本發(fā)明涉及一種基于在線增量超限學習機的室內(nèi)指紋定位算法。

背景技術(shù)：

隨著無線通信網(wǎng)絡(luò)及移動設(shè)備的普及與運用，人們對于位置服務(wù)(Location based Service，LBS)的需求與日俱增，其中室內(nèi)定位的應用場景也變得越來越廣泛，如消防救援、廣告投放、物流管理等。因此，國內(nèi)外許多學者及機構(gòu)提出了利用UWB、RFID、藍牙、紅外等技術(shù)進行室內(nèi)定位。但上述定位技術(shù)有一個共同缺陷，它們都依賴部署專用的硬件設(shè)施，成本昂貴，只能應用在有限的范圍內(nèi)。近年來,隨著以WiFi為代表的無線局域網(wǎng)絡(luò)(WLAN)被廣泛部署于室內(nèi)環(huán)境之中,基于WLAN技術(shù)進行室內(nèi)定位恰好能夠利用現(xiàn)有的無線局域網(wǎng)架構(gòu)，降低了部署難度及成本，目前已經(jīng)成長為室內(nèi)定位技術(shù)中的絕對主流。

根據(jù)定位原理的不同，室內(nèi)定位主要可以分為三類：最近AP定位、幾何計算定位和位置指紋定位。最近AP定位主要是通過尋找目標附近最近AP點，并將其位置近似為目標所在位置，定位準確性不高。幾何定位包括TOA法、TDOA法、AOA法，這些方法的共同點是利用幾何原理計算目標的位置，對于設(shè)備要及環(huán)境要求苛刻；位置指紋定位主要過程是將指紋信號與數(shù)據(jù)庫中的指紋信號進行匹配從而估算出位置。與另外兩種定位技術(shù)相比，位置指紋定位精度較高、對環(huán)境及設(shè)備要求低，因此成為室內(nèi)定位技術(shù)中的熱點。

超限學習機(Extreme Learning Machine，ELM)作為一種新興的機器學習算法被提出，并且憑借其快速學習能力以及良好的泛化能力，引起了廣泛的關(guān)注，與此同時，基于ELM的室內(nèi)指紋定位算法也受到了研究者的青睞。假設(shè)訓練樣本輸入為輸出為其中，N：輸入數(shù)據(jù)個數(shù)，d：輸入數(shù)據(jù)維數(shù)，c：輸出數(shù)據(jù)維數(shù)?；贓LM的室內(nèi)指紋定位算法的步驟如下：

Step1：隨機分配隱含層節(jié)點參數(shù)，包括權(quán)值w_i與偏差b_i，并選取隱含層節(jié)點的激活函數(shù)G；

Step2：計算隱含層輸出矩陣H：

Step3：利用公式Hβ＝T計算輸出權(quán)值矩陣，建立定位模型。

β＝H^-1T＝(H^TH)^-1H^TT

其中：

Step4：將測試點收集到的指紋信號，輸入到建立好的定位模型之中，估計出位置。

所以一旦輸入權(quán)值和偏差被初始化，那么隱含層輸出矩陣H就被固定，那么訓練一個ELM定位模型就等同于尋找最小二乘的解β，然而，由于ELM網(wǎng)絡(luò)結(jié)構(gòu)不夠緊湊及室內(nèi)環(huán)境復雜，導致基于ELM的室內(nèi)指紋定位算法的精度較低，自適應性較差。

技術(shù)實現(xiàn)要素：
：

針對上述問題，本文發(fā)明的目的是解決基于ELM的室內(nèi)定位算法精度差和對環(huán)境的動態(tài)調(diào)整能力弱的問題，提出一種基于在線增量超限學習機的室內(nèi)指紋定位算法。

為實現(xiàn)上述目的，本發(fā)明采取以下技術(shù)方案：

(1)通過增量學習，逐個添加隱含層節(jié)點至定位模型之中；

(2)計算經(jīng)過增量學習后的隱含層輸出權(quán)值向量，構(gòu)建初始化的位置估計模型；

(3)通過在線學習方法對初始化的位置估計模型進行動態(tài)調(diào)整；

(4)計算經(jīng)過在線學習后的隱含層輸出權(quán)值向量，得到最終的位置估計模型。

本發(fā)明采取以上技術(shù)方案，具有以下優(yōu)點：

(1)本發(fā)明通過增量學習，逐個增加隱含層節(jié)點并尋找最佳的隱含層節(jié)點參數(shù)，使得定位模型變得更加緊湊并減少無關(guān)節(jié)點的干擾，提高定位的精度。

(2)在室內(nèi)環(huán)境中，指紋數(shù)據(jù)往往受到較大的干擾，位置估計模型的自適應能力就變得尤為重要。本發(fā)明融入在線學習方法，利用最新的指紋數(shù)據(jù)對先前建立好的位置估計模型進行動態(tài)調(diào)整，而不需要對整個指紋數(shù)據(jù)庫進行重新訓練，提高了算法的自適應能力。

附圖說明

圖1為基于OS-IELM的指紋定位算法基本流程。

圖2為定位誤差與隱含層節(jié)點個數(shù)的關(guān)系圖。

圖3為離線訓練時間與隱含層節(jié)點個數(shù)的關(guān)系圖。

圖4為不同算法的累計誤差分布。

圖5為OS-IELM和OS-ELM算法在線學習性能對比。

具體實施方式

OS-IELM算法首先利用增量超限學習機(IELM)對輸入的訓練數(shù)據(jù)進行訓練，得出一個初步的位置估計模型。IELM算法步驟概括如下：

Step 1：初始化階段，首先初始化隱含層節(jié)點個數(shù)L＝1，最大化隱含層節(jié)點個數(shù)L_max，初始殘留誤差E＝T,T＝[t₁,...,t_N]^T，期望的學習精度ε；

Step 2：增量學習階段：當L_k<L_max或者||E||>ε,當新的隱含層節(jié)點加入后，分別訓練k次，效果最好的那一次的訓練參數(shù)作為該隱含層節(jié)點的參數(shù)。

a、L＝L+1；

b、給新添加的隱含層節(jié)點隨機分配輸入權(quán)值和偏差a_L和b_L；

c、新隱含層節(jié)點輸出權(quán)值向量其中H_L代表加入節(jié)點后的隱含層輸出向量；

當給定一個SLFN，激活函數(shù)是非常數(shù)間斷連續(xù)函數(shù)，對于任意連續(xù)目標函數(shù)f隨機產(chǎn)生的函數(shù)序列{h_n}以及正整數(shù)k，要使得則輸出權(quán)值向量必須滿足

其中，e是殘留物差。

d、計算加入新節(jié)點后的殘差E_L＝f-f_L＝E_L-1-β_LH_L,E_L-1代表新節(jié)點添加前的殘差向量，E_L代表新節(jié)點添加后的殘差向量。

基于OS-IELM的指紋定位算法在基于IELM算法的基礎(chǔ)之上，又加入在線學習的功能。該算法在擁有緊湊的定位模型前提下，充分利用在線校準點數(shù)據(jù)，對定位模型進行動態(tài)調(diào)整，而無需對整個訓練數(shù)據(jù)庫重新進行訓練，大大節(jié)省了訓練時間，提高了算法對于動態(tài)環(huán)境的自適應能力。

在線學習過程中，將新的數(shù)據(jù)模塊加入到初始化的定位模型時，假設(shè)新加入的訓練樣本為N_k+1，輸入為輸出為那么對應的隱含層輸出矩陣為

隱含層輸出矩陣H_k+1對應的輸出權(quán)值向量β^(k+1)為

其中，中間量為了避免在迭代過程中產(chǎn)生的像K^-1_k+1一樣的逆矩陣無法正常求解，在求逆過程中滿足

由于P_k+1＝K^-1_k+1，所以可得

即

算法分析

1)算法定位精度

本文采用的指紋數(shù)據(jù)的采集點位于里加工業(yè)大學的實驗樓5樓，是一個自然場景而非人為特意布置，增加算法的普適性。實驗的測試區(qū)域面積達860m²，包括8個教室、4個辦公室以及一個走廊。由表1可知，基于OS-IELM的室內(nèi)指紋定位算法應用增量學習方法使得定位模型變得更加緊湊，定位精度達到1.301m，相比KNN、BP、ELM算法，性能分別提高了47.96％,70.96％,46.23％。4種算法的距離誤差累計百分比如圖3所示,可以看出本文提出的OS-IELM算法性能明顯好于其他三種算法。

表1 不同算法性能對比

Table 1 Comparison of different algorithm performance

2)算法復雜度

算法的復雜度主要依據(jù)算法的學習時間及測試時間。由表1可知OS-IELM算法的所需的學習時間高于ELM算法，低于BP神經(jīng)網(wǎng)絡(luò)，需要2.176s來進行模型的學習，但是一旦模型建立，在線測試時間耗時非常短，僅需0.009s，完全符合實時定位的需要，而KNN的測試時間相對其他三種算法較長，因此OS-IELM的算法復雜度相對適中。

3)算法的自適應性

本文提出的基于OS-IELM的定位算法另一個特點就是能夠進行在線學習，它能夠?qū)σ呀?jīng)建立好的定位模型根據(jù)新加入的測試數(shù)據(jù)不斷更新網(wǎng)絡(luò)動態(tài)參數(shù)從而進行動態(tài)調(diào)整，最終提高算法對環(huán)境的自適應性，并降低離線階段的數(shù)據(jù)采集工作量。與OS-ELM算法性能對比如表2所示，兩種算法的總的校準點數(shù)量都相同，在線調(diào)整次數(shù)都分為8次和20次兩種情況，得出改進后的OS-IELM算法在定位精度上都有一定提高。距離誤差累計分布圖如圖4所示，可以看出當OS-IELM算法動態(tài)調(diào)整次數(shù)越多，精度越好，對環(huán)境的自適應能力也就越強。

表2 在線學習時的性能對比

Table 2 Performance comparison in online learning