CN115278520A - 一种基于指纹库迁移重构的5g室内定位方法 - Google Patents

Abstract

本发明提供了一种基于指纹库迁移重构的5G室内定位方法，包括：提取源域，基于源域与目标域的基站相似度进行自适应源域筛选，构建高质量的源域数据库；基于源域与目标域的同构特征对源域数据进行聚类模型的训练，使目标域数据生成伪标签；基于投影矩阵进行两域之间特征知识的迁移，并基于同现样本与异现样本重构一个新的域不变的共享指纹库，并更新类标签；在线实时定位阶段，在数据投影重构的基础上在对应类别中采用WKNN算法得到定位点的坐标。本发明中的知识迁移具有较好的指纹库重构效果，降低了重新采集指纹库数据的成本，降低了在线阶段与大量的指纹数据进行匹配的复杂度和在线定位时间，提高了定位精度。

Description

一种基于指纹库迁移重构的5G室内定位方法

技术领域

本发明涉及室内定位技术领域，具体但不限于涉及一种基于指纹库迁移重构的5G室内定位方法。

背景技术

随着经济的快速发展，现代化信息技术不断进步，数字化建设以及信息技术应用不断普及，人们对于互联网的需求正在不断发生着变化，对于网络传输的速度和稳定性有了更高的要求。而5G技术的出现解决了当下人们的需求，同时5G通信技术将更好的促进智慧社会的形成，5G新基建的开展加快了各领域应用场景不断扩展，人们对于移动通信的相关要求逐渐丰富，其中，室内定位是其中一项重要需求。在室内部署5G小基站，由于其信号发射功率和覆盖半径较小的特点，小范围内信号精确覆盖，将5G基站部署至室内场景中，充分利用5G网络低延迟、大带宽、密集组网等优势，提高定位覆盖范围，可以有效降低人员、物品等定位所需的时间，满足日益增长的快速高精度定位需求。

室内定位是指在网络覆盖的室内场所，人员携带的移动终端设备周期性的发出信号，周围基站接收到信号后，将信号传送到指定的定位服务器，定位服务器通过程序算法获得人员的位置。室内定位技术包括无线信号交汇定位、数据库匹配定位、基于惯性传感器的推算定位和多传感器组合定位五类。其中，数据库匹配定位是将室内实时采集到的信号与数据库中的指纹信息进行匹配，从而进行位置估计，定位精度较高，该方法包括两个阶段：一是离线阶段，对定位区域设定若干个参考点，在每一个参考点处采集信号特征值，该信号特征即为指纹数据库的指纹样本，所有参考点处采集的指纹样本构成匹配定位算法所需的指纹数据库，二是在线阶段，待定位终端在未知位置处采集当前位置处的特征信息构成实时的指纹，然后通过匹配算法与离线阶段建立的指纹数据库中的指纹进行匹配，获取最终的位置估计结果。到目前为止，将多种信号特征应用于室内定位领域已取得大量进展，5G信号中可测量得到的RSRP值(参考信号接收功率)也是一种同RSSI一样可体现信号强度的信号特征，随终端距离基站的距离变化而变化。

迁移学习是机器学习中的一个重要部分，它又被称为归纳学习或者是领域适配。迁移学习通过在一个域或任务中提取有效知识，迁移到另一个不同但相关的域或任务上，辅助完成相关任务，迁移学习可以将源域大量带类标签的数据和目标域少量带类标签甚至无标签的数据进行匹配，从而解决目标域带类标签数据量少且源域与目标域数据分布存在差异的问题。在目前的室内指纹定位方法中通常存在很多问题，例如，相比于建库阶段定位的室内环境发生较大变化，定位系统中信号数据的分布随着时间改变导致定位误差增加，不同阶段采集信号的设备存在差异等，而迁移学习可以很好地利用利用相关域中的知识辅助新的数据域中的分类任务。

在室内定位的过程中，源域由历史指纹向量或者物理位置构成，目标域由最新指纹向量构成，历史指纹向量和最新指纹向量的分布不同，是由信号接收设备、数据采集时间或室内环境的不同造成的。这些不同分布的指纹向量都是在同一个室内空间中，通过共同的物理空间，可以将这些不同分布的信号空间对应起来，因此，在不同分布的信号空间之间的迁移学习是可行的。同时，在实际应用中，由于时间的影响，历史采集的数据失去了时效性，指纹数据在不同时间段发生了变化，使用历史数据导致误差较大，然而，重新收集所需的训练数据并重新建立模型往往会耗费大量的人力财力并且非常困难，因此，相关域之间的迁移学习是必要的。

为此，本发明基于迁移学习的思想与聚类算法对采集到的源域和目标域的训练数据进行源域筛选与指纹数据库迁移重构，对数据库进行分类，在在线阶段应用WKNN算法完成位置解算，提出了一种基于指纹库迁移重构的5G室内定位方法，以期解决上述至少部分问题。

发明内容

针对现有技术中的一个或多个问题，本发明提出了一种基于指纹库迁移重构的5G室内定位方法，考虑由于基站故障、环境变化、定位设备限制等原因，在实际定位阶段很难探测到环境范围内所有基站的数据，利用源域与目标域之间的基站相似度进行源域筛选，构建高质量的源域数据库，进而完成目标域与源域之间的特征知识迁移，重构一个新的域不变的共享指纹库，并进行类标签更新，在类中完成指纹库特征与位置一一匹配，实现了较好的指纹库重构效果，降低重新采集指纹库数据的成本，同时降低了在线阶段与大量的指纹数据进行匹配的复杂度，降低了在线定位时间，提高了定位精度。

实现本发明目的的技术解决方案为：

一种基于指纹库迁移重构的5G室内定位方法，包括离线阶段和在线阶段，其中：

离线阶段包括：

第一步：对历史离线数据库进行自适应筛选：将历史采集的数据与当前采集的数据样本，基于基站相似度对历史离线数据库中的样本进行细化筛选，筛选出与目标域的样本特征相似的历史源域样本，并基于源域与目标域之间的差异确定源域的样本数，完成自适应源域筛选；

第二步：基于源域与目标域的同构特征，采用模糊C均值算法对经过自适应筛选后保留的历史源域样本进行聚类算法模型的训练，并基于源域样本和目标域样本之间的位置坐标关系对目标域样本生成伪标签并进行类别归属；

第三步：利用映射矩阵和重构矩阵对源域和目标域之间进行同构知识向异构知识的迁移，对同现样本进行数据加权处理，对异现样本基于类内距离、类间距离与邻居分布差异函数进行重构处理，生成一个新的域不变的共享指纹库，并更新共享指纹库中所有样本的类标签；

在线阶段包括：

第一步：接收信号特征数据，并以数据包的形式发送给连接的基站，由基站侧对信号特征数据进行数据投影重构，得到最终的信号值；

第二步：将最终的信号值与离线阶段得到的各聚类中心点进行匹配，对定位点的类别进行归属；

第三步：将定位点与类内的各个参考点进行位置匹配，基于改进的加权近邻算法对定位点进行位置解算，得到定位点的坐标；

第四步：基于5G网络的下行技术，由基站将将定位点的坐标数据发送给终端。

进一步的，本发明的基于指纹库迁移重构的5G室内定位方法，离线阶段第一步具体包括：

1-1：初始的离线数据库D_O＝{R_O,Q_O}包括n_O个参考点的数据，其中，

表示参考点的位置坐标信息，

表示信号数据信息，

表示第i个参考点上接收到的L_O个基站的数据，i∈[1,n₀]；

在时间A上的目标域数据库为

其中，时间A表示重新采集指纹样本的当前时间，

表示第i个参考点上接收到的L_T个基站的数据，n_T为目标域中参考点样本的数目；

1-2：假设离线数据库D_O与目标域数据库D_T中的所有被扫描的基站数为L，定义检测指标

和

其中

当检测指标值为1时，表示第i个样本扫描到了第l个基站；

基于上述检测指标计算离线数据库D_O与目标域数据库D_T中各样本的基站相似度α(i，j)：

在第i个样本和第j个样本间检测到的共享的基站数目越多，则α(i，j)越大，说明源域中第i个样本对目标域的作用越大；

1-3：设目标域中第j个基站的最大值与最小值如下：

则设

式中，

则源域中第i个样本的权重为

其中θ_i为基于最大值与最小值得到的样本的基站特征相似度权重，θ_max为所有样本的θ_i中的最大值；因此，源域中第i个样本的基站相似度为：

对于所有的离线库样本有

从而，基于s保留最相似的n_S个样本构建新的源域

1-4：经源域筛选后保留的样本构建与目标域相关的新源域D_S，由于保留的样本数n_S决定了相似度阈值，因此，建立如下源域筛选的优化模型，基于该模型，得到最优的相似度阈值，从而确认最佳的源域样本数n_S；

该优化模型的第一部分表示新的源域与目标域之间误差的最小化，第二部分表示两域样本基站特征的相似程度。

进一步的，本发明的基于指纹库迁移重构的5G室内定位方法，离线阶段第二步具体包括：

2-1：基于离线阶段检测指标

和

其中

当检测指标值为1时，表示第i个样本扫描到了第l个基站；第j个基站的总检测指标

当该值不为0时，表示第j个基站的信号特征为源域和目标域的同构特征，分别记为

和

否则，则为异构特征分别记为

和

在异构特征中，若

则为源域的特有基站特征，若

则为目标域的特有基站信息；

2-2：对源域的数据基于同构特征进行聚类，采用模糊C均值聚类算法，随机初始化模糊C均值聚类的类别数，计算每个参考点的隶属度，初始化隶属度矩阵，通过隶属度计算初始指纹聚类中心，并依据聚类算法的目标函数更新聚类中心c_j，聚类算法的目标函数J为：

式中，U表示类别数目，n_S表示源域样本的数目，

表示隶属度，

表示加权系数或模糊控制参数，优选的，

设为2，L表示信号特征数，

表示第i个源域样本的第a个特征数据，

表示第j个类别的聚类中心c_j的第a个特征数据，依据新的聚类中心重新计算隶属度

2-3：基于源域的类别和聚类中心，对目标域的数据基于同构特征进行分类，并引入坐标相关度作为分类的权值，则目标域中第i个样本到各个聚类中心的聚类隶属度

为：

其中，

表示第j个类别的聚类中心c_j的横坐标，

表示第i个目标域样本的横坐标，

表示第j个类别的聚类中心c_j的纵坐标，

表示第i个目标域样本的纵坐标，基于聚类距离完成分类，即获得目标域的类别伪标签。

进一步的，本发明的基于指纹库迁移重构的5G室内定位方法，离线阶段第三步具体包括：

3-1：假设在源域和目标域中分别存在源域映射矩阵P_S和目标域映射矩阵P_T，将同构特征的知识转移到异构特征，完成两域之间异构特征知识的迁移，得到源域中对应的目标域特有特征知识为

和目标域中对应的源域特有特征知识为

即

则新的源域R_N-S和目标域R_N-T分别为

和

3-2：对同构知识进行投影转移时，不能破坏对应域原来的数据结构，在求解映射矩阵的过程中将对应域原有的同构数据进行映射到其特有的异构数据中，通过将差异最小化，将对原有数据结构的影响最小化，对应差异F_SOD为：

3-3：将新源域与目标域中的样本基于位置坐标分为同现样本与异现样本，同一位置坐标的样本为同现样本，分别记为R_N-S,B和R_N-T,B，反之则为异现样本，分别记为R_N-S,G和R_N-T,G，设同现样本共有ρ个；

3-4：对ρ个同现样本进行处理，在构建的新的共享指纹库中同一坐标保留一个样本数据，即对两域数据进行加权处理，首先判断哪些基站的数据发生变化的程度较大，引入高斯分布对两域数据的差值RSRP-d^i,l进行比较，若差值过低，则说明变化程度小，保留目标域的最新数据

若处于中间平均区域，则计算两个数据的均值；若相差较大，则分别对源域和目标域的对应基站的数据进行加权，指纹库中第i个同现样本的第j个基站信号数据的加权计算如下：

其中，μ表示两域中所有基站特征数据的差值RSRP-d^i,l的均值，σ表示两域中所有基站特征数据的差值RSRP-d^i,l的分布标准差；

3-5：对源域和目标域中各自的异现样本进行重构，分别引入重构矩阵Z_S和Z_T，则重构后的异现样本R_G-S和R_G-T分别为：

3-6：对于同现样本更新后的数据，基于类内距离最小化，即源域与目标域中与同现样本属于同一类的样本之间的距离最小化，构建类内差异函数F_ICD：

其中，

表示第i个同现样本，

表示源域中第j个异现样本，

表示目标域中第j个异现样本；且

最后，重构后得到的新的共享指纹库D_N的信号特征数据为R_N＝[R_B R_G-S R_G-T]^T；

3-7：基于类中心样本重构后的数据引入最大均值差异指标，构建类间差异函数F_BCD：

其中，

为共享指纹库R_N中第c1类中的样本数，

为共享指纹库R_N中第c2类中的样本数，

为共享指纹库R_N中第i个参考点样本，

为共享指纹库R_N中第j个参考点样本；

3-8：基于整个指纹库中的所有参考点样本，引入样本间坐标的欧式距离，欧式距离越小，则参考点间距离越近、数据差异越小，构建邻居分布差异函数F_AID：

其中，n_N为共享指纹库R_N中参考点样本数，

为共享指纹库中第i个样本的坐标，

为共享指纹库中第j个样本的坐标；

3-9：得到两域之间投影与重构得到共享指纹库的总目标函数F为：

F＝F_SOD+F_ICD+F_AID-F_BCD

将上式最小化，通过迭代计算，得到对应的投影P_S、P_T与重构矩阵Z_S、Z_T；

3-10：完成映射与新域的重构后得到了新的共享指纹库D_N，对D_N中所有样本参考点的信号特征数据R_N重新计算隶属度，隶属度

更新如下：

其中，

为共享指纹库R_N中第i个参考点样本的第a个特征数据，

为共享指纹库R_N中第j类的类别中心点样本的第a个特征数据；

根据上述更新的隶属度对D_N中所有源域和目标域中所有样本重新进行分类，样本得到新的类别标签L_N。

进一步的，本发明的基于指纹库迁移重构的5G室内定位方法，在线阶段第三步具体包括：

(3-1)将在线阶段终端接收到的定位点的信号数据作为目标域的数据基于映射矩阵P_S进行映射，基于重构矩阵Z_T重构新的信号特征RSRP_IL使该样本与共享指纹库满足维度齐次与分布相似；

(3-2)将定位点匹配到第g个类别区域中，设共享指纹库第g个类别区域中共有

个参考点，选择曼哈顿距离作为权值，解算定位点的坐标，第i个参考点的曼哈顿距离权重ω_i为：

其中，

表示重构后的在线样本的第k个特征的信号数据，

表示共享指纹库中第i个参考点样本的第k个特征的信号数据，

表示共享指纹库中第a个参考点样本的第k个特征的信号数据；

(3-3)基于上式计算参考点的加权质心，得到质心的坐标即为定位点的坐标：

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

1、本发明的基于指纹库迁移重构的5G室内定位方法，借助在室内环境中采集的历史数据库与当前时刻采集的少量样本进行比较，从基站信号是否被扫描的角度和源域样本的基站特征数据是否在目标域的同一特征的数据范围两个角度进行考虑，从源域中筛选出与目标域中参考点样本的最相似的样本，减少源域样本的冗余性，从而构建高质量的源域数据库，进而有效降低了指纹库迁移的计算复杂度。

2、本发明的基于指纹库迁移重构的5G室内定位方法，基于投影矩阵与重构矩阵对经过筛选后得到的源域数据库和目标域数据库进行知识的迁移重构，构建一个域不变的共享指纹库，共享指纹库的构建使得在重新采集离线样本时需要采集少量最新的数据样本构成目标域，就能与历史数据样本构成的源域进行知识迁移，从而构建高质量大数据的共享指纹库，有效降低了重新采集离线数据的时间成本。

3、本发明的基于指纹库迁移重构的5G室内定位方法，基于得到的由源域和目标域经投影重构的方式构建的共享指纹库，更新指纹库中的样本的隶属度，进而更新样本的类别标签，利用加权K近邻算法完成定位点的位置解算，使室内定位位置解算的准确度显著提高。

附图说明

附图用来提供对本发明的进一步理解，与说明描述一起用于解释本发明的实施例，并不构成对本发明的限制。在附图中：

图1示出了本发明的基于指纹库迁移重构的5G室内定位方法中构建共享指纹库的流程图。

图2示出了本发明的基于指纹库迁移重构的5G室内定位方法的流程图。

具体实施方式

为了进一步理解本发明，下面结合实施例对本发明优选实施方案进行描述，但是应当理解，这些描述只是为进一步说明本发明的特征和优点，而不是对本发明权利要求的限制。

该部分的描述只针对典型的实施例，本发明并不仅局限于实施例描述的范围。不同实施例的组合、不同实施例中的一些技术特征进行相互替换，相同或相近的现有技术手段与实施例中的一些技术特征进行相互替换也在本发明描述和保护的范围内。

本发明提出一种基于指纹库迁移重构的5G室内定位方法，该方法融合了定位技术中基于聚类算法的指纹库迁移重构方法和加权最近邻匹配算法，为在线实时定位降低了指纹匹配时间，提高了定位精确度。

本发明的基于指纹库迁移重构的5G室内定位方法，如图2所示，实现过程包括离线阶段和在线阶段，其中：

离线阶段：

第一步：对历史数据库进行自适应筛选。将历史阶段采集的数据与当前采集的少量数据样本基于基站相似度对历史数据库进行细化，保留部分有效的历史源域样本；

第二步：基于模糊C均值算法，对源域样本进行分类，并基于位置关系完成目标域样本的类别归属；

第三步：基于迁移学习，通过对源域样本和目标域样本的投影，生成齐次的新源域和目标域，基于同现样本与异现样本，引入类内距离差异、类间距离差异与邻居分布差异，重构一个新的共享指纹库，并更新类别标签。

在线阶段：

第一步：将接收到的信号特征数据以数据包的形式发送给连接的基站，由基站侧进行数据投影重构；

第二步：将最终的信号值与各聚类中心点进行匹配，完成定位点的类别归属；

第三步：与类内的各个参考点进行位置匹配，基于改进的加权近邻算法进行位置解算；

第四步：得到定位点的坐标，基于5G网络的下行技术，由基站将坐标数据发送给终端。

本发明离线阶段主要包括：自适应源域筛选，利用基站相似度对源域中的样本进行筛选；目标域数据伪标签的生成，基于源域和目标域的同构特征，采用模糊c均值算法进行聚类；构建共享指纹库，利用映射矩阵和重构矩阵对源域和目标域的数据进行知识迁移，生成新的域不变的共享指纹库，并更新指纹库中样本的类标签。在线阶段主要包括：基于WKNN算法，根据在线数据映射重构结果进行位置解算。

1、自适应源域筛选

由于多路径衰落、异构硬件、温度或湿度变化等问题，基于指纹的技术通常在离线数据库和测试样本之间往往存在较大的分布差异，因此，将历史离线数据库作为源域，并借鉴它的知识来提高目标域中的本地化性能。然而，不相关的离线指纹可能会增加计算成本，更糟糕的是，它可能导致定位精度低于非传输算法，从而导致负转移。因此，首先，历史离线数据进行细化。

假设在离线阶段共采集n_O个参考点的数据，表示为初始的离线数据库D_O＝{R_O,Q_O},其中，

表示初始的离线数据库中参考点的位置坐标信息；

为信号数据信息，

表示第i个参考点上接收到的L_O个基站的数据，i∈[1,n₀]；在重新采集指纹样本的当前时间A上采集的目标域数据库为

其中，

表示第i个参考点上接收到的L_T个基站的数据，n_T为目标域中参考点样本的数目。

假设离线数据库D_O与目标域数据库D_T中的所有被扫描的基站数为L，则定义检测指标

和

其中

当该值为1时，表示第i个样本扫描到了第l个基站；基于该指标计算D_O与D_T中各样本的基站相似度α(i，j)，即，

在第i个样本和第j个样本间检测到的共享的基站数目越多，α(i，j)则越大，说明源域中第i个样本对目标域的作用越大。

考虑频率较低的基站也有可能能够表示两个域之间的关系，即频率较高的基站由于其覆盖面积大，信号数据较低，其反映的信息较小，则分配较低的权重；设目标域中第j个基站的最大值与最小值如下所示：

则设

式中，

则源域中第i个样本的权重为

其中θ_i为基于最大值与最小值得到的样本的基站特征相似度权重，θ_max为所有样本的θ_i中的最大值；因此，源域中第i个样本的基站相似度为：

对于所有的离线库样本有

从而，基于s保留最相似的n_S个样本构建新的源域

经源域筛选后保留的样本构建与目标域相关的新源域D_S，由于保留的样本数n_S决定了相似度阈值，因此，建立如下源域自适应筛选的优化模型，基于该模型，得到最优的相似度阈值，从而确认最佳的源域样本数n_S。

该目标函数的第一部分表示新的源域与目标域之间误差的最小化，第二部分表示两域样本基站特征的相似程度。

2、目标域伪标签生成

为了更好的将源域和目标域知识进行迁移，基于分布自适应重构一个域不变的共享空间，引入聚类算法模型，对源域数据进行聚类模型的训练，并基于目标域和源域之间样本的位置关系赋予目标域数据伪标签。

基于步骤(1)的检测指标，得到

和

其中

若第j个基站的总检测指标

当该值不为0时，表示第j个基站的信号特征为源域和目标域的同构特征，记为

和

否则，则为异构特征，分别记为

和

在异构特征中，若

则为源域的特有基站特征，记为

若

则为目标域的特有基站特征，记为

首先，对源域的数据基于同构特征进行聚类，采用模糊C均值聚类的算法，随机初始化模糊C均值聚类的类别数，计算每个参考点的隶属度，初始化隶属度矩阵，通过隶属度计算初始指纹聚类中心，并依据聚类算法的目标函数更新聚类中心c_j，聚类算法的目标函数J计算如下：

其中，U表示类别数目，n_S表示源域样本的数目，

表示隶属度，

表示加权系数或模糊控制参数，本方法将该值设为2，L表示信号特征数，

表示第i个源域样本的第a个特征数据，

表示第j个类别的聚类中心c_j的第a个特征数据，依据新的聚类中心重新计算隶属度

然后，基于源域的类别和聚类中心，对目标域的数据基于同构特征进行分类，考虑目标域的数据可能是环境变化后采集的数据，即使可以扫描到同一基站，其数据值也会受到影响，引入坐标相关度作为权值，作为分类的权值，则目标域中第i个样本到各个聚类中心的聚类隶属度

为：

其中，

表示第j个类别的聚类中心c_j的横坐标，

表示第i个目标域样本的横坐标，

表示第j个类别的聚类中心c_j的纵坐标，

表示第i个目标域样本的纵坐标，

为源域中第i个参考点的第a个基站的数据。最后，基于聚类距离完成分类，即获得目标域的类别伪标签。

3、共享指纹库重构

基于上述步骤生成的带标签的源域和目标域数据库，如图1所示。假设在源域和目标域中分别存在源域映射矩阵P_S和目标域映射矩阵P_T，可以将同构部分的特征知识转移到异构部分，完成两域之间异构特征知识的迁移，得到源域中对应的目标域特有特征知识为

和目标域中对应的源域特有特征知识为

即

则新的源域和目标域分别为

和

对同构知识进行投影转移时，不能破坏对应域原来的数据结构，在求解映射矩阵的过程中将对应域原有的同构数据进行映射到其特有的异构数据中，通过将差异最小化，将对原有数据结构的影响最小化，对应差异计算如下：

将新源域与目标域中的样本基于位置坐标分为同现样本与异现样本，同一位置坐标的样本为同现样本，分别记为R_N-S,B和R_N-T,B，反之则为异现样本，分别记为R_N-S,G和R_N-T,G，设同现样本共有ρ个；

对ρ个同现样本进行处理，在构建的新的共享指纹库中同一坐标保留一个样本数据，即对两域数据进行加权处理，首先判断哪些基站的数据发生变化的程度较大，即引入高斯分布的思想，对两域数据的差值RSRP-d^i,l进行比较，若差值过低，则说明变化程度小，即保留目标域的最新数据

若处于中间平均区域，则计算两个数据的均值；若相差较大，则分别对源域和目标域的对应基站的数据进行加权，指纹库中第i个同现样本的第j个基站信号数据的加权计算如下：

其中，RSRP-d^i,l是源域和目标域第i个同现样本的第j个基站信号数据之间差值，μ是第i个同现样本的所有基站信号数据差值RSRP-d^i,l的均值，σ是第i个同现样本的所有基站信号数据差值RSRP-d^i,l的分布标准差。

对源域和目标域中各自的异现样本进行重构，分别引入重构矩阵Z_S和Z_T，则重构后的异现样本R_G-S和R_G-T分别为：

对于同现样本更新后的数据，基于类内距离最小化的思想，即源域与目标域中与同现样本属于同一类的样本之间的距离最小化，构建类内差异函数F_ICD：

其中，

表示第i个同现样本，

表示源域中第j个异现样本，

表示目标域中第j个异现样本，且

最后，重构后得到的新的共享指纹库D_N中信号特征数据为R_N＝[R_B R_G-S R_G-T]^T。

考虑构建后的共享指纹库中每个类之间的距离应尽可能最大化，基于类中心样本重构后的数据，引入MMD(最大均值差异)指标，构建类间差异函数F_BCD,

式中，

为共享指纹库R_N中第c1类中的样本数，

为共享指纹库R_N中第c2类中的样本数，

为共享指纹库R_N中第i个参考点样本，

为共享指纹库R_N中第j个参考点样本

为进一步得到满足域不变的共享指纹库，在新的指纹库中源和目标域之间的区别尽可能小，考虑整个指纹库中的所有参考点样本，引入样本间坐标的欧式距离，欧式距离越小，参考点间距离越近，数据差异也越小，构建邻居分布差异函数F_AID；

式中，n_N为共享指纹库R_N中参考点样本数，

为共享指纹库中第i个样本的坐标

为共享指纹库中第j个样本的坐标。

基于上述计算，基于两域之间投影与重构得到共享指纹库的总目标函数F为：

F＝F_SOD+F_ICD+F_AID-F_BCD (17)

将上式最小化，通过迭代计算，得到对应的投影P_S、P_T与重构矩阵Z_S、Z_T。

完成映射与新域的重构后得到了新的共享指纹库D_N，然后，对D_N中样本参考点的信号特征数据重新计算隶属度，隶属度

更新如下：

其中，

为共享指纹库R_N中第i个参考点样本的第a个特征数据，

为共享指纹库R_N中第j类的类别中心点样本的第a个特征数据；

根据上述更新的隶属度对D_N中所有源域和目标域中所有样本重新进行分类，样本得到新的类别标签L_N。

4、在线阶段定位位置解算

在线阶段，将经过投影重构的指纹数据利用离线阶段训练得到的分类模型获得相应的定位点所属类别，通过改进的WKNN算法进行同类内指纹匹配，实现最终的定位。

将在线阶段终端接收到的定位点的信号数据作为目标域的数据基于映射矩阵P_S进行映射，基于重构矩阵Z_T重构新的信号特征RSRP_IL使该样本与共享指纹库满足维度齐次与分布相似。将定位点匹配到第g个类别区域中，设共享指纹库第g个类别区域中共有

个参考点，选择曼哈顿距离作为权值，解算定位点的坐标，第i个参考点的曼哈顿距离权重ω_i计算如下：

其中，

表示重构后的在线样本的第k个特征的信号数据，

为共享指纹库中第i个参考点的第k个基站信号数据，

表示共享指纹库中第a个参考点样本的第k个特征的信号数据。

基于上述计算参考点加权质心，质心的坐标即为定位点的坐标(x,y)。

这里本发明的描述和应用是说明性的，并非想将本发明的范围限制在上述实施例中。说明书中所涉及的效果或优点等相关描述可因具体条件参数的不确定或其它因素影响而可能在实际实验例中不能体现，效果或优点等相关描述不用于对发明范围进行限制。这里所披露的实施例的变形和改变是可能的，对于那些本领域的普通技术人员来说实施例的替换和等效的各种部件是公知的。本领域技术人员应该清楚的是，在不脱离本发明的精神或本质特征的情况下，本发明可以以其它形式、结构、布置、比例，以及用其它组件、材料和部件来实现。在不脱离本发明范围和精神的情况下，可以对这里所披露的实施例进行其它变形和改变。

Claims (5)

1.一种基于指纹库迁移重构的5G室内定位方法，其特征在于，包括离线阶段和在线阶段，其中：

离线阶段包括：

第一步：对历史离线数据库进行自适应筛选：将历史采集的数据与当前采集的数据样本，基于基站相似度对历史离线数据库中的样本进行细化筛选，筛选出与目标域的样本特征相似的历史源域样本，并基于源域与目标域之间的差异确定源域的样本数，完成自适应源域筛选；

第二步：基于源域与目标域的同构特征，采用模糊C均值算法对经过自适应筛选后保留的历史源域样本进行聚类算法模型的训练，并基于源域样本和目标域样本之间的位置坐标关系对目标域样本生成伪标签并进行类别归属；

第三步：利用映射矩阵和重构矩阵对源域和目标域之间进行同构知识向异构知识的迁移，对同现样本进行数据加权处理，对异现样本基于类内距离、类间距离与邻居分布差异函数进行重构处理，生成一个新的域不变的共享指纹库，并更新共享指纹库中所有样本的类标签；

在线阶段包括：

第一步：接收信号特征数据，并以数据包的形式发送给连接的基站，由基站侧对信号特征数据进行数据投影重构，得到最终的信号值；

第二步：将最终的信号值与离线阶段得到的各聚类中心点进行匹配，对定位点的类别进行归属；

第三步：将定位点与类内的各个参考点进行位置匹配，基于改进的加权近邻算法对定位点进行位置解算，得到定位点的坐标；

第四步：基于5G网络的下行技术，由基站将将定位点的坐标数据发送给终端。

2.根据权利要求1所述的基于指纹库迁移重构的5G室内定位方法，其特征在于，离线阶段第一步具体包括：

1-1：初始的离线数据库D_O＝{R_O,Q_O}包括n_O个参考点的数据，其中，

表示参考点的位置坐标信息，

表示信号数据信息，

表示第i个参考点上接收到的L_o个基站的数据，i∈[1,n₀]；

在时间A上的目标域数据库为

其中，时间A表示重新采集指纹样本的当前时间，

表示第i个参考点上接收到的L_T个基站的数据，n_T为目标域中参考点样本的数目；

1-2：假设离线数据库D_O与目标域数据库D_T中的所有被扫描的基站数为L，定义检测指标

和

其中

当检测指标值为1时，表示第i个样本扫描到了第l个基站；

基于上述检测指标计算离线数据库D_O与目标域数据库D_T中各样本的基站相似度α(i，j)：

在第i个样本和第j个样本间检测到的共享的基站数目越多，则α(i，j)越大，说明源域中第i个样本对目标域的作用越大；

1-3：设目标域中第j个基站的最大值与最小值如下：

则设

式中，

则源域中第i个样本的权重为

其中θ_i为基于最大值与最小值得到的样本的基站特征相似度权重，θ_max为所有样本的θ_i中的最大值；因此，源域中第i个样本的基站相似度为：

对于所有的离线库样本有

从而，基于s保留最相似的n_S个样本构建新的源域

1-4：经源域筛选后保留的样本构建与目标域相关的新源域D_S，由于保留的样本数n_S决定了相似度阈值，因此，建立如下源域筛选的优化模型，基于该模型，得到最优的相似度阈值，从而确认最佳的源域样本数n_S；

该优化模型的第一部分表示新的源域与目标域之间误差的最小化，第二部分表示两域样本基站特征的相似程度。

3.根据权利要求1所述的基于指纹库迁移重构的5G室内定位方法，其特征在于，离线阶段第二步具体包括：

2-1：基于离线阶段检测指标

和

其中

当检测指标值为1时，表示第i个样本扫描到了第l个基站；第j个基站的总检测指标

当该值不为0时，表示第j个基站的信号特征为源域和目标域的同构特征，分别记为

和

否则，则为异构特征分别记为

和

在异构特征中，若

则为源域的特有基站特征，若

则为目标域的特有基站信息；

2-2：对源域的数据基于同构特征进行聚类，采用模糊C均值聚类算法，随机初始化模糊C均值聚类的类别数，计算每个参考点的隶属度，初始化隶属度矩阵，通过隶属度计算初始指纹聚类中心，并依据聚类算法的目标函数更新聚类中心c_j，聚类算法的目标函数J为：

式中，U表示类别数目，n_S表示源域样本的数目，

表示隶属度，

表示加权系数或模糊控制参数，优选的，

设为2，L表示信号特征数，

表示第i个源域样本的第a个特征数据，

表示第j个类别的聚类中心c_j的第a个特征数据，依据新的聚类中心重新计算隶属度

2-3：基于源域的类别和聚类中心，对目标域的数据基于同构特征进行分类，并引入坐标相关度作为分类的权值，则目标域中第i个样本到各个聚类中心的聚类隶属度

为：

其中，

表示第j个类别的聚类中心c_j的横坐标，

表示第i个目标域样本的横坐标，

表示第j个类别的聚类中心c_j的纵坐标，

表示第i个目标域样本的纵坐标，基于聚类距离完成分类，即获得目标域的类别伪标签。

4.根据权利要求1所述的基于指纹库迁移重构的5G室内定位方法，其特征在于，离线阶段第三步具体包括：

3-1：假设在源域和目标域中分别存在源域映射矩阵P_S和目标域映射矩阵P_T，将同构特征的知识转移到异构特征，完成两域之间异构特征知识的迁移，得到源域中对应的目标域特有特征知识为

和目标域中对应的源域特有特征知识为

即

则新的源域R_N-S和目标域R_N-T分别为

和

3-2：对同构知识进行投影转移时，不能破坏对应域原来的数据结构，在求解映射矩阵的过程中将对应域原有的同构数据进行映射到其特有的异构数据中，通过将差异最小化，将对原有数据结构的影响最小化，对应差异F_SOD为：

3-3：将新源域与目标域中的样本基于位置坐标分为同现样本与异现样本，同一位置坐标的样本为同现样本，分别记为R_N-S,B和R_N-T,B，反之则为异现样本，分别记为R_N-S,G和R_N-T,G，设同现样本共有ρ个；

3-4：对ρ个同现样本进行处理，在构建的新的共享指纹库中同一坐标保留一个样本数据，即对两域数据进行加权处理，首先判断哪些基站的数据发生变化的程度较大，引入高斯分布对两域数据的差值RSRP-d^i,l进行比较，若差值过低，则说明变化程度小，保留目标域的最新数据

若处于中间平均区域，则计算两个数据的均值；若相差较大，则分别对源域和目标域的对应基站的数据进行加权，指纹库中第i个同现样本的第j个基站信号数据的加权计算如下：

其中，μ表示两域中所有基站特征数据的差值RSRP-d^i,l的均值，σ表示两域中所有基站特征数据的差值RSRP-d^i,l的分布标准差；

3-5：对源域和目标域中各自的异现样本进行重构，分别引入重构矩阵Z_S和Z_T，则重构后的异现样本R_G-S和R_G-T分别为：

3-6：对于同现样本更新后的数据，基于类内距离最小化，即源域与目标域中与同现样本属于同一类的样本之间的距离最小化，构建类内差异函数F_ICD：

其中，

表示第i个同现样本，

表示源域中第j个异现样本，

表示目标域中第j个异现样本；且

最后，重构后得到的新的共享指纹库D_N的信号特征数据为R_N＝[R_B R_G-S R_G-T]^T；

3-7：基于类中心样本重构后的数据引入最大均值差异指标，构建类间差异函数F_BCD：

其中，

为共享指纹库R_N中第c1类中的样本数，

为共享指纹库R_N中第c2类中的样本数，

为共享指纹库R_N中第i个参考点样本，

为共享指纹库R_N中第j个参考点样本；

3-8：基于整个指纹库中的所有参考点样本，引入样本间坐标的欧式距离，欧式距离越小，则参考点间距离越近、数据差异越小，构建邻居分布差异函数F_AID：

其中，n_N为共享指纹库R_N中参考点样本数，

为共享指纹库中第i个样本的坐标，

为共享指纹库中第j个样本的坐标；

3-9：得到两域之间投影与重构得到共享指纹库的总目标函数F为：

F＝F_SOD+F_ICD+F_AID-F_BCD

将上式最小化，通过迭代计算，得到对应的投影P_S、P_T与重构矩阵Z_S、Z_T；

3-10：完成映射与新域的重构后得到了新的共享指纹库D_N，对D_N中所有样本参考点的信号特征数据R_N重新计算隶属度，隶属度

更新如下：

其中，

为共享指纹库R_N中第i个参考点样本的第a个特征数据，

为共享指纹库R_N中第j类的类别中心点样本的第a个特征数据；

根据上述更新的隶属度对D_N中所有源域和目标域中所有样本重新进行分类，样本得到新的类别标签L_N。

5.根据权利要求1所述的基于指纹库迁移重构的5G室内定位方法，其特征在于，在线阶段第三步具体包括：

(3-1)将在线阶段终端接收到的定位点的信号数据作为目标域的数据基于映射矩阵P_S进行映射，基于重构矩阵Z_T重构新的信号特征RSRP_IL使该样本与共享指纹库满足维度齐次与分布相似；

(3-2)将定位点匹配到第g个类别区域中，设共享指纹库第g个类别区域中共有

个参考点，选择曼哈顿距离作为权值，解算定位点的坐标，第i个参考点的曼哈顿距离权重ω_i为：

其中，

表示重构后的在线样本的第k个特征的信号数据，

表示共享指纹库中第i个参考点样本的第k个特征的信号数据，

表示共享指纹库中第a个参考点样本的第k个特征的信号数据；

(3-3)基于上式计算参考点的加权质心，得到质心的坐标即为定位点的坐标：

Images