1.一种基于邻近加权自适应k值的KNN的室内目标定位方法,其特征在于,包括如下步骤:步骤1:利用RFID设备采集的室内各个位置的RSS数据构建位置指纹数据库,位置指纹数据库包括位置集合P和信号强度值R;
步骤2:利用RFID读卡天线对待定位目标采集相应信号强度值,然后将该信号强度值和位置指纹数据库进行匹配,得到匹配程度最高的指纹,并将该指纹映射位置作为待定位目标当前位置。
2.根据权利要求1所述的一种基于邻近加权自适应k值的KNN的室内目标定位方法,其特征在于,步骤2的具体步骤包括:步骤2.1:使用离线位置指纹数据集RSS去重构每一个测量指纹数据rssi×d,构建离线位置指纹数据集RSS与测量指纹数据rssi×d之间残差的模型,i∈1,…,m,m表示测量指纹数据的指纹数量,d表示RFID读卡天线的数量;
步骤2.2:求解残差模型,得到重构系数W的最优解W*;
步骤2.3:求解W*的对应最佳k值集,k为临近数;
步骤2.4:获得k+1最近邻训练样本集RSSneighbor;
步骤2.5:对前k个近邻样本集到测试数据的距离进行标准化;
步骤2.6:计算rss为Y的后验概率PPosterior,Pposterior=[p(y1|rssi),…,p(yh|rssi)],h∈1,…,ki,最大p(yh|rssi)值所对应的yh就被判定为第i行测量位置指纹数据rssi的标签值,其集合为Yrss。
3.根据权利要求2所述的一种基于邻近加权自适应k值的KNN的室内目标定位方法,其特征在于,步骤2.1中残差模型为:R2(W)=Tr(WTRSSTL*RSS*W) (3)其中,||·||F是Frobenius矩阵范数,即 Tr(.)表示矩阵的迹,W=[ω1,…,ωn]T∈Rn×1表示RSS和rss之间的重构系数, 的闭式解为(RSSTRSS)-1RSSTrss,n表示离线位置指纹数据集的指纹数量;ρ1和ρ2表示调整参数;L∈Rn×n是一个拉普拉斯矩阵,是用来表示离线位置数据样本集之间的相关性信息;
L=S-D (4)
其中,S为特征相关性矩阵,是用来表示特征向量之间的关系,S=[sij];
其中,б表示核宽度,D是对角矩阵,即
4.根据权利要求3所述的一种基于邻近加权自适应k值的KNN的室内目标定位方法,其特征在于,步骤2.2的具体步骤包括:步骤2.2.1:初始化参数,令 L=S-D,t=1,t为计数值;
步骤2.2.2:Dat=D,迭代优化a次,a∈1,…,N,N为迭代优化的最大次数,每次循环中有: L=S-D,t=t+1;
t
步骤2.2.3:W=W, 其中W被视为最优解W*。
5.根据权利要求4所述的一种基于邻近加权自适应k值的KNN的室内目标定位方法,其特征在于,步骤2.3的具体步骤包括:假设最优解W*∈R3×2如下:
得:
根据式(7)的W*与k值的对应转换关系,得到测量位置指纹数据集rssm×d相对于离线位置指纹数据集RSSn×d的最优k值集Km×1,K=[k1,k2,…,km]T。
6.根据权利要求5所述的一种基于邻近加权自适应k值的KNN的室内目标定位方法,其特征在于,步骤2.4的具体步骤包括:步骤2.4.1:计算第i行测量位置指纹数据rssi到离线位置指纹数据集RSS的距离dij=[d(rssi,RSS1),…,d(rssi,RSSj)]T,j∈[1,2,…,n],距离度量d(rssi,RSSj)用欧式距离量度,即:步骤2.4.2:依次遍历dij并根据大小关系进行排序得到 选择 中距离最小的ki+1个距离值并记录其下标值j;
步骤2.4.3:取下标值j所对应的离线位置指纹数据集RSS的ki+1个近邻样本,构成rssi的 ki+1最近邻离线样本数据集是其对应的坐标标签值。
7.根据权利要求6所述的一种基于邻近加权自适应k值的KNN的室内目标定位方法,其特征在于,步骤2.5的具体步骤包括:利用RSSneighbor中第ki+1个离线位置指纹近邻样本数据 和测量位置指纹数据之间rssi的距离 对于RSSneighbor中前ki+1个数据到rssi的距离进行标准化得到Dstand,
其中, 定义为:
8.根据权利要求7所述的一种基于邻近加权自适应k值的KNN的室内目标定位方法,其特征在于,步骤2.6的具体步骤包括:利用加权核函数K(Dstand)将标准距离Dstand转化为rssi和RSSneighbor的概率P,其中,K(Dstand)此处选择高斯核函数,即定义如下:
根据概率P求出rssi为标签yh∈Yneighbor,,h∈(1,…,ki)的后验概率PPosterior,Pposterior=[p(y1|rssi),…,p(yh|rssi)],h∈1,…,ki;
p(yh|rssi)定义为: