1.一种基于指纹库迁移重构的5G室内定位方法,其特征在于,包括离线阶段和在线阶段,其中:离线阶段包括:
第一步:对历史离线数据库进行自适应筛选:将历史采集的数据与当前采集的数据样本,基于基站相似度对历史离线数据库中的样本进行细化筛选,筛选出与目标域的样本特征相似的历史源域样本,并基于源域与目标域之间的差异确定源域的样本数,完成自适应源域筛选;
第二步:基于源域与目标域的同构特征,采用模糊C均值算法对经过自适应筛选后保留的历史源域样本进行聚类算法模型的训练,并基于源域样本和目标域样本之间的位置坐标关系对目标域样本生成伪标签并进行类别归属;
第三步:利用映射矩阵和重构矩阵对源域和目标域之间进行同构知识向异构知识的迁移,对同现样本进行数据加权处理,对异现样本基于类内距离、类间距离与邻居分布差异函数进行重构处理,生成一个新的域不变的共享指纹库,并更新共享指纹库中所有样本的类标签;具体包括:
3-1:假设在源域和目标域中分别存在源域映射矩阵P则新的源域R
3-2:对同构知识进行投影转移时,不能破坏对应域原来的数据结构,在求解映射矩阵的过程中将对应域原有的同构数据进行映射到其特有的异构数据中,通过将差异最小化,将对原有数据结构的影响最小化,对应差异F
3-3:将新源域与目标域中的样本基于位置坐标分为同现样本与异现样本,同一位置坐标的样本为同现样本,分别记为R
3-4:对ρ个同现样本进行处理,在构建的新的共享指纹库中同一坐标保留一个样本数据,即对两域数据进行加权处理,首先判断哪些基站的数据发生变化的程度较大,引入高斯分布对两域数据的差值RSRP-d其中,μ表示两域中所有基站特征数据的差值RSRP-d
3-5:对源域和目标域中各自的异现样本进行重构,分别引入重构矩阵Z
3-6:对于同现样本更新后的数据,基于类内距离最小化,即源域与目标域中与同现样本属于同一类的样本之间的距离最小化,构建类内差异函数F其中,
最后,重构后得到的新的共享指纹库D
3-7:基于类中心样本重构后的数据引入最大均值差异指标,构建类间差异函数F其中,
3-8:基于整个指纹库中的所有参考点样本,引入样本间坐标的欧式距离,欧式距离越小,则参考点间距离越近、数据差异越小,构建邻居分布差异函数F其中,n
3-9:得到两域之间投影与重构得到共享指纹库的总目标函数F为:F=F
将上式最小化,通过迭代计算,得到对应的投影P
3-10:完成映射与新域的重构后得到了新的共享指纹库D其中,
根据上述更新的隶属度对D
在线阶段包括:
第一步:接收信号特征数据,并以数据包的形式发送给连接的基站,由基站侧对信号特征数据进行数据投影重构,得到最终的信号值;
第二步:将最终的信号值与离线阶段得到的各聚类中心点进行匹配,对定位点的类别进行归属;
第三步:将定位点与类内的各个参考点进行位置匹配,基于改进的加权近邻算法对定位点进行位置解算,得到定位点的坐标;
第四步:基于5G网络的下行技术,由基站将将定位点的坐标数据发送给终端。
2.根据权利要求1所述的基于指纹库迁移重构的5G室内定位方法,其特征在于,离线阶段第一步具体包括:
1-1:初始的离线数据库D
O
i∈[1,n
在时间A上的目标域数据库为
1-2:假设离线数据库D
基于上述检测指标计算离线数据库D
在第i个样本和第j个样本间检测到的共享的基站数目越多,则α(i,j)越大,说明源域中第i个样本对目标域的作用越大;
1-3:设目标域中第j个基站的最大值与最小值如下:则设
式中,
对于所有的离线库样本有
1-4:经源域筛选后保留的样本构建与目标域相关的新源域D该优化模型的第一部分表示新的源域与目标域之间误差的最小化,第二部分表示两域样本基站特征的相似程度。
3.根据权利要求1所述的基于指纹库迁移重构的5G室内定位方法,其特征在于,离线阶段第二步具体包括:
2-1:基于离线阶段检测指标
2-2:对源域的数据基于同构特征进行聚类,采用模糊C均值聚类算法,随机初始化模糊C均值聚类的类别数,计算每个参考点的隶属度,初始化隶属度矩阵,通过隶属度计算初始指纹聚类中心,并依据聚类算法的目标函数更新聚类中心c式中,U表示类别数目,n
2-3:基于源域的类别和聚类中心,对目标域的数据基于同构特征进行分类,并引入坐标相关度作为分类的权值,则目标域中第i个样本到各个聚类中心的聚类隶属度其中,
4.根据权利要求1所述的基于指纹库迁移重构的5G室内定位方法,其特征在于,在线阶段第三步具体包括:(3-1)将在线阶段终端接收到的定位点的信号数据作为目标域的数据基于映射矩阵P(3-2)将定位点匹配到第g个类别区域中,设共享指纹库第g个类别区域中共有其中,
(3-3)基于上式计算参考点的加权质心,得到质心的坐标即为定位点的坐标: