论文部分内容阅读
随着无线网络的广泛普及和移动智能终端的迅猛发展,基于位置的服务受到越来越多的关注,在紧急救援、医疗保健、社交网络、导航和监控等领域已获得广泛的应用并展示出巨大的市场前景。其中,高精度的室内定位技术是实现位置信息服务的必要前提和关键。已有的室内定位技术大多数需要额外的专用硬件设施,使用成本高,覆盖范围小,限制了基于位置的服务在室内环境的普及。基于无线局域网(Wireless LocalArea Network, WLAN)和接收信号强度(Received Signal Strength, RSS)的室内定位技术,完全基于现有的WLAN基础设施和移动终端就能独立实现定位,无需任何额外的专用设备,成本低,且能满足大多数室内定位应用的精度需求,成为室内定位技术的研究热点。然而,复杂的室内无线电传播环境,对基于RSS的WLAN指纹定位技术提出了极大的挑战。其根本原因在于,RSS受到多径效应、人体吸收、信号干扰等多方面的影响,表现出高度的不确定性和非线性特性,使得RSS与物理位置并非一一映射的关系,严重影响WLAN指纹定位技术的定位精度。本文对基于RSS的WLAN指纹定位技术进行了较为系统的研究。基于国内外研究现状的分析,指出了已有WLAN指纹定位技术中的主要环节(聚类分块、接入点选择及定位特征提取)存在的不足。本文的研究旨在改进这些不足,围绕降低RSS不确定性这一关键问题,应用机器学习领域的前沿理论成果——核函数学习、流形学习、信息熵和支持向量机,一定程度上完善了基于RSS的WLAN指纹定位技术。研究内容主要包括以下几个方面:第一,研究RSS信号的定位特征提取问题,本文提出了基于核直接判别分析(Kernel Direct Discriminant Analysis, KDDA)的LKDDA-APS定位算法。在复杂室内无线电传播环境下,直接将RSS信号做为定位算法输入特征,将引入大量冗余和噪声信息,降低定位精度。于是,需要采用特征提取算法对各个接入点(Access Point,AP)的RSS信号进行融合,以去除冗余和噪声信息,降低RSS不确定性。针对已有的特征提取算法无法有效适应RSS的非线性特性的问题,本文提出采用基于核函数学习的KDDA提取具有最大判别能力的定位特征。此外,LKDDA-APS算法结合了本文所提出的聚类分块、联合AP选择和支持向量回归学习算法。实验结果表明,与传统的定位算法相比,LKDDA-APS算法在显著提高定位精度的同时,大大降低了参考点采集工作量。第二,以降低用户终端能耗为目标,本文提出了基于局部判别嵌入(LocalDiscriminant Embedding, LDE)的LLDE-APS定位算法。为了保护用户隐私,WLAN指纹定位技术往往采用用户端架构,将定位计算过程放在用户终端,但是用户端架构要求尽可能降低终端能耗,以延长终端设备使用时间。基于此应用背景,本文在LKDDA-APS算法的基础上提出LLDE-APS算法,以计算复杂度更低的LDE取代KDDA,提取高维RSS信号空间的低维流形定位特征。实验结果表明,LLDE-APS算法的定位精度略低于LKDDA-APS算法,但是仍然明显高于其它传统定位算法。与LKDDA-APS相比,LLDE-APS可以大幅降低在线定位计算复杂度,从而实现降低用户终端能耗的目标。第三,研究RSS信号源即AP的选择问题,本文提出了一种联合AP选择算法。不同AP的RSS信号所含的定位信息量不同,并不是所有AP都有利于定位精度的提高,需要对AP的判别定位能力进行度量,并选取最优AP子集合用于定位。针对已有AP选择算法没有考虑RSS信号相关性的不足,提出了联合AP选择算法,以信息熵理论为基础,选取具有最大互信息增益的AP子集合用于定位。实验结果表明,与已有AP选择算法相比,联合AP选择算法选取的AP子集合是最优的,有助于后续定位算法精度的提高和复杂度的降低。第四,研究定位区域的聚类分块问题,本文提出了一种新的聚类分块算法。在大范围的室内定位环境下,由于RSS的统计特性随物理位置变化而改变,建立在整个定位区域的学习定位模型是次优的,将降低定位精度,并增加算法复杂度。于是,有必要采用聚类分块算法,将定位区域划分为若干定位子区域,在各个子区域建立定位模型。针对已有聚类分块算法无法保证较高分类精度的问题,提出了一种新的结合k均值聚类和支持向量机分类器的聚类分块算法。实验结果表明,与已有聚类分块算法相比,所提聚类分块算法能更有效地适应RSS的不确定性和非线性特性,提高分类精度。