基于特征迁移的动态环境下的室内定位方法、装置及可读介质与流程

本发明涉及室内无源定位领域，具体涉及一种基于特征迁移的动态环境下的室内定位方法、装置及可读介质。

背景技术：

1、随着物联网技术的不断发展，智能化逐渐成为各种室内场景的研究方向，基于位置服务的室内定位技术受到了广泛的关注，而wi-fi信号作为广泛存在于各种家庭场景中的信号源也成为了室内定位领域研究的重点。

2、早期wi-fi定位技术中通常使用链路层的接收信号强度指示(received signalstrength indication,rssi)，rssi只能提供粗粒度的特征信息，其只能描述所接收的不同路径失真信号的整体叠加结果，无法对不同路径信号进行区分，因此一旦环境条件发生变化，rssi信号自身的稳定性就会被破坏，从而造成数据漂移等问题，故rssi难以持续完成高精度的室内定位工作。

3、随着wi-fi信号的物理层信息的开放，研究信号源也逐步从链路层的rssi数据转向了物理层的信道状态信息(channel state information,csi)数据。相比于rssi，csi能够提供细粒度的数据特征以供算法使用，大量研究表明csi数据一定程度上提升了信号的稳定性和定位算法的定位效果，但基于wi-fi的定位算法的核心问题仍然没有解决。wi-fi信号本身随环境变化而产生域偏移，造成训练采集数据和测试采集数据不满足独立同分布条件从而使得定位精度大幅下降的问题。

4、近些年，为了解决收集数据间的域偏移问题，迁移学习方法已经被用于了室内定位领域当中并得到了广泛的应用，常见的迁移学习方法如tca、jda、coral等都能够一定程度减小两域数据间的分布差异。但其仍存在一些缺点，主要如下所述：

5、(1)知识迁移不够充分，导致域适应效果有效，对于室内定位精度提升有限。

6、(2)只从两域数据整体角度出发实现域适应，造成了混淆对齐问题，对后续定位算法分类造成了很大的困扰。

技术实现思路

1、针对上述提到的技术问题。本技术的实施例的目的在于提出了一种基于特征迁移的动态环境下的室内定位方法、装置及可读介质，来解决以上背景技术部分提到的技术问题。

2、第一方面，本发明提供了一种基于特征迁移的动态环境下的室内定位方法，包括以下步骤：

3、s1，获取第一源域数据和第一目标域数据，根据第一源域数据和第一目标域数据组成的输入数据矩阵计算得到第二源域数据和第二目标域数据之间的边缘概率分布差异，根据每一类别的第一源域数据和第一目标域数据计算得到第二源域数据和第二目标域数据之间的条件概率分布差异，根据第一源域数据和第一目标域数据整体之间的距离以及第一源域数据和第一目标域数据中每个类别数据之间的距离计算得到动态平衡因子；

4、s2，根据边缘概率分布差异、条件概率分布差异和动态平衡因子确定数据整体特征分布适配优化目标；

5、s3，根据第一源域数据分别计算第二源域数据中同一类数据的类内距离和第二源域数据中不同类数据的类间距离，根据类内距离和类间距离确定数据局部几何特性保留优化目标；

6、s4，根据数据整体特征分布适配优化目标和数据局部几何特性保留优化目标构造得到总优化目标，根据总优化目标求解得到映射矩阵，通过映射矩阵实现定位。

7、作为优选，步骤s1中根据第一源域数据和第一目标域数据组成的输入数据矩阵计算得到第二源域数据和第二目标域数据之间的边缘概率分布差异，具体包括：

8、根据mmd计算得到边缘概率分布差异，公式如下：

9、

10、其中，表示再生希尔伯特空间，m是映射矩阵，mt表示映射矩阵的转置矩阵，x＝[xsrc,xtar]表示由第一源域xsrc和第二目标域数据xtar组成的输入数据矩阵，表示第一源域xsrc中的第i个数据，表示第二目标域数据xtar中的第j个数据，ns和nt分别表示第一源域数据的数量和第一目标域数据的数量，tr(·)表示对矩阵求迹，为mmd矩阵，采用如下方式构造：

11、

12、作为优选，步骤s1中根据每一类别的第一源域数据和第一目标域数据计算得到第二源域数据和第二目标域数据之间的条件概率分布差异，具体包括：

13、使用第一源域数据训练分类器，得到经训练的分类器，将第一目标域数据输入经训练的分类器，得到第一目标域数据对应的类别；

14、使用类条件概率分布的充分统计量来近似替代条件概率分布，从而计算第二源域数据和第二目标域数据之间的条件概率分布，公式如下：

15、

16、其中，ysrc＝c表示第一源域数据的类别为c，ytar＝c表示第一目标域数据的类别为c，c∈{1,2,…,c}表示标签的类别；

17、根据mmd计算条件概率分布差异，公式如下：

18、

19、表示第一源域数据中类别为c的样本，表示第一目标域数据中类别为c的样本，和分别表示第一源域数据和第二源域数据中类别为c的样本的数量，为权值矩阵，采用如下方式构造：

20、

21、其中，与分别表示第一源域数据和第一目标域数据上的类别为c的先验类概率。

22、作为优选，步骤s1中根据第一源域数据和第一目标域数据整体之间的距离以及第一源域数据和第一目标域数据中每个类别数据之间的距离计算得到动态平衡因子，具体包括：

23、

24、其中，δ∈[0,1]，distam和分别表示第一源域数据和第一目标域数据整体及第一源域数据和第一目标域数据中每类数据之间的a-distance，a-distance的计算公式如下：

25、dista(xsrc,xtar)＝2(1-2loss(h))；

26、其中，loss(h)表示第一源域数据和第一目标域数据所训练的二分类器h的分类损失。

27、作为优选，步骤s2具体包括：

28、将边缘概率分布差异、条件概率分布差异和动态平衡因子相结合，并加入数据方差作为限制条件以确保两域数据映射前后其特征维持不变，得到数据整体特征分布适配优化目标为：

29、

30、其中，h为中心矩阵且h＝i-(1/ns+nt)1，是单位矩阵，为正则项，其中λ为正则化参数，是frobenius范数。

31、作为优选，步骤s3具体包括：

32、使用类内距离值计算第二源域数据中同一类数据的类内距离，其计算公式如下：

33、

34、其中，c∈{1,2,…,c}表示标签的类别，nc是第一源域数据中类别为c的样本的数量，且有：

35、

36、其中，lij为矩阵，其第i行和第j列中的元素为1，其他元素为0；

37、使用类间距离值计算第二源域数据中不同类数据的类间距离，其计算公式如下：

38、

39、其中，nk,nl分别是第一源域数据中类别为k和l的样本的数量，且有：

40、

41、数据局部几何特性保留优化目标为：

42、

43、作为优选，步骤s4具体包括：

44、总优化目标为：

45、

46、其中，λ为正则化参数，δ为动态平衡因子，α为权重参数；

47、经过变换，等价于求解下式：

48、

49、通过求解上述的广义特征分解问题即可得到映射矩阵m，将映射矩阵m分别与第一源域数据进行矩阵乘法，得到第二源域数据和第二目标域数据；

50、利用第二源域数据结合knn算法，实现在第二目标域数据上的定位。

51、第二方面，本发明提供了一种基于特征迁移的动态环境下的室内定位装置，包括：

52、差异模块，被配置为获取第一源域数据和第一目标域数据，根据第一源域数据和第一目标域数据组成的输入数据矩阵计算得到第二源域数据和第二目标域数据之间的边缘概率分布差异，根据每一类别的第一源域数据和第一目标域数据计算得到第二源域数据和第二目标域数据之间的条件概率分布差异，根据第一源域数据和第一目标域数据整体之间的距离以及第一源域数据和第一目标域数据中每个类别数据之间的距离计算得到动态平衡因子；

53、整体优化模块，被配置为根据边缘概率分布差异、条件概率分布差异和动态平衡因子确定数据整体特征分布适配优化目标；

54、局部优化模块，被配置为根据第一源域数据分别计算第二源域数据中同一类数据的类内距离和第二源域数据中不同类数据的类间距离，根据类内距离和类间距离确定数据局部几何特性保留优化目标；

55、总优化模块，被配置为根据数据整体特征分布适配优化目标和数据局部几何特性保留优化目标构造得到总优化目标，根据总优化目标求解得到映射矩阵，通过映射矩阵实现定位。

56、第三方面，本发明提供了一种电子设备，包括一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。

57、第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

58、相比于现有技术，本发明具有以下有益效果：

59、(1)本发明通过映射迁移方式实现最小化两域数据的概率分布差异，并最大程度保留两域数据内的局部几何特性，而减小混淆对齐对分类的影响。

60、(2)本发明提出的基于特征迁移的动态环境下的室内定位方法在一定程度克服环境变化对室内定位算法的影响，有效提高了算法的环境鲁棒性及定位精度。

61、(3)本发明基于数据整体特征约束和数据局部特征约束的目标函数，将第一源域数据和第一目标域数据映射至潜在的特征空间，从而解决域偏移带来的数据分布差异问题，提高动态环境下的室内定位精度。