增强高斯混合模型与集成学习的室内定位方法

摘要

传统构建指纹数据库是在参考点收集来自接入点的接收信号强度,但由于在同一参考点上来自同一接入点的接收信号强度变化的无规律性,以及实时定位时,单一分类器对接收信号强度的分类性能差,针对此问题,提出增强高斯混合模型重建指纹数据库,并提出确定分模型个数的方法,利用多分类器投票的集成学习方法进行实时定位.在离线阶段,通过贝叶斯信息准则确定分模型个数,并利用期望最大值算法,对高斯混合模型进行参数估计,将参数估计的结果融合进指纹数据库中,即重建指纹数据库;在在线阶段,利用多种分类器进行投票决策的方式得出实时位置.实验结果表明,本文提出的方法平均定位误差为0.96 m,定位误差小于1 m的概率为92.34％,相比与增强高斯混合模型与随机森林模型,本文集成学习模型的定位精度提高了2.79％和0.92％.