论文部分内容阅读
基于Wi-Fi(Wireless Fidelity,无线保真技术)的位置指纹室内定位方法能够有效地解决GPS(Global Positioning System,全球定位系统)信号传播易受建筑物阻碍、定位技术价格昂贵等问题。目前,基于Wi-Fi的室内定位方法中,KNN(k-Nearest Neighbors,k近邻)、SVM(Support Vector Machine,支持向量机)等计算智能方法都具有较好的定位精度。ESN(Echo State Networks,回声状态网络)作为一种新型的RNN(Recurrent Neural Networks,递归神经网络),其SR(State Reservoir,状态储备池)具有特殊的ESP(Echo State Property,回声状态特性)性能,网络训练时只需计算输出权值,具有很强的动态的非线性逼近能力。研究了ESN网络的正则化离线及RLS(Recursive Least Squares,递归最小二次)在线学习算法,并针对动态变化的室内环境及时变的RSS(Received Signal Strength,接收信号强度)值影响定位精度的问题,给出一种基于ESN的室内定位方法。在此基础上,考虑对所有Wi-Fi AP(Access Point,接入点)测量的RSS值进行特征提取的预处理技术,给出另一种基于KPCA(Kernel Principal Components Analysis,核主成分分析)和ESN网络相结合的室内定位方法,即为KPCA-ESN定位方法,以进一步提高对时变的RSS值的鲁棒性及室内定位的精度。研究主要包括如下几个方面:(1)在ESN网络基本理论基础上,研究两种ESN训练算法。第一,基于正则化离线学习算法的ESN方法;第二,基于RLS在线学习算法的ESN方法。同时,研究位置指纹定位的基本原理,分析传统定位方法的定位性能,如目前精度较好的WKNN(Weighted k-Nearest Neighbors,加权k近邻)、SVM等方法。(2)将所研究的两种ESN方法与位置指纹定位模型相结合,得到两种定位方法,包括基于正则化离线学习的ESN定位方法及基于RLS在线学习的ESN定位方法。将所给出的ESN方法应用于仿真及物理环境的Wi-Fi室内定位实例实验中,在同等条件下,与WKNN、SVM、ELM(Extreme Learning Machine,极限学习机)等方法进行比较。结果表明,ESN方法取得较好的定位精度,具有较好的环境适应能力。(3)分析室内环境的动态变化及接收信号强度值的时变特性,使用KPCA方法对RSS指纹信息进行预处理,给出基于KPCA-ESN的定位方法。通过KPCA方法在特征空间有效提取模型输入的非线性主元,在此基础上,利用ESN的正则化离线及RLS在线学习算法构建提取出的定位特征与物理位置之间的非线性映射关系。将所给出的定位方法应用于室内定位实验中,结果表明,两种KPCA-ESN定位方法能够取得很好的定位精度,对不同室内环境的变化及RSS值的时变性具有非常好的适应能力。