基于遷移學(xué)習(xí)的室內(nèi)動(dòng)態(tài)環(huán)境定位算法

劉參，尚俊娜，李蕊江，岳克強(qiáng)

?

基于遷移學(xué)習(xí)的室內(nèi)動(dòng)態(tài)環(huán)境定位算法

劉參，尚俊娜，李蕊江，岳克強(qiáng)

（杭州電子科技大學(xué)，浙江 杭州 310018）

傳統(tǒng)室內(nèi)指紋定位系統(tǒng)的精度受指紋庫(kù)中參考位置節(jié)點(diǎn)的密度和室內(nèi)環(huán)境特征等多方面因素的制約。室內(nèi)環(huán)境動(dòng)態(tài)變化時(shí)RSS波動(dòng)較大，通常不滿足同分布的假設(shè)條件，故傳統(tǒng)指紋定位方法難以滿足高精度需求。針對(duì)室內(nèi)環(huán)境動(dòng)態(tài)變化導(dǎo)致傳統(tǒng)算法無(wú)法精準(zhǔn)定位問(wèn)題，設(shè)計(jì)并實(shí)現(xiàn)了一種基于室內(nèi)指紋庫(kù)的遷移學(xué)習(xí)動(dòng)態(tài)環(huán)境定位算法，該算法采用遷移學(xué)習(xí)的思想把不同分布的數(shù)據(jù)集嵌入對(duì)齊到潛在特征空間中，從而有效緩解了環(huán)境動(dòng)態(tài)變化對(duì)系統(tǒng)造成的不利影響。本文算法實(shí)驗(yàn)數(shù)據(jù)均來(lái)自于真實(shí)的環(huán)境，通過(guò)仿真得到該算法的平均定位誤差是1.23 m。

動(dòng)態(tài)定位；遷移學(xué)習(xí)；室內(nèi)環(huán)境特征；廣義延拓插值；RSS指紋庫(kù)；低工作量

1 引言

隨著無(wú)線傳感器網(wǎng)絡(luò)（wireless sensor network，WSN）技術(shù)的發(fā)展，室內(nèi)定位技術(shù)受到越來(lái)越多的關(guān)注，人們對(duì)室內(nèi)無(wú)線定位的需求日益增大，如倉(cāng)庫(kù)、超市、地下停車場(chǎng)、機(jī)場(chǎng)大廳、監(jiān)獄等，常常需要知道物品或行人的位置[1-2]。基于接收信號(hào)強(qiáng)度（received signal strength，RSS）的定位系統(tǒng)不用增加額外的硬件設(shè)備，同時(shí)具有低成本、低功耗等優(yōu)勢(shì)，成為國(guó)內(nèi)外研究的熱點(diǎn)[3]。基于RSS的定位系統(tǒng)可分為信號(hào)傳播模型[4]和無(wú)線電指紋[5]兩種，由于室內(nèi)環(huán)境復(fù)雜多變，特別是行人、桌椅等家具移動(dòng)使得RSS具有較大的波動(dòng)性[6]，采用濾波的方法可以減緩這種波動(dòng)性，但是該方法仍難以解決室內(nèi)物體變化后的動(dòng)態(tài)環(huán)境定位問(wèn)題。故此，本文采用基于RSS指紋庫(kù)的動(dòng)態(tài)環(huán)境定位方法，避免了信號(hào)傳播模型不確定性造成的定位精度下降的問(wèn)題。

基于指紋庫(kù)的定位系統(tǒng)通常分為在線訓(xùn)練階段和離線定位階段，系統(tǒng)的定位精度取決于訓(xùn)練階段指紋數(shù)據(jù)庫(kù)的質(zhì)量[7]，包括指紋庫(kù)中參考節(jié)點(diǎn)的采樣密度和指紋信息的準(zhǔn)確性。隨著參考節(jié)點(diǎn)數(shù)目的增加，指紋信息更能反映出實(shí)際室內(nèi)環(huán)境中RSS量的變化趨勢(shì)，故系統(tǒng)的定位精度更高，但在指紋庫(kù)創(chuàng)建時(shí)需要消費(fèi)巨大的人力和財(cái)力資源[5]?；谥讣y庫(kù)的定位系統(tǒng)，通常假設(shè)訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)服從相同的分布[8]，在實(shí)際室內(nèi)復(fù)雜環(huán)境中，障礙物的遮擋、信號(hào)的干擾以及移動(dòng)物體的運(yùn)動(dòng)等，導(dǎo)致原始RSS指紋庫(kù)中的數(shù)據(jù)失效，此時(shí)用已失效的指紋數(shù)據(jù)進(jìn)行實(shí)時(shí)動(dòng)態(tài)定位，定位精度普遍較低。故此，低成本、高精度的動(dòng)態(tài)定位系統(tǒng)受到越來(lái)越多學(xué)者的關(guān)注。參考文獻(xiàn)[9]提出對(duì)路徑衰減因子進(jìn)行動(dòng)態(tài)修復(fù)的質(zhì)心定位算法，參考文獻(xiàn)[10]采用基于線性內(nèi)插法的室內(nèi)指紋定位算法，可以減緩室內(nèi)復(fù)雜環(huán)境對(duì)定位性能的影響，但是當(dāng)動(dòng)態(tài)環(huán)境發(fā)生較大變化后，系統(tǒng)的定位精度較低；參考文獻(xiàn)[11]提出針對(duì)動(dòng)態(tài)環(huán)境的自適應(yīng)定位方法，但是該算法需要在變化后的環(huán)境中采集固定位置處標(biāo)簽節(jié)點(diǎn)的信息，會(huì)帶來(lái)額外的成本開(kāi)支，無(wú)法得到普遍應(yīng)用；參考文獻(xiàn)[12]提出了基于隱性馬爾可夫模型的Ma.HMM定位算法，但此方法需要額外的輔助數(shù)據(jù)更新指紋庫(kù)且計(jì)算復(fù)雜度較高；參考文獻(xiàn)[13]提出利用用戶狀態(tài)的方法動(dòng)態(tài)更新環(huán)境變化后的指紋庫(kù)，但是需要粘貼二維碼標(biāo)志，整個(gè)系統(tǒng)后期維護(hù)較困難，無(wú)法在大型場(chǎng)所廣泛應(yīng)用。

為了有效緩解室內(nèi)環(huán)境動(dòng)態(tài)變化對(duì)定位系統(tǒng)精度造成的不利影響，并且進(jìn)一步減小工作量，本文提出了一種基于遷移學(xué)習(xí)的室內(nèi)動(dòng)態(tài)環(huán)境定位算法。在該算法中，首先進(jìn)行室內(nèi)RSS指紋庫(kù)的創(chuàng)建，為了節(jié)約成本，本文設(shè)計(jì)了一種可以明顯減少工作量同時(shí)不損失指紋庫(kù)質(zhì)量的廣義延拓插值算法；在進(jìn)行動(dòng)態(tài)環(huán)境定位時(shí)，利用RSS信息在潛在特征空間的空間關(guān)聯(lián)性[14]，本文設(shè)計(jì)了一種遷移學(xué)習(xí)動(dòng)態(tài)環(huán)境定位算法，通過(guò)在環(huán)境變化以后的空間中隨機(jī)采樣，找到潛在的特征空間根據(jù)領(lǐng)域自適應(yīng)算法進(jìn)行定位，進(jìn)而消除室內(nèi)環(huán)境變化對(duì)系統(tǒng)定位性能的影響。最后通過(guò)大量的試驗(yàn)仿真，證明本文所提的算法相比傳統(tǒng)NN算法[15]和Ma.HMM算法[12]，在定位精度和系統(tǒng)穩(wěn)定性方面都有較大的改善。故此，本文算法可實(shí)現(xiàn)低成本、高精度的室內(nèi)動(dòng)態(tài)環(huán)境定位。

2 相關(guān)工作

傳統(tǒng)基于指紋的機(jī)器學(xué)習(xí)定位算法假設(shè)訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)服從相同的分布，此時(shí)訓(xùn)練學(xué)習(xí)到的RSS映射模型直接應(yīng)用在不同時(shí)間段內(nèi)進(jìn)行位置的估計(jì)。然而在實(shí)際室內(nèi)復(fù)雜動(dòng)態(tài)環(huán)境中，障礙物的遮擋、無(wú)線電信號(hào)的干擾以及移動(dòng)物體的不可預(yù)測(cè)運(yùn)動(dòng)等，使得RSS具有明顯的不確定性，因此在多數(shù)情況下并不滿足上述的同分布假設(shè)[16]。當(dāng)動(dòng)態(tài)環(huán)境變化時(shí)，RSS映射模型也會(huì)發(fā)生變化，因此基于指紋的定位系統(tǒng)無(wú)法使用預(yù)先訓(xùn)練得到的模型進(jìn)行高精度定位。

2.1 室內(nèi)RSS指紋分布特性

經(jīng)典的RSS對(duì)數(shù)衰減模型[17]如式（1）所示：

根據(jù)經(jīng)驗(yàn)可知，在相對(duì)距離接近的參考位置處，接收到的RSS信號(hào)彼此相似；雖然在不同時(shí)間段內(nèi)RSS具有明顯的波動(dòng)性，但在同一時(shí)間范圍內(nèi)，這種波動(dòng)很小。圖1是在實(shí)際室內(nèi)動(dòng)態(tài)環(huán)境下，同一位置不同時(shí)間段內(nèi)的RSS分布直方圖。

圖1 同一位置不同時(shí)間段內(nèi)的RSS分布直方圖

從圖1可知，在固定位置處，不同時(shí)間段內(nèi)的RSS分布是不同的，因此基于指紋的室內(nèi)定位方法采用訓(xùn)練學(xué)習(xí)得到的RSS映射模型進(jìn)行不同分布情況下的位置估計(jì)，會(huì)得到較大的定位誤差，無(wú)法實(shí)現(xiàn)動(dòng)態(tài)環(huán)境室內(nèi)高精度定位功能[18-19]。此時(shí)需要采用遷移學(xué)習(xí)的思想，把前一時(shí)間段內(nèi)訓(xùn)練得到的RSS映射模型根據(jù)流形對(duì)齊理論遷移學(xué)習(xí)到不同數(shù)據(jù)分布的時(shí)間段內(nèi)，以此來(lái)實(shí)現(xiàn)自適應(yīng)動(dòng)態(tài)定位功能[20]。

2.2 遷移學(xué)習(xí)動(dòng)態(tài)定位實(shí)例

3 遷移學(xué)習(xí)動(dòng)態(tài)定位算法

圖3是本文所提出算法示意圖，為了實(shí)現(xiàn)上述遷移定位功能，需要以下幾個(gè)步驟。

步驟1 數(shù)據(jù)采集——廣義延拓插值算法

圖3 遷移學(xué)習(xí)動(dòng)態(tài)定位算法示意圖

廣義延拓插值算法的數(shù)學(xué)模型如式（2）所示：

本文采用二維正弦函數(shù)作為測(cè)試樣本，驗(yàn)證廣義延拓插值算法的精度，二維正弦函數(shù)為：

從表1中可以看出，本文算法的插值精度明顯優(yōu)于雙線性插值算法，本文算法可以通過(guò)稀疏采樣點(diǎn)還原出與真實(shí)函數(shù)變化趨勢(shì)一致的高精度擬合曲面。故此，廣義延拓插值算法可以在原始低工作量、低采樣密度指紋庫(kù)的基礎(chǔ)上創(chuàng)建出高質(zhì)量插值指紋庫(kù)。

步驟2 創(chuàng)建關(guān)聯(lián)矩陣

步驟3 創(chuàng)建流形權(quán)重矩陣

步驟4 遷移學(xué)習(xí)定位模型及求解

步驟5 完成定位

潛在空間維度的確定通常有兩種方法，即含有位置約束和不含位置約束[22]。含有位置約束的定位模型是把測(cè)試數(shù)據(jù)集的位置信息作為約束條件，并將不同類之間的數(shù)據(jù)對(duì)齊到二維潛在空間中；不含位置約束是測(cè)試數(shù)據(jù)集的位置信息僅僅參與位置標(biāo)簽標(biāo)定過(guò)程而不參與嵌入對(duì)齊過(guò)程，此時(shí)空間維數(shù)采用式（9）的方法進(jìn)行確定[28]。

4 遷移學(xué)習(xí)動(dòng)態(tài)定位性能仿真與測(cè)試

4.1 廣義延拓插值指紋庫(kù)測(cè)試及性能仿真

為得到實(shí)際環(huán)境中的RSS距離衰減模型，本文在如圖5（a）的車庫(kù)環(huán)境中進(jìn)行實(shí)際測(cè)試，采用3對(duì)CC2530芯片的ZigBee開(kāi)發(fā)板在同一場(chǎng)景中每隔0.2 m進(jìn)行RSS數(shù)據(jù)采集。

圖5 測(cè)試車庫(kù)環(huán)境

本文算法實(shí)驗(yàn)數(shù)據(jù)均來(lái)自于真實(shí)的環(huán)境，通過(guò)數(shù)據(jù)擬合得到3對(duì)錨節(jié)點(diǎn)的RSS距離衰減曲線，如式（10）所示，在同一個(gè)靜態(tài)室內(nèi)環(huán)境中，3條衰減曲線相差并不是很大，因此可認(rèn)為該車庫(kù)環(huán)境中，RSS距離衰減模型為式（11）：

4.2 模型參數(shù)對(duì)定位性能的影響

圖6 室內(nèi)錨節(jié)點(diǎn)分布及廣義延拓插值算法性能仿真

4.2.1 室內(nèi)錨節(jié)點(diǎn)AP個(gè)數(shù)對(duì)定位性能的影響

圖7是平均定位誤差RMSE隨室內(nèi)錨節(jié)點(diǎn)AP個(gè)數(shù)的變化情況曲線，隨著AP數(shù)量的增加，遷移學(xué)習(xí)動(dòng)態(tài)定位算法與近鄰、加權(quán)近鄰定位算法的平均定位誤差逐漸變小。但是定位誤差并不是隨著AP數(shù)量增加單調(diào)減小的，因?yàn)榇ㄎ还?jié)點(diǎn)可能會(huì)選取距離較遠(yuǎn)的AP，此時(shí)錨節(jié)點(diǎn)距離較遠(yuǎn)，信號(hào)較弱，RSS數(shù)值較小，受環(huán)境影響嚴(yán)重，不利于定位。

4.2.2 潛在空間的保留信息閾值對(duì)定位性能的影響

圖7 錨節(jié)點(diǎn)AP個(gè)數(shù)對(duì)定位性能的影響

4.2.3 定位時(shí)近鄰的近鄰個(gè)數(shù)對(duì)定位性能的影響

參數(shù)是遷移學(xué)習(xí)動(dòng)態(tài)定位算法完成定位時(shí)近鄰算法所使用的近鄰數(shù)，當(dāng)AP=8時(shí)，平均定位誤差與之間的關(guān)系如圖9所示。隨著近鄰個(gè)數(shù)值變大，參與定位的參考節(jié)點(diǎn)近鄰個(gè)數(shù)變多，系統(tǒng)的平均定位誤差變小。但經(jīng)過(guò)大量仿真發(fā)現(xiàn)，值并非越大越好，如果值很大，會(huì)把距離待定位目標(biāo)節(jié)點(diǎn)較遠(yuǎn)的指紋點(diǎn)納入近鄰數(shù)中，在求解位置坐標(biāo)時(shí)這些距離較遠(yuǎn)的指紋往往是無(wú)效的信息，故此會(huì)影響系統(tǒng)整體的定位精度。從圖9中可以看出取6時(shí)平均定位誤差最小，可作為最佳的NN近鄰個(gè)數(shù)。

圖8 潛在空間的保留信息閾值對(duì)定位性能的影響

4.3 遷移學(xué)習(xí)定位性能仿真

表2 不同算法定位精度的概率分布值

從圖11和表2可以看出，遷移學(xué)習(xí)定位算法在0.5 m、1 m和1.5 m內(nèi)的定位精度置信概率分別為9.5%、29.1%和57.6%，分別高出傳統(tǒng)NN算法9.5%、16.8%和33.8%，高出Ma.HMM算法0.5%、8.8%和15.2%，并且遷移學(xué)習(xí)算法的平均定位精度是1.23 m，傳統(tǒng)NN算法[15]的平均定位精度為3.28 m，Ma.HMM算法[12]的平均定位精度為1.74 m，遷移學(xué)習(xí)定位算法的定位誤差有57.6%的概率在1.5 m以內(nèi)，而傳統(tǒng)機(jī)器學(xué)習(xí)算法的定位誤差高達(dá)5 m。這說(shuō)明當(dāng)室內(nèi)環(huán)境特征發(fā)生較大改變的時(shí)候，本文所提出的遷移學(xué)習(xí)動(dòng)態(tài)定位算法和基于隱性馬爾可夫模型的Ma.HMM定位算法[12]的性能更加優(yōu)越，且比傳統(tǒng)NN算法更有利于實(shí)現(xiàn)小誤差高精度定位（平均定位誤差在1.2 m左右）。故此本算法無(wú)論在定位精度、定位誤差范圍還是小誤差定位的置信概率方面，相比傳統(tǒng)機(jī)器學(xué)習(xí)定位算法都具有明顯的優(yōu)勢(shì)。

通過(guò)上述實(shí)驗(yàn)可知，室內(nèi)環(huán)境特征發(fā)生明顯改變時(shí)，傳統(tǒng)機(jī)器學(xué)習(xí)指紋定位算法已經(jīng)無(wú)法進(jìn)行室內(nèi)定位，Ma.HMM算法雖然能夠進(jìn)行遷移定位但是定位誤差較大，而本文所提出的遷移學(xué)習(xí)動(dòng)態(tài)定位算法具有較小的定位誤差范圍和較高的定位精準(zhǔn)度。

5 結(jié)束語(yǔ)

為了消除室內(nèi)環(huán)境動(dòng)態(tài)變化對(duì)系統(tǒng)定位性能造成的不利影響，本文設(shè)計(jì)了一種遷移學(xué)習(xí)動(dòng)態(tài)定位算法，通過(guò)在環(huán)境變化以后的空間中隨機(jī)采樣，找到潛在的特征空間進(jìn)行位置的標(biāo)定功能，從而避免了原始指紋庫(kù)失效造成的定位精度降低的問(wèn)題。此外，本文提出的定位算法還需要進(jìn)一步改善，特別是動(dòng)態(tài)定位問(wèn)題，可以采用流形對(duì)齊、深度學(xué)習(xí)等人工智能算法，充分利用定位節(jié)點(diǎn)之間的空間關(guān)聯(lián)性，進(jìn)一步提升定位系統(tǒng)的定位精度，同時(shí)系統(tǒng)應(yīng)該具有判斷異常數(shù)據(jù)的能力，以保障系統(tǒng)的定位質(zhì)量和人性化體驗(yàn)?；诖?，上述定位技術(shù)目前也處于研究階段。

[1] LUO C, CHENG L, CHAN M C, et al. Pallas: self- bootstrapping fine-grained passive indoor localization using WiFi monitors[J]. IEEE Transactions on Mobile Computing, 2017, PP(99): 1.

[2] 朱亞萍, 夏瑋瑋, 章躍躍, 等. 基于RSSI和慣性導(dǎo)航的融合室內(nèi)定位算法[J]. 電信科學(xué), 2017, 33(10): 99-106.

ZHU Y P, XIA W W, ZHANG Y Y, et al. A hybrid indoor localization algorithm based on RSSI and inertial navigation[J]. Telecommunications Science, 2017, 33(10): 99-106.

[3] 徐小良, 高健, 黃河, 等. 基于RSS空間線性相關(guān)的WLAN位置指紋定位算法[J]. 電信科學(xué), 2017, 33(3): 14-21.

XU X, GAO J, HUANG H, et al. Fingerprint localization algorithm based on linear spatial dependence of WLAN RSS[J]. Telecommunications Science, 2017, 33(3): 14-21.

[4] 尚俊娜, 程濤, 盛林, 等. 廣義延拓插值模型在RSSI測(cè)距方法中的應(yīng)用[J]. 傳感技術(shù)學(xué)報(bào), 2016, 29(11).

SHANG J N, CHENG T, SHENG L, et al. Application of generalized extended interpolation method in distance measurement based on RSSI[J]. Chinese Journal of Sensors and Actuators, 2016, 29(11).

[5] HASSAN-ALI M, PAHLAVAN K. A new statistical model for site-specific indoor radio propagation prediction based on geometric optics and geometric probability[J]. IEEE Transactions on Wireless Communications, 2002, 1(1): 112-124.

[6] KING T, KOPF S, HAENSELMANN T, et al. COMPASS: a probabilistic indoor localization system based on 802.11 and digital compasses[C]//ACM Workshop on Wireless Network Testbeds, Experimental Evaluation and Characterization, September 29, 2006, Los Angeles, CA, USA. New York: ACM Press, 2006: 34-40.

[7] YOUSSEF M A, AGRAWALA A, SHANKAR A U. WLAN location determination via clustering and probability distributions[C]//IEEE International Conference on Pervasive Computing and Communications, March 23-26, 2003, Fort Worth, TX, USA. Piscataway: IEEE Press, 2003: 143-150.

[8] 張偉, 花向紅, 邱衛(wèi)寧, 等. Wi-Fi指紋定位的一種新組合算法[J]. 測(cè)繪工程, 2017, 26(3): 14-18.

ZHANG W, HUA X H, QIU W N, et al. A new combinatorial optimization algorithm for WiFi positioning[J]. Engineering of Surveying and Mapping, 2017, 26(3): 14-18.

[9] 張宏剛, 黃華. 基于RSSI路徑損耗因子動(dòng)態(tài)修正的三邊質(zhì)心定位算法[J]. 傳感技術(shù)學(xué)報(bào), 2016, 29(11).

ZHANG H G, HUANG H. Dynamic correction algorithm for trilateral centroid localization based on RSSI path loss factor[J]. Chinese Journal of Sensors and Actuators, 2016, 29(11).

[10] 張夢(mèng)丹, 盧光躍, 王宏剛, 等. 基于線性內(nèi)插法改進(jìn)的室內(nèi)定位算法[J]. 電信科學(xué), 2017, 33(1): 9-15.

ZHANG M D, LU G Y, WANG H G, et al. An improved indoor location algorithm based on linear interpolation[J]. Telecommunications Science, 2017, 33(1): 9-15.

[11] SOROUR S, LOSTANLEN Y, VALAEE S, et al. Joint indoor localization and radio map construction with limited deployment load[J]. IEEE Transactions on Mobile Computing, 2015, 14(5): 1031-1043.

[12] CAI X, CHEN L, CHEN G. Constructing adaptive indoor radio maps for dynamic wireless environments[R]. 2013.

[13] 陳斌濤, 劉任任, 陳益強(qiáng), 等. 動(dòng)態(tài)環(huán)境中的WiFi指紋自適應(yīng)室內(nèi)定位方法[J]. 傳感技術(shù)學(xué)報(bào), 2015(5): 729-738.

CHEN B T, LIU R R, CHEN Y Q, et al. WiFi fingerprint based self-adaptive indoor localization in the dynamic environment[J]. Chinese Journal of Sensors and Actuators, 2015(5): 729-738.

[14] YIN J, YANG Q, NI L M. Learning adaptive temporal radio maps for signal-strength-based location estimation[J]. IEEE Transactions on Mobile Computing, 2008, 7(7): 869-883.

[15] 孔港港, 楊力, 孫聃石, 等. 一種基于位置指紋定位的-均值聚類算法的改進(jìn)[J]. 全球定位系統(tǒng), 2016, 41(5): 89-92.

KONG G G, YANG L, SUN D S, et al. Research on an algorithm of fingerprint location based on-means and WNN[J]. GNSS World of China, 2016, 41(5): 89-92.

[16] 戴文淵. 基于實(shí)例和特征的遷移學(xué)習(xí)算法研究[D]. 上海: 上海交通大學(xué), 2008.

DAI W Y. Instance-based and feature-based transfer learning[D]. Shanghai: Shanghai Jiao Tong University, 2008.

[17] ALI S, NOBLES P. A novel indoor location sensing mechanism for IEEE 802.11 b/g wireless LAN[C]//The Workshop on Localization, March 22, 2007, Hannover, Germany. Piscataway: IEEE Press, 2007: 9-15.

[18] SUN Z, CHEN Y, QI J, et al. Adaptive localization through transfer learning in indoor Wi-Fi environment[C]//Seventh International Conference on Machine Learning and Applications. IEEE Computer Society, Dec 13-18, 2008, San Diego, CA, USA. Piscataway: IEEE Press, 2008: 331-336.

[19] ZHENG V W, XIANG E W, YANG Q, et al. Transferring localization models over time[C]// AAAI Conference on Artificial Intelligence, AAAI 2008, July 13-17, 2008, Chicago, Illinois, USA. New York: ACM Press, 2008: 1421-1426.

[20] DAI W, CHEN Y, XUE G R, et al. Translated learning: transfer learning across different feature spaces[C]//Conference on Neural Information Processing Systems, December 8-10, 2008, Vancouver, British Columbia, Canada. New York: ACM Press, 2008: 353-360.

[21] PAN S J, SHEN D, YANG Q, et al. Transferring localization models across space[C]// National Conference on Artificial Intelligence, July 13-17, 2008, Chicago, Illinois. New York: ACM Press, 2008: 1383-1388.

[22] WANG H Y, ZHENG V W, ZHAO J, et al. Indoor localization in multi-floor environments with reduced effort[C]//IEEE International Conference on Pervasive Computing and Communications, March 29-April 2, 2010, Mannheim, Germany. Piscataway: IEEE Press, 2010: 244-252.

[23] 施滸立, 顏毅華, 徐國(guó)華. 工程科學(xué)中的廣義延拓逼近法(精)[M]. 北京: 科學(xué)出版社, 2005.

SHI H L, YAN Y H, XU G H. Generalized continuation approximation method in engineering science(fine)[M]. Beijing: Science Press, 2005.

[24] 張志富, 裴軍, 胡超, 等. 車載動(dòng)中通信標(biāo)跟蹤的廣義延拓逼近算法[J]. 西安電子科技大學(xué)學(xué)報(bào)(自然科學(xué)版), 2017, 44(4): 112-117.

ZHANG Z F, PEI J, HU C, et al. Generalized extended approximation algorithm for vehicle satellite communication on the move[J]. Journal of Xidian University(Natural Science), 2017, 44(4): 112-117.

[25] ZHOU C F, MA L, TAN X Z. Joint semi-supervised RSS dimensionality reduction and fingerprint based algorithm for indoor localization[R]. 2014.

[26] BELKIN M, NIYOGI P, SINDHWANI V. Manifold regularization: a geometric framework for learning from labeled and unlabeled examples[J]. Journal of Machine Learning Research, 2006, 7(1): 2399-2434.

[27] BELKIN M, NIYOGI P. Laplacian Eigenmaps for dimensionality reduction and data representation[M]. Cambridge: MIT Press, 2003.

[28] FANG S H, LIN T. Principal component localization in indoor WLAN environments[J]. IEEE Transactions on Mobile Computing, 2011, 11(1): 100-110.

Indoor dynamic environment localization algorithm based on transfer learning

LIU Can, SHANG Junna, LI Ruijiang, YUE Keqiang

Hangzhou Dianzi University, Hangzhou 310018, China

The accuracy of the traditional indoor fingerprint localization system is limited by many factors, such as the density of the reference location node in the fingerprint database and the characteristics of the indoor environment. When the indoor environment changes dynamically, the RSS fluctuates, and usually does not meet the assumption of the same distribution. Therefore, it was difficult to obtain high-precision requirements for conventional fingerprint positioning method. Aiming at the problem that the traditional algorithm couldn’t locate accurately, an algorithm based on the indoor fingerprint database was designed and implemented. The algorithm adopted the idea of migration learning to embed different data sets into the latent feature space, and the adverse effects of environmental changes on the system were mitigated. The simulation results show that the average positioning error of this algorithm is 1.23 m.

dynamic localization, transfer learning, indoor environmental characteristic, generalized extended interpolation,

signal strength fingerprint, reduced calibration effort

TP393

A

10.11959/j.issn.1000?0801.2018170

劉參（1990?），男，杭州電子科技大學(xué)通信工程學(xué)院碩士生，主要研究方向?yàn)闊o(wú)線傳感器網(wǎng)絡(luò)、無(wú)線定位等。

尚俊娜（1979?），女，博士，杭州電子科技大學(xué)通信工程學(xué)院副教授，主要研究方向?yàn)橥ㄐ判盘?hào)處理、智能算法。

李蕊江（1993?），男，杭州電子科技大學(xué)通信工程學(xué)院碩士生，主要研究方向?yàn)樾盘?hào)處理、無(wú)線定位等。

岳克強(qiáng)（1984?），男，博士，杭州電子科技大學(xué)電子信息學(xué)院講師，主要研究方向?yàn)檫M(jìn)化計(jì)算、通信信號(hào)處理。

2018?01?09；

2018?05?04

尚俊娜，shangjn@hdu.edu.cn

國(guó)家自然科學(xué)基金資助項(xiàng)目（No.11603041）

The National Natural Science Foundation of China (No.11603041)