CN114374931B - 基于近邻成分分析的度量学习的指纹定位方法 - Google Patents

基于近邻成分分析的度量学习的指纹定位方法 Download PDF

Info

Publication number
CN114374931B
CN114374931B CN202011120729.4A CN202011120729A CN114374931B CN 114374931 B CN114374931 B CN 114374931B CN 202011120729 A CN202011120729 A CN 202011120729A CN 114374931 B CN114374931 B CN 114374931B
Authority
CN
China
Prior art keywords
fingerprint
objective function
target
samples
signal
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
CN202011120729.4A
Other languages
English (en)
Other versions
CN114374931A (zh
Inventor
颜铭江
张静芳
张兰心
颜润华
柏思琪
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.)
China Mobile Communications Group Co Ltd
China Mobile Group Chongqing Co Ltd
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Group Chongqing Co Ltd
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 China Mobile Communications Group Co Ltd, China Mobile Group Chongqing Co Ltd filed Critical China Mobile Communications Group Co Ltd
Priority to CN202011120729.4A priority Critical patent/CN114374931B/zh
Publication of CN114374931A publication Critical patent/CN114374931A/zh
Application granted granted Critical
Publication of CN114374931B publication Critical patent/CN114374931B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/22—Traffic simulation tools or models
    • H04W16/225—Traffic simulation tools or models for indoor or short range network
    • 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
    • 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

Abstract

本发明实施例涉及室内定位技术领域，公开了一种基于近邻成分分析的度量学习的指纹定位方法，该方法包括：获取待定位区域的待定位点的信号数据，所述信号数据包所述在所述待定位点接收到的预设的多个信号发射器的信号强度数据；将所述信号数据输入目标定位模型中，其中，所述目标定位模型根据目标度量矩阵及指纹库训练得到，所述目标度量矩阵为使得各个样本的期望误差的和最小时所对应的距离计算参数，所述各个样本的期望误差由每个样本与所述指纹库中其他各个样本成为邻居的选择概率以及与各个样本对应的位置坐标之间的欧氏距离确定；获取所述目标定位模型输出的所述待定位点的目标位置坐标。通过上述方式，本发明实施例提高了指纹定位的准确率。

Description

基于近邻成分分析的度量学习的指纹定位方法
技术领域
本发明实施例涉及定位技术领域，具体涉及一种基于近邻成分分析的度 量学习的指纹定位方法、装置、设备及可读介质。
背景技术
供应商对于网络进行定位，定位信息可以在多领域得到应用，对于智慧 化网络运营和提升网络附加值都具有重要意义。目前常用的定位方式主要有 GPS定位、基于无线环境的三点定位及近似算法和基于DPI信息的指纹匹配 定位算法。
而在指纹定位中，一般采用的是将分类的算法直接移植到室内指纹定位， 但这样做存在一些问题：传统的分类任务一般针对的是分类类别数量且样本 数量充足，而指纹标签相对于类别标签来说有更大的冗余性，指纹标签的距 离是可以直接计算的，而一般的分类标签的距离并不能直接计算。如果将每 个位置测量格点作为一个类别，其类别数量将随着测量点的增对而增大，并且在每个测量格点，采样样本难且其差异性较小。
上述这些问题都会影响指纹定位的准确率和定位模型训练成本。因此， 现有技术中将现有的针对分类任务的近邻成分分析的度量学习算法直接用于 室内指纹定位是存在问题的。
发明内容
鉴于上述问题，本发明实施例提供了一种基于近邻成分分析的度量学习 的指纹定位方法，用于解决现有技术中存在的度量学习应用于指纹定位时的 效率不高的问题。
根据本发明实施例的一个方面，提供了一种基于近邻成分分析的度量学 习的指纹定位方法，所述方法包括：
获取待定位区域的待定位点的信号数据，所述信号数据包所述在所述待 定位点接收到的预设的多个信号发射器的信号强度数据；
将所述信号数据输入目标定位模型中，其中，所述目标定位模型根据目 标度量矩阵及指纹库训练得到，所述目标度量矩阵为使得各个样本的期望误 差的和最小时所对应的距离计算参数，所述各个样本的期望误差由每个样本 与所述指纹库中其他各个样本成为邻居的选择概率以及对应的位置坐标与各 个样本对应的位置坐标之间的欧氏距离确定，所述选择概率由每个样本与所述指纹库中其他各个样本的信号强度确定；
获取所述目标定位模型输出的所述待定位点的目标位置坐标。
在一种可选的方式中，所述指纹库包括预先在所述待定位区域的采集位 置采集的多个指纹，每个指纹对应于一个采集位置的位置坐标，每个指纹包 括在所述采集位置接收到的来自各个所述信号发射器的信号强度，在所述获 取待定位点的信号采集数据之前，进一步包括：
确定所述指纹库中各个指纹的所述期望误差的和作为代价函数，所述代 价函数表示为下式：
其中，L为所述距离计算参数，qi为指纹库中第i个指纹zi对应的位置坐 标，qj为指纹库中zi以外的任一指纹zj对应的位置坐标qj，pij为zi与zj作为邻 居的选择概率；
确定正则化项，根据所述正则化项及所述代价函数得到目标函数；
对所述目标函数的最小值进行求解，得到在所述目标函数取最小值时的L 作为所述目标度量矩阵。
在一种可选的方式中，所述确定正则化项，根据所述正则化项及所述代 价函数得到目标函数，进一步包括：
确定L的Frobenius范数与正则化参数λ的乘积作为所述正则化项
根据及所述代价函数得到目标函数表示为如下：
其中eij＝(qj-qi)T(qj-qi)。
在一种可选的方式中，所述对所述目标函数的最小值进行求解，得到在 所述目标函数取最小值时的L作为所述目标度量矩阵，进一步包括：
对所述目标函数进行求导，求导公式如下：
获取使得所述目标函数的导数为零的L作为所述目标度量矩阵。
在一种可选的方式中，在对所述目标函数进行求导之前，进一步包括：
确定所述目标函数是否收敛，在所述目标函数不收敛的情况下，根据基 于梯度的优化算法对所述目标函数进行迭代优化；
计算每一次优化后所述目标函数的梯度变化；
获取迭代优化后梯度变化小于预设梯度阈值时的目标函数对应的距离计 算参数作为所述目标度量矩阵。
在一种可选的方式中，所述获取迭代优化后梯度变化小于预设梯度阈值 时的目标函数对应的距离计算参数作为所述目标度量矩阵之后，还进一步包 括：
根据所述目标度量矩阵计算所述指纹库中各个指纹与所述待定位点的目 标距离；
获取与所述待定位点的目标距离最近的t个指纹，t为不为0的自然数， 获取所述t个指纹对应的坐标位置的平均值作为所述待定位点对应的目标位 置坐标。
根据本发明实施例的另一方面，提供了一种基于近邻成分分析的度量学 习的指纹定位装置，包括：
数据获取模块，用于获取待定位点的信号采集数据，所述信号采集数据 包所述在所述待定位点接收到的预设的多个信号发射器的信号强度数据；
度量确定模块，用于将所述信号数据输入目标定位模型中，其中，所述 目标定位模型根据目标度量矩阵及指纹库训练得到，所述目标度量矩阵为使 得各个样本的期望误差的和最小时所对应的距离计算参数，所述各个样本的 期望误差由每个样本与所述指纹库中其他各个样本成为邻居的选择概率以及 对应的位置坐标与各个样本对应的位置坐标之间的欧氏距离确定，所述选择概率由每个样本与所述指纹库中其他各个样本的信号强度确定；
坐标确定模块，用于获取所述目标定位模型输出的所述待定位点的目标 位置坐标。
在一个可选的方式中，所述度量确定模块还包括：
迭代优化模块，用于确定所述目标函数是否收敛，在所述目标函数不收 敛的情况下，根据基于梯度的优化算法对所述目标函数进行迭代优化；
梯度计算模块，用于计算每一次优化后所述目标函数的梯度变化；
参数确定模块，用于获取迭代优化后梯度变化小于预设梯度阈值时的目 标函数对应的距离计算参数作为所述目标度量矩阵。
根据本发明实施例的另一方面，提供了一种近邻成分分析的度量学习的 指纹定位设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、 所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器 执行如前述任意一项实施例所述的基于近邻成分分析的度量学习的指纹定位 方法的操作。
根据本发明实施例的又一方面，提供了一种计算机可读存储介质，所述 存储介质中存储有至少一可执行指令，所述可执行指令在所述基于近邻成分 分析的度量学习的指纹定位设备上运行时，使得所述基于近邻成分分析的度 量学习的指纹定位设备执行如前述任意一项实施例所述的基于近邻成分分析 的度量学习的指纹定位方法的操作。
本发明实施例通过获取待定位区域的待定位点的信号数据，所述信号数 据包所述在所述待定位点接收到的预设的多个信号发射器的信号强度数据； 将所述信号数据输入目标定位模型中，其中，所述目标定位模型根据目标度 量矩阵及指纹库训练得到，所述目标度量矩阵为使得各个样本的期望误差的 和最小时所对应的距离计算参数，所述各个样本的期望误差由每个样本与所 述指纹库中其他各个样本成为邻居的选择概率以及对应的位置坐标与各个样本对应的位置坐标之间的欧氏距离确定；获取所述目标定位模型输出的所述 待定位点的目标位置坐标。
区别于现有技术的基于近邻成分分析的度量学习中根据各个样本的标签 之间的信号强度之间的距离和选择概率来确定各个样本的期望残差，本发明 直接根据各个样本对应的位置坐标之间的差和选择概率来确定每个样本的期 望残差，由此提高了指纹定位的效率和准确率。
上述说明仅是本发明实施例技术方案的概述，为了能够更清楚了解本发 明实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本发明 实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的 具体实施方式。
附图说明
附图仅用于示出实施方式，而并不认为是对本发明的限制。而且在整个 附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明实施例提供的基于近邻成分分析的度量学习的指纹定 位方法的流程示意图；
图2示出了本发明实施例提供的基于近邻成分分析的度量学习的指纹定 位装置的结构示意图；
图3示出了本发明实施例提供的基于近邻成分分析的度量学习的指纹定 位设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示 了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不 应被这里阐述的实施例所限制。
图1示出了本发明基于近邻成分分析的度量学习的指纹定位方法实施例 的流程图，该方法由计算机处理设备执行。具体的包括笔记本电脑等设备。 如图1所示，该方法包括以下步骤：
步骤110：获取待定位区域的待定位点的信号数据，所述信号数据包所述 在所述待定位点接收到的预设的多个信号发射器的信号强度数据。
首先，在待定位区域内摆放信号发射器，在具体的实施例中，可以使用 WIFI设备作为信号发射器使用。
对于每一个采集位置，用x＝(x1,x2,…,xn)T表示采集到的来自于各个不同的 信号发射器的信号强度值，其中n表示所放置的信号发射器的个数。
步骤120：将所述信号数据输入目标定位模型中，其中，所述目标定位模 型根据目标度量矩阵及指纹库训练得到，所述目标度量矩阵为使得各个样本 的期望误差的和最小时所对应的距离计算参数，所述各个样本的期望误差由 每个样本与所述指纹库中其他各个样本成为邻居的选择概率以及对应的位置坐标与各个样本对应的位置坐标之间的欧氏距离确定，所述选择概率由每个 样本与所述指纹库中其他各个样本的信号强度确定。
首先，指纹库中包括预先在所述待定位区域的多个采集位置采集的多个 指纹，每个指纹对应于一个采集位置的位置坐标，所述指纹包括在该指纹对 应的采集位置上接收到的来自各个所述信号发射器的信号强度。
即在前述随机取一些位置采集信号发射器发射的信号，如对于WIFI设备 来说，使用信号接收强度作为采集信息的同时，还进一步记录各个采集位置 的位置坐标。
对于每一个采集位置，用x＝(x1,x2,…,xn)T表示采集到的来自各个信号发射 器的信号在一定时长内的平均值其中n表示前述步骤中放置的信号发射器的 个数。将x＝(x1,x2,…,xn)T作为指纹库中的一条指纹。
与此同时，用q表示每一个采集位置(对应于一条指纹)对应的物理位置 坐标。用database＝((x1,q1),…,(xi,qi),…(xm,qm))表示所有采集位置得到的数据集 合，m表示采集位置的个数。
然后，考虑到为了使得指纹的信号强度信息相近的对应的物理位置距离 也最接近，首先需要进行度量学习，获取分类最准确的目标度量矩阵。
具体的，本发明采用的是基于近邻分析的度量学习，目标函数的优化准 则是使正确的分类概率最大化。对于指纹定位任务，优化准则是最小化定位 误差，而对于回归问题的主要测量指标为回归的残差。
现有技术中一般是按照如下的过程：将各个采集位置作为一个单独的标 签，根据各个指纹之间的信号强度在距离计算参数之下(度量矩阵)的距离 计算每个指纹随机选择邻居的概率和期望值，根据期望值确定样本的残差， 由所有样本的残差确定代价函数。
上述过程存在的问题在于：指纹信息的标签是位置坐标，不同于常规的 类别标签，位置坐标间的相对距离是可以直接进行计算的，同时评价指纹定位性能的参数一般是平均误差而不是分类任务中的分类准确度，这样就使得 现有技术直接将基于近邻成分分析的度量学习应用于指纹定位时的性能较低 并且不够准确。
因此，考虑到位置坐标之间的距离的可计算性，本发明将样本残差替换 为各个样本对应的位置坐标的差，得到新的目标函数，再对目标函数进行求 解，得到目标度量矩阵。
综上，步骤120还首先包括以下步骤1201-步骤1204中确定目标度量矩 阵。
步骤1201：确定所述指纹库中各个指纹的所述期望误差的和作为代价函 数，所述代价函数表示为下式：
其中，L为所述距离计算参数，qi为指纹库中第i个指纹zi对应的位置坐 标，qj为指纹库中zi以外的任一指纹zj对应的位置坐标qj，pij为zi与zj作为邻 居的选择概率。
首先，在现有技术中，首先，zj∈R表示每个样本的测量值即指纹信息，pij表示指纹zi选择zj作为邻居的概率，其定义为：
其中，dM(xi,xj)2＝||L(xi-xl)||2＝(xi-xj)TM(xi-xj)表示在待求解的目标度量 矩阵之下出来的两个样本间的距离。其中，||·||2为二范数。
定义pij为样本数据xi选择样本xj作为邻居的概率，同时xi的类别标签为它 选择的样本的类别标签，
将概率pij作为回归权重，得到指纹zi的期望：
将与xi有相同样本类别标签的样本下标集定义为Ci＝{j|yi＝yj}。
残差为真实值和期望值的差值，对应于传统近邻成分分析的回归版本的 代价函数表示为：
通过最小化上式，就能够得到目标转移矩阵。代价函数可以重写为：
上式即为期望的残差。
然后将每个指纹样本的根据其近邻成分求得的期望和真实值的差作为其 残差，也就是分类的不准确度。将所有训练样本的残差的和即是损失函数， 损失函数最小的距离计算参数即为目标度量矩阵。
区别于现有技术中，在根据信号强度计算出了作为邻居的选择概率之后， 本发明将残差从每个样本的信号强度与其他样本的信号强度的距离替换为每 个样本与其他样本的物理坐标之间的欧氏距离。
即区别于上述现有技术中的损失函数为
本发明中的损失函数表示为
其中，qi表示指纹样本zi对应的位置坐标，eij＝(qj-qi)T(qj-qi)表示样本 指纹zi和zj对应的位置坐标的距离，这样区别于计算不同标签之间的距离 (zj-zi)，本发明直接根据各个样本对应的位置坐标的距离eij＝(qj-qi)T(qj-qi) 以及两个样本之间成为邻居的选择概率来确定目标损失函数。
步骤1202：确定正则化项，根据所述正则化项及所述代价函数得到目标 函数。
在实际的回归问题中，为了防止学习过程过拟合，还需要在损失函数中 添加一个正则化项，具体可以包括如下的步骤12021-步骤12021。
步骤12021：确定L的Frobenius范数与正则化参数λ的乘积作为所述正则 化项
Frobenius范数指的是矩阵各项元素的绝对值平方的总和开根，其作用在 于求两个矩阵之间的大小。
在具体的实施例中，正则化参数λ越大越好，但是过大也容易造成欠拟合。
步骤12022：根据及所述代价函数得到目标函数表示为如下：
其中eij＝(qj-qi)T(qj-qi)。
即目标函数为各个样本的期望之和加上正则化项。
步骤1203：对所述目标函数的最小值进行求解，得到在所述目标函数取 最小值时的L作为所述目标度量矩阵。
对目标函数的最小值进行求解之前，首先要判断是否收敛，即是否存在 一个极值，在存在极值的情况下，求取使导数为0时的L作为目标度量矩阵， 即步骤12031。
步骤12031：对所述目标函数进行求导，求导公式如下：
获取使得所述目标函数的导数为零的L作为所述目标度量矩阵。
在目标函数不收敛的情况下，需要按照如下步骤12032-12034。
步骤12032：确定所述目标函数是否收敛，在所述目标函数不收敛的情况 下，根据基于梯度的优化算法对所述目标函数进行迭代优化。
步骤12033：计算每一次优化后所述目标函数的梯度变化。
步骤12034：获取迭代优化后梯度变化小于预设梯度阈值时的目标函数对 应的距离计算参数作为所述目标度量矩阵。
综合对基于梯度求解的过程进行说明，在梯度下降算法中，需要先对需 要求得的参数(即此处的L)求导，得到梯度。梯度本身是上升最快的方向， 为了让损失尽可能小，沿梯度的负方向更新参数即可。
在将作为指纹之间的距离相似度计算方式的目标度量矩阵之后，即可以 将目标度量矩阵导入到预先训练好的KNN定位模型之中，得到最后的目标定 位模型。
根据目标度量矩阵得到具体的指纹的位置坐标的过程可以包括以下的步 骤12041-12042。
步骤12041：根据所述目标度量矩阵计算所述指纹库中各个指纹与所述待 定位点的目标距离。
步骤12042：获取与所述待定位点的目标距离最近的t个指纹，t为不为0 的自然数，获取所述t个指纹对应的坐标位置的平均值作为所述待定位点对应 的目标位置坐标。
步骤12041-步骤12042中计算过程可以用下式进行概括：
其中，loci表示选择指纹库中指纹特征与待定位设备采集到的信息按照学 习到的目标度量矩阵计算出的距离最小所对应的位置坐标；Min_K(D1,...DL)表 示在指纹数据库中与采集到的信号发射器的信息距离信息最小的K个位置坐 标；L表示步骤1203得到的目标度量矩阵。
步骤130：获取所述目标定位模型输出的所述待定位点的目标位置坐标。
图2示出了本发明基于近邻成分分析的度量学习的指纹定位装置实施例 的结构示意图。如图2所示，该装置300包括：数据获取模块310、度量确定 模块320和坐标确定模块330。
在一种可选的方式中，度量确定模块320还用于：
确定所述指纹库中各个指纹的所述期望误差的和作为代价函数，所述代 价函数表示为下式：
其中，L为所述距离计算参数，qi为指纹库中第i个指纹zi对应的位置坐 标，qj为指纹库中zi以外的任一指纹zj对应的位置坐标qj，pij为zi与zj作为邻 居的选择概率；
确定正则化项，根据所述正则化项及所述代价函数得到目标函数；
对所述目标函数的最小值进行求解，得到在所述目标函数取最小值时的L 作为所述目标度量矩阵。
在一种可选的方式中，度量确定模块320还用于：
确定L的Frobenius范数与正则化参数λ的乘积作为所述正则化项
根据及所述代价函数得到目标函数表示为如下：
其中eij＝(qj-qi)T(qj-qi)。
在一种可选的方式中，度量确定模块320还用于：
对所述目标函数进行求导，求导公式如下：
获取使得所述目标函数的导数为零的L作为所述目标度量矩阵。
在一种可选的方式中，度量确定模块320还用于：
确定所述目标函数是否收敛，在所述目标函数不收敛的情况下，根据基 于梯度的优化算法对所述目标函数进行迭代优化；
计算每一次优化后所述目标函数的梯度变化；
获取迭代优化后梯度变化小于预设梯度阈值时的目标函数对应的距离计 算参数作为所述目标度量矩阵。
在一种可选的方式中，度量确定模块320还用于：
根据所述目标度量矩阵计算所述指纹库中各个指纹与所述待定位点的目 标距离；
获取与所述待定位点的目标距离最近的t个指纹，t为不为0的自然数， 获取所述t个指纹对应的坐标位置的平均值作为所述待定位点对应的目标位 置坐标。
本发明实施例的基于近邻成分分析的度量学习的指纹定位装置的具体工 作过程与上述基于近邻成分分析的度量学习的指纹定位方法的具体流程步骤 相同，此处不再赘述。
本发明实施例的基于近邻成分分析的度量学习的指纹定位装置直接根据 各个样本对应的位置坐标之间的差和选择概率来确定每个样本的期望残差， 由此提高了指纹定位的效率和准确率。
图3示出了本发明基于近邻成分分析的度量学习的指纹定位设备实施例 的结构示意图，本发明具体实施例并不对基于近邻成分分析的度量学习的指 纹定位设备的具体实现做限定。
如图3所示，该基于近邻成分分析的度量学习的指纹定位设备可以包括： 处理器(processor)402、通信接口(Communications Interface)404、存储器 (memory)406、以及通信总线408。
其中：处理器402、通信接口404、以及存储器406通过通信总线408完 成相互间的通信。通信接口404，用于与其它设备比如客户端或其它服务器等 的网元通信。处理器402，用于执行程序410，具体可以执行上述用于基于近 邻成分分析的度量学习的指纹定位方法实施例中的相关步骤。
具体地，程序410可以包括程序代码，该程序代码包括计算机可执行指 令。
处理器402可能是中央处理器CPU，或者是特定集成电路ASIC (ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。基于近邻成分分析的度量学习的指纹定位设备包括 的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可 以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。
存储器406，用于存放程序410。存储器406可能包含高速RAM存储器， 也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存 储器。
程序410具体可以被处理器402调用使基于近邻成分分析的度量学习的 指纹定位设备执行以下操作：
获取待定位区域的待定位点的信号数据，所述信号数据包所述在所述待 定位点接收到的预设的多个信号发射器的信号强度数据；
将所述信号数据输入目标定位模型中，其中，所述目标定位模型根据目 标度量矩阵及指纹库训练得到，所述目标度量矩阵为使得各个样本的期望误 差的和最小时所对应的距离计算参数，所述各个样本的期望误差由每个样本 与所述指纹库中其他各个样本成为邻居的选择概率以及对应的位置坐标与各个样本对应的位置坐标之间的欧氏距离确定，所述选择概率由每个样本与所 述指纹库中其他各个样本的信号强度确定；
获取所述目标定位模型输出的所述待定位点的目标位置坐标。
在一种可选的方式中，所述程序410被处理器402调用使基于近邻成分 分析的度量学习的指纹定位设备执行以下操作：
确定所述指纹库中各个指纹的所述期望误差的和作为代价函数，所述代 价函数表示为下式：
其中，L为所述距离计算参数，qi为指纹库中第i个指纹zi对应的位置坐 标，qj为指纹库中zi以外的任一指纹zj对应的位置坐标qj，pij为zi与zj作为邻 居的选择概率；
确定正则化项，根据所述正则化项及所述代价函数得到目标函数；
对所述目标函数的最小值进行求解，得到在所述目标函数取最小值时的L 作为所述目标度量矩阵。
在一种可选的方式中，所述程序410被处理器402调用使基于近邻成分 分析的度量学习的指纹定位设备执行以下操作：
确定L的Frobenius范数与正则化参数λ的乘积作为所述正则化项
根据及所述代价函数得到目标函数表示为如下：
其中eij＝(qj-qi)T(qj-qi)。
在一种可选的方式中，所述程序410被处理器402调用使基于近邻成分 分析的度量学习的指纹定位设备执行以下操作：
对所述目标函数进行求导，求导公式如下：
获取使得所述目标函数的导数为零的L作为所述目标度量矩阵。
在一种可选的方式中，所述程序410被处理器402调用使基于近邻成分 分析的度量学习的指纹定位设备执行以下操作：
确定所述目标函数是否收敛，在所述目标函数不收敛的情况下，根据基 于梯度的优化算法对所述目标函数进行迭代优化；
计算每一次优化后所述目标函数的梯度变化；
获取迭代优化后梯度变化小于预设梯度阈值时的目标函数对应的距离计 算参数作为所述目标度量矩阵。
在一种可选的方式中，所述程序410被处理器402调用使基于近邻成分 分析的度量学习的指纹定位设备执行以下操作：
根据所述目标度量矩阵计算所述指纹库中各个指纹与所述待定位点的目 标距离；
获取与所述待定位点的目标距离最近的t个指纹，t为不为0的自然数， 获取所述t个指纹对应的坐标位置的平均值作为所述待定位点对应的目标位 置坐标。
本发明实施例的基于近邻成分分析的度量学习的指纹定位设备的具体工 作过程与上述基于近邻成分分析的度量学习的指纹定位方法的具体流程步骤 相同，此处不再赘述。
本发明实施例的基于近邻成分分析的度量学习的指纹定位设备直接根据 各个样本对应的位置坐标之间的差和选择概率来确定每个样本的期望残差， 由此提高了指纹定位的效率和准确率。
本发明实施例提供了一种计算机可读存储介质，所述存储介质中存储有 至少一可执行指令，所述可执行指令在所述基于近邻成分分析的度量学习的 指纹定位设备上运行时，使得所述基于近邻成分分析的度量学习的指纹定位 设备执行如前述任意一项实施例所述的基于近邻成分分析的度量学习的指纹 定位方法的操作。
本发明实施例的计算机可读存储介质的具体工作过程与上述基于近邻成 分分析的度量学习的指纹定位方法的具体流程步骤相同，此处不再赘述。
本发明实施例的计算机可读存储介质直接根据各个样本对应的位置坐标 之间的差和选择概率来确定每个样本的期望残差，由此提高了指纹定位的效 率和准确率。
本发明实施例提供了一种计算机程序，所述计算机程序可被处理器调用 使基于近邻成分分析的度量学习的指纹定位设备执行上述任意方法实施例中 的基于近邻成分分析的度量学习的指纹定位方法。
本发明实施例提供了一种计算机程序产品，计算机程序产品包括存储在 计算机可读存储介质上的计算机程序，计算机程序包括程序指令，当程序指 令在计算机上运行时，使得所述计算机执行上述任意方法实施例中的基于近 邻成分分析的度量学习的指纹定位方法。
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固 有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述， 构造这类系统所要求的结构是显而易见的。此外，本发明实施例也不针对任 何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明 的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本 发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未 详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个 或多个，在上面对本发明的示例性实施例的描述中，本发明实施例的各个特 征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将 该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权 利要求中所明确记载的特征更多的特征。
本领域技术人员可以理解，可以对实施例中的设备中的模块进行自适应 性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实 施例中的模块或单元或组件组合成一个模块或单元或组件，以及可以把它们 分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的 至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的 所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利 要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的 替代特征来代替。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制， 并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实 施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要 求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件 之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干 装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具 体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单 词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行 顺序的限定。

Claims (8)

1.一种基于近邻成分分析的度量学习的指纹定位方法，其特征在于，所述方法包括：
获取待定位区域的待定位点的信号数据，所述信号数据包括在所述待定位点接收到的预设的多个信号发射器的信号强度数据；
将所述信号数据输入目标定位模型中，其中，所述目标定位模型根据目标度量矩阵及指纹库训练得到，所述目标度量矩阵为使得各个样本的期望误差的和最小时所对应的距离计算参数，所述各个样本的期望误差由每个样本与所述指纹库中其他各个样本成为邻居的选择概率以及对应的位置坐标与各个样本对应的位置坐标之间的欧氏距离确定，所述选择概率由每个样本与所述指纹库中其他各个样本的信号强度确定；
获取所述目标定位模型输出的所述待定位点的目标位置坐标；其中，所述指纹库包括预先在所述待定位区域的采集位置采集的多个指纹，每个指纹对应于一个采集位置的位置坐标，每个指纹包括在所述采集位置接收到的来自各个所述信号发射器的信号强度，在所述获取待定位点的信号采集数据之前，进一步包括：
确定所述指纹库中各个指纹的所述期望误差的和作为代价函数，所述代价函数表示为下式：
其中，L为所述距离计算参数，qi为指纹库中第i个指纹zi对应的位置坐标，qj为指纹库中zi以外的任一指纹zj对应的位置坐标qj，pij为zi与zj作为邻居的选择概率；
确定正则化项，根据所述正则化项及所述代价函数得到目标函数；
对所述目标函数的最小值进行求解，得到在所述目标函数取最小值时的L作为所述目标度量矩阵；
所述确定正则化项，根据所述正则化项及所述代价函数得到目标函数，进一步包括：
确定L的Frobenius范数与正则化参数λ的乘积作为所述正则化项
根据及所述代价函数得到目标函数表示为如下：
其中eij＝(qj-qi)T(qj-qi)。
2.根据权利要求1所述的方法，其特征在于，所述对所述目标函数的最小值进行求解，得到在所述目标函数取最小值时的L作为所述目标度量矩阵，进一步包括：
对所述目标函数进行求导，求导公式如下：
获取使得所述目标函数的导数为零的L作为所述目标度量矩阵。
3.根据权利要求2所述的方法，其特征在于，在对所述目标函数进行求导之前，进一步包括：
确定所述目标函数是否收敛，在所述目标函数不收敛的情况下，根据基于梯度的优化算法对所述目标函数进行迭代优化；
计算每一次优化后所述目标函数的梯度变化；
获取迭代优化后梯度变化小于预设梯度阈值时的目标函数对应的距离计算参数作为所述目标度量矩阵。
4.根据权利要求3所述的方法，其特征在于，所述获取迭代优化后梯度变化小于预设梯度阈值时的目标函数对应的距离计算参数作为所述目标度量矩阵之后，还进一步包括：
根据所述目标度量矩阵计算所述指纹库中各个指纹与所述待定位点的目标距离；
获取与所述待定位点的目标距离最近的t个指纹，t为不为0的自然数，获取所述t个指纹对应的坐标位置的平均值作为所述待定位点对应的目标位置坐标。
5.一种基于近邻成分分析的度量学习的指纹定位装置，其特征在于，所述装置包括：
数据获取模块，用于获取待定位点的信号采集数据，所述信号采集数据包括在所述待定位点接收到的预设的多个信号发射器的信号强度数据；
度量确定模块，用于将所述信号采集数据输入目标定位模型中，其中，所述目标定位模型根据目标度量矩阵及指纹库训练得到，所述目标度量矩阵为使得各个样本的期望误差的和最小时所对应的距离计算参数，所述各个样本的期望误差由每个样本与所述指纹库中其他各个样本成为邻居的选择概率以及对应的位置坐标与各个样本对应的位置坐标之间的欧氏距离确定，所述选择概率由每个样本与所述指纹库中其他各个样本的信号强度确定；其中，所述指纹库包括预先在待定位区域的采集位置采集的多个指纹，每个指纹对应于一个采集位置的位置坐标，每个指纹包括在所述采集位置接收到的来自各个所述信号发射器的信号强度，在所述获取待定位点的信号采集数据之前，进一步包括：
确定所述指纹库中各个指纹的所述期望误差的和作为代价函数，所述代价函数表示为下式：
其中，L为所述距离计算参数，qi为指纹库中第i个指纹zi对应的位置坐标，qj为指纹库中zi以外的任一指纹zj对应的位置坐标qj，pij为zi与zj作为邻居的选择概率；
确定正则化项，根据所述正则化项及所述代价函数得到目标函数；
对所述目标函数的最小值进行求解，得到在所述目标函数取最小值时的L作为所述目标度量矩阵；
所述确定正则化项，根据所述正则化项及所述代价函数得到目标函数，进一步包括：
确定L的Frobenius范数与正则化参数λ的乘积作为所述正则化项
根据及所述代价函数得到目标函数表示为如下：
其中eij＝(qj-qi)T(qj-qi)；
坐标确定模块，用于获取所述目标定位模型输出的所述待定位点的目标位置坐标。
6.根据权利要求5所述的装置，其特征在于，所述度量确定模块还包括：
迭代优化模块，用于确定所述目标函数是否收敛，在所述目标函数不收敛的情况下，根据基于梯度的优化算法对所述目标函数进行迭代优化；
梯度计算模块，用于计算每一次优化后所述目标函数的梯度变化；
参数确定模块，用于获取迭代优化后梯度变化小于预设梯度阈值时的目标函数对应的距离计算参数作为所述目标度量矩阵。
7.一种近邻成分分析的度量学习的指纹定位设备，其特征在于，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-4任意一项所述的基于近邻成分分析的度量学习的指纹定位方法的操作。
8.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一可执行指令，所述可执行指令在所述基于近邻成分分析的度量学习的指纹定位设备上运行时，使得所述基于近邻成分分析的度量学习的指纹定位设备执行如权利要求1-4任意一项所述的基于近邻成分分析的度量学习的指纹定位方法的操作。
CN202011120729.4A 2020-10-19 2020-10-19 基于近邻成分分析的度量学习的指纹定位方法 Active CN114374931B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011120729.4A CN114374931B (zh) 2020-10-19 2020-10-19 基于近邻成分分析的度量学习的指纹定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011120729.4A CN114374931B (zh) 2020-10-19 2020-10-19 基于近邻成分分析的度量学习的指纹定位方法

Publications (2)

Publication Number Publication Date
CN114374931A CN114374931A (zh) 2022-04-19
CN114374931B true CN114374931B (zh) 2023-12-15

Family

ID=81138506

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011120729.4A Active CN114374931B (zh) 2020-10-19 2020-10-19 基于近邻成分分析的度量学习的指纹定位方法

Country Status (1)

Country Link
CN (1) CN114374931B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114783004A (zh) * 2022-04-25 2022-07-22 北京度位科技有限公司 指纹定位和处理指纹数据的方法及装置、设备及介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109447175A (zh) * 2018-11-07 2019-03-08 黄山学院 结合深度学习与度量学习的行人再识别方法
CN109478057A (zh) * 2016-05-09 2019-03-15 强力物联网投资组合2016有限公司 用于工业物联网的方法和系统
CN110163247A (zh) * 2019-04-08 2019-08-23 广东工业大学 基于深度最近类均值的模型设计方法及增量气味分类方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10679075B2 (en) * 2017-08-31 2020-06-09 Nec Corporation Dense correspondence estimation with multi-level metric learning and hierarchical matching
EP3534235B1 (en) * 2018-02-28 2021-04-14 Honda Research Institute Europe GmbH Unsupervised learning of metric representations from slow features

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109478057A (zh) * 2016-05-09 2019-03-15 强力物联网投资组合2016有限公司 用于工业物联网的方法和系统
CN109447175A (zh) * 2018-11-07 2019-03-08 黄山学院 结合深度学习与度量学习的行人再识别方法
CN110163247A (zh) * 2019-04-08 2019-08-23 广东工业大学 基于深度最近类均值的模型设计方法及增量气味分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
DL-RNN: an accurate indoor localization method via double RNNS;Yan MingJiang;《IEEE Sensors Journal》;全文 *
基于循环神经网络的室内定位算法研究;颜铭江;《硕士电子期刊出版信息2019年第12期》;全文 *

Also Published As

Publication number Publication date
CN114374931A (zh) 2022-04-19

Similar Documents

Publication Publication Date Title
CN111553399A (zh) 特征模型训练方法、装置、设备及存储介质
US8798357B2 (en) Image-based localization
EP2811424B1 (en) Method and apparatus for training an estimator for estimating a pose of an articulated object
CN111127364A (zh) 图像数据增强策略选择方法及人脸识别图像数据增强方法
CN114374931B (zh) 基于近邻成分分析的度量学习的指纹定位方法
CN114821818B (zh) 基于智慧体育的动作数据分析方法及系统
CN109902641B (zh) 基于语义对齐的人脸关键点检测方法、系统、装置
CN111193627A (zh) 信息处理方法、装置、设备及存储介质
CN112333652B (zh) Wlan室内定位方法、装置及电子设备
CN114449435B (zh) 基于大间隔近邻的度量学习的指纹定位方法
CN114863201A (zh) 三维检测模型的训练方法、装置、计算机设备和存储介质
EP2889724B1 (en) System and method for selecting features for identifying human activities in a human-computer interacting environment
CN114255381A (zh) 图像识别模型的训练方法、图像识别方法、装置及介质
JP6927161B2 (ja) 学習装置、予測装置、方法、及びプログラム
CN111931119A (zh) 一种组合模式的快速稳定圆最优拟合方法
CN112529038B (zh) 一种主板物料的识别方法、装置及存储介质
Plambeck et al. Explaining Cyber-Physical Systems Using Decision Trees
CN114364016B (zh) 基于aoa和rssi加权指纹特征匹配室内定位方法、装置及系统
CN113469244B (zh) 小众app分类系统
KR102616028B1 (ko) 비주얼 로컬라이제이션을 효율적으로 수행하기 위한 방법 및 장치
US20210326754A1 (en) Storage medium, learning method, and information processing apparatus
CN116245619B (zh) 商品向量嵌入方法、商品相似度评估方法及商品陈列方法
CN113837228B (zh) 基于惩罚感知中心损失函数的用于细粒度物体检索方法
CN111741430B (zh) 一种基于最优参考点和接入点选取的指纹定位方法和系统
CN117520936A (zh) 一种特征分类方法、装置、设备及存储介质

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