一种基于测地线流核迁移学习的跨时间多源无线电信号定位方法

摘要

本发明提供一种基于测地线流核迁移学习的跨时间多源无线电信号定位方法，包括：步骤一，多源无线电信号数据融合；步骤二，计算跨时间测地线流核；步骤三，分类器集成；步骤四，集成分类器指纹定位。本发明通过对多源无线电信号数据特征融合与迁移，能够提高定位稳定性和定位精度，平滑了不同时间之间的无线电信号指纹变化。解决了当前基于无线信号指纹定位信号来源单一且易受环境影响的问题，能够极大的提高定位精度。

说明书

技术领域

本发明涉及无线电定位技术领域，具体而言，涉及一种基于测地线流核迁移学习的跨时间多源无线电信号定位方法。

背景技术

精确的位置信息在众多领域都有很强的经济、社会和军事意义，各类定位技术已广泛应用于交通运输、测绘、地理信息、森林防火、通信时统、救灾减灾、应急搜救等领域，并逐步渗透到人类社会生产和生活的方方面面。当前最常用的室外定位方式是卫星导航定位，可为用户提供高精度的地理位置。目前有四大卫星导航系统，分别是美国的全球定位系统GPS、中国的北斗导航系统BDS、俄罗斯的格洛纳斯导航系统GLONESS和欧洲的伽利略导航系统Galileo。

近年来，室内高精度定位的需求越来越多。虽然卫星导航定位系统可以在室外提供高精度的地理位置，但由于卫星信号微弱，易被遮蔽，例如在城市峡谷、隧道、以及室内等场合，卫星导航的定位误差过大甚至无法使用，已不能满足人们的日常生活需求。

室内定位也可以利用无线通信网络来实现，通过测量无线通信网络的某些参数进行定位解算。这种方法又分为测距类方法与非测距类方法。测距类方法目前主要应用在蜂窝移动通信网络中，通过测量移动终端与多个基站的到达时间(TOA，TimeofArrival)、到达时间差(TDOA，TimeDifferenceofArrival)或到达角(AOA，AngleofArrival)等进行定位解算。但这种定位方法只有在视距环境下的定位效果尚可接受，且一般定位精度仅能达到数十米，在复杂的无线环境中定位精度会更低。

非测距类定位方法基于无线信号传播对环境的依赖性，在不同位置的无线电信号具有独特的可分辨的特征，因此可利用这些信号特征将位置对应起来。由于其原理类似于手指指纹可识别唯一的人，此类方法又被称为电磁指纹定位或指纹定位，这些电磁信号特征又被称为电磁指纹。文献[1]首次提出使用Wi-Fi信号强度信息(RSS,Received SignalStrength)进行定位，它将定位分为两个阶段：第一个阶段是离线阶段，通过采集区域内若干参考位置的无线信号，并提取信号特征构建指纹库；第二个阶段是在线阶段，通过将实时采集的信号与指纹库中的数据进行匹配来确定位置。近年来，一些学者研究了利用人工智能算法来提升指纹定位精度的问题。文献[2]中将位置估计作为机器学习问题来研究，通过概率方法估计位置。文献[3]采用机器学习中的支持向量机(SVM，Support VectorMachine)对离线阶段的指纹数据进行训练，在在线阶段进行分类预测。文献[4]利用深度学习方法进行位置估计。

指纹定位是一种非测距方法，它利用无线信号传播对环境的依赖性，解决了测距方法在非直射径下定位误差过大的问题。在理想情况下，区域中不同的位置具有唯一可区分的无线信号特征。然而，由于无线信号受多径效应以及快衰落的影响，地理上相近的两个指纹，也可能出现相关度较小的情况。

例如，现有的指纹定位主要基于WiFi、蓝牙等信号的RSS值作为指纹特征，可在小范围内实现数十米的定位精度。但这些方法需要部署大量的节点，采集大量的参考点数据，且覆盖范围比较有限。另外，基于WiFi和蓝牙等的指纹定位方法，还面临环境适应下差、信号时变导致的定位误差较大等问题。

由于非测距类方法对环境有较大的依赖性，所以指纹定位在环境发生剧烈变化的时候定位误差变大；另外，由于无线信号的时变特性，在不同时间所采集到的信号分布并不相同，这使得同一位置的指纹特征在不同时间并不相同。在实践中中，如果指纹库不能及时更新将导致定位误差变大。针对这些问题，文献[5]提出了采用众包的方式更新指纹库，利用公众采集数据持续地更新指纹库。但是，由于公众的位置信息本身可能存在误差，这种误差提交到指纹库后会造成积累误差从而劣化定位结果，所以需要对采集的数据进行筛选。文献[6]提出结合惯导进行多源融合定位，但惯导也会积累误差，需要惯性测量单元(IMU，InertialMeasurementUnit)具有较高的精度。

传统的指纹定位方法都假设采集信号的分布基本保持不变，但在现实复杂的环境中，由于物体的移动和时间的变化，数据的分布也在变化。然而很难在每个时刻都收集新的数据，这就需要迁移学习这种可以在不同数据分布下对数据进行迁移的方法。

迁移学习的核心是找到新问题与原问题的相似性，以原问题作为源域，新问题作为目标域，在源域和目标域之间进行知识迁移。领域自适应问题是迁移学习的研究内容之一，它侧重于解决特征空间一致、类别空间一致，仅特征分布不一致的问题。这与指纹定位的问题很相似：指纹定位的类别空间一致，但特征分布不一致。文献[7]应用迁移学习，对不同的参考点分布采集的数据进行迁移，以减少重新采集、训练的成本。文献[8]研究了迁移学习在减小指纹定位受时间影响的可行性。文献[9]提出了一种数据边缘分布自适应的迁移成分分析(TCA，Transfer Component Analysis)方法。TCA方法的目标是通过最大均值差异学得一个可再生希尔伯特空间上的特征映射，使得映射后的数据分布接近。但TCA方法只考虑了数据的边缘分布自适应，没有考虑数据的条件分布自适应。文献[10]提出了一种同时适配数据的边缘分布与条件分布的联合分布自适应(JDA，JointDistributionAdaptation)方法。JDA方法的边缘分布适配与TCA方法相同，在适配条件分布时通过生成伪标签来近似边缘分布。在JDA方法中，认为边缘分布自适应与条件分布自适应的作用相等，但实际上，在领域自适应中这两部分的贡献并不相等。文献[11]提出了平衡分布自适应(BDA，BalancedDistributionAdaptation)方法，在JDA方法的基础上添加了平衡因子来动态地调整边缘分布与条件分布的重要性，方法中的平衡因子分别由两个领域数据的整体和局部的A-Distance近似给出。虽然BDA方法首次给出了边缘分布与条件分布在领域自适应中贡献度的定量估计，但并未解决平衡因子的精确计算问题，在某些情况下效果与JDA类似，而且正确性无法保证。

领域自适应问题中的数据来自于两个不同但相似的领域，如何找到两个领域的相似性是进行迁移的一个关键问题。除了对数据分布进行适配外，流形学习也是迁移学习的一个重要方向。它的基本假设是，现有的数据是从高维空间中采样的，所以，它具有高维空间中的低维流形结构。由于在流形空间中的特征通常都有着很好的几何性质，可以避免扭曲，因此可以将原始空间中的特征变换到流形空间中。

文献[12]提出的一种基于流形学习的领域自适应方法，测地线流核(GFK，GeodesicFlowKernel)方法，其中测地线表示在高维空间中连接两个点距离最短的一条线。GFK方法学得两个领域子空间中的差异以及共同特征的增量变化，并给出了两个领域之间不变性的低维表示。通过这种低维表示对数据进行变换，再对变换后的数据使用一些学习算法进行训练即可实现不同领域变化的自适应。

GFK方法如图1所示，它将源域S和目标域T的数据嵌入到Grassmann流形中，记R

上述对于传统指纹定位方法，单一的无线电信号数据源无法提供很多的信号特征，并对无线电信号的变化比较敏感。各种迁移学习方法只能在单一的源域与目标域之间进行迁移，无法对多个源域与目标域之间进行迁移。

参考文献如下：

[1]P.Bahl and V.N.Padmanabhan,"RADAR:an in-building RF-based userlocation and tracking system,"Proceedings IEEE INFOCOM 2000.Conference onComputer Communications.Nineteenth Annual Joint Conference of the IEEEComputer and Communications Societies(Cat.No.00CH37064),Tel Aviv,Israel,2000,pp.775-784 vol.2,doi:10.1109/INFCOM.2000.832252.

[2]T.Roos,

[3]M.Brunato,R.Battiti,Statistical learning theory for locationfingerprinting in wireless LANs,Computer Networks,Volume 47,Issue 6,2005,pp.825-845.

[4]X.Wang,L.Gao,S.Mao and S.Pandey,"DeepFi:Deep learning for indoorfingerprinting using channel state information,"2015 IEEE WirelessCommunications and Networking Conference(WCNC),New Orleans,LA,2015,pp.1666-1671,doi:10.1109/WCNC.2015.7127718.

[5]B.Wang,Q.Chen,L.T.Yang and H.Chao,"Indoor smartphone localizationvia fingerprint crowdsourcing:challenges and approaches,"in IEEE WirelessCommunications,vol.23,no.3,pp.82-89,June 2016,doi:10.1109/MWC.2016.7498078.

[6]Y.Kim,Y.Chon,H.Cha.Smartphone-based collaborative and autonomousradio fingerprinting.IEEE Transactions on Systems,Man and Cybernetics Part C:Applications and Reviews,2012.42(1),112–122.

[7]S.Sorour,Y.Lostanlen,S.Valaee and K.Majeed,"Joint IndoorLocalization and Radio Map Construction with Limited Deployment Load,"in IEEETransactions on Mobile Computing,2015.14(5):1031-1043,doi:10.1109/TMC.2014.2343636.

[8]V.W.Zheng,E.W.Xiang,Q.Yang,D.Shen.Transferring Localization Modelsover Time.InAAAI2008.1421-1426.

[9]S.J.Pan,I.W.Tsang,J.T.Kwok and Q.Yang,"Domain Adaptation viaTransfer Component Analysis,"in IEEE Transactions on Neural Networks,2011.22(2):199-210,doi:10.1109/TNN.2010.2091281.

[10]M.Long,J.Wang,G.Ding,J.Sun and P.S.Yu,"Transfer Feature Learningwith Joint Distribution Adaptation,"IEEE International Conference on ComputerVision,Sydney,NSW,2013.2200-2207,doi:10.1109/ICCV.2013.274.

[11]J.Wang,Y.Chen,S.Hao,W.Feng and Z.Shen,"Balanced DistributionAdaptation for Transfer Learning,"IEEE International Conference on DataMining(ICDM).2017.1129-1134,doi:10.1109/ICDM.2017.150.

[12]B.Gong,Y.Shi,F.Sha and K.Grauman,"Geodesic flow kernel forunsupervised domain adaptation,"IEEE Conference on Computer Vision andPattern Recognition,2012.2066-2073,doi:10.1109/CVPR.2012.6247911.

发明内容

本发明旨在提供一种基于测地线流核迁移学习的跨时间多源无线电信号定位方法，以解决上述传统定位方法存在的问题。

本发明提供的一种基于测地线流核迁移学习的跨时间多源无线电信号定位方法，所述多源无线电信号定位方法包括如下步骤：

步骤一，多源无线电信号数据融合：对采集的多源无线电信号强度值进行多次随机采样得到多个数据集；

步骤二，计算跨时间测地线流核：对步骤一得到的多个数据集分别计算测地线流核以及数据分布差异度量，并采用数据分布差异度量融合不同时间的测地线流核得到跨时间测地线流核；

步骤三，分类器集成：对步骤一得到的多个数据集中的数据经步骤二计算出的跨时间测地线流核进行变换后训练多个基分类器，并将多个基分类器组成组间分类器及组内分类器；

步骤四，集成分类器指纹定位：实时采集多源无线电信号数据经步骤一和步骤二处理变换后，通过步骤三得到的组间分类器及组内分类器进行预测，对预测结果进行投票，获得票数最多的为最终定位结果。

进一步的，步骤一包括如下子步骤：

步骤11，不同时间的无线电信号数据采集：

开始扫描空中多源无线电信号的信道，设N

步骤12，通过随机采样构建指纹特征并进行指纹特征融合：

对采集的多源无线电信号强度值的N个数据样本进行K次随机采样得到K个数据集；其中，每个随机采样的方法为：在采集到的多源无线电信号强度值中随机抽取n个数据样本，n≤N；再对随机抽取的n个数据样本中的每个数据样本在a

进一步的，步骤二包括如下子步骤：

步骤21，构建源域和目标域；

步骤22，构建测地线流；

步骤23，计算测地线流核：

步骤24，计算数据分布差异度量：

步骤25，融合多个不同时间的测地线流核。

进一步的，步骤21的方法为：对于步骤一中不同时间采集的多个数据集RSS，设时间集合为Time＝{time

进一步的，记

(1)求源域S子空间基

(2)通过对公式

(3)将源域S与目标域T作为测地线的起始点与终点表示为：

进一步的，步骤23的方法为：

(1)将S

(2)计算

(4)测地线流核G

其中，Λ

进一步的，步骤24的方法为：

(1)计算所有以S,T为边缘分布的联合分布集合Ψ(S,T)；

(2)从联合分布集合Ψ(S,T)中采样出样本(x,y)：μ，计算样本x与y之间的距离ρ(x,y)以及该联合分布μ下样本对距离的期望，其中p表示p范数：

(3)计算在所有联合分布集合Ψ(S,T)中距离期望的下确界，既为两个数据分布之间的差异度量

进一步的，步骤25的方法为：根据步骤24得到的数据分布之间的差异度量

进一步的，步骤三包括如下子步骤：

步骤31，在步骤一中通过对多源无线电信号强度值随机抽样K次得到K个数据集RSS＝{RSS

步骤32，对采集无线电信号的参考点进行分组，组间进行粗略定位，组内进行详细定位；

步骤33，用G

步骤34，用与步骤33同样的方法训练每个组内的数据得到组内基分类器。

进一步的，步骤四包括如下子步骤：

步骤41，实时采集多源无线电信号数据；

步骤42，对实时采集的多源无线电信号数据按步骤一的方法进行多源无线电信号数据融合后，将得到的多个数据集作为目标域数据；

步骤43，使用步骤二计算得到的跨时间测地线流核对目标域数据进行变换；

步骤44，将变换后的目标域数据通过步骤三得到的组间基分类器进行分类预测，对所有组间分类器的预测结果进行投票，投票数量最多的作为粗略定位结果；

步骤45，根据粗略定位结果使用对应的组内分类器进行分类预测，对所有组内分类器的预测结果进行投票，投票数量最多的作为最终定位结果。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

本发明通过对多源无线电信号数据特征融合与迁移，能够提高定位稳定性和定位精度，平滑了不同时间之间的无线电信号指纹变化。解决了当前基于无线信号指纹定位信号来源单一且易受环境影响的问题，能够极大的提高定位精度。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为传统的GFK方法原理图。

图2为本发明基于测地线流核迁移学习的跨时间多源无线电信号定位方法的流程图。

图3为本发明多源无线电信号数据融合的流程图。

图4为本发明计算跨时间测地线流核的流程图。

图5为本发明分类器集成的流程图。

图6为本发明集成分类器指纹定位的流程图。

图7为本发明示例的多源无线电信号数据融合示意图。

图8为本发明示例的办公楼-2层定位距离误差对比图。

图9为本发明示例的办公楼0层定位距离误差对比图

图10为本发明示例的办公楼1层定位距离误差对比图

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例

本实施例提出的一种基于测地线流核迁移学习的跨时间多源无线电信号定位方法，包括多源无线电信号数据融合、跨时间测地线流核融合、分类器集成以及集成分类器指纹定位四个步骤，参见图2，所述多源无线电信号定位方法具体如下：

步骤一，多源无线电信号数据融合：

该步骤一为对采集的多源无线电信号强度值进行多次随机采样得到多个数据集，以实现将采集的多源无线电信号强度值融合在一起，参见图3，包括如下子步骤：

步骤11，不同时间的无线电信号数据采集：

开始扫描空中多源无线电信号的信道，设N

步骤12，通过随机采样构建指纹特征并进行指纹特征融合：

对采集的多源无线电信号强度值的N个数据样本进行K次随机采样得到K个数据集；其中，每个随机采样的方法为：在采集到的多源无线电信号强度值中随机抽取n个数据样本，n≤N；再对随机抽取的n个数据样本中的每个数据样本在a

步骤二，计算跨时间测地线流核：

当在不同时间收集到多源无线电信号的RSS数据后，由于信号的时变性导致不同时间点的RSS数据分布发生了变化。为了降低数据分布变化带来的定位精度的影响，需要得到在不同时间之间数据的不变性特征。由于需要在多个时间之间迁移，需要计算多个测地线流核，即本本发明提出的跨时间测地线流核融合方法(MKGFK，MultipleKernelGeodesicFlowKernel)。由此，该步骤二为对步骤一得到的多个数据集分别计算测地线流核以及数据分布差异度量，并采用数据分布差异度量融合不同时间的测地线流核得到跨时间测地线流核，参见图4，包括如下子步骤：

步骤21，构建源域和目标域：

对于步骤一中不同时间采集的多个数据集RSS，设时间集合为Time＝{time

时间集合中不同元素间构成一对源域与目标域时间(time

将步骤一中不同时间采集的多个数据集RSS中的数据集RSS

步骤22，构建测地线流：

记

(1)求源域S子空间基

(2)通过对公式

(3)将源域S与目标域T作为测地线的起始点与终点表示为：

步骤23，计算测地线流核：

(1)将S

(2)计算

(5)测地线流核G

其中，Λ

步骤24，计算数据分布差异度量：

不同时间采集的多个数据集RSS数据分布差异有大有小，在对测地线流核进行融合的时候需要考虑两个域的差异度对最终的核的重要程度。数据分布差异度量是度量两个数据分布之间的差异，也就是两个数据分布之间是否相似。该步骤24计算数据分布差异度量的方法包括如下子步骤：

(1)计算所有以S,T为边缘分布的联合分布集合Ψ(S,T)；

(2)从联合分布集合Ψ(S,T)中采样出样本(x,y)：μ，计算样本x与y之间的距离ρ(x,y)以及该联合分布μ下样本对距离的期望，其中p表示p范数：

(3)计算在所有联合分布集合Ψ(S,T)中距离期望的下确界，既为两个数据分布之间的差异度量

步骤25，融合多个不同时间的测地线流核：

相比于单核模型，多核模型具有更高的灵活性。经过多个核函数映射后的高维空间是由多个特征空间组合而成的组合空间。组合空间可以组合各个子空间不同的特征映射能力，能够将异构数据中的不同特征分量分别通过最合适的单个核函数进行映射，最终使得数据在新的组合空间中能够得到更加准确、合理的表达，进而提高样本数据的分类正确率或预测精度。根据步骤24得到的数据分布之间的差异度量

步骤三，分类器集成：

该步骤三为对步骤一得到的多个数据集中的数据经步骤二计算出的跨时间测地线流核进行变换后训练多个基分类器，并将多个基分类器组成组间分类器及组内分类器，参见图5，包括如下子步骤：

步骤31，在步骤一中通过对多源无线电信号强度值随机抽样K次得到K个数据集RSS＝{RSS

步骤32，对采集无线电信号的参考点进行分组，组间进行粗略定位，组内进行详细定位；

步骤33，用G

步骤34，用与步骤33同样的方法训练每个组内的数据得到组内基分类器。

步骤四，集成分类器指纹定位：

实时采集多源无线电信号数据经步骤一和步骤二处理变换后，通过步骤三得到的组间分类器及组内分类器进行预测，对预测结果进行投票，获得票数最多的为最终定位结果，参见图6，包括如下子步骤：

步骤41，实时采集多源无线电信号数据；

步骤42，对实时采集的多源无线电信号数据按步骤一的方法进行多源无线电信号数据融合后，将得到的多个数据集作为目标域数据；

步骤43，使用步骤二计算得到的跨时间测地线流核对目标域数据进行变换；

步骤44，将变换后的目标域数据通过步骤三得到的组间基分类器进行分类预测，对所有组间分类器的预测结果进行投票，投票数量最多的作为粗略定位结果；

步骤45，根据粗略定位结果使用对应的组内分类器进行分类预测，对所有组内分类器的预测结果进行投票，投票数量最多的作为最终定位结果。

示例：

实验仿真以办公楼数据集为例，办公楼共有三层，分别是-2层，0层与1层。

步骤一，多源无线电磁信号数据融合中，以采集广播电视信号(DVB-T)、调频广播信号(FM)、蜂窝基站信号(GSM)为例，采集一年中23个时段收集到的DVB-T、FM、GSM信号RSS值。DVB-T信号的频率范围在498～602MHz之间，信道宽度为8MHz，共分为6个信道。FM信号的频率范围在87.5～108.5MHz之间，以100kHz为一个频段，共分为210个频段。GSM的频率范围在925-960MHz之间，以200kHz为一个频段，共分为175个频段。故DVB-T信号强度值个数为6个，FM信号强度值个数为210个，GSM信号强度值为175个，总共391个信号强度值，对三种采集到的数据进行15轮随机采样后组合，每轮随机采样组合如图7所示。

步骤二，计算跨时间测地线流核中，分别对23个时段采集的数据构建源域与目标域数据并计算他们的融合跨时间测地线流核。

步骤三，在分类器集成中将办公楼的-2层参考点分为四组，0层分为四组，1层分为三组，并以决策树作为基分类器。决策树的最大划分数量为54，最小叶节点数量为1，共进行15轮的训练。对分组后的源域数据进行训练分别得到15个组间决策树基分类器与15个组内决策树基分类器。

步骤四，集成分类器定位中分别对三层楼用训练好的15个组间组内基分类器对目标域数据进行预测，将得到的结果进行投票统计，获得票数最多的结果作为最终的定位结果。

实验分别将本发明提出的跨时间多测地线流核融合的MKGFK(Multi-KernelGeodesic Flow Kernel)算法与决策树(DecisionTree)方法、TCA、JDA与BDA方法的距离误差结果进行了对比。办公楼-2层，0层，1层距离误差分别如图8、图9、图10所示。从实验结果中可以看出，本发明提出的跨时间多测地线流核融合MKGFK方法比直接使用决策树方法及其他迁移学习方法都有更好的表现。在-2层，0层，1层定位的距离误差在积累分布为90％时分别提高了16.61％，12.93％，26.07％。在与TCA之间的距离误差的比较中积累分布为90％时分别提高了6.19％，14.85％，15.84％。与JDA之间的距离误差比较中在积累分布为90％的时候分别提高了16.61％，19.08％，35.95％。在与BDA之间的距离误差比较中在积累分布为90％的时候分别提高了16.61％，19.08％，34.05％。由此可见本发明可以显著的提高定位准确率，并平滑了不同时刻的定位误差：多源无线电信号数据融合与传统方法中利用单一来源的Wi-Fi、蓝牙等无线电磁信号进行指纹定位相比，极大的提高了无线电信号指纹特征的数量；跨时间测地线流核融合方法将不同时间之间指纹信号特征的不变性都考虑了进来，增强了无线电信号指纹定位受时变影响的稳定性；分类器集成带来的样本及特征多样性可以很好的提高分类准确率，提高定位的精度。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。