买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：合肥工业大学

摘要：本发明公开了一种基于改进型TrAdaBoost的迁移学习室内定位方法，其步骤包括：1、将采集指纹数据库的原始场景作为源域，将新场景或内部环境发生变化的场景定义为目标域；2、利用One‑Hot算法对消除线性变换后的CSI幅度数据进行编码；3、利用One‑vs‑Rest算法对处理后的幅度数据进行交叉匹配；4、利用TrAdaBoost算法调整源域和目标域数据的权值，训练出最终的多分类器，并结合两个场景的指纹特征构建新的指纹图库，用于目标域的定位；5、最后，通过置信回归估计测试点的位置。本发明能以较低的成本更新场景发生变化的指纹库或建立新场景的指纹库，在保证较高定位精度的前提下降低算法复杂度。

主权项：1.一种基于改进型TrAdaBoost的迁移学习室内定位方法，其特征是按如下步骤进行：步骤1、选取室内空间的一矩形定位区域并作为源域，将所述矩形定位区域均匀划分成n个矩形块，取每个矩形块的中心点作为相应矩形块的指纹点，当矩形定位区域内的场景发生变化时，将变化后的矩形定位区域作为目标域；步骤2、在所述矩形定位区域外测使用路由器作为WIFI信号的发送设备，记为AP，并使用网卡作为接收设备，记为RP；步骤3、在第i个指纹点上使用所述接收设备RP以采样速率v连续采集所述发送设备AP发送的不同信道上的x个WIFI信号，从而构成第i个指纹点的CSI数据，i∈[1,n]；步骤4、利用主成分分析法对所述第i个指纹点的CSI数据进行幅值提取，得到第i个指纹点的幅值数据Ai；步骤5、判断矩形定位区域内所采集到CSI数据的指纹点的数量k1是否达到所设置的阈值k，若达到，则执行步骤7；否则，执行步骤6；步骤6、预测k2个未知指纹点的CSI幅度数据，使得k＝k1+k2；步骤6.1、利用式1建立自由空间信号传播损耗模型：L＝β0+20β1lgf+β2lgd1式1中，L表示幅值数据的损耗，β0、β1、β2分别表示三个可调参数，并初始化均为1；f表示WIFI信号的频率，d表示收发设备之间的距离；步骤6.2、利用式2计算所采集到CSI数据的第i个指纹点的损耗Li，从而得到矩形定位区域内所有采集的指纹点的损耗； 式2中，A0为发送设备AP所发送的CSI数据的幅值数据；步骤6.3、在平面直角坐标系中以指纹点与发送设备AP之间的距离d为横轴、损耗L为纵轴绘制信号初始损耗曲线Ld，再调节损耗公式的β0、β1、β2数值使得信号初始损耗曲线Ld拟合k1个指纹点的坐标{di,Li|i＝1,2,…,k1}，从而得到信号实际损耗曲线L′d，根据信号实际损耗曲线L′d获得目标域中任一坐标上指纹点的CSI幅度数据；步骤7、使用One-Hot算法对指纹点的幅值数据进行编码；步骤7.1、假设源域中有g个指纹点，记为U＝U1,U2,...,Ug，其中，Ug表示包含n个幅值数据的第g个指纹点；将g个指纹点U的幅值数据，记为其中，表示第g个指纹点Ug上的n个幅值数据；假设所述目标域中有f个指纹点，记为D＝D1,D2,...,Df，其中，Df表示包含m个幅值数据的第f个指纹点；将f个指纹点D上的m个幅值数据，记为其中，表示第f个指纹点上的m个幅值数据；步骤7.2、使用One-Hot编码将源域中的g个指纹点U和目标域中的f个指纹点D分别转化为二维矩阵U′和D′；步骤8、使用One-vs-Rest算法匹配源域和目标域中的每一个指纹点，通过交叉匹配U′和D′得到匹配后的幅值数据集{Xj|j＝1,2,g×f}，Xj表示匹配后的第j类幅值数据；步骤9、改进trAdaboost算法；步骤9.0、在幅值数据集中{Xj|j＝1,2,g×f}取第j类幅度数据Xj并构成训练数据子集Tj，在目标域中取类幅度数据构成测试数据集S，选用决策树作为分类算法，定义最大迭代次数为N；定义当前迭代次数为t；步骤9.1、初始化t＝1；步骤9.2、令初始权重向量其中： 式3中，表示训练数据子集Tj中第1次迭代的第i个幅值数据的权重；步骤9.3、利用式4计算第t次迭代的权重分布pt： 步骤9.4、根据训练数据集Tj以及Tj上的权重分布pt和测试数据集S，调用决策树得到在测试数据集S上第t次迭代的分类器ht；步骤9.5、利用式5计算分类器ht在目标域上的错误率et： 式5中，CSIi表示训练数据子集Tj中第i个幅值数据，htCSIi表示第t次迭代预测的分类结果，CCSIi表示第i个幅值数据正确的分类结果；步骤9.6、设置第t次迭代的参数βt必须大于0.5，定义参数步骤9.7、设置第t次迭代的修正系数Ct＝1.81-et，则利用式6得到第t+1次迭代的权重向量Wt+1： 步骤9.8、将t+1赋值给t后，判断tN是否成立，若成立，则执行步骤9.9；否则，返回步骤9.3执行；步骤9.9、利用式7输出第i个幅值数据CSIi的预测分类结果fiCSIi： 步骤9.10、将i+1赋值给i后，判断in+m是否成立，若成立，则表示得到第j类幅值数据的二分类器，否则，返回步骤9.1；步骤9.11、将j+1赋值给j后，判断jg×f是否成立，若成立，则表示得到g×f个二分类器，即最终的分类器；否则，返回步骤9.0；步骤10、将新采集的测试点的幅度数据输入最终的分类器中并得到g×f个分类结果；选择前n个概率最高的分类结果计算测试点的最终位置坐标xfinal,yfinal： 式9中，xi、yi和pi分别为第i个分类结果的横坐标、纵坐标和概率。

全文数据：

权利要求：

百度查询： 合肥工业大学 基于改进型TrAdaBoost的迁移学习室内定位方法