一种基于派生指纹迁移的室内智能定位方法技术

本发明专利技术公开了一种基于派生指纹迁移的室内智能定位方法，首先由5G基站采集室内不同参考点的RSS，入射角以及位置信息，边缘服务器结合RSS与入射角信息进行三类指纹派生，并结合参考点位置信息以及最优K值构建离线派生纹库；最后通过待测点最优K值在线选择方法以及考虑环境时变的KNN模型迁移机制进行室内定位，在低离线数据再采集下，以将更好的定位结果发送给待测设备。本发明专利技术采用派生指纹对常用的指纹特征的不足进行了改进，另外通过待测点K值在线最优选择方法确定KNN定位模型的K值选择以提高模型定位精度，此外，采用迁移学习定位算法，在低数据采集成本下，有效的提升场景时变的室内定位精度，有非常广阔的应用前景。有非常广阔的应用前景。有非常广阔的应用前景。

【技术实现步骤摘要】
一种基于派生指纹迁移的室内智能定位方法


[0001]本专利技术属于室内定位


技术介绍

[0002]随着智慧分拣、灾害救援等位置服务产业的发展，高精度的定位变成了无线定位技术的热门研究方向。据近些年的调查统计，人们有80％
‑
90％的时间都处于室内，使得室内定位研究被越来越多的关注。同时随着企业规模不断扩大，很难对工作人员安全进行预防，所以需求对人员在特定的区域内进行精准室内定位。以上都能表明室内环境精确定位已成为定位的研究热点，其研究成果不仅带来极大的经济效益，而且还能为其他领域的技术应用提供支持。
[0003]现在的室内定位方法有邻近探测法、质心定位法、多边定位法、指纹定位法和航位推算法等技术，但是这些方法都存在或多或少的缺点，比如邻近探测法虽然简单易实现，但只能提供大概的定位信息，而质心定位法实现高精度定位需要密集的基站部署，会造成巨大的经济代价。综合考虑，室内定位一般采用多边定位法和指纹定位法，这两种定位方式都能取得不错的定位精度。其中多边定位法的原理是通过接收的信号强度，利用信号的衰减模型来计算距离，根据距离建立线性方程组求解定位位置。基于指纹定位法进行室内定位是一种离线指纹库的匹配或映射方法。比如根据RSS使用分类算法匹配离线指纹库中的参考点，然后对参考点的位置进行加权得到定位位置；或是根据RSS使用回归算法构造映射关系来获取定位位置。多边定位法受到复杂室内环境以及基站部署位置的影响，使用一类衰减模型来表示RSS
‑
距离关系会降低定位精度。此外，使用RSS数据的指纹定位也会由于RSS信号波动导致定位精度差。

技术实现思路

[0004]专利技术目的：为了解决上述现有技术存在的问题，本专利技术提供了一种基于派生指纹迁移的室内智能定位方法。
[0005]技术方案：本专利技术提供了一种基于派生指纹迁移的室内智能定位方法具体包括如下步骤：
[0006]步骤1：在离线阶段，采用移动设备在室内不同位置下与5G基站进行通信，将不同的位置作为参考点，获取一段时间序列内移动设备在每个参考点接受到的RSS信息，移动设备在每个参考点收到的信号的入射角以及每个参考点的位置信息；所述一段时间序列中时刻的总个数为U，所述5G基站的总个数为M个，参考点的总个数为E0，令参考点的集合为R；
[0007]步骤2：计算每个参考点派生指纹特征，所述派生指纹特征包括累积平均指纹特征F1(RSS_θ
r
)，差分指纹特征F2(RSS_θ
r
)和双曲线指纹特征F3(RSS_θ
r
)：RSS_θ
r
表示基于RSS与入射角信息的参考点r的联合指纹；并根据每个参考点的三个指纹特征，计算每个参考点的最优K值；建立离线派生指纹库，该离线派生指纹库包括每个参考点的派生指纹特征，最优K值，RSS信息，信号入射角度和位置信息，r＝1,2,...,E0；
≠m2；的表达式如下所示：
[0024][0025]参考点r的双曲线指纹特征F3(RSS_θ
r
)的表达式为：
[0026]F3(RSS_θ
r
)＝[l
r
(1),
…
,l
r
(u),
…
,l
r
(U)][0027]其中，l
r
(u)的表达式为：
[0028][0029]其中，的表达式为：
[0030]进一步的，所述步骤2计算每个参考点的最优K值具体为：计算任意两个参考点r1和r2之间的指纹欧式距离
[0031][0032]其中，r1＝1,2,...,E0,r2＝1,2,...,E0,且r1≠r2，||
·
||2表示二范数公式；表示与e取值相应的指纹特征的权重系数；
[0033]根据如下目标函数计算参考点r1的最优K值：
[0034][0035][0036]其中，和表示参考点r1的实际位置信息，和分别表示参考点r1的预测位置的横坐标和纵坐标，表示参考点r1的K值，表示参考点r1的K值为时，对参考点r1进行KNN定位时所选择的个参考点的集合，对上述目标函数进行求解，得到参考点r1的最优K值的最优K值表示基于最优K值，对参考点r1进行KNN定位时所选择的个参考点的集合；
[0037]参考点r1的预测位置的表达式为：
[0038][0039]其中，表示集合中第1个参考点，表示集合中第个参考点，表示参考点r1与集合中参考点r'1的指纹欧式距离，表示集合中参考点r'1的实
际位置信息。
[0040]进一步的，所述步骤3计算目标域中待测点*的位置信息具体为：
[0041]使用最近邻算法进行参考点匹配：
[0042][0043]其中，ED
r,*
表示待测点*与参考点r的指纹欧式距离，F
e
(RSS_θ
*
)表示待测点*的与e取值相应的指纹特征；
[0044]选择欧式距离最近的参考点对应的最优K值作为待测点*的最优K值将每个参考点与待测点*的指纹欧式距离由小到大排序，取前个指纹欧式距离对应的参考点组成集合从而计算得到待测点*的位置(x
*
,y
*
)：
[0045][0046]其中，表示集合中第一个参考点，表示集合中第个参考点，表示待测点*与集合中参考点r
*
之间的欧式指纹距离，所述表示集合中参考点r
*
的实际位置信息。
[0047]进一步的，所述步骤4具体为：将离线派生指纹库作为源领域，建立迁移学习的目标函数：
[0048][0049]将迁移学习的目标函数进行拉格朗格乘数法求解，得到：
[0050][0051]其中，χ1和χ2均为参数，λ为拉格朗日乘数，V为的特征向量，令的特征向量，令表示源领域D
s
和目标域D
t
的域间类间散度矩阵,表示源领域D
s
和目标域D
t
的域间类内散度矩阵，源领域D
s
域内类间散度矩阵，源领域D
s
域内类内散度矩阵；和的表达式为：
[0052][0053][0054][0055][0056]其中，w
o,r
表示已知点o和参考点r之间的差异性，o＝1,2,
…
,E1，E1为已知点的
[0057]总个数，σ
e
为可调参数；表示参考点r1和参考点r2之间的差异性，lo(r)和lo(o)分别表示参考点r和已知点o的位置信息；表示已知点o经过高斯核函数映射后的指纹特征向量均值，表示参考点r经过高斯核函数映射后的指纹特征向量均值，和的表达式如下所示：
[0058][0059][0060]其中，和分别表示已知点o和参考点r的指纹特征向量，表示目标域中所有已知点的指纹特征向量经过高斯核函数映射后的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于派生指纹迁移的室内智能定位方法，其特征在于：具体包括如下步骤：步骤1：在离线阶段，采用移动设备在室内不同位置下与5G基站进行通信，将不同的位置作为参考点，获取一段时间序列内移动设备在每个参考点接受到的RSS信息，移动设备在每个参考点收到的信号的入射角以及每个参考点的位置信息；所述一段时间序列中时刻的总个数为U，所述5G基站的总个数为M个，参考点的总个数为E0，令参考点的集合为R；步骤2：计算每个参考点派生指纹特征，所述派生指纹特征包括累积平均指纹特征F1(RSS_θ
r
)，差分指纹特征F2(RSS_θ
r
)和双曲线指纹特征F3(RSS_θ
r
)：RSS_θ
r
表示基于RSS与入射角信息的参考点r的联合指纹；并根据每个参考点的三个指纹特征，计算每个参考点的最优K值；建立离线派生指纹库，该离线派生指纹库包括每个参考点的派生指纹特征，最优K值，RSS信息，信号入射角度和位置信息，r＝1,2,...,E0；步骤3：判断实际室内场景的时变是否超过预设的天数，若是则转步骤4，否则，根据离线派生指纹库中参考点的最优K值，计算目标域中待测点*的位置信息；所述目标域包括已知点和待测点，所述已知点为实际室内场景中RSS信息，信号的入射角和位置信息均已知的点，所述待测点为实际室内场景中RSS信息，信号的入射角已知但是位置信息未知的点；步骤4：采用迁移学习对离线派生指纹库进行迁移，从而构建无线电地图，根据无线电地图中的新参考点，以及迁移前离线派生指纹库中参考点的最优K值，确定待测点的位置信息。2.根据权利要求1所述的一种基于派生指纹迁移的室内智能定位方法，其特征在于，所述步骤2为：计算参考点r的累积平均指纹特征具体为：设置累积平均值的计算公式如下：其中，表示时刻1到时刻u的数据的累积平均值，l(u+1)表示时刻u+1时数据的实际值，u＝1,2,
…
,U；基于累积平均值的计算公式计算参考点r的累积平均指纹特征：其中，表示第M个5G基站对参考点r在第U
‑
1个时刻下的派生指纹的累计平均值；RSS_θ
r
的表达式为：
其中，m表示第m个5G基站，m＝1,2,
…
,M；表示第m个5G基站对参考点r在时刻u时所采集的RSS数据，表示第m个5G基站对参考点r在时刻u时所采集的信号入射角度数据；参考点r的差分指纹特征F2(RSS_θ
r
)的表示为：F2(RSS_θ
r
)＝[Δψ
r
(1),
…
,Δψ
r
(u),
…
,Δψ
r
(U)]其中，Δψ
r
(u)的表达式为：其中，m1表示第m1个基站，m2表示第m2个基站，m1＝1,2，...,M,m2＝1,2，...,M,且m1≠m2；的表达式如下所示：参考点r的双曲线指纹特征F3(RSS_θ
r
)的表达式为：F3(RSS_θ
r
)＝[l
r
(1),
…
,l
r
(u),
…
,l
r
(U)]其中，l
r
(u)的表达式为：其中，的表达式为：3.根据权利要求2所述的一种基于派生指纹迁移的室内智能定位方法，其特征在于，所述步骤2计算每个参考点的最优K值具体为：计算任意两个参考点r1和r2之间的指纹欧式距离离其中，r1＝1,2,...,E0,r2＝1,2,...,E0,且r1≠r2，||
·
||2表示二范数公式；表示与e取值相应的指纹特征的权重系数；根据如下目标函数计算参考点r1的最优K值：的最优K值：其中，和表示参考点r1的实际位置信息，和分别表示参考点r1的预测位置的横坐标和纵坐标，表示参考点r1的K值，表示参考点r1的K值为时，对参考点r1进行KNN定位时所选择的个参考点的集合，对上述目标函数进行求解，得到参考点r1的最优K值表示基于最优K值，对参考点r1进行KNN定位时所选择的个参考点的集合；
参考点r1的预测位置的表达式为：其中，表示集合中第1个参考点，表示集合中第个参考点，表示参考点r1与集合中参考点r'1的指纹欧式距离，表示集合中参考点r'1的实际位置信息。4.根据权利要求3所...

【专利技术属性】
技术研发人员：张晖，王志坤，赵海涛，朱洪波，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：