CN109581280A - 终端自适应在线定位方法、系统及装置 - Google Patents

Abstract

本发明提供了一种终端自适应在线定位方法、系统及装置，该方法包括：依据一定量的标定指纹的数据集，通过训练的方式建立初始模型；将所述初始模型应用到不同的定位终端上；定位终端在使用过程中，采集无标定的信号数据；定位终端中的所述初始模型通过所述无标定的信号数据进行更新，获得更新后模型，所述更新后模型替代更新前的原模型，进而实现终端的不断迭代更新。本发明的技术方案继承了ELM算法的优点,同时利用无标定的信号数据进行模型的迭代更新,从而解决模型的时效性问题和数据标定问题,而且随着模型的不断更新,设备终端硬件的差异性特征将不断突出,从而模型将越来越适配于该终端,定位精度也将不断提高。

Description

终端自适应在线定位方法、系统及装置

技术领域

本发明涉及终端的室内定位领域，尤其涉及一种可以利用已标定的数据集以及未标定的数据集进行精准室内定位的自适应定位方法、系统及装置。

背景技术

近年来,物联网(Internet of Things,IoT)发展越来越迅猛,定位技术作为物联网的关键技术之一,受到了研究人员的广泛关注。GPS定位系统,北斗卫星定位系统等成熟的定位系统已实现了覆盖范围大、精度较高的室外定位。然而由于建筑物屏蔽以及室内复杂的环境,GPS信号无法进行有效的室内定位。由此,许多室内定位技术不断涌现,如基于低功耗蓝牙等短距离无线信号的室内定位技术、基于运动传感器或两者结合的室内定位技术,其中,位置指纹算法无需额外增加硬件、定位成本低、定位范围广，无需知道AP的确切位置和发射功率即可实现定位。目前，基于位置指纹算法的研究已成为室内定位领域研究的主流。

然而,现有指纹定位算法依然存在三个关键问题:数据标定难问题、模型时效性问题以及设备差异性问题。

(1)数据标定难问题

位置指纹定位方法中的数据标定是指：在离线训练阶段，需要采集多个参考点的训练指纹，每组指纹都需要添加当前参考点的位置信息。为了得到更精准的定位效果，通常需要在布局合理的前提下，尽量减小参考点的分布间距。待定位区域内参考点设置的密度大小和每个参考点位置训练样本数据采集的时长和频率，决定了数据标定的工作量。减小参考点的分布间距，可以使得参考点分布的更加密集，有利于提高空间信号特征对物理位置映射的精确度，保证定位的准确度。在大范围的室内定位区域，参考点的数量将非常之多，每个参考点还需要采集多个样本来降低误差；为了获取参考点的位置坐标，还需要建立室内定位区域的地图，在统一的地图上标记所有参考点的位置信息。这种离线训练过程将带来巨大的工作量，随着定位区域的增大，这种工作量还将指数增加。同时，对于已经建立好的位置指纹数据库，由于室内环境的复杂多变，信号基站可能出现数量增减、位置变化等情况，导致原数据库中信号特征与物理位置的映射关系造破坏。因此为了保证位置指纹数据库的有效性，数据标定的工作还需要定期进行，这又无疑大大增加了指纹定位方法的工作量。

(2)模型时效性问题

基于RSS的位置指纹定位方法依据定位区域的RSS特征与物理位置的映射关系，使得该方法可以通过接收RSS信号特征来估算位置信息。该方法的前提在于训练阶段的映射关系和定位阶段的映射关系保持一致。然而，室内无线信号传播环境复杂多变，同一物理位置接收的RSS信号具有高动态性和随机性，信号的这种特性使得上述的映射关系难以稳定一致，导致位置估算出现误差。

(3)设备差异性问题

在位置指纹定位方法的离线训练阶段，我们需要通过某种终端设备去采集位置指纹，然后构建位置指纹数据库，之后在在线定位阶段，使用待定位的终端设备去采集定位指纹，与数据库中指纹进行对比，从而完成定位。在此过程中，影响定位精度的关键在于离线训练数据和在线预测数据是否满足同一模型分布。然而训练设备和定位设备绝大多数情况是不相同的，定位用户各不相同，定位终端设备也种类繁多。在这种背景下，由于不同终端设备的无线硬件方案难以统一，而不同的无线电芯片对RSSI的定义各有差异，因此即便不同终端在同一时刻同一地点进行信号采集，RSSI值也可能不一样。

发明内容

针对现有技术中存在的问题,本发明提出一种终端自适应在线定位方法、系统及装置,对终端上已训练好的定位模型利用实时采集的无标定数据进行更新,以解决上述问题。

本发明在已有的指纹定位算法基础上提出一种终端自适应的在线学习模型,相比于现有技术,本发明的技术方案在增量方法中使用实时接收的无标定数据进行模型的在线更新,大大减少了标定工作量,同时,使得模型在不断更新中越来越适配于终端,有效避免了设备差异性问题,从而不断提高定位精度。

为了实现基于无标定数据的增量式学习,本发明针对设备差异性问题提出了改进的半监督增量学习算法(Semi-supervised Online Sequential ELM,SOS-ELM)。

具体而言，本发明提供了如下技术方案：

一方面，本发明提供了一种终端自适应在线定位方法，所述方法包括：

步骤1、依据一定量的标定指纹的数据集，通过训练的方式建立初始模型；

步骤2、将所述初始模型应用到不同的定位终端上；

步骤3、所述定位终端在使用过程中，采集无标定的信号数据；

步骤4、所述定位终端中的所述初始模型通过所述无标定的信号数据进行更新，依据新增样本数据，获得更新后模型，所述更新后模型替代更新前的原模型；

步骤5、重复步骤3、步骤4，使得所述更新后模型越来越适配于所述定位终端。

优选的，所述步骤1追踪的初始模型为：

β＝K^-1H^TJT

式中，

H表示隐层输出矩阵，β表示为输出权值矩阵，T表示输出类别矩阵；J＝diag(1,1,…,0,0)，1的个数为标记数据个数l，K是临时的中间参数矩阵。

优选的，所述步骤1还包括：通过所述一定量的标定指纹的数据集，获得模型的初始参数，所述初始参数包括β₀、K₀。

优选的，通过所述一定量的标定指纹的数据集，获得首次训练的输出权重矩阵β₀和K₀为：

优选的，获得模型的初始参数，包括：

步骤101、通过随机方式给出输入权重a_i和偏置b_i赋值,i＝1,2,…,L；

步骤102、计算初始矩阵J₀的拉普拉斯矩阵以及隐层输出矩阵H₀；

步骤103、计算矩阵K₀和初始的输出权重矩阵β₀。

优选的，所述步骤101中，所述输入权重和偏置针对具有L个隐层节点的前向单隐层神经网络，其输出为：

式中，G(a_i,b_i,x)是第i个隐层节点的输出,β＝[β_i1,β_i2,L,β_im]^T表示连接第i个隐层节点与输出节点的权值；Rⁿ表示n维的实数集合；a_i是随机方式给出的输入权重，b_i则为随机方式给出的偏置；L为隐层节点的数量。

优选的，所述步骤4进一步包括：

步骤401、基于新增样本中标定数据个数l和未标定数据个数u，更新模型的参数；所述参数包括隐层输出矩阵、隐层节点数量、矩阵J，其中，J＝diag(1,1,…,0,0)，1的个数为标记数据个数l；

步骤402，基于所述步骤401的计算结果，更新输出权重矩阵β。

优选的，所述步骤402中，更新输出权重矩阵通过以下方式进行：

式中，β_k+1表示第k+1次的输出权重矩阵，λ为反映拉普拉斯流形的约束贡献程度的权重系数。

另一方面，本发明还提供了一种终端自适应在线定位系统，所述系统可以设置在定位终端上，所述系统包括：

信号采集模块，在所述定位终端使用过程中，采集无标定的信号数据；

模型存储模块，在所述系统使用之初，存储通过一定量的标定指纹的数据集训练的方式建立的初始模型，以及，所述初始模型通过所述无标定的信号数据进行更新，依据新增样本数据，获得更新后模型，所述更新后模型替代更新前的原模型，实现对模型的不断迭代更新。

优选的，所述初始模型为：

β＝K^-1H^TJT

式中，

H表示隐层输出矩阵，β表示为输出权值矩阵，T表示输出类别矩阵；J＝diag(1,1,…,0,0)，1的个数为标记数据个数l，K是临时的中间参数矩阵。

优选的，所述初始模型，通过所述一定量的标定指纹的数据集，获得模型的初始参数，所述初始参数包括β₀、K₀。

优选的，所述初始参数阵β₀和K₀通过以下方式获得：

式中，λ为反映拉普拉斯流形的约束贡献程度的权重系数。

优选的，所述获得首次训练的输出权重矩阵β₀和K₀通过以下方式实现：

通过随机方式给出输入权重a_i和偏置b_i赋值,i＝1,2,…,L；

计算初始矩阵J₀的拉普拉斯矩阵以及隐层输出矩阵H₀；

计算矩阵K₀和初始的输出权重矩阵β₀。

优选的，所述输入权重a_i和偏置b_i针对具有L个隐层节点的前向单隐层神经网络，其输出为：

式中，G(a_i,b_i,x)是第i个隐层节点的输出,β＝[β_i1,β_i2,L,β_im]^T表示连接第i个隐层节点与输出节点的权值。

优选的，所述模型存储模块通过以下方式对模型进行更新：

统计新增样本中标定数据个数l和未标定数据个数u,然后计算矩阵J_k+1,以及H_k+1；然后计算更新的输出权重矩阵β_k+1。

优选的，所述β_k+1通过以下方式进行迭代：

式中，β_k+1表示第k+1次的输出权重矩阵，λ为反映拉普拉斯流形的约束贡献程度的权重系数。

又一个方面，本发明还提供了一种终端自适应在线定位装置，所述装置包括一个或多个处理单元；以及

内存单元，其中存储有可由处理器单元调用并进行运算的计算机指令；

所述计算机指令执行如上所述的终端自适应在线定位方法。

与现有技术相比，本发明技术方案不仅继承了ELM算法的优点,同时利用无标定的信号数据进行模型的迭代更新,从而解决模型的时效性问题和数据标定问题,而且随着模型的不断更新,设备终端硬件的差异性特征将不断突出,从而模型将越来越适配于该终端,定位精度也将不断提高。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1为本发明实施例的单隐层前馈网络SLFN；

图2为本发明实施例的针对设备差异性问题的增量式定位方法原理图；

图3为本发明实施例的SOS-ELM算法流程图；

图4为本发明实施例的各算法在不同终端定位数据集下的定位精度比较；

图5a为本发明实施例的随时间推移,SOS-ELM定位精度变化情况；

图5b为本发明实施例的误差距离为5m时,不同时间的SOS-ELM定位精度比较；

图6a为本发明实施例的红X手机测试数据集在不同终端模型下对比；

图6b为本发明实施例的Vi X手机测试数据集在不同终端模型下对比。

具体实施方式

下面结合附图对本发明实施例进行详细描述。应当明确，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

本领域技术人员应当知晓，下述具体实施例或具体实施方式，是本发明为进一步解释具体的发明内容而列举的一系列优化的设置方式，而该些设置方式之间均是可以相互结合或者相互关联使用的，除非在本发明明确提出了其中某些或某一具体实施例或实施方式无法与其他的实施例或实施方式进行关联设置或共同使用。同时，下述的具体实施例或实施方式仅作为最优化的设置方式，而不作为限定本发明的保护范围的理解。

实施例1：

下面以一具体的实施例对本发明中所提出的自适应在线定位方法中所利用的半监督增量式极速学习机(SOS-ELM)的原理和具体算例进行详细描述。

常规的方式中，基于极速学习机(ELM)的方法可完全适用于室内定位领域，其基本原理参见图1。ELM的基本原理如下：

ELM(Extreme Learning Machine)是由南洋理工大学黄广斌等人提出的一种快速高效的机器学习方法。ELM属于人工神经网络的范畴,是一种前向单隐层神经网络(SingleHidden Layer Feed-forward Neural Network,SLFN)。具有训练时间短,网络结构简单等特点。对于一个输入向量x∈Rⁿ和具有L个隐层节点的SLFN,其输出形式定义为下式:

其中a_i＝[a_i1,a_i2,L,a_in]^T表示输入节点与第i个隐层节点的权值,表示第i个隐层节点的偏置参数,G(a_i,b_i,x)是第i个隐层节点的输出,β＝[β_i1,β_i2,L,β_im]^T表示连接第i个隐层节点与输出节点的权值。

选取隐层节点的激活函数(Activation Function)为g(x),则:

G(a_i,b_i,x)＝g(a_i·x+b_i),a_i∈Rⁿ,b_i∈R (2)

对于输入的N个训练样本数据集其中,x_j∈Rⁿ代表输入的信号特征向量,t_j∈Rⁿ代表样本点对应的物理坐标,则有:

G(a_i,b_i,x_j)＝g(a_i·x_j+b_i),a_i∈Rⁿ,b_i∈R,j＝1,2,L,N (3)

综上,用矩阵表示为

根据式(1),可得

Hβ＝T (5)

此式表示构建的SLFN将以零误差训练模型参数。

根据文献,参数a_i,b_i无需在训练过程中调整,只需在初始阶段随机赋值。因此,H和T已知,故β为待求解参数。上述方程可以视为一个线性系统,求解上述方程可通过求解该系统的最小均方误差来实现,即等价于求解式(6):

求解得:

其中,是H的广义逆矩阵。

对于ELM算法,需要事先利用手机等终端采集一批位置标定的信号数据样本集(X,T),然后离线训练得到隐层输出权值矩阵β,接着在在线预测阶段,终端在待定位的位置采集信号特征数据X*,利用T＝Hβ即可算出预测的定位结果。而半监督极速学习机(SS-ELM)和增量式极速学习机(OS-ELM)分别从不同角度对ELM进行了优化。一方面,实际环境中,通过人工采集标定的信号数据样本集的成本很高,而未标定的信号数据却很容易获得,用户在定位区域内,只要使用手机定位软件进行定位,就可以同时采集到无标定的信号数据。为此,SS-ELM充分利用训练数据结构性平滑的特点,将无标定的数据加入到训练样本集中,丰富了训练样本集,提高了模型的精度。另一方面,由于无线信号在时间轴上具有高动态性的特点,因此RSSI指纹样本库的时效性将影响模型的定位精度。为此,OS-ELM通过新增训练样本数据对模型持续进行迭代更新,有效保证了模型的时效性,从而提升了定位精度。然而上面三种模型仍具有以下问题。

SS-ELM算法没有解决模型的时效性问题,随着时间的推移,定位精度将不断下降；利用手机等终端定位时,存在设备的差异性问题,而SS-ELM算法并没有考虑这一点,模型训练之后,不同终端使用的是完全相同的模型,因此即使在同一位置,由于不同终端设备采集的无线信号数据不一致,也会导致定位结果差异性较大,定位可信度差；OS-ELM虽然能够利用终端采集的数据更新模型,使模型逐渐适配于该终端,但这种标定的增量数据的采集成本过高,不具有实际可用性。

为了解决上述问题,本发明提出了半监督增量式极速学习机(SOS-ELM),该学习机不仅继承了ELM算法的优点,同时利用无标定的信号数据进行模型的迭代更新,从而解决模型的时效性问题和数据标定问题,而且随着模型的不断更新,设备终端硬件的差异性特征将不断突出,从而模型将越来越适配于该终端,定位精度也将不断提高。

针对设备差异性问题的增量式室内定位方法原理如图2所示。具体而言，本方法提出的终端自适应在线定位过程为：首先根据一批标定指纹数据训练初始模型，然后将模型应用到不同定位终端上，每个终端在定位服务的过程中，会实时采集到无标定的信号数据，终端模型将利用此无标定信号数据对自身进行在线增量式更新，随着时间的推移，模型将越来越适配于当前终端，从而具有终端自适应性能。

本方法通过修改SS-ELM算法结合增量式框架提出半监督增量式极速学习机(SOS-ELM)。SS-ELM的具体算法如下：

SS-ELM是一种基于ELM的扩展方法,它将标定样本结合未标定样本一起训练来提升模型预测效果,其主要目标是通过发掘无标记样本的信息来弥补标记样本不足带来的影响。为了使SS-ELM相比ELM取得更好的预测精度,同时避免过拟合,提高泛化能力,根据结构风险最小化理论,模型需要在经验风险和学习函数f的复杂度之间取平衡。本方法引入图(Graph)的拉普拉斯(Laplacian)算子做流形约束,根据文献,使用图的平滑度函数S(f)来表示模型复杂性,定义为:

其中,L_α代表图的拉普拉斯算子。根据文献,

其中l为标定的数据量，u为未标定的数据量。为了同时考虑经验风险和学习函数复杂度,损失函数可表示为:

为计算简便,令J＝diag(1,1,L,0,0),1的个数为标定的数据量l,0的个数为未标定数据量u,由Hβ＝f可得下式:

对β求导可得最优解为

β＝(H^TJH+λH^TLH)^-1H^TJT (12)

式(12)、(10)中λ被置为0,意味着非标定样本数据被忽略,则β退化为式(7)的结果。

而增量式学习方法(OS-ELM)采用最新到达的数据对预测模型进行更新,能更好体现预测模型的结构性调整.为了获得增量式实时学习效果,对于新增加的训练数据X*,可以将其与旧的训练样本组合成一个新的训练集,重新按照常规的位置指纹计算方法的训练过程获得模型,这种做法的问题在于对旧数据重复计算将造成模型的时空复杂度不断增加,模型实用性低.为此,本方法引入一种增量式ELM学习方法,用新数据X*贡献的Δβ去修正已有的训练模型参数β₀,从而获取新的模型参数β*,如下式:

β*＝β₀+Δβ(X*) (13)

具体而言,根据式(7),假设现有学习系统的其中当新增加N₁个样本点数据集则β通过下式求解:

求解可得:

其中

从而,β₁的迭代公式可如下表示:

上式正符合式(13)的结构,β₁的计算基于β₀,不需要再将所有原始数据重新进行计算,从而大大减小计算量,另外,部分体现出新增的样本信息(H₁,T₁)对训练模型的修正.

在求解过程中，为本领域中常用的图拉普拉斯，J_k+1、H_k+1则与前述的J、H计算方式相同，当然也可采用本领域中常规的计算方式获得。

为了使上式能够运用在多次更新计算中,需要将其扩展为递归式:

本实施例中的半监督增量式极速学习机(SOS-ELM)具体实现方法如下：

为计算方便,令K＝(H^TJH+λH^TLH),则式(12)转化为

β＝K^-1H^TJT (20)

现假设初始一批训练样本集为其中包括标定样本(x_i,t_i)与未标定样本集x′_i.为了使训练误差最小化,由式(12)可得首次训练的输出权重矩阵为:

其中,

假设现在得到一批新的样本数据集其中也包括标定样本和未标定样本.根据SS-ELM,在融合旧样本和新样本的数据集下,新的输出权重矩阵可表示为:

其中,

对于式(23),由上文可知,J₀,J₁是元素为0或1的对角矩阵,容易获得；T₀,T₁是样本集的位置坐标矩阵,如果是未标定数据集,位置坐标未知,为了满足矩阵运算的维度要求,需要随意填充坐标值,使得矩阵为(N₀+N₁)·m维,由于矩阵J的作用,填充的坐标值并不会影响预测结果；H₀,H₁也是可以直接计算求解.而对于式(24),出现了融合旧样本数据和新样本数据的参数这些项要求我们需要再次计算旧样本数据,这和我们在OS-ELM中的分析思路相违背,会造成时间和计算资源的浪费.对此,从式(8)出发,通过最小化均方损失函数加上平滑度惩罚来计算输出权重矩阵,因此忽略项对最终结果将产生微弱的影响但将极大减少计算量,此时,式(24)转化为:

将式(25)带入式(23)中,求解得K₁的表达式:

另外,

将式(26),(27)代入式(22),得β₁的迭代式:

至此,我们得到了形如式(13)的基于半监督样本的增量式模型.与OS-ELM类似,上式可以扩展为递归表达式:

通过上述模型中,初始样本集进行模型训练之后,对于每次新增的标定或者未标定样本数据,通过SOS-ELM方法进行模型的实时修正,因为每次只计算新增的样本数据,所以训练速度大大提高,同时,该方法既保证了模型的时效性,又极大地减小了数据标定的工作.

综上,对半监督增量式极速学习算法SOS-ELM可如图3所示,训练过程总结如下:对于一批训练数据集,包括标定数据集{(x_i,t_i)|x_i∈Rⁿ,t_i∈R^m,i＝1,2,…,N_l}、未标定数据集{x′_i|x′_i∈Rⁿ,i＝1,2,…,N_u},确定系统参数,如隐层节点个数L,平滑度惩罚系数λ,激活函数形式g(x)(如选择”rbf”).对实际问题,ELM的隐层节点数L一般取足够多即可(如1000),本方法实验取L＝1000。接下来,训练过程将分为两步：

(1)初始阶段:利用少量的初始训练样本集来计算输出权重矩阵β₀和K₀,具体如下:

a)通过随机方式给输入权重a_i和偏置b_i赋值,i＝1,2,…,L；

b)计算初始矩阵J₀,图的拉普拉斯矩阵以及隐层输出矩阵H₀；

c)计算矩阵K₀和初始的输出权重矩阵β₀；

(2)增量阶段:当新增一批样本数据时,将迭代计算输出权重β_k+1,具体如下:

a)统计新增样本中标定数据个数l和未标定数据个数u,然后计算矩阵J_k+1,以及H_k+1；

b)利用式(29)计算更新的输出权重矩阵β_k+1.

方案验证：

为了验证不同指纹模型算法在实际定位数据集上的优劣,选取ELM、BP、SVM算法与SOS-ELM算法进行对比实验.将第一周采集的1810条有效数据作为SOS-ELM模型的初始训练样本,同时作为非增量模型的全部训练样本,其中标定数据量和无标定数据量比例为1:1.模型参数λ取值0.45.在SOS-ELM模型的增量阶段,分别选取4种终端从第2周至第6周的数据进行增量式学习,最终训练出4种不同的SOS-ELM模型。测试数据集选取第7周的数据,其中华X手机共338条有效数据,红x手机285条,魅X手机共339条,Vi X手机共340条。不同终端的SOS-ELM模型选用对应终端的测试数据集进行测试.实验结果如图4所示.由图4分析可知,SOS-ELM算法在各终端上整体定位精度优于其他算法,特别当误差距离为3～5m时,优势更加明显.

为了验证本发明中提出的SOS-ELM算法具有时效性优势,通过比较不同时间SOS-ELM的定位精度进行测试。选取红X手机终端,对每周采集的数据生成一个SOS-ELM模型.其中,初始训练样本与上述样本相同。增量部分,选取第2周到当前周采集到的数据,如第1周SOS-ELM模型的增量数据为空,第2周模型的增量数据为第2周采集的数据,第3周模型的增量数据为第2、3周采集的数据,以此类推.测试数据与前一实验相同.实验结果如图5a、5b所示。分析可知,随着时间的推移,SOS-ELM模型的整体定位精度不断提升；在误差距离为5m时,从第1周至第6周的模型定位精度提升尤为明显,有效验证了SOS-ELM算法的时效性优势。

为了验证本发明提出的SOS-ELM算法有效解决了设备差异性问题,将不同终端的SOS-ELM模型使用非本终端的测试数据集进行测试.实验选取了Vi X终端的SOS-ELM模型和红X手机终端的SOS-ELM模型,将两个终端的测试数据集交叉测试.实验结果如图6a、6b所示。分析可知,特定终端模型在其他终端测试数据集上的定位效果明显不如在本终端测试数据集上定位效果,这是因为不同终端的SOS-ELM模型具有差异性,特定终端模型更能反映特定终端采集的数据的分布特点。实际应用中,终端使用定位服务时会在定位软件中将实时采集的无标定数据进行在线增量式学习,随着时间推移,终端的定位模型将越来越能够反映终端无线通讯硬件的特点,从而有效解决了设备差异性的问题。

实施例2：

在另外的实施例中，本发明的技术方案还可以通过系统或者装置的方式实现。需要指出的是，该些系统或装置仅是一种较佳的实施方式，在此基础上进行的常规的结构或者模块的变形、拆解或者组合，均应当视为落入本发明的保护范围之内。并且，以下实施例中的系统或者装置，能够实现或者搭载运行如实施例1中所述的方法，以实现终端的自适应在线定位。

一方面，本发明还提供了一种终端自适应在线定位系统，所述系统可以设置在定位终端上，所述系统包括：

信号采集模块，在所述定位终端使用过程中，采集无标定的信号数据；

模型存储模块，在所述系统使用之初，存储通过一定量的标定指纹的数据集训练的方式建立的初始模型，以及，所述初始模型通过所述无标定的信号数据进行更新，依据新增样本数据，获得更新后模型，所述更新后模型替代更新前的原模型，实现对模型的不断迭代更新。

优选的，所述初始模型为：

β＝K^-1H^TJT

式中，

H表示隐层输出矩阵，β表示为输出权值矩阵，T表示输出类别矩阵；J＝diag(1,1,…,0,0)，1的个数为标记数据个数l，K是临时的中间参数矩阵。

优选的，所述初始模型，通过所述一定量的标定指纹的数据集，获得模型的初始参数，所述初始参数包括β₀、K₀。

优选的，所述初始参数阵β₀和K₀通过以下方式获得：

式中，λ为反映拉普拉斯流形的约束贡献程度的权重系数。

优选的，所述获得首次训练的输出权重矩阵β₀和K₀通过以下方式实现：

通过随机方式给出输入权重a_i和偏置b_i赋值,i＝1,2,…,L；

计算初始矩阵J₀的拉普拉斯矩阵以及隐层输出矩阵H₀；

计算矩阵K₀和初始的输出权重矩阵β₀。

优选的，所述输入权重a_i和偏置b_i针对具有L个隐层节点的前向单隐层神经网络，其输出为：

式中，G(a_i,b_i,x)是第i个隐层节点的输出,β＝[β_i1,β_i2,L,β_im]^T表示连接第i个隐层节点与输出节点的权值。

优选的，所述模型存储模块通过以下方式对模型进行更新：

统计新增样本中标定数据个数l和未标定数据个数u,然后计算矩阵J_k+1,以及H_k+1；然后计算更新的输出权重矩阵β_k+1。

优选的，所述β_k+1通过以下方式进行迭代：

式中，β_k+1表示第k+1次的输出权重矩阵，λ为反映拉普拉斯流形的约束贡献程度的权重系数。。

又一个方面，本发明还提供了一种终端自适应在线定位装置，所述装置包括一个或多个处理单元；以及

内存单元，其中存储有可由处理器单元调用并进行运算的计算机指令；

所述计算机指令执行如上所述的终端自适应在线定位方法。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (11)

1.一种终端自适应在线定位方法，其特征在于，所述方法包括：

步骤1、依据一定量的标定指纹的数据集，通过训练的方式建立初始模型；

步骤2、将所述初始模型应用到不同的定位终端上；

步骤3、所述定位终端在使用过程中，采集无标定的信号数据；

步骤4、所述定位终端中的所述初始模型通过所述无标定的信号数据进行更新，依据新增样本数据，获得更新后模型，所述更新后模型替代更新前的原模型；

步骤5、重复步骤3、步骤4，使得所述更新后模型越来越适配于所述定位终端。

2.根据权利要求1所述的方法，其特征在于，所述步骤1追踪的初始模型为：

β＝K^-1H^TJT

式中，

H表示隐层输出矩阵，β表示为输出权值矩阵，T表示输出类别矩阵；J＝diag(1,1,…,0,0)，1的个数为标记数据个数l，K是临时的中间参数矩阵。

3.根据权利要求2所述的方法，其特征在于，所述步骤1还包括：通过所述一定量的标定指纹的数据集，获得模型的初始参数，所述初始参数包括β₀、K₀。

4.根据权利要求3所述的方法，其特征在于，获得模型的初始参数，包括：

步骤101、通过随机方式给出输入权重a_i和偏置b_i赋值,i＝1,2,…,L；

步骤102、计算初始矩阵J₀的拉普拉斯矩阵以及隐层输出矩阵H₀；

步骤103、计算矩阵K₀和初始的输出权重矩阵β₀。

5.根据权利要求1所述的方法，其特征在于，所述步骤4进一步包括：

步骤401、基于新增样本中标定数据个数l和未标定数据个数u，更新模型的参数；所述参数包括隐层输出矩阵、隐层节点数量、矩阵J，其中，J＝diag(1,1,…,0,0)，1的个数为标记数据个数l；

步骤402，基于所述步骤401的计算结果，更新输出权重矩阵β。

6.根据权利要求5所述的方法，其特征在于，所述步骤402中，更新输出权重矩阵通过以下方式进行：

式中，β_k+1表示第k+1次的输出权重矩阵，λ为反映拉普拉斯流形的约束贡献程度的权重系数。

7.一种终端自适应在线定位系统，其特征在于，所述系统可以设置在定位终端上，所述系统包括：

信号采集模块，在所述定位终端使用过程中，采集无标定的信号数据；

模型存储模块，在所述系统使用之初，存储通过一定量的标定指纹的数据集训练的方式建立的初始模型，以及，所述初始模型通过所述无标定的信号数据进行更新，依据新增样本数据，获得更新后模型，所述更新后模型替代更新前的原模型，实现对模型的不断迭代更新。

8.根据权利要求7所述的系统，其特征在于，所述初始模型为：

β＝K^-1H^TJT

式中，

H表示隐层输出矩阵，β表示为输出权值矩阵，T表示输出类别矩阵；J＝diag(1,1,…,0,0)，1的个数为标记数据个数l，K是临时的中间参数矩阵。

9.根据权利要求8所述的系统，其特征在于，所述初始模型，通过所述一定量的标定指纹的数据集，获得模型的初始参数，所述初始参数包括β₀、K₀。

10.根据权利要求9所述的系统，其特征在于，所述初始参数阵β₀和K₀通过以下方式获得：

式中，λ为反映拉普拉斯流形的约束贡献程度的权重系数。

11.一种终端自适应在线定位装置，其特征在于，所述装置包括一个或多个处理单元；以及

内存单元，其中存储有可由处理器单元调用并进行运算的计算机指令；

所述计算机指令执行权利要求1-6任一所述的终端自适应在线定位方法。