基于KP CA和改进GBRT的室内定位算法

摘要

针对无线局域网络易受室内环境等因素影响,导致室内定位误差较大的问题,提出了一种基于KPCA(Kernel Principal Component Analysis)和改进GBRT(Gradient Boosting Regression Tree)的室内定位算法.离线训练阶段,通过KPCA算法,利用其核函数提取原始位置指纹向量主成分,最大限度地保留其非线性特征信息,并通过改进GBRT算法,利用其自助抽样法将训练集均匀抽样为多个子训练集,每一子训练集依据GBRT算法构建一个室内定位回归模型,最终根据多个子训练集构成强回归模型;在线阶段,对实时测量的信号强度进行KPCA变换,并根据离线回归模型计算结果的众数预测实时位置.实验结果表明,平均定位误差可低至1.16m,与SMN-PCA和RVM-PLS算法相比,定位准确率分别提高了12.8％和10.1％.