基于RSSI的核函数机器学习室内定位技术

摘要

随着机器学习的发展，基于接收信号强度指示（RSSI）的室内定位问题可以转化为机器学习问题的求解。作为支持向量回归（SVR）的一项重要技术，基于核函数的学习方法已广泛应用于定位系统中。但是现有核函数学习算法大都基于单核函数，无论全局核函数还是局部核函数，都不是定位系统训练学习的最佳解决方案。因此，本文开展基于核函数的机器学习定位算法研究。论文主要工作包括： （1）首先介绍位置指纹定位技术的系统模型和工作原理，在此基础上描述常用的位置指纹匹配算法。然后研究基于核函数的机器学习定位算法，对该算法离线阶段和在线阶段的具体工作流程进行了详细描述。 （2）提出了基于混合核函数的机器学习定位算法。离线阶段，利用迭代自组织数据分析算法（ISODATA）对接收到的RSSI测量值数据集进行预处理，构建RSSI测量值-类别标签数据集和RSSI测量值-位置数据训练子集。然后分别进行分类学习和回归学习，得到RSSI测量值的分类函数和位置回归函数集合。在线阶段，根据在线测量值的分类结果，选择相应的回归函数进行位置估计。由于混合核函数的内插和外推性能均优于单核函数，该算法可有效提高离线训练能力和在线定位性能。同时，采用基于交叉验证技术的优化方法，可以保证核参数和权重系数最优，该方法为目标定位问题的妥善解决提供了技术保证。 （3）提出基于广义多核学习的机器学习定位算法。离线阶段，先利用ISODATA算法得到离线RSSI测量值的类别标签集，然后对RSSI测量值-类别标签数据集进行基于C-支持向量分类的分类学习，得到RSSI测量值的分类函数；同时，利用基于谱投影梯度（SPG）的广义多核学习方法对每一类离线RSSI测量值-位置子集进行回归学习，得到位置回归函数集合。在线阶段，根据分类函数对RSSI测量值的分类结果，选择相应的回归函数进行位置估计。由于训练数据集变小，算法离线学习能力增强，计算复杂度降低。实验结果表明，与其他机器学习求解算法相比，SPG求解算法能够提高定位系统的学习效率，降低学习时间。该算法能够为机器学习定位应用提供理论支撑。

目录

第一个书签之前