论文部分内容阅读
基于全球定位系统(Global Positioning System,GPS)在室内定位过程中信号易受干扰传播不佳,定位效果较差等问题。本文采用无线传感网络(Wireless sensor networks,WSN)中传感器定位的经典方法,该方法主要基于无线电位置指纹识别和机器学习,共同建立接收信号强度(Received Signal Strength,RSS)与传感器所在的物理位置之间关系模型。针对室内环境的不断变化以及时变的RSS对室内定位的影响,本文提出了一类基于核自适应滤波算法的WSN室内定位方法。本文提出的核自适应滤波方法具体包括量化核最小均方(Quantized Kernel Least Mean Square,QKLMS)算法和核递推最小二乘(Kernel Recursive Least-Squares,KRLS)方法。QKLMS算法是通过利用一种简单的在线矢量量化方法来替代稀疏化方法,从而抑制核矩阵中径向基函数结构的增长。核递推最小二乘方法分别应用基于近似线性依赖(Approximate Linear Dependence,ALD)的稀疏化算法、正则化L2范数结合滑动窗口(Sliding-Window,SW)的算法以及固定预算(Fixed-budget,FB)算法,构建RSS位置指纹信息与物理位置之间的非线性映射关系。ALD-KRLS是基于ALD的在线稀疏技术抑制核矩阵的不断增长。SW-KRLS考虑“滑窗”以及常规的正则化技术,固定了核矩阵的规模而不是限制其大小。FB-KRLS与SW-KRLS的“滑窗”技术不同,每次新数据到来时并不会“修剪”最老旧的数据,而是“修剪”意义最小的数据,这样才能抑制核矩阵的不断增长。这些核学习方法均为核自适应滤波方法,其在线学习的能力使得本文所提出的室内定位算法能够自适应动态环境的变化,从而提高定位精度与运算速度。本文的主要研究内容如下:(1)研究位置指纹定位的定位原理,通过对国内外现状的分析考察位置指纹定位的可行性以及实用性。分析现有的核学习方法的定位性能,同时分析极限学习机(Extreme Learning Machine,ELM)等一系列位置指纹定位算法的定位性能。(2)研究ALD-KRLS算法、SW-KRLS算法的基本理论。利用以上两种核自适应滤波算法建立室内定位模型,获得一类基于核自适应滤波方法的无线传感网络室内定位算法。将所提出的两种室内定位算法应用在仿真及物理实例中,在相同的情况下将与KPCA-SVM、KPCA-LSSVM、ELM、KELM、KPLS、OS-ELM等算法进行比较。实验结果表明,本文所提出的以上两种定位算法具有较高的定位精度,优于其他定位方法。(3)研究QKLMS算法以及FB-KRLS算法的基本理论。利用以上两种核自适应滤波方法建立室内定位模型,获得一类基于核自适应滤波方法的无线传感网络室内定位算法。将所提出的两种室内定位算法应用在仿真及物理实例中,在相同的情况下将与KPCA-SVM、KPCA-LSSVM、ELM、KELM、KPLS、OS-ELM、ALD-KRLS、SW-KRLS等算法进行比较。实验结果表明,QKLMS、FB-KRLS两种定位算法均能够缩短模型的训练时间,且具有较高的定位精度。更为重要的是,其在线序列学习的能力使得所提出的定位算法能自动地适应环境动态的变化。