应情景网络每个子网的映射子网和重构子网，计算训练集中的重构误差，逐层输出自适应情景网络各层子网的权重参数W^(l)和偏置参数b^(l)；

步骤34：逐层训练步骤31中设置的自适应情景网络的L层子网后，在网络的顶层加入logistic层，用于预测和分类定位区域m_i；

步骤35：多层子网组成一个深度的自适应情景网络，利用情景数据库S再次进行训练，有监督地反向微调自适应情景网络各层子网权重参数W^(l)和偏置参数b^(l)；

步骤36：改变自适应情景网络子网层数L，以及每一个子网中映射子网与重构子网之间的连接节点数目n，确定自适应情景网络学习与训练的迭代次数N，重复迭代执行步骤31～步骤35，直到完成迭代次数N或者重构误差到达最小时，选取对应的网络结构和各层子网的参数作为自适应情景网络的最优网络结构和参数，并输出情景数据特征。

6.根据权利要求5所述的联合多种情景模式的自适应定位方法，其特征在于，所述步骤4具体如下：

确定自适应情景网络的最优网络结构和参数，步骤3输出的情景数据特征结合划分的区域一同构建情景模式特征模型，输入情景数据集的测试集，对步骤3网络结构输出的数据特征进行测试，纠正和调整匹配定位中出现的错误定位区域；经过测试验证和纠正调整后的情景数据特征，连同划分的时间段t_j，建立各区域对应的情景模式V_ij＝{t_j,RSSI^r,X1,X2,...,Xn}的特征模型，确定在不同时间段内各区域对应的情景模式特征模型，建立情景模式地图。

7.根据权利要求6所述的联合多种情景模式的自适应定位方法，其特征在于，步骤5所述定位区域确认具体包括以下步骤：

步骤51：确定情景数据优先级；

规约请求定位的情景数据的优先级别，确定参与定位的情景数据顺序，设定高优先级别的情景参数作为主要定位成分，低优先级别的情景参数作为辅助定位成分；

步骤52：自适应确定定位时段；

预处理请求定位的情景数据，自适应匹配请求时间所属的时间段t_j，提取请求定位的情景参数t_j,RSSI^r,x1,x2,...,xn；

步骤53：自适应模糊定位；

计算请求定位的情景数据x1,x2,...,xn与情景模式地图中低优先级情景数据的相似距离，设定低优先级情景数据相似距离判断范围，选取在相似距离范围内的区域特征模型作为模糊定位区域；

步骤54：自适应待定位区域；

在模糊定位区域中，计算请求定位的情景数据x1,x2,...,xn与情景模式地图中高优先级情景数据的相似距离，设定高优先级情景数据相似距离判断范围，选取在相似距离范围内的区域特征模型，作为自适应待定位区域；

步骤55：匹配定位区域；

在待定位区域中，计算请求定位数据中RSSI与情景模式地图的无线信号强度RSSI^r的相似距离，设定相似距离判断范围，选取在相似距离范围内的区域作为最终的匹配定位区域。