1.基于自适应贝叶斯综合学习粒子群优化的WLAN指纹定位方法,其特征在于,包含建立双面板均匀性度量模型计算指纹间的相似性及自适应贝叶斯综合学习粒子群优化算法计算最优预测位置,在双面板均匀性度量模型计算指纹间的相似性部分,采用相关性和余弦距离分别进行指纹相似性度量,并将二者结合用于权利要求2中的最优预测位置计算,具体如下:假设在室内环境中有M个信号接入点AP,并均匀选择N个物理位置作为参考点RP;设和 分别表示AP和RP的集合;设 表示第i(i=1,2,…,N)个RP的位置坐标,sij表示该位置处第j个AP的RSS;定义第i个RP位置相应的指纹(RSS向量)为 综上所述,定位环境中参考点RP的训练指纹集可以表示为:
T
设Squery=[squery1,squery2,…,squeryM]表示移动设备在在线阶段收集的、用于移动设备定位的RSS向量;如果有多个用户进行定位查询,则将指纹集表示为:其中Γ为查询指纹的数量;若定位中无法检测到第j个AP,则为sij赋值以一个非常小的值;
1)对于第一个面板,使用相关性来评估不同指纹的相似性;对于指纹计算二者之间的相关性:
cor(u,v)=1‑r(u,v) (1)
其中, 和 分别为 的平均值和标准差, 和 分别为 的平均值和标准差;
根据等式(1)选择h个与 相关性最高的指纹,表示为:其中, 表示第q个相似指纹, 与 中的训练指纹组成第一个面板图的边;
2)对于第二个面板,对于指纹 计算二者之间的
余弦距离(反映指纹向量在方向性方面的散度):
类似地,将第二个面板上h个 的最相似指纹表示为:
其中, 表示第二个面板中第q'个相似指纹, 和 中的训练指纹组成第二个面板图的边;
3)对于在面板指纹图上的 相应的位置系数根据相似性确定,表示为然后,利用softmax函数计算 中的所有指纹系数,使其累积量等于1;整合两个面板的结果,得到 的最优预测位置表示:
2.基于自适应贝叶斯综合学习粒子群优化的WLAN指纹定位方法,其特征在于,自适应贝叶斯综合学习粒子群优化算法计算最优预测位置,包括将权利要求1中的位置预测表示作为适应度函数,在改进的贝叶斯综合学习粒子群优化算法中,对粒子后验概率划分区间,自适应确定综合学习概率,迭代实现最优预测位置的计算,具体如下:
1)首先初始化粒子群(ps个粒子),将式(6)作为适应度函数,每个粒子位置向量可表示为具有d=3维度的粒子位置向量Xn=(xn,yn,hn),n=1,2,3,...ps;计算每个粒子的初始适应值,并对每个粒子随机分配一个水平的综合学习(CL)概率;
2)划分后验概率区间自适应确定综合学习概率:迭代计算中,使用贝叶斯定理计算第tt t次迭代的粒子后验概率p,将p划分为L个区间,子区间定义为:其中 为第t次迭代的第Li个子区间; 和 分别为后验概率向量的最大值和最小t值;Δp为后验概率的偏差区间; 和 分别为子区间的下界和上界; 是第η个子区间的CL概率;
所有的粒子的后验概率都根据等式(7)被划分为子区间SI,每个区间的CL概率为区间的中值;当一个粒子的CL概率需要更新时,自适应机制采用区间划分来选择该粒子的CL概率水平,实现综合学习CL概率的自适应并确定粒子学习样本;
3)最后更新粒子的速度、位置、适应值等完成迭代,若迭代次数t达到设定的最大迭代次数T,则停止迭代;取粒子群最终的最优位置作为式(6)的最优解,相应的(x,y)作为定位的最优预测位置。