基于半监督极限学习机的隧道内车辆RSSI定位方法

摘要

为了提高公路隧道突发事件的判别效率,实现道路交通状态全天候监测,以智能公路上泛在无线传感网络为基础,研究了基于信号强度指示值(RSSI)的网联车辆定位问题;考虑到隧道内车辆的连续运动特性,提出了一种带有局部线性嵌入(LLE)算法的半监督极限学习机(SSELM)实现RSSI指纹定位;离线阶段利用LLE对少量已标记位置的RSSI样本和大量无标记样本进行降维处理,辨识表征目标位置信息的高维数据对应的低维流形,再基于改进的半监督学习拟合降维后的RSSI与位置的映射关系;在线阶段将实时采集的RSSI数据进行流形降维后,输入校准好的SSELM中估计目标位置;采用无迹卡尔曼滤波平滑估计位置。试验结果表明:相比于已有半监督学习算法,提出的方法在不同车辆行驶速度和部署间距下均能取得较优的定位性能;当已标记数据占比(减少了50%~90%)、未标记数据数量(0~1000个)和检测器部署间距(10~25 m)等关键指标变化后,本文方法的定位性能仍然保持最佳,其平均误差最低为3.09 m;计算复杂度上,当已标记数据为30%,即仅采集96个参考点样本时,其平均定位误差为3.8 m,训练时间低至8.7 s。可见,带有局部线性嵌入算法的半监督极限学习机在稀疏或密集传感器部署环境中,对不同行驶速度的车辆均能提供理想的定位性能,且训练时间短、样本依赖性低,是进行隧道内网联车辆辅助定位的一种有效方法。