室内定位特征选择算法的研究.docVIP

室内定位特征选择算法的研究 　　摘要：如何能提供更高精度、更短预测时间、更少成本花费和更强实用性的应用是当下室内定位的研究热点。针对提高定位精度，同时缩短定位预测时间的问题，本文将特征选择算法引入到传统的指纹定位法中，应用主成分分析法，将终端收集的数据进行空间变换、特征压缩，从而去除数据噪声，在实测过程中达到更高定位精度，降低定位模型复杂度，缩短预测时间的目的。同时，本文引入提升算法，通过结合并优化决策树算法，重点关注错分样本，达到优化模型训练过程，增强模型实测泛化能力的目的。特别的，将提升算法与特征选择相结合，能够提供更精确、实用能力更强的定位方法。 　　关键词：模式识别与智能系统；提升算法；特征选择；室内定位 　　中图分类号：TP311 　　文献标识码：A 　　0 引言 　　近年来随着Google、苹果等公司对室内定位技术投入越来越多的关注和支持，国内外各领域对室内定位技术的研究再一次掀起了新的高潮。位置信息主要应用于基于移动端的LBS（Location Based Services）服务中，例如大型商贸城的推送业务，医院的导航，机场循迹，在大型娱乐场所或博物馆向游客提供当前的位置信息和相应设施资料等。 　　随着全球定位系统（GPS，Global Positioning System）的发展，室外环境中的定位服务已满足人们的需求。然而，GPS定位系统在空旷的室外，视距传播（LOS，Line-of-Sight）信道环境中使用才能达到较高精度。而室内环境中，摆放设施、建筑物墙壁等的遮挡而造成信号在传播过程中的反射、衍射现象使得室内信道呈现多径传播、非视距传播等特点，从而限制了GPS在室内环境下的使用。因此，室内环境的位置服务，特别是在精度、可靠性、实时性等方面，仍需要进一步的提升。 　　参照现有室内定位技术的一系列研究结果，许多室内定位算法和系统分类都有所提及。按照室内定位使用的信号的差别可以将室内定位系统分为红外室内定位系统、射频识别定位系统（RFID）、超宽带（UBW）定位、蓝牙定位系统和基于WiFi/WLAN室内定位系统等。相比较，基于WiFi/WLAN室内定位系统最大的优势是基础设施成本低，无需额外提供定位标注等多余硬件设备，定位精度高，系统易于维护，用户体验好及操作方便等。而基于WiFi/WLAN室内定位系统依赖的算法可以分为室外定位常用的三边定位法、三角测量定位法及位置指纹法（LocationFingerprinting）。前两种技术使用的最佳场景均为视距传播环境，而位置指纹法以模式识别理论为基础，重点关注每一参考点的指纹特点，只要传播环境没有大幅度的变动，接入点的信号发射功率没有大幅度的波动，就可以通过识别位置指纹来确定位置。 　　从室内定位精度、定位成本和定位实时性出发，本文提出了一种基于提升算法的位置指纹算法，能有效提高定位精度。另外，定位系统大规模部署时需要考虑效率问题，本文在位置指纹法中引入了特征选择，能有效降低特征维度，提升定位性能。 　　1 位置指纹定位法 　　基于WLAN系统的位置指纹法定位分为两个步骤，离线训练阶段和在线预测阶段，离线阶段通过收集各个参考点的接收信号强度（RSS，Received Signal Strength），并使用一定的定位算法，例如决策树、K近邻和支持向量机等进行模型训练，在现阶段将采集到的数据放入预测模型得到最终的定位结果。本章首先介绍了位置指纹法的信号模型，并基于此模型介绍了决策树算法，引入了对决策树进行改进之后的提升算法。 　　1.1室内信号传播模型 　　1.2决策树算法 　　决策树的学习过程包括三部分：特征选择、树的构建和树的剪枝过程。建树过程可以按照自顶向下的顺序，开始时所有样本均在根节点中，而后再根据一定的特征选择算法将各个样本往下细分，直到满足一定的停止条件。这些条件包括：当叶子节点的样本数量小于某一规定阈值时，当前的节点可以当作叶子节点，不必往下继续分割；当当前节点错分样本的误差小于某一规定阈值时，当前节点可以停止分割；当在某一节点处存在于该节点的特征已用尽，则通过举手表决的形式选择该节点的标志参考点；当树的深度达到一定高度值时，当前节点可不需在分；当某一节点钟的样本均属于同一类时，算法停止。 　　决策树算法的优势在于： 　　1.树模型可以用可视化的方式实现，也就是说内部的模型形成方式可以直观的观察到，这样利于模型的理解和解读； 　　2.不需要过多的训练数据，但训练数据需要尽量包含各种特征，且样本的分布应尽量均匀； 　　3.对于数值型的样本和类别型的样本均可处理。 　　1.以列向量的形式表示数据，组合并形成M×N矩阵X； 　　2.计算数据矩阵X的均值向量； 　　3.计算数据集X的协方差矩阵SX； 　　4.计算SX