CN109581282B - 基于贝叶斯半监督深度学习的室内定位方法 - Google Patents

基于贝叶斯半监督深度学习的室内定位方法 Download PDF

Info

Publication number
CN109581282B
CN109581282B CN201811312495.6A CN201811312495A CN109581282B CN 109581282 B CN109581282 B CN 109581282B CN 201811312495 A CN201811312495 A CN 201811312495A CN 109581282 B CN109581282 B CN 109581282B
Authority
CN
China
Prior art keywords
data
machine model
sampling point
learning machine
reference sampling
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
Application number
CN201811312495.6A
Other languages
English (en)
Other versions
CN109581282A (zh
Inventor
王保成
谢志军
赵伟文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ningbo University
Original Assignee
Ningbo University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ningbo University filed Critical Ningbo University
Priority to CN201811312495.6A priority Critical patent/CN109581282B/zh
Publication of CN109581282A publication Critical patent/CN109581282A/zh
Application granted granted Critical
Publication of CN109581282B publication Critical patent/CN109581282B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
    • G01S5/0252—Radio frequency fingerprinting
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Image Analysis (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种基于贝叶斯半监督深度学习的室内定位方法，该方法通过选取参考采样点和随机参考点分别采集室内所有无线路由器的RSS信号强度数据，然后构建包括输入层、具有4个隐藏节点的隐藏层和输出层的极限学习机模型，利用贝叶斯半监督深度学习方法对极限学习机模型进行训练，得到隐藏层的4个隐藏节点的权值参数向量，最后基于训练后的极限学习机模型确定定位位置；优点是在少量样本数据的基础上结合贝叶斯半监督深度学习方法对极限学习机模型进行训练，训练过程简单，充分利用了样本数据的局部信息，降低了隐藏层节点数量对模型训练精度的不良影响，有效降低了训练时间，最终不仅解决了冷启动问题，同时有效提升了定位精度和稳定性。

Description

基于贝叶斯半监督深度学习的室内定位方法
技术领域
本发明涉及一种室内定位方法，尤其是涉及一种基于贝叶斯半监督深度学习的室内定位方法。
背景技术
随着大体量建筑的开发数量日益增多以及智能移动终端的普及，人们对室内位置服务的需求正迅速增加。公共安全、应急救援、大型场馆管理、特殊人群监护、物联网和智慧城市建设等领域都需要准确的室内位置信息。从技术成熟与大规模应用的现实角度考虑，Wi-Fi定位成为当前主流、也是未来最具发展潜力的室内定位方法。目前Wi-Fi室内定位方法中应用最普遍的是位置指纹定位法，该方法分为离线训练和在线定位两个阶段。离线训练阶段在待定位区域选定一系列参考点，在这些参考点处采集来自无线接入点AP(AccessPoint)的信号强度RSS(Received Signal Strength)值，将参考点坐标和对应AP的RSS信息存储在数据库中，建立位置指纹数据库；在线定位阶段则依据一定的匹配算法将待测点上收到的相应AP的RSS信息与数据库中的已有信息进行比较，估计用户当前的位置。该方法的关键之一在于位置指纹数据库的建立和维护。然而室内环境下射频信号传播非常复杂，墙壁、门窗和桌椅等设施以及人员走动会引发射频信号传播的多径和阴影效应，导致在室内固定位置处接收到各个AP的RSS时变性很强，此外，部署的AP也可能发生故障或位置的变更。这些都意味着离线阶段建立的位置指纹库并不能一劳永逸，需要经常维护更新，否则会使得定位的结果不准确。若采用专人定期更新指纹库的方法，非常耗费人力。最近，基于众包的定位有望支持大规模室内位置服务，采集所有室内人员所携带的移动设备的RRS指纹值。与传统的解决方案相比，这种方法不需要系统定位人员前期进行详细的现场调查，而是依赖于大量用户的贡献，这些被定位者通过移动设备报告他们所在位置的RSS指纹测量值，累积这些测量值进行位置匹配，最终能够估计出目标区域的准确位置信息。
此众包方法成本低、部署灵活，用来进行大范围室内定位是有希望的。然而，此方法有一个严重的问题——冷启动问题，这个问题通常发生在离线训练的初始阶段，即刚开始积累数据时，数据的数量比较少，又没有经过训练，从而导致了不准确和时间效率低下的定位,最终影响为用户提供位置服务的准确性。
发明内容
本发明所要解决的技术问题是提供一种定位准确定较高的基于贝叶斯半监督深度学习的室内定位方法。
本发明解决上述技术问题所采用的技术方案为：一种基于贝叶斯半监督深度学习的室内定位方法，包括以下步骤：
①在待定位室内间隔部署K台无线路由器，K为大于等于5且小于等于10的整数，然后将室内分为Q个区域，Q的取值为大于等于30且小于等于50的整数，在每个区域内选择一个位置作为参考采样点，并按照编号1～Q随机分别对Q个区域中的参考采样点进行编号，将编号为q的参考采样点记为参考采样点q，q＝1，2，…，Q；
②先将笔记本电脑依次放到参考采样点1至参考采样点Q处分别采集K台无线路由器的RSS信号强度数据，将在每个参考采样点处采集到的K台无线路由器的RSS信号强度数据按照参考采样点的编号进行标记后分别保存；然后在室内随机选取M个不同位置作为M个随机采样点，M为大于等于50且小于等于100的整数，将笔记本电脑依次放到M个随机采样点处分别采集K台无线路由器的RSS信号强度数据并保存；
③设置一个用于存放Q行数据的数据集，将该数据集记为D1，将笔记本电脑在参考采样点q处采集到的K台无线路由器的RSS信号强度数据及参考采样点q的编号按行分别保存在数据集D1中，将数据集D1中第i行的数据记为xi1,xi2,xi3,...,xiK,xi(K+1)，其中xit表示在参考采样点i处采集的第t台无线路由器的RSS信号强度数据，t＝1，2，…，K，i＝1，2，…，Q，xi(K+1)等于参考采样点i的编号；设置一个用于存放M行数据的数据集，将该数据集记为D2，将笔记本电脑在M个随机采样点处采集的K台无线路由器的RSS信号强度数据按行保存到数据集D2中，将数据集D2中第m行的数据记为xm_1,xm_2,xm_3,...,xm_K，其中xm_t表示在第m个随机采样点处采集的第t台无线路由器的RSS信号强度数据，m＝1，2，…，M；
④构建一个极限学习机模型，所述的极限学习机模型包括输入层、具有4个隐藏节点的隐藏层和输出层，所述的输入层用于输入输入数据，所述的隐藏层用于连接所述的输入层和所述的输出层，所述的输出层用于输出输出数据，所述的极限学习机模型的函数表达式为：
Figure BDA0001855119170000031
其中e-(x*θ)为以自然常数e为底的指数函数，wk为所述的隐藏层中的第k个隐藏节点与所述的输出层之间的权值参数向量，k＝1，2，3，4，θ为所述的输入层和所述的隐藏层之间的权值参数向量，θ＝(θ1,θ2,...,θK)T，上标T表示矩阵的转置，θc为采用随机函数生成的等于0或者1的整数，c＝1，2，…，K，符号*为乘运算符号；
⑤将步骤③中保存的RSS信号强度数据作为所述的极限学习机模型的输入数据，参考采样点的编号作为输出数据，利用贝叶斯半监督深度学习方法对所述的极限学习机模型进行训练，得到所述的隐藏层的4个隐藏节点的权值参数向量w1、w2、w3和w4，将w1、w2、w3和w4代入所述的极限学习机模型的函数表达式中，得到训练后的极限学习机模型；
⑥当对处于室内的携带着具有Wi-Fi模块的NB-IOT手环的待定位人员进行定位时，监测室中的笔记本电脑与待定位人员携带的具有Wi-Fi模块的NB-IOT手环通过无线网络进行通讯，将该待定位人员的当前位置记为G,笔记本电脑获取该具有Wi-Fi模块的NB-IOT手环在当前位置处采集的K个无线路由器的RSS信号强度数据,将当前位置G处采集的第n个无线路由器的RSS信号强度数据记为x'n，n＝1，2，…，K；将x＝(x'1,x'2,x'3,...,x'K)代入到训练后的极限学习机模型的函数表达式
Figure BDA0001855119170000032
中，计算得到Y；
⑦分别计算Y与各个参考采样点的编号之差的绝对值，并比较计算得到的这些绝对值的大小，将绝对值最小的参考采样点的编号记为p，p为大于等于1且小于等于Q的整数，参考采样点p即为待定位人员的当前位置。
所述的利用贝叶斯半监督深度学习方法对所述的极限学习机模型进行训练的具体过程为：
S1.将贝叶斯半监督深度学习方法中的稀疏流形先验概率记为p1，令
Figure BDA0001855119170000041
其中e{·}表示以自然常数e为底的指数函数，w为权值矩阵，α为控制w的超参数，α＝(0.5,0.4,0.3,0.2)T，λ为惩罚因子，λ＝0.6，wT是w的转置，A为α的对角矩阵，
Figure BDA0001855119170000042
Z＝HTH，矩阵H为由数据集D1和数据集D2的元素组成的(Q+M)行4列的矩阵，
Figure BDA0001855119170000043
xd＝(xd1,xd2,xd3,...,xdK),xv＝(x(v-Q)_1,x(v-Q)_2,x(v-Q)_3,...,x(v-Q)_K)，d＝1,2,3,...,Q，v＝Q+1,Q+2,Q+3,...,Q+M。
S2.将所述的极限学习机模型的后验概率记为p3，所述的极限学习机模型的后验概率对数公式为：logp3＝wTH'T(2y-H'w)-wT(A+λZ)w+b，其中，b为纠正系数,取值为1，y是由数据集D1中的位置编号组成的列向量，y＝(x1(K+1),x2(K+1),x3(K+1)...,xQ(K+1))T，
Figure BDA0001855119170000044
S3.对所述的极限学习机模型的后验概率对数公式求导,得到：
Figure BDA0001855119170000051
其中
Figure BDA0001855119170000052
表示求导符号；
S4.令
Figure BDA0001855119170000053
计算得到w＝(H'TH'+A+λZ)-1H'y，w为一个Q行4列的权值矩阵；
S5.将w的第1列的列向量作为w1的值，w的第2列的列向量作为w2的值，w的第3列的列向量作为w3的值，w的第4列的列向量作为w4的值。
所述的步骤①中待定位室内由四面墙围成，将待定位室内按照相交的任意两个墙脚线均匀间隔分隔为Q个小区域，每个小区域内的参考采样点位于该区域的中心处，将每个小区域的对角线交点作为其中心点。
与现有技术相比，本发明的优点在于通过选取参考采样点和随机参考点分别采集室内所有无线路由器的RSS信号强度数据，然后构建包括输入层、具有4个隐藏节点的隐藏层和输出层的极限学习机模型，利用贝叶斯半监督深度学习方法对极限学习机模型进行训练，得到隐藏层的4个隐藏节点的权值参数向量，最后基于训练后的极限学习机模型确定定位位置，由此，将少量RSS信号强度数据作为样本数据，在样本数据的基础上结合贝叶斯半监督深度学习方法对极限学习机模型进行训练，训练过程简单，充分利用了样本数据的局部信息，降低了隐藏层节点数量对模型训练精度的不良影响，有效降低了训练时间，最终不仅解决了冷启动问题，同时有效提升了定位精度和稳定性。
具体实施方式
以下结合实施例对本发明作进一步详细描述。
实施例一：一种基于贝叶斯半监督深度学习的室内定位方法，包括以下步骤：
①在待定位室内间隔部署K台无线路由器，K为大于等于5且小于等于10的整数，然后将室内分为Q个区域，Q的取值为大于等于30且小于等于50的整数，在每个区域内选择一个位置作为参考采样点，并按照编号1～Q随机分别对Q个区域中的参考采样点进行编号，将编号为q的参考采样点记为参考采样点q，q＝1，2，…，Q；
②先将笔记本电脑依次放到参考采样点1至参考采样点Q处分别采集K台无线路由器的RSS信号强度数据，将在每个参考采样点处采集到的K台无线路由器的RSS信号强度数据按照参考采样点的编号进行标记后分别保存；然后在室内随机选取M个不同位置作为M个随机采样点，M为大于等于50且小于等于100的整数，将笔记本电脑依次放到M个随机采样点处分别采集K台无线路由器的RSS信号强度数据并保存；
③设置一个用于存放Q行数据的数据集，将该数据集记为D1，将笔记本电脑在参考采样点q处采集到的K台无线路由器的RSS信号强度数据及参考采样点q的编号按行分别保存在数据集D1中，将数据集D1中第i行的数据记为xi1,xi2,xi3,...,xiK,xi(K+1)，其中xit表示在参考采样点i处采集的第t台无线路由器的RSS信号强度数据，t＝1，2，…，K，i＝1，2，…，Q，xi(K+1)等于参考采样点i的编号；设置一个用于存放M行数据的数据集，将该数据集记为D2，将笔记本电脑在M个随机采样点处采集的K台无线路由器的RSS信号强度数据按行保存到数据集D2中，将数据集D2中第m行的数据记为xm_1,xm_2,xm_3,...,xm_K，其中xm_t表示在第m个随机采样点处采集的第t台无线路由器的RSS信号强度数据，m＝1，2，…，M；
④构建一个极限学习机模型，极限学习机模型包括输入层、具有4个隐藏节点的隐藏层和输出层，输入层用于输入输入数据，隐藏层用于连接输入层和输出层，输出层用于输出输出数据，极限学习机模型的函数表达式为：
Figure BDA0001855119170000061
其中e-(x*θ)为以自然常数e为底的指数函数，wk为隐藏层中的第k个隐藏节点与输出层之间的权值参数向量，k＝1，2，3，4，θ为输入层和隐藏层之间的权值参数向量，θ＝(θ1,θ2,...,θK)T，上标T表示矩阵的转置，θc为采用随机函数生成的等于0或者1的整数，c＝1，2，…，K，符号*为乘运算符号；
⑤将步骤③中保存的RSS信号强度数据作为极限学习机模型的输入数据，参考采样点的编号作为输出数据，利用贝叶斯半监督深度学习方法对极限学习机模型进行训练，得到隐藏层的4个隐藏节点的权值参数向量w1、w2、w3和w4，将w1、w2、w3和w4代入极限学习机模型的函数表达式中，得到训练后的极限学习机模型；
⑥当对处于室内的携带着具有Wi-Fi模块的NB-IOT手环的待定位人员进行定位时，监测室中的笔记本电脑与待定位人员携带的具有Wi-Fi模块的NB-IOT手环通过无线网络进行通讯，将该待定位人员的当前位置记为G,笔记本电脑获取该具有Wi-Fi模块的NB-IOT手环在当前位置处采集的K个无线路由器的RSS信号强度数据,将当前位置G处采集的第n个无线路由器的RSS信号强度数据记为x'n，n＝1，2，…，K；将x＝(x'1,x'2,x'3,...,x'K)代入到训练后的极限学习机模型的函数表达式
Figure BDA0001855119170000071
中，计算得到Y；
⑦分别计算Y与各个参考采样点的编号之差的绝对值，并比较计算得到的这些绝对值的大小，将绝对值最小的参考采样点的编号记为p，p为大于等于1且小于等于Q的整数，参考采样点p即为待定位人员的当前位置。
实施例二：本实施例与实施例一基本相同，区别在于：
本实施例中，利用贝叶斯半监督深度学习方法对极限学习机模型进行训练的具体过程为：
S1.将贝叶斯半监督深度学习方法中的稀疏流形先验概率记为p1，令
Figure BDA0001855119170000072
其中e{·}表示以自然常数e为底的指数函数，w为权值矩阵，α为控制w的超参数，α＝(0.5,0.4,0.3,0.2)T，λ为惩罚因子，λ＝0.6，wT是w的转置，A为α的对角矩阵，
Figure BDA0001855119170000073
Z＝HTH，矩阵H为由数据集D1和数据集D2的元素组成的(Q+M)行4列的矩阵，
Figure BDA0001855119170000081
xd＝(xd1,xd2,xd3,...,xdK),xv＝(x(v-Q)_1,x(v-Q)_2,x(v-Q)_3,...,x(v-Q)_K)，d＝1,2,3,...,Q，v＝Q+1,Q+2,Q+3,...,Q+M。
S2.将极限学习机模型的后验概率记为p3，极限学习机模型的后验概率对数公式为：logp3＝wTH'T(2y-H'w)-wT(A+λZ)w+b，其中，b为纠正系数,取值为1，y是由数据集D1中的位置编号组成的列向量，y＝(x1(K+1),x2(K+1),x3(K+1)...,xQ(K+1))T，
Figure BDA0001855119170000082
S3.对极限学习机模型的后验概率对数公式求导,得到：
Figure BDA0001855119170000083
其中
Figure BDA0001855119170000084
表示求导符号；
S4.令
Figure BDA0001855119170000085
计算得到w＝(H'TH'+A+λZ)-1H'y，w为一个Q行4列的权值矩阵；
S5.将w的第1列的列向量作为w1的值，w的第2列的列向量作为w2的值，w的第3列的列向量作为w3的值，w的第4列的列向量作为w4的值。
本实施例中，步骤①中待定位室内由四面墙围成，将待定位室内按照相交的任意两个墙脚线均匀间隔分隔为Q个小区域，每个小区域内的参考采样点位于该区域的中心处，将每个小区域的对角线交点作为其中心点。

Claims (3)

1.一种基于贝叶斯半监督深度学习的室内定位方法，其特征在于包括以下步骤：
①在待定位室内间隔部署K台无线路由器，K为大于等于5且小于等于10的整数，然后将室内分为Q个区域，Q的取值为大于等于30且小于等于50的整数，在每个区域内选择一个位置作为参考采样点，并按照编号1～Q随机分别对Q个区域中的参考采样点进行编号，将编号为q的参考采样点记为参考采样点q，q＝1，2，…，Q；
②先将笔记本电脑依次放到参考采样点1至参考采样点Q处分别采集K台无线路由器的RSS信号强度数据，将在每个参考采样点处采集到的K台无线路由器的RSS信号强度数据按照参考采样点的编号进行标记后分别保存；然后在室内随机选取M个不同位置作为M个随机采样点，M为大于等于50且小于等于100的整数，将笔记本电脑依次放到M个随机采样点处分别采集K台无线路由器的RSS信号强度数据并保存；
③设置一个用于存放Q行数据的数据集，将该数据集记为D1，将笔记本电脑在参考采样点q处采集到的K台无线路由器的RSS信号强度数据及参考采样点q的编号按行分别保存在数据集D1中，将数据集D1中第i行的数据记为xi1,xi2,xi3,...,xiK,xi(K+1)，其中xit表示在参考采样点i处采集的第t台无线路由器的RSS信号强度数据，t＝1，2，…，K，i＝1，2，…，Q，xi(K+1)等于参考采样点i的编号；设置一个用于存放M行数据的数据集，将该数据集记为D2，将笔记本电脑在M个随机采样点处采集的K台无线路由器的RSS信号强度数据按行保存到数据集D2中，将数据集D2中第m行的数据记为xm_1,xm_2,xm_3,...,xm_K，其中xm_t表示在第m个随机采样点处采集的第t台无线路由器的RSS信号强度数据，m＝1，2，…，M；
④构建一个极限学习机模型，所述的极限学习机模型包括输入层、具有4个隐藏节点的隐藏层和输出层，所述的输入层用于输入输入数据，所述的隐藏层用于连接所述的输入层和所述的输出层，所述的输出层用于输出输出数据，所述的极限学习机模型的函数表达式为：
Figure FDA0001855119160000011
其中e-(x*θ)为以自然常数e为底的指数函数，wk为所述的隐藏层中的第k个隐藏节点与所述的输出层之间的权值参数向量，k＝1，2，3，4，θ为所述的输入层和所述的隐藏层之间的权值参数向量，θ＝(θ1,θ2,...,θK)T，上标T表示矩阵的转置，θc为采用随机函数生成的等于0或者1的随机整数，c＝1，2，…，K，符号*为乘运算符号；
⑤将步骤③中保存的RSS信号强度数据作为所述的极限学习机模型的输入数据，参考采样点的编号作为输出数据，利用贝叶斯半监督深度学习方法对所述的极限学习机模型进行训练，得到所述的隐藏层的4个隐藏节点的权值参数向量w1、w2、w3和w4，将w1、w2、w3和w4代入所述的极限学习机模型的函数表达式中，得到训练后的极限学习机模型；
⑥当对处于室内的携带着具有Wi-Fi模块的NB-IOT手环的待定位人员进行定位时，监测室中的笔记本电脑与待定位人员携带的具有Wi-Fi模块的NB-IOT手环通过无线网络进行通讯，将该待定位人员的当前位置记为G,笔记本电脑获取该具有Wi-Fi模块的NB-IOT手环在当前位置处采集的K个无线路由器的RSS信号强度数据,将当前位置G处采集的第n个无线路由器的RSS信号强度数据记为x'n，n＝1，2，…，K；将向量x＝(x'1,x'2,x'3,...,x'K)代入到训练后的极限学习机模型的函数表达式
Figure FDA0001855119160000021
中，计算得到Y；
⑦分别计算Y与各个参考采样点的编号之差的绝对值，并比较计算得到的这些绝对值的大小，将绝对值最小的参考采样点的编号记为p，p为大于等于1且小于等于Q的整数，参考采样点p即为待定位人员的当前位置。
2.根据权利要求1所述的一种基于贝叶斯半监督深度学习的室内定位方法，其特征在于所述的利用贝叶斯半监督深度学习方法对所述的极限学习机模型进行训练的具体过程为：
S1.将贝叶斯半监督深度学习方法中的稀疏流形先验概率记为p1，令
Figure FDA0001855119160000022
其中e{·}表示以自然常数e为底的指数函数，w为权值矩阵，α为控制w的超参数，α＝(0.5,0.4,0.3,0.2)T，λ为惩罚因子，λ＝0.6，wT是w的转置，A为α的对角矩阵，
Figure FDA0001855119160000031
Z＝HTH，矩阵H为由数据集D1和数据集D2的元素组成的(Q+M)行4列的矩阵，
Figure FDA0001855119160000032
xd＝(xd1,xd2,xd3,...,xdK),xv＝(x(v-Q)_1,x(v-Q)_2,x(v-Q)_3,...,x(v-Q)_K)，d＝1,2,3,...,Q，v＝Q+1,Q+2,Q+3,...,Q+M；
S2.将所述的极限学习机模型的后验概率记为p3，所述的极限学习机模型的后验概率对数公式为：logp3＝wTH'T(2y-H'w)-wT(A+λZ)w+b，其中，b为纠正系数,取值为1，y是由数据集D1中的位置编号组成的列向量，y＝(x1(K+1),x2(K+1),x3(K+1)...,xQ(K+1))T，
Figure FDA0001855119160000033
S3.对所述的极限学习机模型的后验概率对数公式求导,得到：
Figure FDA0001855119160000034
其中
Figure FDA0001855119160000035
表示求导符号；
S4.令
Figure FDA0001855119160000036
计算得到w＝(H'TH'+A+λZ)-1H'y，w为一个Q行4列的权值矩阵；
S5.将w的第1列的列向量作为w1的值，w的第2列的列向量作为w2的值，w的第3 列的列向量作为w3的值，w的第4列的列向量作为w4的值。
3.根据权利要求1所述的一种基于贝叶斯半监督深度学习的室内定位方法，其特征在于所述的步骤①中待定位室内由四面墙围成，将待定位室内按照相交的任意两个墙脚线均匀间隔分隔为Q个小区域，每个小区域内的参考采样点位于该区域的中心处，将每个小区域的对角线交点作为其中心点。
CN201811312495.6A 2018-11-06 2018-11-06 基于贝叶斯半监督深度学习的室内定位方法 Active CN109581282B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811312495.6A CN109581282B (zh) 2018-11-06 2018-11-06 基于贝叶斯半监督深度学习的室内定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811312495.6A CN109581282B (zh) 2018-11-06 2018-11-06 基于贝叶斯半监督深度学习的室内定位方法

Publications (2)

Publication Number Publication Date
CN109581282A CN109581282A (zh) 2019-04-05
CN109581282B true CN109581282B (zh) 2022-11-18

Family

ID=65921547

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811312495.6A Active CN109581282B (zh) 2018-11-06 2018-11-06 基于贝叶斯半监督深度学习的室内定位方法

Country Status (1)

Country Link
CN (1) CN109581282B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110072192B (zh) * 2019-04-26 2020-09-22 山东科技大学 一种智能手机WiFi室内定位方法
CN112614009B (zh) * 2020-12-07 2023-08-25 国网四川省电力公司电力科学研究院 一种基于深度期望q-学习的电网能量管理方法及系统
CN115623531B (zh) * 2022-11-29 2023-03-31 浙大城市学院 利用无线射频信号的隐藏监控设备发现和定位方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8108328B2 (en) * 2008-07-17 2012-01-31 Tokyo Electron Limited Neural network based hermite interpolator for scatterometry parameter estimation
US9378406B2 (en) * 2012-06-15 2016-06-28 Seref Sagirouglu System for estimating gender from fingerprints
CN107423547A (zh) * 2017-04-19 2017-12-01 江南大学 基于半监督超限学习机的增量式定位算法
CN107423762A (zh) * 2017-07-26 2017-12-01 江南大学 基于流形正则化的半监督指纹定位算法

Also Published As

Publication number Publication date
CN109581282A (zh) 2019-04-05

Similar Documents

Publication Publication Date Title
CN109581282B (zh) 基于贝叶斯半监督深度学习的室内定位方法
CN104853317B (zh) 一种WiFi室内定位中指纹库的构建及更新方法
Mao et al. Path loss exponent estimation for wireless sensor network localization
CN110225460B (zh) 一种基于深度神经网络的室内定位方法及装置
CN106792465B (zh) 一种基于众包指纹的室内指纹地图构建方法
CN105636201B (zh) 基于稀疏信号指纹数据库的室内定位方法
Wang et al. Indoor positioning via subarea fingerprinting and surface fitting with received signal strength
CN107727095A (zh) 基于谱聚类和加权反向传播神经网络的3d室内定位方法
CN109814066A (zh) 基于神经网络学习的rssi室内定位测距方法、室内定位平台
Nikitin et al. Indoor localization accuracy estimation from fingerprint data
Riihijärvi et al. Demonstrating radio environment map construction from massive data sets
CN112533136A (zh) 一种基于深度学习的wlan指纹定位方法
Zhou et al. Personal mobility map construction for crowd-sourced Wi-Fi based indoor mapping
Xie et al. BPNN based indoor fingerprinting localization algorithm against environmental fluctuations
CN112954623A (zh) 一种基于手机信令大数据的居民入住率估算方法
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
CN111263295A (zh) 一种wlan室内定位方法和装置
Ali et al. A deep learning model implementation based on rssi fingerprinting for lora-based indoor localization
Rana et al. Indoor Positioning using DNN and RF Method Fingerprinting-based on Calibrated Wi-Fi RTT
CN106358233A (zh) 一种基于多维尺度分析算法的rss数据平滑方法
Sun et al. Successive and asymptotically efficient localization of sensor nodes in closed-form
Li et al. Cramér-Rao Bound analysis of Wi-Fi indoor localization using fingerprint and assistant nodes
CN116186581A (zh) 一种基于图脉冲神经网络的楼层识别方法及系统
Nguyen et al. Learning dictionary and compressive sensing for WLAN localization
Zheng et al. An indoor positioning with a neural network model of TensorFlow for machine learning

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant