论文部分内容阅读
近年来,随着移动互联网的发展以及移动数据业务的激增,基于位置的服务(Location Based Services,LBS)在人们的工作生活中的应用也越来越广泛。基于无线局域网(wireless LAN,WLAN)的定位技术以其硬件成本低、组网灵活、易于推广等优势受到众多研究者的关注,相关领域的研究成果相继被提出。其中,基于接收信号强度符(Received Signal Strength Indicator,RSSI)的指纹定位技术目前最为流行。基于指纹的定位技术依赖于指纹的独特性,以更好地匹配唯一的位置坐标。仅采用单一的RSSI信道特征作为位置指纹可能丢失大量的多径信息,限制定位精度的提高。因此,本文提出一种基于多特征融合的定位技术。通过相关的文献查阅以及仿真实验,完成了如下研究工作:(1)构建基于多特征融合的核机器模型。基于正定核空间变换理论以及借鉴图像处理中多特征融合方法,对正定核线性组合模型进行改进,构建基于多特征融合的核机器模型,实现多种特征在机器学习过程中自适应地融合。RSSI易受到环境的干扰波动性较大,定位精度不稳定。基于到达时间(Time Of Arrival,TOA)的定位技术在视距(Line Of Sight,LOS)条件下定位精度高,然而在未检测的直接路径(Undetected Direct Path,UDP)的条件下,定位性能急剧下降。而基于RSSI定位技术对UDP条件不敏感。因此,为实现RSSI与TOA的优势互补,本文构建基于RSSI-TOA融合的核机器模型。采用岭回归优化算法进行拟合,经仿真实验表明,基于多特征融合的核机器模型在参数优化的过程中具有自适应特征选择的效果,相较于基于单特征的核机器模型具有更高的精度和鲁棒性。(2)研究基于多特征融合的核机器模型的优化算法。提出基于Group LASSO正则化的样本选择算法、基于L1范数正则化的特征选择算法以及超参数优化算法。对基于Group LASSO正则化样本选择定位算法的优化过程提出了一种基于回溯线搜索梯度下降算法以及牛顿迭代法融合的高效迭代优化算法,仿真实验表明,此迭代算法的收敛速度较单一的迭代优化算法快10倍以上。(3)通过仿真实验对的四种优化算法从定位精度、鲁棒性以及计算复杂度方面进行性能评估,得出结论:岭回归优化算法、超参数优化算法的定位性能较优。同时采用性能较优的两种优化算法将本文的基于多特征融合的定位方法与基于Wi-Fi与PDR融合的反馈校正定位方法——扩展卡尔曼滤波(Extended Kalman Filtering,EKF)算法和无迹卡尔曼滤波(Untracked Kalman Filtering,UKF)算法进行性能比较,得出本文的超参数优化算法在精度和计算复杂度上的综合性能最优。