论文部分内容阅读
GPS(Global Positioning System,全球定位系统)定位技术当前已经十分成熟,但是在室内环境中,其信号受到建筑物和墙壁阻挡的影响使得定位效果很差,有些建筑物内甚至无法接收GPS信号。因此,室内定位技术被国内外学者广泛关注。基于WiFi的位置指纹室内定位技术,已经成为研究热点。考虑到位置指纹的非线性特性,提出ELM(Extreme Learning Machine,极限学习机)以及KELM(Kernel Extreme Learning Machine,核极限学习机)的位置指纹定位方法。KELM以其快速学习的特点,同时拥有紧密的网络结构,有效解决传统定位算法离线学习时间较长和泛化性较弱的问题。文章给出OS-ELM(Online Sequential Extreme Learning Machine,在线极限学习机)的位置指纹定位方法,用来解决在线定位问题,并通过实验验证KELM和OS-ELM的定位性能,结果表明KELM与当前主流算法相比有较好的定位能力,OS-ELM可实现在线定位。研究主要包括如下几个方面:(1)深入研究ELM、KELM算法理论及性能,分析核函数对ELM算法的改进效果,研究OS-ELM学习算法的理论及其推导。(2)基于WiFi的位置指纹定位研究。包括RSSI(Received Signal Strength Indication,接收信号强度值)的信息采集、WiFi接入点的工作模式、不同AP(Access Point,接入点)的设置以及多方向指纹信息对定位的影响。(3)研究ELM、KELM以及OS-ELM的定位性能。通过改变离线数据收集环境,采用不同WiFi接入点作信号源以及多方向指纹信息来分析KELM算法的定位性能。实验结果表明,同等条件下与基本ELM、SVM(Support Vectoc Machines,支持向量机)、BP(Back Propagation,反向传播)神经网络、kNN(k-Nearest Neighbor,k近邻)、WkNN(Weighted k-Nearest Neighbors,加权k近邻)等位置指纹定位方法相比,KELM表现出极快的定位速度和较高的定位精度。对于OS-ELM的在线定位能力进行研究,实验结果表明,OS-ELM的定位精度满足室内定位的需求。