CN114449435B - 基于大间隔近邻的度量学习的指纹定位方法 - Google Patents
基于大间隔近邻的度量学习的指纹定位方法 Download PDFInfo
- Publication number
- CN114449435B CN114449435B CN202011119671.1A CN202011119671A CN114449435B CN 114449435 B CN114449435 B CN 114449435B CN 202011119671 A CN202011119671 A CN 202011119671A CN 114449435 B CN114449435 B CN 114449435B
- Authority
- CN
- China
- Prior art keywords
- fingerprint
- target
- loss function
- sample
- distance
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000005259 measurement Methods 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000006870 function Effects 0.000 claims abstract description 136
- 239000011159 matrix material Substances 0.000 claims abstract description 76
- 238000004364 calculation method Methods 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 12
- 230000009545 invasion Effects 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 11
- 238000012512 characterization method Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 230000004807 localization Effects 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/025—Services making use of location information using location based information parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
- H04W64/003—Locating users or terminals or network equipment for network management purposes, e.g. mobility management locating network equipment
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明实施例涉及室内定位技术领域,公开了一种基于大间隔近邻的度量学习的指纹定位方法,该方法包括:获取预设区域内的待定位点的信号数据;将所述信号数据输入目标定位模型中,目标定位模型根据目标度量矩阵及指纹库训练得到,目标度量矩阵为使得每个样本的目标邻居和入侵点对应的损失函数最小时的距离计算参数,目标邻居为与各个样本对应的位置坐标之间的欧氏距离最近的k个样本,入侵点为与各个样本的位置坐标之间的欧氏距离与该样本与所述目标邻居的位置坐标之间的欧氏距离满足预设条件的样本;获取所述目标定位模型输出的所述待定位点对应的目标位置坐标。通过上述方式,本发明实施例提高了指纹定位的准确率。
Description
技术领域
本发明实施例涉及室内定位技术领域,具体涉及一种基于大间隔近邻的 度量学习的指纹定位方法、装置、设备及可读介质。
背景技术
随着网络和移动设备的使用的普及,对设备进行定位从而更好地提供相 关服务是一项很重要的活动,现有技术中基于无线电频谱的室内定位方法主 要分为两类:基于信道模型的室内定位方法和基于指纹的室内定位方法。
其中,基于信道模型的室内定位方法需要建立真实环境的信号传播模型, 在复杂室内环境中对信号进行分析和建模十分困难,而基于指纹的室内定位 方法不需要手工建立传播模型,只需要搜集指纹库,然后通过学习方法建立 指纹-位置关系映射,因此基于指纹定位较为主流。
目前基于指纹的定位方法一般是假设相邻位置间的指纹具有一定的相似 性。通过计算在线采集的指纹信息与离线指纹库中的数据信息的相似性,将 相似性最大的离线指纹信息所对应的位置确定为目标设备的位置。
而在进行相似度的计算时,需要对于数据点之间的距离的度量方式进行 规定,这就需要进行度量学习(Distance Metric Learning)。即旨在针对特定 的数据与感兴趣的任务设计出合适的度量,即自动的从有监督的数据中,以 机器学习的方式构造出与任务相关的距离度量。
但现有技术一般将度量学习直接应用于指纹定位时,这样做存在以下的 问题:一方面,如果将每个位置测量格点作为一个类别,其类别数量将随着 测量点的增对而增大,且在每个测量格点,采样样本难且其差异性较小。
另一方面,指纹信息的标签是位置坐标,不同于常规分类任务中的类别 标签,位置坐标间的相对距离是可以直接进行计算的。因此用于评价指纹定 位性能的参数一般是平均误差而不是分类任务中的分类准确度,由此就导致 了现有技术中直接将度量学习应用于指纹定位的效率较低、准确率不够高, 无法满足指纹定位的需要。
发明内容
鉴于上述问题,本发明实施例提供了一种基于大间隔近邻的度量学习的 指纹定位方法,用于解决现有技术中存在的直接将度量学习应用于指纹定位 时定位效率和准确率不理想的问题。
根据本发明实施例的一个方面,提供了一种基于大间隔近邻的度量学习 的指纹定位方法,所述方法包括:
获取预设区域内的待定位点的信号数据,所述信号数据包括在所述待定 位点接收到的预设的多个信号发射器的信号强度数据;
将所述信号数据输入目标定位模型中,其中,所述目标定位模型根据目 标度量矩阵及指纹库训练得到,所述目标度量矩阵为使得每个样本的目标邻 居和入侵点对应的损失函数最小时的距离计算参数,所述目标邻居为与各个 样本对应的位置坐标之间的欧氏距离最近的k个样本,所述入侵点为与各个样本的位置坐标之间的欧氏距离与该样本与所述目标邻居的位置坐标之间的欧 氏距离满足预设条件的样本,k为不为0的自然数;
获取所述目标定位模型输出的所述待定位点对应的目标位置坐标。
在一种可选的方式中,所述方法进一步包括:
针对所述指纹库中的第i个指纹xi,将所述指纹库中的对应的位置坐标落 在以预设的正实数r为半径,以xi对应的位置坐标qi为圆心的区域内的指纹确 定为xi的真实邻居,得到xi的真实邻居集合Ni;
获取Ni中对应的位置坐标与qi欧氏距离最近的s个指纹作为xi的目标邻 居,s为不为0的自然数;
对于每一个指纹xi与xi的目标邻居xj,若在所述指纹库中存在指纹xl对应 的位置坐标ql与qi的欧氏距离小于qi与xj的位置坐标qj的欧氏距离加上预设 的边界值的和,则将xl确定为xi的入侵点。
在一种可选的方式中,所述方法进一步包括:
根据下式表示所述损失函数:
其中,dM(xi,xj)2=||L(xi,xl)||2=(xi-xj)TM(xi-xj)表征指纹xi与指纹xj在距离计算参数为M时的距离,i,j→i表示xj为xi的目标邻居,l表示xi的入侵点xl, μ为预设阈值,yil为在i=l时为1、其他情况下为0的指示变量,M为所述距 离计算参数;
对所述损失函数的最小值进行求解;
获取所述损失函数取最小值时的距离计算参数作为所述目标度量矩阵。
在一种可选的方式中,所述方法进一步包括:
确定松弛变量ξijl,根据ξijl和所述损失函数确定目标函数,所述目标函数 表示如下:
在一种可选的方式中,所述方法进一步包括:
确定所述目标函数是否收敛;
在所述损失函数不收敛的情况下,采用迭代次梯度投影算法对所述损失 函数进行优化,其中,优化后的目标函数表示如下:
其中,Mt为第t次迭代时的所述距离计算参数的取值, Cij=(xi-xj)(xi-xj)T;
对优化后的所述损失函数进行求解。
在一种可选的方式中,所述方法进一步包括:
确定一个三元集合Nt,使得(i,j,l)∈Nt并且当且仅当(i,j,l)使得所述目标函 数中的第二项不为零;
将所述损失函数的梯度Gt表示为:
根据上式,确定第t+1次迭代后所述损失函数的梯度为:
将Mt映射到正半定锥上表示为:
其中,Mt=VΔVT,V表示由特征向量组成的正交矩阵,其中,Δ为由特征 值组成的对角矩阵,其分解形式为Δ=Δ-+Δ+,Δ-包含所有的负特征值,Δ+包含 所有的正特征值;
进行迭代,直至Δ-为0,得到M作为所述目标度量矩阵。
在一种可选的方式中,所述方法进一步包括:
根据所述目标度量矩阵计算所述指纹库中各个指纹与所述待定位点的目 标距离;
获取与所述待定位点的目标距离最近的t个指纹,t为不为0的自然数, 获取所述t个指纹对应的坐标位置的平均值作为所述待定位点对应的目标位 置坐标。
根据本发明实施例的另一方面,提供了一种基于大间隔近邻的度量学习 的指纹定位装置,包括:
数据获取模块,用于获取预设区域内的待定位点的信号数据,所述信号 数据包括在所述待定位点接收到的预设的多个信号发射器的信号强度数据;
度量确定模块,用于将所述信号数据输入目标定位模型中,其中,所述 目标定位模型根据目标度量矩阵及指纹库训练得到,所述目标度量矩阵为使 得每个样本的目标邻居和入侵点对应的损失函数最小时的距离计算参数,所 述目标邻居为与各个样本对应的位置坐标之间的欧氏距离最近的k个样本,所述入侵点为与各个样本的位置坐标之间的欧氏距离与该样本与所述目标邻居 的位置坐标之间的欧氏距离满足预设条件的样本,k为不为0的自然数;
坐标确定模块,用于获取所述目标定位模型输出的所述待定位点对应的 目标位置坐标。
根据本发明实施例的另一方面,提供了一种基于大间隔近邻的度量学习 的指纹定位设备,包括:
数据获取模块,用于获取预设区域内的待定位点的信号数据,所述信号 数据包括在所述待定位点接收到的预设的多个信号发射器的信号强度数据;
度量确定模块,用于将所述信号数据输入目标定位模型中,其中,所述 目标定位模型根据目标度量矩阵及指纹库训练得到,所述目标度量矩阵为使 得每个样本的目标邻居和入侵点对应的损失函数最小时的距离计算参数,所 述目标邻居为与各个样本对应的位置坐标之间的欧氏距离最近的k个样本,所述入侵点为与各个样本的位置坐标之间的欧氏距离与该样本与所述目标邻居 的位置坐标之间的欧氏距离满足预设条件的样本,k为不为0的自然数;
坐标确定模块,用于获取所述目标定位模型输出的所述待定位点对应的 目标位置坐标。
在一种可选的方式中,所述度量确定模块还用于:
针对所述指纹库中的第i个指纹xi,将所述指纹库中的对应的位置坐标落 在以预设的正实数r为半径,以xi对应的位置坐标qi为圆心的区域内的指纹确 定为xi的真实邻居,得到xi的真实邻居集合Ni;
获取Ni中对应的位置坐标与qi欧氏距离最近的s个指纹作为xi的目标邻 居,s为不为0的自然数;
对于每一个指纹xi与xi的目标邻居xj,若在所述指纹库中存在指纹xl对应 的位置坐标ql与qi的欧氏距离小于qi与xj的位置坐标qj的欧氏距离加上预设 的边界值的和,则将xl确定为xi的入侵点。
在一种可选的方式中,所述度量确定模块还用于:
根据下式表示所述损失函数:
其中,dM(xi,xj)2=||L(xi,xl)||2=(xi-xj)TM(xi-xj)表征指纹xi与指纹xj在距离计算参数为M时的距离,i,j→i表示xj为xi的目标邻居,l表示xi的入侵点xl, μ为预设阈值,yil为在i=l时为1、其他情况下为0的指示变量,M为所述距 离计算参数;
对所述损失函数的最小值进行求解;
获取所述损失函数取最小值时的距离计算参数作为所述目标度量矩阵。
在一种可选的方式中,所述度量确定模块还用于:
确定松弛变量ξijl,根据ξijl和所述损失函数确定目标函数,所述目标函数 表示如下:
对所述目标函数进行求解。
在一种可选的方式中,所述度量确定模块还用于:
确定所述目标函数是否收敛;
在所述损失函数不收敛的情况下,采用迭代次梯度投影算法对所述损失 函数进行优化,其中,优化后的目标函数表示如下:
其中,Mt为第t次迭代时的所述距离计算参数的取值, Cij=(xi-xj)(xi-xj)T;
对优化后的所述损失函数进行求解。
在一种可选的方式中,所述度量确定模块还用于:
确定一个三元集合Nt,使得(i,j,l)∈Nt并且当且仅当(i,j,l)使得所述目标函 数中的第二项不为零;
将所述损失函数的梯度Gt表示为:
根据上式,确定第t+1次迭代后所述损失函数的梯度为:
将Mt映射到正半定锥上表示为:
其中,Mt=VΔVT,V表示由特征向量组成的正交矩阵,其中,Δ为由特征 值组成的对角矩阵,其分解形式为Δ=Δ-+Δ+,Δ-包含所有的负特征值,Δ+包含 所有的正特征值;
进行迭代,直至Δ-为0,得到M作为所述目标度量矩阵。
所述坐标确定模块还用于:
根据所述目标度量矩阵计算所述指纹库中各个指纹与所述待定位点的目 标距离;
获取与所述待定位点的目标距离最近的t个指纹,t为不为0的自然数, 获取所述t个指纹对应的坐标位置的平均值作为所述待定位点对应的目标位 置坐标。
根据本发明实施例的又一方面,提供了一种计算机可读存储介质,所述 存储介质中存储有至少一可执行指令,所述可执行指令使基于大间隔近邻的 度量学习的指纹定位设备/装置执行以下操作:
获取预设区域内的待定位点的信号数据,所述信号数据包括在所述待定 位点接收到的预设的多个信号发射器的信号强度数据;
将所述信号数据输入目标定位模型中,其中,所述目标定位模型根据目 标度量矩阵及指纹库训练得到,所述目标度量矩阵为使得每个样本的目标邻 居和入侵点对应的损失函数最小时的距离计算参数,所述目标邻居为与各个 样本对应的位置坐标之间的欧氏距离最近的k个样本,所述入侵点为与各个样本的位置坐标之间的欧氏距离与该样本与所述目标邻居的位置坐标之间的欧 氏距离满足预设条件的样本,k为不为0的自然数;
获取所述目标定位模型输出的所述待定位点对应的目标位置坐标。
在一种可选的方式中,可执行指令还用于执行:
针对所述指纹库中的第i个指纹xi,将所述指纹库中的对应的位置坐标落 在以预设的正实数r为半径,以xi对应的位置坐标qi为圆心的区域内的指纹确 定为xi的真实邻居,得到xi的真实邻居集合Ni;
获取Ni中对应的位置坐标与qi欧氏距离最近的s个指纹作为xi的目标邻 居,s为不为0的自然数;
对于每一个指纹xi与xi的目标邻居xj,若在所述指纹库中存在指纹xl对应 的位置坐标ql与qi的欧氏距离小于qi与xj的位置坐标qj的欧氏距离加上预设 的边界值的和,则将xl确定为xi的入侵点。
在一种可选的方式中,可执行指令还用于执行:
根据下式表示所述损失函数:
其中,dM(xi,xj)2=||L(xi,xl)||2=(xi-xj)TM(xi-xj)表征指纹xi与指纹xj在距离计算参数为M时的距离,i,j→i表示xj为xi的目标邻居,l表示xi的入侵点xl, μ为预设阈值,yil为在i=l时为1、其他情况下为0的指示变量,M为所述距 离计算参数;
对所述损失函数的最小值进行求解;
获取所述损失函数取最小值时的距离计算参数作为所述目标度量矩阵。
在一种可选的方式中,可执行指令还用于执行:
确定松弛变量ξijl,根据ξijl和所述损失函数确定目标函数,所述目标函数 表示如下:
对所述目标函数进行求解。
在一种可选的方式中,可执行指令还用于执行:
确定所述目标函数是否收敛;
在所述损失函数不收敛的情况下,采用迭代次梯度投影算法对所述损失 函数进行优化,其中,优化后的目标函数表示如下:
其中,Mt为第t次迭代时的所述距离计算参数的取值, Cij=(xi-xj)(xi-xj)T;
对优化后的所述损失函数进行求解。
在一种可选的方式中,可执行指令还用于执行:
确定一个三元集合Nt,使得(i,j,l)∈Nt并且当且仅当(i,j,l)使得所述目标函 数中的第二项不为零;
将所述损失函数的梯度Gt表示为:
根据上式,确定第t+1次迭代后所述损失函数的梯度为:
将Mt映射到正半定锥上表示为:
其中,Mt=VΔVT,V表示由特征向量组成的正交矩阵,其中,Δ为由特征 值组成的对角矩阵,其分解形式为Δ=Δ-+Δ+,Δ-包含所有的负特征值,Δ+包含 所有的正特征值;
进行迭代,直至Δ-为0,得到M作为所述目标度量矩阵。
在一种可选的方式中,可执行指令还用于执行:
根据所述目标度量矩阵计算所述指纹库中各个指纹与所述待定位点的目 标距离;
获取与所述待定位点的目标距离最近的t个指纹,t为不为0的自然数, 获取所述t个指纹对应的坐标位置的平均值作为所述待定位点对应的目标位 置坐标。
本发明实施例通过获取预设区域内的待定位点的信号数据,所述信号数 据包括在所述待定位点接收到的预设的多个信号发射器的信号强度数据;
然后将所述信号数据输入目标定位模型中,其中,所述目标定位模型根 据目标度量矩阵及指纹库训练得到,所述目标度量矩阵为使得每个样本的目 标邻居和入侵点对应的损失函数最小时的距离计算参数,所述目标邻居为与 各个样本对应的位置坐标之间的欧式距离最近的k个样本,所述入侵点为与各 个样本的位置坐标之间的欧氏距离与该样本与所述目标邻居的位置坐标之间 的欧氏距离满足预设条件的样本,k为不为0的自然数,最后获取所述目标定 位模型输出的所述待定位点对应的目标位置坐标。
本发明通过根据各个指纹对应的采集位置的物理距离直接确定出各个指 纹的目标邻居和入侵点,构造损失函数,区别于现有技术中将一个采集位置 作为一个类型标签,计算各个标签下的指纹之间的距离所导致的计算量大, 定位效率低的问题,本发明提高了指纹定位的效率和准确率。
上述说明仅是本发明实施例技术方案的概述,为了能够更清楚了解本发 明实施例的技术手段,而可依照说明书的内容予以实施,并且为了让本发明 实施例的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的 具体实施方式。
附图说明
附图仅用于示出实施方式,而并不认为是对本发明的限制。而且在整个 附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明实施例提供的基于大间隔近邻的度量学习的指纹定位 方法的流程示意图;
图2示出了本发明实施例提供的基于大间隔近邻的度量学习的指纹定位 装置的结构示意图;
图3示出了本发明实施例提供的基于大间隔近邻的度量学习的指纹定位 设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示 了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不 应被这里阐述的实施例所限制。
图1示出了本发明基于大间隔近邻的度量学习的指纹定位方法实施例的 流程图,该方法由计算机处理设备执行。具体的设备可以包括笔记本电脑、 手机等。如图1所示,该方法包括以下步骤:
步骤110:获取预设区域内的待定位点的信号数据,所述信号数据包括在 所述待定位点接收到的预设的多个信号发射器的信号强度数据。
在待定位区域内摆放若干个信号发射器,在具体的实施例中,可以使用 WIFI设备作为信号发射器使用。
步骤120:将所述信号数据输入目标定位模型中,其中,所述目标定位模 型根据目标度量矩阵及指纹库训练得到,所述目标度量矩阵为使得每个样本 的目标邻居和入侵点对应的损失函数最小时的距离计算参数,所述目标邻居 为与各个样本对应的位置坐标之间的欧氏距离最近的k个样本,所述入侵点为 与各个样本的位置坐标之间的欧氏距离与该样本与所述目标邻居的位置坐标 之间的欧氏距离满足预设条件的样本,k为不为0的自然数。
首先,指纹库中包括预先在预设区域的多个采集位置采集的多个指纹, 每一个指纹包括在该指纹对应的采集位置上接收到的来自各个所述信号发射 器的信号强度。
对于每一个采集位置,用x=(x1,x2,…,xn)T表示采集到的来自各个信号发射 器的信号在一定时长内的平均值,其中n表示前述步骤中放置的信号发射器的 个数。将x=(x1,x2,…,xn)T作为指纹库中的一条指纹。
与此同时,用q表示每一个采集位置(对应于一条指纹)对应的物理位置 坐标。用database=((x1,q1),…,(xi,qi),…(xm,qm))表示所有采集位置得到的数据集 合,m表示采集位置的个数。意即,在前述随机取一些位置采集信号发射器 发射的信号接收强度作为采集信息的同时,还进一步记录各个采集位置的位置坐标。
在构建好指纹库之后,区别于现有技术中直接将度量学习应用到指纹定 位中,即根据每一个采集位置的物理坐标添加每一个指纹的标签,然后根据 各个标签下对应的指纹的采集信号强度计算各个标签之间的距离,最后根据 标签之间的距离对进行度量学习和聚类。
本发明考虑现有技术中这样直接应用存在以下问题:第一,如果将每个 位置测量格点作为一个类别,其类别数量将随着测量点的增对而增大,并且 这样会导致在每个测量格点,采样样本难且每个测量格点获取的样本差异性 较小。这样就影响了基于度量学习的指纹定位的性能和准确率。
与此同时,本发明考虑到指纹信息的标签是根据位置坐标确定的,而不 同于常规的类别标签,位置坐标之间的距离是可以直接计算出来的,因此本 发明在确定目标度量矩阵之前,首先根据位置坐标直接计算欧氏距离和确定 出各个指纹的邻居和入侵点,再根据各个指纹的邻居和入侵点与该指纹之间 的信号强度的距离计算出损失函数,最后对损失函数进行求解,获取最优的目标度量矩阵,具体可以至少包括以下的步骤1201-1203。
步骤1201:针对所述指纹库中的第i个指纹xi,将所述指纹库中的对应的 位置坐标落在以预设的正实数r为半径,以xi对应的位置坐标qi为圆心的区域 内的指纹确定为xi的真实邻居,得到xi的真实邻居集合Ni。
也就是说,每一个指纹的真实邻居即在物理空间中与该指纹对应的采集 位置最近的指纹。
步骤1202:获取Ni中对应的位置坐标与qi欧氏距离最近的s个指纹作为xi的目标邻居,s为不为0的自然数。
即,在确定真实邻居之后,从物理空间中的一定范围内的邻居指纹中选 择最接近的若干个指纹作为后续计算分类准确度的参照对象,即目标邻居。 在计算损失函数时,若根据目标邻居的指纹与当前指纹的信号强度在根据目 标度量矩阵计算出的距离越接近,则说明用于计算指纹相似度的目标度量矩 阵训练得越准确,越能反映各个指纹在物理空间之中真实距离的远近。
步骤1203:对于每一个指纹xi与xi的目标邻居xj,若在所述指纹库中存 在指纹xl对应的位置坐标ql与qi的欧氏距离小于qi与xj的位置坐标qj的欧氏距 离加上预设的边界值的和,则将xl确定为xi的入侵点。
也就是说在确定出目标邻居的同时,还存在一些物理距离较为相近,但 是信号强度差异较大导致在根据标签进行分类时容易被误作为邻居的指纹, 这些指纹影响了分类的准确性,因此在计算损失函数时,入侵点即容易分错, 对分类影响很大的点,即在物理距离上已经不属于同一区域,但是信号强度 数据上较为接近,这些容易对指纹定位造成混淆,因此每一次基于度量计算参数进行距离计算和分类之后,还要针对分类结果进行打分(计算损失值), 而在打分时对于存在边界区域会扰乱分类结果的进行惩罚,从而使得通过最 小化损失函数,算法使得样本与其目标邻居间的距离尽可能小,而与入侵点 的距离尽可能大,得到目标损失函数,从而使得参数项向着损失函数最小也 就是分类更准确的方向进行。
在对目标邻居和入侵点重新定义之后,按照大间隔近邻分析的度量学习 算法,根据各个指纹的邻居和入侵点与该指纹之间的信号强度的距离计算出 损失函数,最后对损失函数进行求解,获取最优的目标度量矩阵,具体可以 包括以下的步骤1211-1213。
步骤1211:根据下式表示所述损失函数:
其中,dM(xi,xj)2=||L(xi,xl)||2=(xi-xj)TM(xi-xj)表征指纹xi与指纹xj在距离计算参数为M时的距离,i,j→i表示xj为xi的目标邻居,l表示xi的入侵点xl, μ为预设阈值,yil为在i=l时为1、其他情况下为0的指示变量,M为所述距 离计算参数。
对损失函数的组成进行说明,类似于传统大间隔最近邻度量学习算法, 为了得到一个定义良好的伪距离,需要目标矩阵M满足半正定矩阵。损失函 数的第一项为所有指纹和他们的目标邻居在已学习到的度量标准下的距离, 第二项为Hinge Loss,表征了所有指纹的入侵点的数量以及目标邻居与入侵点 的距离之差。由此,第一项和第二项的和所组成的损失函数值的下降方向为 使得指纹与邻居更加靠近,同时使其远离入侵点。
步骤1212:对所述损失函数的最小值进行求解。
为了对损失函数进行求解,首先需要将损失函数转换成为标准凸优化问 题进行求解,因此,引入松弛变量ξijl,将求解问题转化为半正定规划问题。
确定松弛变量ξijl,将ξijl和所述损失函数的和作为目标函数,将目标函数 表示如下:
具体的,此处的非负松弛变量{ξijl}为目标邻居(j→i)和入侵点(l)的 三元变量,引入松弛变量ξijl表示入侵点侵入边界条件的程度,上述半正定规 划问题可以根据标准凸优化解决包进行求解。在对目标函数进行求解之前, 还要根据以下的步骤12231-步骤12232来判断是否收敛,在不收敛的情况下,采取基于梯度的优化器对目标函数进行优化。
步骤12231:确定所述目标函数是否收敛。
对目标函数进行求导,根据导数为零时是否有解来判断目标函数是否收 敛。
步骤12232:在所述损失函数不收敛的情况下,采用迭代次梯度投影算法 对所述损失函数进行优化,其中,优化后的目标函数表示如下:
其中,Mt为第t次迭代时的所述距离计算参数的取值, Cij=(xi-xj)(xi-xj)T。
需要说明的是,此处将第t次迭代的曼哈顿距离下的目标度量矩阵表示为 Mt,用两个指纹的叉积来表示曼哈顿距离的平方。
具体的,得到优化的目标函数过程还可以包括以下的步骤 122321-122324。
步骤122321:确定一个三元集合Nt,使得(i,j,l)∈Nt并且当且仅当(i,j,l)使 得所述目标函数中的第二项不为零。
第二项指的是,即入侵点对于分类的惩罚值,前述步骤中的Hinge Loss。
步骤122322:将所述损失函数的梯度Gt表示为:
根据上式,确定第t+1次迭代后所述损失函数的梯度为:
步骤122323:将Mt映射到正半定锥上表示为:
其中,Mt=VΔVT,V表示由特征向量组成的正交矩阵,其中,Δ为由特征 值对应的对角矩阵,其分解形式为Δ=Δ-+Δ+,Δ-包含所有的负特征值,Δ+包含 所有的正特征值;
步骤122324:进行迭代,直至Δ-为0,得到M作为所述目标度量矩阵。
步骤1213:获取所述损失函数取最小值时的距离计算参数作为所述目标 度量矩阵。
步骤1223:对优化后的所述损失函数进行求解。
在将作为指纹之间的距离相似度计算方式的目标度量矩阵之后,即可以 将目标度量矩阵导入到预先训练好的KNN定位模型之中,得到最后的目标定 位模型,至少可以包括以下的步骤1231-1232。
步骤1231:根据所述目标度量矩阵计算所述指纹库中各个指纹与所述待 定位点的目标距离。
步骤1232:获取与所述待定位点的目标距离最近的t个指纹,t为不为0 的自然数,获取所述t个指纹对应的坐标位置的平均值作为所述待定位点对应 的目标位置坐标。
步骤1231-1232中计算过程可以用下式进行概括:
其中,loci表示选择指纹库中指纹特征与待定位设备采集到的信息按照学 习到的目标度量矩阵计算出的距离最小所对应的位置坐标;Min_K(D1,...DL)表 示在指纹数据库中与采集到的信号发射器的信息距离信息最小的K个位置坐 标;L表示步骤1213得到的目标度量矩阵。
步骤130:获取所述目标定位模型输出的所述待定位点对应的目标位置坐 标。
图2示出了本发明基于大间隔近邻的度量学习的指纹定位装置实施例的 结构示意图。如图2所示,该装置300包括:数据采集模块310、度量确定模 块320和坐标确定模块330。
其中,数据采集模块310用于:获取预设区域内的待定位点的信号数据, 所述信号数据包括在所述待定位点接收到的预设的多个信号发射器的信号强 度数据;
度量确定模块320用于:将所述信号数据输入目标定位模型中,其中, 所述目标定位模型根据目标度量矩阵及指纹库训练得到,所述目标度量矩阵 为使得每个样本的目标邻居和入侵点对应的损失函数最小时的距离计算参 数,所述目标邻居为与各个样本对应的位置坐标之间的欧氏距离最近的k个样 本,所述入侵点为与各个样本的位置坐标之间的欧氏距离与该样本与所述目 标邻居的位置坐标之间的欧氏距离满足预设条件的样本,k为不为0的自然 数;
坐标确定模块330用于:获取所述目标定位模型输出的所述待定位点对 应的目标位置坐标。
在一种可选的方式中,度量确定模块320还用于:
针对所述指纹库中的第i个指纹xi,将所述指纹库中的对应的位置坐标落 在以预设的正实数r为半径,以xi对应的位置坐标qi为圆心的区域内的指纹确 定为xi的真实邻居,得到xi的真实邻居集合Ni;获取Ni中对应的位置坐标与qi欧氏距离最近的s个指纹作为xi的目标邻居,s为不为0的自然数;对于每一 个指纹xi与xi的目标邻居xj,若在所述指纹库中存在指纹xl对应的位置坐标ql与qi的欧氏距离小于qi与xj的位置坐标qj的欧氏距离加上预设的边界值的和, 则将xl确定为xi的入侵点。
根据下式表示所述损失函数:
其中,dM(xi,xj)2=||L(xi,xl)||2=(xi-xj)TM(xi-xj)表征指纹xi与指纹xj在距离计算参数为M时的距离,i,j→i表示xj为xi的目标邻居,l表示xi的入侵点xl, μ为预设阈值,yil为在i=l时为1、其他情况下为0的指示变量,M为所述距 离计算参数;
对所述损失函数的最小值进行求解;
获取所述损失函数取最小值时的距离计算参数作为所述目标度量矩阵。
度量确定模块320还用于:确定松弛变量ξijl,根据ξijl和所述损失函数确 定目标函数,所述目标函数表示如下:
对所述目标函数进行求解。
度量确定模块320还用于:确定所述目标函数是否收敛;
在所述损失函数不收敛的情况下,采用迭代次梯度投影算法对所述损失 函数进行优化,其中,优化后的目标函数表示如下:
其中,Mt为第t次迭代时的所述距离计算参数的取值, Cij=(xi-xj)(xi-xj)T;
对优化后的所述损失函数进行求解。
度量确定模块320还用于:确定一个三元集合Nt,使得(i,j,l)∈Nt并且当 且仅当(i,j,l)使得所述目标函数中的第二项不为零;
将所述损失函数的梯度Gt表示为:
根据上式,确定第t+1次迭代后所述损失函数的梯度为:
将Mt映射到正半定锥上表示为:
其中,Mt=VΔVT,V表示由特征向量组成的正交矩阵,其中,Δ为由特征 值组成的对角矩阵,其分解形式为Δ=Δ-+Δ+,Δ-包含所有的负特征值,Δ+包含 所有的正特征值;
进行迭代,直至Δ-为0,得到M作为所述目标度量矩阵。
坐标确定模块330还用于:根据所述目标度量矩阵计算所述指纹库中各 个指纹与所述待定位点的目标距离;
获取与所述待定位点的目标距离最近的t个指纹,t为不为0的自然数, 获取所述t个指纹对应的坐标位置的平均值作为所述待定位点对应的目标位 置坐标。
本发明实施例的基于大间隔近邻的度量学习的指纹定位装置的具体工作 过程与上述基于大间隔近邻的度量学习的指纹定位方法的具体流程步骤相 同,此处不再赘述。
本发明实施例的基于大间隔近邻的度量学习的指纹定位装置通过根据各 个指纹对应的采集位置的物理距离直接确定出各个指纹的目标邻居和入侵 点,构造损失函数,从而提高了指纹定位的效率和准确率。
图3示出了本发明基于大间隔近邻的度量学习的指纹定位设备实施例的 结构示意图,本发明具体实施例并不对基于大间隔近邻的度量学习的指纹定 位设备的具体实现做限定。
如图3所示,该基于大间隔近邻的度量学习的指纹定位设备可以包括: 处理器(processor)402、通信接口(Communications Interface)404、存储器 (memory)406、以及通信总线408。
其中:处理器402、通信接口404、以及存储器406通过通信总线408完 成相互间的通信。通信接口404,用于与其它设备比如客户端或其它服务器等 的网元通信。处理器402,用于执行程序410,具体可以执行上述用于基于大 间隔近邻的度量学习的指纹定位方法实施例中的相关步骤。
具体地,程序410可以包括程序代码,该程序代码包括计算机可执行指 令。
处理器402可能是中央处理器CPU,或者是特定集成电路ASIC (ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。基于大间隔近邻的度量学习的指纹定位设备包括的 一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可以 是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。
存储器406,用于存放程序410。存储器406可能包含高速RAM存储器, 也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存 储器。
程序410具体可以被处理器402调用使基于大间隔近邻的度量学习的指 纹定位设备执行以下操作:
获取预设区域内的待定位点的信号数据,所述信号数据包括在所述待定 位点接收到的预设的多个信号发射器的信号强度数据;
将所述信号数据输入目标定位模型中,其中,所述目标定位模型根据目 标度量矩阵及指纹库训练得到,所述目标度量矩阵为使得每个样本的目标邻 居和入侵点对应的损失函数最小时的距离计算参数,所述目标邻居为与各个 样本对应的位置坐标之间的欧氏距离最近的k个样本,所述入侵点为与各个样本的位置坐标之间的欧氏距离与该样本与所述目标邻居的位置坐标之间的欧 氏距离满足预设条件的样本,k为不为0的自然数;
获取所述目标定位模型输出的所述待定位点对应的目标位置坐标。
在一种可选的方式中,所述程序410还被处理器402调用使基于大间隔 近邻的度量学习的指纹定位设备执行以下操作:
针对所述指纹库中的第i个指纹xi,将所述指纹库中的对应的位置坐标落 在以预设的正实数r为半径,以xi对应的位置坐标qi为圆心的区域内的指纹确 定为xi的真实邻居,得到xi的真实邻居集合Ni;
获取Ni中对应的位置坐标与qi欧氏距离最近的s个指纹作为xi的目标邻 居,s为不为0的自然数;
对于每一个指纹xi与xi的目标邻居xj,若在所述指纹库中存在指纹xl对应 的位置坐标ql与qi的欧氏距离小于qi与xj的位置坐标qj的欧氏距离加上预设 的边界值的和,则将xl确定为xi的入侵点。
在一种可选的方式中,所述程序410还被处理器402调用使基于大间隔 近邻的度量学习的指纹定位设备执行以下操作:
根据下式表示所述损失函数:
其中,dM(xi,xj)2=||L(xi,xl)||2=(xi-xj)TM(xi-xj)表征指纹xi与指纹xj在距离计算参数为M时的距离,i,j→i表示xj为xi的目标邻居,l表示xi的入侵点xl, μ为预设阈值,yil为在i=l时为1、其他情况下为0的指示变量,M为所述距 离计算参数;
对所述损失函数的最小值进行求解;
获取所述损失函数取最小值时的距离计算参数作为所述目标度量矩阵。
本发明实施例的基于大间隔近邻的度量学习的指纹定位设备的具体工作 过程与上述基于大间隔近邻的度量学习的指纹定位方法的具体流程步骤相 同,此处不再赘述。
本发明实施例的基于大间隔近邻的度量学习的指纹定位设备通过根据各 个指纹对应的采集位置的物理距离直接确定出各个指纹的目标邻居和入侵 点,构造损失函数,从而提高了指纹定位的效率和准确率。
本发明实施例提供了一种计算机可读存储介质,所述存储介质存储有至 少一可执行指令,该可执行指令在基于大间隔近邻的度量学习的指纹定位设 备/装置上运行时,使得所述基于大间隔近邻的度量学习的指纹定位设备/装置执行上述任意方法实施例中的基于大间隔近邻的度量学习的指纹定位方法。
可执行指令具体可以用于使得基于大间隔近邻的度量学习的指纹定位设 备/装置执行以下操作:
获取预设区域内的待定位点的信号数据,所述信号数据包括在所述待定 位点接收到的预设的多个信号发射器的信号强度数据;
将所述信号数据输入目标定位模型中,其中,所述目标定位模型根据目 标度量矩阵及指纹库训练得到,所述目标度量矩阵为使得每个样本的目标邻 居和入侵点对应的损失函数最小时的距离计算参数,所述目标邻居为与各个 样本对应的位置坐标之间的欧氏距离最近的k个样本,所述入侵点为与各个样本的位置坐标之间的欧氏距离与该样本与所述目标邻居的位置坐标之间的欧 氏距离满足预设条件的样本,k为不为0的自然数;
获取所述目标定位模型输出的所述待定位点对应的目标位置坐标。
在一种可选的方式中,所述可执行指令使所述基于大间隔近邻的度量学 习的指纹定位设备/装置执行以下操作:
针对所述指纹库中的第i个指纹xi,将所述指纹库中的对应的位置坐标落 在以预设的正实数r为半径,以xi对应的位置坐标qi为圆心的区域内的指纹确 定为xi的真实邻居,得到xi的真实邻居集合Ni;
获取Ni中对应的位置坐标与qi欧氏距离最近的s个指纹作为xi的目标邻 居,s为不为0的自然数;
对于每一个指纹xi与xi的目标邻居xj,若在所述指纹库中存在指纹xl对应 的位置坐标ql与qi的欧氏距离小于qi与xj的位置坐标qj的欧氏距离加上预设 的边界值的和,则将xl确定为xi的入侵点。
在一种可选的方式中,所述可执行指令使所述基于大间隔近邻的度量学 习的指纹定位设备/装置执行以下操作:
根据下式表示所述损失函数:
其中,dM(xi,xj)2=||L(xi,xl)||2=(xi-xj)TM(xi-xj)表征指纹xi与指纹xj在距离计算参数为M时的距离,i,j→i表示xj为xi的目标邻居,l表示xi的入侵点xl, μ为预设阈值,yil为在i=l时为1、其他情况下为0的指示变量,M为所述距 离计算参数;
对所述损失函数的最小值进行求解;
获取所述损失函数取最小值时的距离计算参数作为所述目标度量矩阵。
本发明实施例的计算机可读存储介质的具体工作过程与上述基于大间隔 近邻的度量学习的指纹定位方法的具体流程步骤相同,此处不再赘述。
本发明实施例的计算机可读存储介质通过根据各个指纹对应的采集位置 的物理距离直接确定出各个指纹的目标邻居和入侵点,构造损失函数,从而 提高了指纹定位的效率和准确率。
本发明实施例提供了一种计算机程序,所述计算机程序可被处理器调用 使基于大间隔近邻的度量学习的指纹定位设备执行上述任意方法实施例中的 基于大间隔近邻的度量学习的指纹定位方法。
本发明实施例提供了一种计算机程序产品,计算机程序产品包括存储在 计算机可读存储介质上的计算机程序,计算机程序包括程序指令,当程序指 令在计算机上运行时,使得所述计算机执行上述任意方法实施例中的基于大 间隔近邻的度量学习的指纹定位方法。
在此提供的算法或显示不与任何特定计算机、虚拟***或者其它设备固 有相关。各种通用***也可以与基于在此的示教一起使用。根据上面的描述, 构造这类***所要求的结构是显而易见的。此外,本发明实施例也不针对任 何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明 的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本 发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未 详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本发明并帮助理解各个发明方面中的一个 或多个,在上面对本发明的示例性实施例的描述中,本发明实施例的各个特 征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将 该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权 利要求中所明确记载的特征更多的特征。
本领域技术人员可以理解,可以对实施例中的设备中的模块进行自适应 性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实 施例中的模块或单元或组件组合成一个模块或单元或组件,以及可以把它们 分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利 要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的 所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利 要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的 替代特征来代替。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制, 并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实 施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要 求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件 之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干 装置的单元权利要求中,这些装置中的多个可以是通过同一个硬件项来具体 体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词 解释为名称。上述实施例中的步骤,除有特殊说明外,不应理解为对执行顺 序的限定。
Claims (8)
1.一种基于大间隔近邻的度量学习的指纹定位方法,其特征在于,所述方法包括:
获取预设区域内的待定位点的信号数据,所述信号数据包括在所述待定位点接收到的预设的多个信号发射器的信号强度数据;
将所述信号数据输入目标定位模型中,其中,所述目标定位模型根据目标度量矩阵及指纹库训练得到,所述目标度量矩阵为使得每个样本的目标邻居和入侵点对应的损失函数最小时的距离计算参数,所述目标邻居为与各个样本对应的位置坐标之间的欧氏距离最近的k个样本,所述入侵点为与各个样本的位置坐标之间的欧氏距离与该样本与所述目标邻居的位置坐标之间的欧氏距离满足预设条件的样本,k为不为0的自然数;
获取所述目标定位模型输出的所述待定位点对应的目标位置坐标;
其中,所述指纹库包括预先在待定位区域的多个采集位置采集的多个指纹,每个指纹对应于一个采集位置的位置坐标,所述指纹包括在该指纹对应的采集位置上接收到的来自各个所述信号发射器的信号强度,在获取预设区域内的待定位点的信号数据之前,进一步包括:
针对所述指纹库中的第i个指纹xi,将所述指纹库中的对应的位置坐标落在以预设的正实数r为半径,以xi对应的位置坐标qi为圆心的区域内的指纹确定为xi的真实邻居,得到xi的真实邻居集合Ni;
获取Ni中对应的位置坐标与qi欧氏距离最近的s个指纹作为xi的目标邻居,s为不为0的自然数;
对于每一个指纹xi与xi的目标邻居xj,若在所述指纹库中存在指纹xl对应的位置坐标ql与qi的欧氏距离小于qi与xj的位置坐标qj的欧氏距离加上预设的边界值的和,则将xl确定为xi的入侵点;
在所述将所述信号数据输入目标定位模型中之前,进一步包括:
根据下式表示所述损失函数:
其中,dM(xi,xj)2=||L(xi,xl)||2=(xi-xj)TM(xi-xj)表征指纹xi与指纹xj在距离计算参数为M时的距离,i,j→i表示xj为xi的目标邻居,l表示xi的入侵点xl,μ为预设阈值,yil为在i=l时为1、其他情况下为0的指示变量,M为所述距离计算参数;
对所述损失函数的最小值进行求解;
获取所述损失函数取最小值时的距离计算参数作为所述目标度量矩阵。
2.根据权利要求1所述的方法,其特征在于,所述对所述损失函数进行求解,进一步包括:
确定松弛变量ξijl,根据ξijl和所述损失函数确定目标函数,所述目标函数表示如下:
s.t.dM(xi,xl)-dM(xi,xj)≥1-ξijl
ξijl≥0
对所述目标函数进行求解。
3.根据权利要求1所述的方法,其特征在于,所述对所述损失函数进行求解,进一步包括:
确定所述目标函数是否收敛;
在所述损失函数不收敛的情况下,采用迭代次梯度投影算法对所述损失函数进行优化,其中,优化后的目标函数表示如下:
其中,Mt为第t次迭代时的所述距离计算参数的取值,Cij=(xi-xj)(xi-xj)T;
对优化后的所述损失函数进行求解。
4.根据权利要求3所述的方法,其特征在于,采用迭代次梯度投影算法对所述损失函数进行优化,还进一步包括:
确定一个三元集合Nt,使得(i,j,l)∈Nt并且当且仅当(i,j,l)使得所述目标函数中的第二项不为零;
将所述损失函数的梯度Gt表示为:
根据上式,确定第t+1次迭代后所述损失函数的梯度为:
将Mt映射到正半定锥上表示为:
其中,Mt=VΔVT,V表示由特征向量组成的正交矩阵,其中,Δ为由特征值组成的对角矩阵,其分解形式为Δ=Δ-+Δ+,Δ-包含所有的负特征值,Δ+包含所有的正特征值;
进行迭代,直至Δ-为0,得到M作为所述目标度量矩阵。
5.根据权利要求4所述的方法,其特征在于,所述得到M作为所述目标度量矩阵之后,还进一步包括:
根据所述目标度量矩阵计算所述指纹库中各个指纹与所述待定位点的目标距离;
获取与所述待定位点的目标距离最近的t个指纹,t为不为0的自然数,获取所述t个指纹对应的坐标位置的平均值作为所述待定位点对应的目标位置坐标。
6.一种基于大间隔近邻的度量学习的指纹定位装置,其特征在于,所述装置包括:
数据获取模块,用于获取预设区域内的待定位点的信号数据,所述信号数据包括在所述待定位点接收到的预设的多个信号发射器的信号强度数据;
度量确定模块,用于将所述信号数据输入目标定位模型中,其中,所述目标定位模型根据目标度量矩阵及指纹库训练得到,所述目标度量矩阵为使得每个样本的目标邻居和入侵点对应的损失函数最小时的距离计算参数,所述目标邻居为与各个样本对应的位置坐标之间的欧氏距离最近的k个样本,所述入侵点为与各个样本的位置坐标之间的欧氏距离与该样本与所述目标邻居的位置坐标之间的欧氏距离满足预设条件的样本,k为不为0的自然数;
其中,所述指纹库包括预先在待定位区域的多个采集位置采集的多个指纹,每个指纹对应于一个采集位置的位置坐标,所述指纹包括在该指纹对应的采集位置上接收到的来自各个所述信号发射器的信号强度,在获取预设区域内的待定位点的信号数据之前,进一步包括:
针对所述指纹库中的第i个指纹xi,将所述指纹库中的对应的位置坐标落在以预设的正实数r为半径,以xi对应的位置坐标qi为圆心的区域内的指纹确定为xi的真实邻居,得到xi的真实邻居集合Ni;
获取Ni中对应的位置坐标与qi欧氏距离最近的s个指纹作为xi的目标邻居,s为不为0的自然数;
对于每一个指纹xi与xi的目标邻居xj,若在所述指纹库中存在指纹xl对应的位置坐标ql与qi的欧氏距离小于qi与xj的位置坐标qj的欧氏距离加上预设的边界值的和,则将xl确定为xi的入侵点;
在所述将所述信号数据输入目标定位模型中之前,进一步包括:
根据下式表示所述损失函数:
其中,dM(xi,xj)2=||L(xi,xl)||2=(xi-xj)TM(xi-xj)表征指纹xi与指纹xj在距离计算参数为M时的距离,i,j→i表示xj为xi的目标邻居,l表示xi的入侵点xl,μ为预设阈值,yil为在i=l时为1、其他情况下为0的指示变量,M为所述距离计算参数;
对所述损失函数的最小值进行求解;
获取所述损失函数取最小值时的距离计算参数作为所述目标度量矩阵;
坐标确定模块,用于获取所述目标定位模型输出的所述待定位点对应的目标位置坐标。
7.一种基于大间隔近邻的度量学习的指纹定位设备,其特征在于,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如权利要求1-5任意一项所述的方法的操作。
8.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一可执行指令,所述可执行指令在所述基于大间隔近邻的度量学习的指纹定位设备上运行时,使得所述基于大间隔近邻的度量学习的指纹定位设备执行如权利要求1-5任意一项所述的方法的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011119671.1A CN114449435B (zh) | 2020-10-19 | 2020-10-19 | 基于大间隔近邻的度量学习的指纹定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011119671.1A CN114449435B (zh) | 2020-10-19 | 2020-10-19 | 基于大间隔近邻的度量学习的指纹定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114449435A CN114449435A (zh) | 2022-05-06 |
CN114449435B true CN114449435B (zh) | 2023-12-15 |
Family
ID=81357934
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011119671.1A Active CN114449435B (zh) | 2020-10-19 | 2020-10-19 | 基于大间隔近邻的度量学习的指纹定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114449435B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106851573A (zh) * | 2017-01-22 | 2017-06-13 | 西安交通大学 | 基于对数路径损耗模型的联合加权k近邻室内定位方法 |
CN108696818A (zh) * | 2018-05-07 | 2018-10-23 | 南京宽塔信息技术有限公司 | Wi-Fi指纹定位的距离度量方法及*** |
CN110933596A (zh) * | 2019-12-04 | 2020-03-27 | 哈尔滨工业大学 | 一种基于度量学习的指纹定位方法 |
CN110996280A (zh) * | 2019-11-06 | 2020-04-10 | 山东大学 | 一种rfid室内定位指纹库更新***及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160139238A1 (en) * | 2013-06-20 | 2016-05-19 | Qatar University Qstp-B | System and method for rfid indoor localization |
-
2020
- 2020-10-19 CN CN202011119671.1A patent/CN114449435B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106851573A (zh) * | 2017-01-22 | 2017-06-13 | 西安交通大学 | 基于对数路径损耗模型的联合加权k近邻室内定位方法 |
CN108696818A (zh) * | 2018-05-07 | 2018-10-23 | 南京宽塔信息技术有限公司 | Wi-Fi指纹定位的距离度量方法及*** |
CN110996280A (zh) * | 2019-11-06 | 2020-04-10 | 山东大学 | 一种rfid室内定位指纹库更新***及方法 |
CN110933596A (zh) * | 2019-12-04 | 2020-03-27 | 哈尔滨工业大学 | 一种基于度量学习的指纹定位方法 |
Non-Patent Citations (2)
Title |
---|
DL-RNN: an accurate indoor localization method via double RNNs;Yan MINGjiang;《IEEE Sensors Journal》;全文 * |
基于循环神经网络的室内定位算法研究;颜铭江;《硕士电子期刊出版信息2019年第12期》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114449435A (zh) | 2022-05-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112949780B (zh) | 特征模型训练方法、装置、设备及存储介质 | |
CN112526513B (zh) | 基于聚类算法的毫米波雷达环境地图构建方法及装置 | |
CN108984785B (zh) | 一种基于历史数据和增量的指纹库的更新方法及装置 | |
CN107703480B (zh) | 基于机器学习的混合核函数室内定位方法 | |
US9189709B2 (en) | Information processing apparatus and information processing method | |
CN112149705A (zh) | 分类模型的训练方法、***、计算机设备及存储介质 | |
CN111680642B (zh) | 一种地形分类方法及装置 | |
CN111542841A (zh) | 一种内容识别的***和方法 | |
CN111753863A (zh) | 一种图像分类方法、装置、电子设备及存储介质 | |
CN111726765A (zh) | 一种面向大规模复杂场景的wifi室内定位方法及*** | |
CN112135248A (zh) | 一种基于K-means最优估计的WIFI指纹定位方法 | |
CN110796135A (zh) | 目标的定位方法及装置、计算机设备、计算机存储介质 | |
Wei et al. | RSSI-based location fingerprint method for RFID indoor positioning: a review | |
CN110309774A (zh) | 虹膜图像分割方法、装置、存储介质及电子设备 | |
Ghozali et al. | Indoor positioning system using regression-based fingerprint method | |
CN114449435B (zh) | 基于大间隔近邻的度量学习的指纹定位方法 | |
CN114374931A (zh) | 基于近邻成分分析的度量学习的指纹定位方法 | |
US20230041338A1 (en) | Graph data processing method, device, and computer program product | |
Promsuk et al. | Numerical Reader System for Digital Measurement Instruments Embedded Industrial Internet of Things. | |
CN114462479A (zh) | 模型训练方法、检索方法以及模型、设备和介质 | |
Kästner et al. | A bayesian approach to learning 3d representations of dynamic environments | |
Charoenruengkit et al. | Position quantization approach with multi-class classification for wi-fi indoor positioning system | |
CN111726861A (zh) | 异构设备室内定位方法、装置、***和存储介质 | |
CN116610806B (zh) | 基于ai的rpa数字化业务处理方法及计算机设备 | |
CN113554072B (zh) | 一种飞行动作划分方法、计算机可读存储介质及终端设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |