CN110572875B - 一种基于改进的机器学习算法的无线定位方法 - Google Patents

一种基于改进的机器学习算法的无线定位方法 Download PDF

Info

Publication number
CN110572875B
CN110572875B CN201910870442.4A CN201910870442A CN110572875B CN 110572875 B CN110572875 B CN 110572875B CN 201910870442 A CN201910870442 A CN 201910870442A CN 110572875 B CN110572875 B CN 110572875B
Authority
CN
China
Prior art keywords
matrix
value
layer
algorithm
rss
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
CN201910870442.4A
Other languages
English (en)
Other versions
CN110572875A (zh
Inventor
潘甦
华胜
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN201910870442.4A priority Critical patent/CN110572875B/zh
Publication of CN110572875A publication Critical patent/CN110572875A/zh
Application granted granted Critical
Publication of CN110572875B publication Critical patent/CN110572875B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
    • H04W64/003—Locating users or terminals or network equipment for network management purposes, e.g. mobility management locating network equipment
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
    • H04W64/006—Locating users or terminals or network equipment for network management purposes, e.g. mobility management with additional information processing, e.g. for direction or speed determination

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明公开了一种基于改进的机器学习算法的无线定位方法，基于现有指纹识别方法WKNN算法，引入改进AKF算法和AHP层次分析模型，使用改进AKF算法降低测试点处RSS中的噪声，降噪后的RSS值用于从指纹数据库中选择符合要求的指纹，然后使用AHP为被选择的指纹坐标分配权重，再使用WKNN算法得到最佳位置估计。本发明采用改进的AKF算法对接收到的RSS值进行降噪处理，克服现有AKF算法的定位精度较低的问题。同时采用AHP算法作为权重分配方式，合理扩大参考点之间RSS差距对权重的影响，从而提高定位精度。

Description

一种基于改进的机器学习算法的无线定位方法
技术领域
本发明涉及室内定位技术领域，主要涉及一种基于改进的机器学习算法的无线定位方法。
背景技术
随着互联网和智能手机的普及，人们对室内场景中高精度定位和导航的需求也在不断增加。WLAN室内定位可以充分利用已经广泛部署的接入点(AP)来实现高性能定位，这使得其成为未来室内定位和导航服务的最优选择。
目前，基于WLAN的定位方法主要有三角形算法和位置指纹识别，三角形算法利用待测目标到至少三个已知AP之间的距离信息估计目标位置，其中距离是通过测量来自AP的RSS进行估计。基于三角形算法的WLAN定位很大程度上依赖于准确的信号传输损耗模型。影响信号传输的因素很多，不同环境下的信号传输损耗模型大不相同，建立一个准确的、适合实际应用的损耗模型存在着很大的困难。因此，基于三角形算法的无线定位在具体实施中困难较大。近年来WLAN室内定位系统使用指纹(由参考点的位置坐标和在参考点处收集的AP的信号强度构成)识别方法成为研究热点。
指纹识别方法包括两个阶段——离线阶段和在线阶段。离线阶段的主要任务是构建一个名为无线电地图的指纹识别数据库，它包含了位置空间和信号强度空间的映射关系，其中位置空间由所有参考点(RP)的位置构成，信号强度空间由RP从AP测得的一系列接收信号强度(RSS)值构成，每个RP的位置对应一组来自所有AP的RSS值。在在线阶段，用户终端测量来自所有AP的RSS，并将其与指纹数据库中的信号强度空间中的RSS进行比对，然后用合适的指纹匹配算法计算用户的位置。
广泛使用的指纹匹配算法是WKNN算法(加权K邻近算法)，现有WKNN算法定位过程是：首先计算测试点测得的来自所有AP的RSS值与指纹库中每一个RP的指纹RSS值之间的欧式距离。将得到的欧式距离按从小到大进行排序，取欧式距离最小的前k个指纹对应的坐标。然后按照权重大小与欧式距离大小成反比的方式给这k个指纹分配权重，即欧氏距离小的指纹对应的坐标分配较大的权重，欧氏距离大的指纹对应的坐标分配较小的权重。最后通过k个坐标与权重的组合确定测试点的位置。
目前室内定位系统使用的指纹识别方法主要存在下面两方面的问题：
(1)由于测得的RSS值易受噪声干扰，算法的定位精度大大降低。目前普遍采用自适应卡尔曼滤波算法(AKF)来去除RSS中的测量噪声。AKF算法包括预测、更新和噪声协方差估计三个阶段。在预测阶段，AKF利用上一时刻的真实值估计后验值
Figure BDA0002202652180000011
(上一时刻的输出结果)求出当前时刻的先验真实估计值
Figure BDA0002202652180000021
在更新阶段，AKF基于当前时刻的测量值Zt，Zt的估计值
Figure BDA0002202652180000022
(当前时刻期望的AKF输出结果)，
Figure BDA0002202652180000023
和卡尔曼增益矩阵Kt来得到降噪后当前时刻的真实值估计后验值
Figure BDA0002202652180000024
即当前时刻AKF的输出结果；在噪声协方差估计阶段，AKF更新测量噪声协方差矩阵Rt和过程噪声协方差矩阵Qt，用于下一次迭代。
然而AKF在迭代过程中估计误差具有传递性，这种误差的传递将影响AKF达到收敛状态所需的选代次数和收敛后输出结果的精确性。当系统模型不准确时，输出结果将偏离真实值，因此现有AKF算法效果较差。
(2)由欧氏距离从小到大顺序得到的前k个欧氏距离值之间差距不大，根据欧氏距离为k个指纹分配的权重之间的差距也很小，位置坐标的加权求和几乎成为位置坐标的平均。有必要扩大不同位置坐标之间的权重距离，才能定位得更加准确。
发明内容
发明目的：为了克服现有技术中存在的不足，本发明提供一种基于改进的机器学习算法的无线定位方法，采用改进的AKF算法对接收到的RSS值进行降噪处理，克服现有AKF算法的定位精度较低的问题。同时采用AHP算法作为权重分配方式，合理扩大参考点之间RSS差距对权重的影响，从而提高定位精度。
技术方案：为实现上述目的，本发明采用的技术方案为：一种基于改进的机器学习算法的无线定位方法，包括以下步骤：
步骤1：构建指纹数据库FP；
步骤2：在测试点处多次测量来自所有接入点AP的信号强度RSS值，获取待降噪处理的RSS矩阵Z；
步骤3：采用改进传统自适应卡尔曼滤波算法AKF，将Z的第一列作为改进AKF算法中
Figure BDA0002202652180000025
的初值
Figure BDA0002202652180000026
为改进AKF算法的第t次迭代设置阈值gatet，基于AKF降噪过程对Z的第t列Zt降噪，得到输出结果
Figure BDA0002202652180000027
计算期望输出结果值与测量值之间的误差εt的协方差
Figure BDA0002202652180000028
比较
Figure BDA0002202652180000029
与gatet；如果
Figure BDA00022026521800000210
则修正
Figure BDA00022026521800000211
得到
Figure BDA00022026521800000212
使用
Figure BDA00022026521800000213
进行下一次迭代，否则使用
Figure BDA00022026521800000214
进行下一次迭代；根据改进AKF算法得到的降噪后的测试点的RSS值
Figure BDA00022026521800000215
计算
Figure BDA00022026521800000216
与指纹数据库中各个指纹之间的欧氏距离并排序，选择k个最近的指纹坐标；
步骤4：采用层次模型算法AHP，基于
Figure BDA00022026521800000217
和k个指纹构建层次模型和判断矩阵，检验各个判断矩阵的一致性，求解判断矩阵的权重向量，获得方案层中k个指纹坐标分别对室内定位问题的总权重；
步骤5：基于k个指纹坐标和及其相应的权重，采用加权K邻近算法WKNN求得测试点的最佳位置估计
Figure BDA00022026521800000318
进一步地，所述改进传统自适应卡尔曼滤波算法AKF具体步骤如下：
步骤L1：t时刻接收点RP从M个接入点AP接收到RSS真实值矢量Xt和测量值矢量Zt，满足如下关系：
Xt＝FXt-1+Wt (1)
Zt＝HXt+Vt (2)
其中Xt-1是t-1时刻的RSS真实值矢量，F是状态转移矩阵，H是测量矩阵，矢量Wt是服从零均值和协方差矩阵Qt的高斯白噪声，Wt～N(0,Qt)，矢量Vt是服从零均值和协方差矩阵Rt的高斯白噪声，Vt～N(0,Rt)；
步骤L2：在预测阶段，基于t-1时刻的后验真实值估计
Figure BDA0002202652180000031
计算t时刻的先验真实值估计
Figure BDA0002202652180000032
同时基于Pt-1和Qt计算t时刻的先验误差协方差矩阵Pt|t-1，其中Pt-1是t-1时刻的后验误差协方差矩阵，且满足
Figure BDA0002202652180000033
Figure BDA0002202652180000034
Pt|t-1＝FPt-1FT+Qt (4)
其中，Pt-1的初值P0为M阶单位矩阵，
Figure BDA0002202652180000035
的初值
Figure BDA0002202652180000036
取第一次测量值；
步骤L3：在更新阶段，首先计算t时刻Zt的估计值
Figure BDA0002202652180000037
计算卡尔曼增益矩阵Kt，最后根据
Figure BDA0002202652180000038
Kt，
Figure BDA0002202652180000039
和Zt求得t时刻的后验真实值估计
Figure BDA00022026521800000310
即t时刻AKF降噪后的输出结果，同时更新t时刻的后验误差协方差矩阵Pt：
Figure BDA00022026521800000311
Kt＝Pt|t-1HT(HPt|t-1HT+Rt)-1 (6)
Figure BDA00022026521800000313
Pt＝Pt|t-1-KtHPt|t-1 (8)
步骤L4：在噪声协方差估计阶段，更新协方差矩阵Qt和Rt如下：
Figure BDA00022026521800000314
Figure BDA00022026521800000315
Figure BDA00022026521800000316
其中
Figure BDA00022026521800000317
b是遗忘因子，取值范围为0.95～0.995，εt为期望输出结果值与测量值之间的误差；
步骤L5：设定t时刻的修正门限gatet如下：
Figure BDA0002202652180000041
gatet＝μrt (13)
其中Rt(1,1)表示Rt中第一行第一列的数值，gatet表示t时刻的修正门限，系数μ取值范围为0.5～0.9；
当
Figure BDA0002202652180000042
时，修正
Figure BDA0002202652180000043
根据式(3)重新计算
Figure BDA0002202652180000044
修正结果
Figure BDA0002202652180000045
如下：
Figure BDA0002202652180000046
ct＝μrt/Rt(1,1) (15)
其中
Figure BDA0002202652180000047
是εt的协方差；
在获取修正结果
Figure BDA0002202652180000048
后，将其用于下一次迭代，最终获得降噪后的输出RSS值
Figure BDA0002202652180000049
进一步地，所述层次模型算法AHP构建步骤如下：
步骤S1：建立层次结构模型
所述层次模型分为三层，以计算测试点的最佳位置估计作为目标层；以各个接收点AP测得的RSS值作为准则层；以参与定位的指纹坐标作为方案层；
步骤S2：构建各个层次的判断矩阵
准则层判断矩阵B中元素值bij表示准则层基于目标层做决策时其指标RSSi与RSSj的重要程度之比；方案层中第k个判断矩阵为Ck，其元素值
Figure BDA00022026521800000410
表示方案层基于准则层中第k个AP接收的RSS做决策时，RPi坐标与RPj坐标的重要程度之比，其中RPi和RPj分别代表第i个参考点RP和第j个参考点RP；
步骤S3：检验判断矩阵的一致性
采用一致性比例
Figure BDA00022026521800000411
检验判断矩阵的一致性，其中
Figure BDA00022026521800000412
λmax是判断矩阵的最大特征值，n是判断矩阵的阶数；RI表示平均一致性程度；判断矩阵的一致性比例CR满足CR<0.10时，判断矩阵满足条件；
步骤S4：计算相对于上一层指标本层所有指标各自权重
采用本层判断矩阵最大特征值λk max对应的特征向量Wk经过归一化处理，得到向量W′k表示该判断矩阵的权重向量，其中W′k的第i个值w′ki即可表示相对于上一层第k个指标本层中第i个指标的权重；
步骤S5：基于准则层判断矩阵B的权重向量W′B和方案层判断矩阵Ck的权重向量W′k，计算准则层和方案层各指标对目标层的合成权重，作为方案层中指纹坐标分别对室内定位问题的总权重如下：
Figure BDA00022026521800000413
其中wi为指纹坐标对于目标层的总权重，wbk为准则层中第k个RSS值相对于目标层的权重，w′ki为方案层中第i个指纹坐标相对于准则层中第k个RSS值的权重。
有益效果：本发明提供的一种基于改进的机器学习算法的无线定位方法，具有以下优点：
(1)本发明提出一种改进的AKF算法，对εt设置判定门限和修正准则，如果
Figure BDA0002202652180000051
是εt的协方差)超过判定门限，则
Figure BDA0002202652180000052
不准确，对
Figure BDA0002202652180000053
进行修正得到
Figure BDA0002202652180000054
根据
Figure BDA0002202652180000055
重新计算
Figure BDA0002202652180000056
改进算法与现有的AKF相比，在每次迭代增加了一次比较和一次修正。因此，改进AKF算法的精度比现有AKF高。
(2)本发明以得到测试点的最佳位置估计为目标层，将从所有接收点AP测得的RSS值作准则层，前k个指纹坐标作方案层，构造各个层次之间的判断矩阵，通过求解判断矩阵，得到方案层k个指纹坐标各自的权重。与现有文献中基于欧氏距离确定指纹的权重相比，在确定指纹坐标的权重时减少了对欧氏距离的依赖，有效扩大了位置差距对权重的影响，定位效果更好。
附图说明
图1为本发明的完整算法过程示意图；
图2为本发明的完整算法流程图；
图3为改进AKF算法流程图；
图4为AHP算法层次模型示意图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
如图1-图2所示，
一种基于改进的机器学习算法的无线定位方法，包括以下步骤：
步骤1：构建指纹数据库FP；
步骤2：在测试点处多次测量来自所有接入点AP的信号强度RSS值，获取待降噪处理的RSS矩阵Z；
步骤3：采用改进传统自适应卡尔曼滤波算法AKF，将Z的第一列作为改进AKF算法中
Figure BDA0002202652180000057
的初值
Figure BDA0002202652180000058
为改进AKF算法的第t次迭代设置阈值gatet，基于AKF降噪过程对Z的第t列Zt降噪，得到输出结果
Figure BDA0002202652180000059
计算期望输出结果值与测量值之间的误差εt的协方差
Figure BDA0002202652180000061
比较
Figure BDA0002202652180000062
与gatet；如果
Figure BDA0002202652180000063
则修正
Figure BDA0002202652180000064
得到
Figure BDA0002202652180000065
使用
Figure BDA0002202652180000066
进行下一次迭代，否则使用
Figure BDA0002202652180000067
进行下一次迭代；根据改进AKF算法得到的降噪后的测试点的RSS值
Figure BDA0002202652180000068
计算
Figure BDA0002202652180000069
与指纹数据库中各个指纹之间的欧氏距离并排序，选择k个最近的指纹坐标；
步骤4：采用层次模型算法AHP，基于
Figure BDA00022026521800000610
和k个指纹构建层次模型和判断矩阵，检验各个判断矩阵的一致性，求解判断矩阵的权重向量，获得方案层中k个指纹坐标分别对室内定位问题的总权重；
步骤5：基于k个指纹坐标和及其相应的权重，采用加权K邻近算法WKNN求得测试点的最佳位置估计
Figure BDA00022026521800000611
由于被测RSS值容易受噪声干扰，现有文献使用具有感知噪声统计能力的AKF来除去RSS中的测量噪声。AKF引入遗忘因子和噪声协方差估计，利用前一时刻已获得的降噪输出结果，调节现时刻的滤波参数，以适应信号与噪声的统计特性，从而实现对RSS降噪。AKF基于两个基本条件：1、t时刻的真实值可由t-1时刻的真实值表达，同时t时刻的测量值可由真实值表达；2、表达和测量过程可由线性算法描述。
如图3所示，步骤3中改进AKF算法具体步骤如下：
步骤L1：t时刻接收点RP从M个接入点AP接收到RSS真实值矢量Xt和测量值矢量Zt，满足如下关系：
Xt＝FXt-1+Wt (1)
Zt＝HXt+Vt (2)
其中Xt-1是t-1时刻的RSS真实值矢量，F是状态转移矩阵，H是测量矩阵，矢量Wt是服从零均值和协方差矩阵Qt的高斯白噪声，Wt～N(0,Qt)，矢量Vt是服从零均值和协方差矩阵Rt的高斯白噪声，Vt～N(0,Rt)；
步骤L2：在预测阶段，基于t-1时刻的后验真实值估计
Figure BDA00022026521800000612
计算t时刻的先验真实值估计
Figure BDA00022026521800000613
同时基于Pt-1和Qt计算t时刻的先验误差协方差矩阵Pt|t-1，其中Pt-1是t-1时刻的后验误差协方差矩阵，且满足
Figure BDA00022026521800000614
Figure BDA00022026521800000615
Pt|t-1＝FPt-1FT+Qt (4)
其中，Pt-1的初值P0为M阶单位矩阵，
Figure BDA00022026521800000616
的初值
Figure BDA00022026521800000617
取第一次测量值；
步骤L3：在更新阶段，首先计算t时刻Zt的估计值
Figure BDA00022026521800000618
计算卡尔曼增益矩阵Kt，最后根据
Figure BDA00022026521800000619
Kt，
Figure BDA00022026521800000620
和Zt求得t时刻的后验真实值估计
Figure BDA00022026521800000621
即t时刻AKF降噪后的输出结果，同时更新t时刻的后验误差协方差矩阵Pt：
Figure BDA0002202652180000071
Kt＝Pt|t-1HT(HPt|t-1HT+Rt)-1 (6)
Figure BDA0002202652180000073
Pt＝Pt|t-1-KtHPt|t-1 (8)
步骤L4：在噪声协方差估计阶段，更新协方差矩阵Qt和Rt如下：
Figure BDA0002202652180000074
Figure BDA0002202652180000075
Figure BDA0002202652180000076
其中
Figure BDA0002202652180000077
b是遗忘因子，取值范围为0.95～0.995，εt为期望输出结果值与测量值之间的误差。b的作用是降低t-1时刻的降噪输出结果(旧数据)对t时刻用于迭代的数据(新数据)的影响。随着迭代次数的增加，误差协方差矩阵将越来越小，甚至会趋近于零矩阵。由式(6)可知：当Pt|t-1→0时，Kt→0，此时Kt对降噪不再起修正作用，或者说旧数据使AKF饱和，称为“数据饱和现象”。数据饱和将导致新数据对迭代过程不起作用，而迭代降噪结果又与新数据密切相关，新数据被旧数据所淹没。因此为降低旧数据的影响，引入遗忘因子b，加快AKF收敛。b的范围为0.95～0.995，本发明中设置为0.975。
由式(3)、(5)和(7)可以看出：t时刻的先验真实值估计
Figure BDA0002202652180000078
由t-1时刻的输出结果
Figure BDA0002202652180000079
决定。因此，要提高t时刻
Figure BDA00022026521800000710
的精度应提高t-1时刻
Figure BDA00022026521800000711
的精度。εt反映了t时刻AKF期望输出
Figure BDA00022026521800000712
偏离测量值Zt的程度。εt较小时表示可以用t-1时刻的输出结果作为t时刻的输出结果。当模型参数不准确或测量值Zt波动较大(由于噪声的存在或者AP信号强度自身的波动造成)时，那么t时刻的期望输出与t时刻的测量值相差较大，AKF基于式(7)得到的输出结果精度较低。为了提高t时刻AKF输出结果的精度，应针对
Figure BDA00022026521800000713
与Zt之间的误差做出调整。若εt较大，则t-1时刻的
Figure BDA00022026521800000714
误差较大，应对
Figure BDA00022026521800000715
进行修正得到
Figure BDA00022026521800000716
根据
Figure BDA00022026521800000717
重新计算t时刻的期望值
Figure BDA00022026521800000718
从而提高t时刻的
Figure BDA00022026521800000719
的精度，达到实时修正的目的。
步骤L5：设定t时刻的修正门限gatet如下：
Figure BDA0002202652180000081
gatet＝μrt (13)
其中Rt(1,1)表示Rt中第一行第一列的数值，gatet表示t时刻的修正门限，系数μ取值范围为0.5～0.9。因为AKF模型是对实际场景的近似，参数不可能真实精确，且其输出结果是基于测量值然后通过一系列迭代过程间接得到的，因此应增加对测量值的信任度，使得经过AKF降噪后的输出结果靠近真实值。本发明中μ＝0.8。
当
Figure BDA0002202652180000082
时，修正
Figure BDA0002202652180000083
根据式(3)重新计算
Figure BDA0002202652180000084
修正结果
Figure BDA0002202652180000085
如下：
Figure BDA0002202652180000086
ct＝μrt/Rt(1,1) (15)
其中
Figure BDA0002202652180000087
是εt的协方差；
在获取修正结果
Figure BDA0002202652180000088
后，将其用于下一次迭代，最终获得降噪后的输出RSS值
Figure BDA0002202652180000089
如图4所示，下面提供一种AHP算法层次模型建立的实施例：
步骤S1：建立层次结构模型
所述层次模型分为三层，以计算测试点的最佳位置估计作为目标层；以各个接收点AP测得的RSS值作为准则层；以参与定位的指纹坐标作为方案层；本发明实施例设定AP数量为4，选择参与定位的指纹坐标数量为3，从4个AP测得的4个RSS值(RSS1，RSS2，RSS3，RSS4)作准则层；3个指纹对应的坐标(指纹坐标1，指纹坐标2，指纹坐标3)作方案层。
步骤S2：构建各个层次的判断矩阵
准则层判断矩阵B中元素值bij(i,j＝1,2,3)表示准则层基于目标层做决策时其指标RSSi与RSSj的重要程度之比；方案层中第k个判断矩阵为Ck，其元素值
Figure BDA00022026521800000810
(k＝1,2,3，4，i,j＝1,2,3)表示方案层基于准则层中第k个AP接收的RSS做决策时，RPi坐标与RPj坐标的重要程度之比，，其中RPi和RPj分别代表第i个参考点RP和第j个参考点RP。分别用自然数1断矩阵元素可能的取值如表1所示：
表1判断矩阵的元素值
Figure BDA00022026521800000811
Figure BDA0002202652180000091
根据表1，对于室内定位问题，4个AP的贡献程度相同，因此准则层判断矩阵的所有元素全为1。准则层判断矩阵B表示如下：
表2准则层判断矩阵
Figure BDA0002202652180000092
因为4个AP的贡献程度相同，所以Ck在不同k值时，矩阵相同，即C1＝C2＝C3＝C4。
基于前面分析可知，应该扩大欧氏距离差距对于权重的影响，因此方案层各个指纹坐标的判断矩阵Ck表示如表3所示：
表3方案层判断矩阵
Figure BDA0002202652180000093
步骤S3：检验判断矩阵的一致性
假设在判断矩阵中，指标i对指标k的权重为aik，指标k对指标j的权重为akj。客观来讲，指标i对指标j的权重应该是aij＝aik*akj，这就是所谓的矩阵一致性。数学上，对于具有
Figure BDA0002202652180000094
特点的矩阵，aij＝aik*akj的必要条件是λmax＝n，λmax是判断矩阵的最大特征值，n是判断矩阵的阶数。然而，判断矩阵中各元素是由我们主观设置的，所以，aij＝aik*akj不一定成立，即λmax≠n。采用一致性比例
Figure BDA0002202652180000095
检验判断矩阵的一致性，其中
Figure BDA0002202652180000096
λmax是判断矩阵的最大特征值，n是判断矩阵的阶数；RI表示平均一致性程度，这种接近程度随n的不同可以不一样，表4给出了不同n的判断矩阵的平均一致性程度RI。当判断矩阵的一致性比例CR满足CR<0.10时，判断矩阵满足条件；
表4平均随机一致性指标RI
Figure BDA0002202652180000101
步骤S4：计算相对于上一层指标本层所有指标各自权重
采用本层判断矩阵最大特征值λk max对应的特征向量Wk经过归一化处理，得到向量W′k表示该判断矩阵的权重向量，其中W′k的第i个值w′ki即可表示相对于上一层第k个指标本层中第i个指标的权重。以计算方案层中各判断矩阵Ck的权重向量为例，步骤如下：
①求Ck的最大特征值λk max对应的特征向量Wk，其中λk max和Wk满足：
CkWk＝λk maxWk
②对wk的第i个值wki做归一化处理得到w′k的第i个值w′ki，表示如下：
Figure BDA0002202652180000103
w′ki表示相对于准则层中第k个AP接收的RSS值方案层中第i个指纹坐标的权重，k＝1，2，3，4，i＝1，2，3。方案层中各判断矩阵Ck相同，所以对应的权重向量W′k相同。由于目标层中的指标只有一个，所以准则层中判断矩阵B的权重向量W′B只有一个。
步骤S5：基于准则层判断矩阵B的权重向量W′B和方案层判断矩阵Ck的权重向量W′k，计算准则层和方案层各指标对目标层的合成权重，作为方案层中指纹坐标分别对室内定位问题的总权重如下：
Figure BDA0002202652180000104
其中wi为指纹坐标对于目标层的总权重，i＝1，2，3，k＝1，2，3，4。wbk为准则层中第k个RSS值相对于目标层的权重，w′ki为方案层中第i个指纹坐标相对于准则层中第k个RSS值的权重。基于式(16)可以得到方案层中3个指纹坐标分别对于室内定位问题的总权重。将得到的3个权重用于WKNN算法求得测试点的最佳位置估计。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (2)

1.一种基于改进的机器学习算法的无线定位方法，其特征在于：包括以下步骤：
步骤1：构建指纹数据库；
步骤2：在测试点处多次测量来自所有接入点的信号强度RSS值，获取待降噪处理的RSS矩阵Z；
步骤3：改进自适应卡尔曼滤波算法，将Z的第一列作为算法中
Figure FDA0002787171990000013
的初值
Figure FDA0002787171990000014
为改进自适应卡尔曼滤波算法的第t次迭代设置阈值gatet，基于降噪过程对Z的第t列Zt降噪，得到输出结果
Figure FDA00027871719900000111
计算期望输出结果值与测量值之间的误差εt的协方差
Figure FDA0002787171990000015
比较
Figure FDA0002787171990000016
与gatet；如果
Figure FDA00027871719900000110
则修正
Figure FDA0002787171990000019
得到
Figure FDA0002787171990000018
使用
Figure FDA0002787171990000017
进行下一次迭代，否则使用
Figure FDA00027871719900000112
进行下一次迭代；根据改进自适应卡尔曼滤波算法得到的降噪后的测试点的RSS值
Figure FDA00027871719900000113
计算
Figure FDA00027871719900000115
与指纹数据库中各个指纹之间的欧氏距离并排序，选择k个最近的指纹坐标；
步骤4：采用层次模型算法，基于
Figure FDA00027871719900000114
和k个指纹构建层次模型和判断矩阵，检验各个判断矩阵的一致性，求解判断矩阵的权重向量，获得方案层中k个指纹坐标分别对室内定位问题的总权重；所述层次模型算法具体步骤如下：
步骤S1：建立层次结构模型
所述层次模型分为三层，以计算测试点的最佳位置估计作为目标层；以各个接收点RP测得的RSS值作为准则层；以参与定位的指纹坐标作为方案层；
步骤S2：构建各个层次的判断矩阵
准则层判断矩阵B中元素值bij表示准则层基于目标层做决策时其指标RSSi与RSSj的重要程度之比；方案层中第k个判断矩阵为Ck，其元素值
Figure FDA00027871719900000116
表示方案层基于准则层中第k个接收点接收的信号强度做决策时，RPi坐标与RPj坐标的重要程度之比，其中RPi和RPj分别代表第i个参考点RP和第j个参考点RP；
步骤S3：检验判断矩阵的一致性
采用一致性比例
Figure FDA0002787171990000011
检验判断矩阵的一致性，其中
Figure FDA0002787171990000012
λmax是判断矩阵的最大特征值，n是判断矩阵的阶数；RI表示平均一致性程度；判断矩阵的一致性比例CR满足CR＜0.10时，判断矩阵满足条件；
步骤S4：计算相对于上一层指标本层所有指标各自权重
采用本层判断矩阵最大特征值λk max对应的特征向量Wk经过归一化处理，得到向量W′k表示该判断矩阵的权重向量，其中W′k的第i个值w′ki即可表示相对于上一层第k个指标本层中第i个指标的权重；
步骤S5：基于准则层判断矩阵B的权重向量W′B和方案层判断矩阵Ck的权重向量W′k，计算准则层和方案层各指标对目标层的合成权重，作为方案层中指纹坐标分别对室内定位问题的总权重如下：
wi＝∑wbkw′ki
其中wi为指纹坐标对于目标层的总权重，wbk为准则层中第k个RSS值相对于目标层的权重，
Figure FDA0002787171990000024
为方案层中第i个指纹坐标相对于准则层中第k个RSS值的权重；
步骤5：基于k个指纹坐标和及其相应的权重，采用加权K邻近算法求得测试点的最佳位置估计
Figure FDA0002787171990000023
2.根据权利要求1所述的一种基于改进的机器学习算法的无线定位方法，其特征在于：所述步骤3中改进自适应卡尔曼滤波算法具体步骤如下：
步骤L1：t时刻接收点RP从M个接入点AP接收到RSS真实值矢量Xt和测量值矢量Zt，满足如下关系：
Xt＝FXt-1+Wt (1)
Zt＝HXt+Vt (2)
其中Xt-1是t-1时刻的RSS真实值矢量，F是状态转移矩阵，H是测量矩阵，矢量Wt是服从零均值和协方差矩阵Qt的高斯白噪声，Wt～N(0,Qt)，矢量Vt是服从零均值和协方差矩阵Rt的高斯白噪声，Vt～N(0,Rt)；
步骤L2：在预测阶段，基于t-1时刻的后验真实值估计
Figure FDA0002787171990000021
计算t时刻的先验真实值估计
Figure FDA0002787171990000022
同时基于Pt-1和Qt计算t时刻的先验误差协方差矩阵Pt|t-1，其中Pt-1是t-1时刻的后验误差协方差矩阵，且满足
Figure FDA0002787171990000031
Figure FDA0002787171990000032
Pt|t-1＝FPt-1FT+Qt (4)
其中，Pt-1的初值P0为M阶单位矩阵，
Figure FDA0002787171990000033
的初值
Figure FDA0002787171990000034
取第一次测量值；
步骤L3：在更新阶段，首先计算t时刻Zt的估计值
Figure FDA0002787171990000035
计算卡尔曼增益矩阵Kt，最后根据
Figure FDA0002787171990000036
Kt，
Figure FDA0002787171990000037
和Zt求得t时刻的后验真实值估计
Figure FDA00027871719900000316
即t时刻AKF降噪后的输出结果，同时更新t时刻的后验误差协方差矩阵Pt：
Figure FDA0002787171990000039
Kt＝Pt|t-1HT(HPt|t-1HT+Rt)-1 (6)
Figure FDA00027871719900000310
Pt＝Pt|t-1-KtHPt|t-1 (8)
步骤L4：在噪声协方差估计阶段，更新协方差矩阵Qt和Rt如下：
Figure FDA00027871719900000311
Figure FDA00027871719900000312
Figure FDA00027871719900000313
其中
Figure FDA00027871719900000314
b是遗忘因子，取值范围为0.95～0.995，εt为期望输出结果值与测量值之间的误差；
步骤L5：设定t时刻的修正门限gatet如下：
Figure FDA00027871719900000315
gatet＝μrt (13)
其中Rt(1,1)表示Rt中第一行第一列的数值，gatet表示t时刻的修正门限，系数μ取值范围为0.5～0.9；
当
Figure FDA0002787171990000048
时，修正
Figure FDA0002787171990000041
根据式(3)重新计算
Figure FDA0002787171990000042
修正结果
Figure FDA0002787171990000043
如下：
Figure FDA0002787171990000044
ct＝μrt/Rt(1,1) (15)
其中
Figure FDA0002787171990000045
是εt的协方差；
在获取修正结果
Figure FDA0002787171990000046
后，将其用于下一次迭代，最终获得降噪后的输出RSS值
Figure FDA0002787171990000047
CN201910870442.4A 2019-09-16 2019-09-16 一种基于改进的机器学习算法的无线定位方法 Active CN110572875B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910870442.4A CN110572875B (zh) 2019-09-16 2019-09-16 一种基于改进的机器学习算法的无线定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910870442.4A CN110572875B (zh) 2019-09-16 2019-09-16 一种基于改进的机器学习算法的无线定位方法

Publications (2)

Publication Number Publication Date
CN110572875A CN110572875A (zh) 2019-12-13
CN110572875B true CN110572875B (zh) 2021-02-02

Family

ID=68780328

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910870442.4A Active CN110572875B (zh) 2019-09-16 2019-09-16 一种基于改进的机器学习算法的无线定位方法

Country Status (1)

Country Link
CN (1) CN110572875B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112399366A (zh) * 2020-05-27 2021-02-23 南京邮电大学 基于Hankel矩阵及WKNN方差提取的室内定位法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105372628A (zh) * 2015-11-19 2016-03-02 上海雅丰信息科技有限公司 一种基于Wi-Fi的室内定位导航方法
CN107071894A (zh) * 2017-02-16 2017-08-18 广东顺德中山大学卡内基梅隆大学国际联合研究院 一种基于WiFi的室内定位优化算法
CN107576330A (zh) * 2017-09-07 2018-01-12 西北大学 一种基于wlan指纹的室内动态感知策略的定位方法
CN108769910A (zh) * 2018-06-15 2018-11-06 闽南师范大学 一种WiFi定位的方法
CN109951807A (zh) * 2019-02-27 2019-06-28 西北师范大学 基于WiFi信号的融合RSS和CSI室内定位方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10203762B2 (en) * 2014-03-11 2019-02-12 Magic Leap, Inc. Methods and systems for creating virtual and augmented reality

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105372628A (zh) * 2015-11-19 2016-03-02 上海雅丰信息科技有限公司 一种基于Wi-Fi的室内定位导航方法
CN107071894A (zh) * 2017-02-16 2017-08-18 广东顺德中山大学卡内基梅隆大学国际联合研究院 一种基于WiFi的室内定位优化算法
CN107576330A (zh) * 2017-09-07 2018-01-12 西北大学 一种基于wlan指纹的室内动态感知策略的定位方法
CN108769910A (zh) * 2018-06-15 2018-11-06 闽南师范大学 一种WiFi定位的方法
CN109951807A (zh) * 2019-02-27 2019-06-28 西北师范大学 基于WiFi信号的融合RSS和CSI室内定位方法

Also Published As

Publication number Publication date
CN110572875A (zh) 2019-12-13

Similar Documents

Publication Publication Date Title
CN107561503B (zh) 一种基于多重渐消因子的自适应目标跟踪滤波方法
CN107241700B (zh) 基于csi空频特性和参考点位置聚类算法的室内定位方法
CN108696331B (zh) 一种基于生成对抗网络的信号重构方法
CN106912105A (zh) 基于pso_bp神经网络的三维定位方法
CN112557034B (zh) 一种基于pca_cnns的轴承故障诊断方法
CN108834047B (zh) 一种路径损耗模型的ap选择室内定位方法
CN105120479B (zh) 终端间Wi-Fi信号的信号强度差异修正方法
CN108627798B (zh) 基于线性判别分析和梯度提升树的wlan室内定位算法
CN114449452A (zh) 一种异构设备室内定位算法
CN105845148A (zh) 基于频点修正的卷积盲源分离方法
CN110581783A (zh) 基于ahp和topsis的通信方案决策方法
CN110572875B (zh) 一种基于改进的机器学习算法的无线定位方法
CN105913078A (zh) 改进自适应仿射传播聚类的多模型软测量方法
CN115099657A (zh) 一种处理异质犹豫模糊偏好关系的群决策方法
CN114567288B (zh) 基于变分贝叶斯的分布协同非线性系统状态估计方法
CN111239715B (zh) 一种联合灰色关联和神经网络的指纹定位方法
CN115932913B (zh) 一种卫星定位伪距修正方法及装置
CN106488554B (zh) 一种指纹数据库建立方法和系统
CN112333652B (zh) Wlan室内定位方法、装置及电子设备
CN116437290A (zh) 一种基于csi指纹定位的模型融合方法
CN116980824A (zh) 一种轻量化的加权集成学习室内csi定位方法
CN114584230B (zh) 一种基于对抗网络与长短期记忆网络的预测信道建模方法
CN115226027A (zh) 一种WiFi室内指纹定位方法及装置
CN112437485B (zh) 一种基于神经网络的指纹空间插值法的定位方法及装置
CN108595843B (zh) 一种动态自适应的众创设计方案数据寻优方法

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 210003, 66 new model street, Gulou District, Jiangsu, Nanjing

Applicant after: NANJING University OF POSTS AND TELECOMMUNICATIONS

Address before: 210023 9 Wen Yuan Road, Ya Dong new town, Nanjing, Jiangsu.

Applicant before: NANJING University OF POSTS AND TELECOMMUNICATIONS

GR01 Patent grant
GR01 Patent grant