论文部分内容阅读
20世纪90年代提出的普适计算，旨在强调以人为中心、与环境融为一体的计算。近年来，随着智能终端的日益普及和无线网络覆盖率的提升，普适计算已经融入到人们的日常生活。其中，基于位置的服务(Location based Service，LBS)就是典型代表。LBS的强烈需求推进了普适计算环境下位置信息计算的研究，特别是室内定位的研究。 室内定位可以基于多种方式，如基于红外线、蓝牙、基站、Wi-Fi等。相较于其他方式，基于Wi-Fi的室内定位不需要复杂设备，也不需要对基础设施进行改变，加之越来越多的无线热点(Access Point，AP)覆盖，使其成为室内定位的主要方式。虽然基于Wi-Fi室内定位的研究已经取得较大进展，但是在现实的高动态室内情境下，实现高精度室内定位仍面临诸多挑战性问题，如:1）高动态室内情境下无线信号的不稳定性导致定位精度的降低;2）定位模型由于大规模标定数据缺失导致定位精度难以提高;以及3）室内情境随时间变化产生模型漂移导致定位精度降低;等等。 因此，本文针对上述现实的挑战性问题，以鲁棒无线信号特征获取、非标定数据模型构建、以及自适应模型更新三个方面为研究点，开展高动态室内情境渐进式自适应无线室内定位方法的研究。具体研究工作如下: 提出了高区分度鲁棒性无线信号深浅特征提取方法 针对无线信号的不稳定性导致定位精度降低这一问题，首先研究了无线信号的波动特性，通过融合这种波动特性和动态室内情境，提出了SAP(Signal Access Point，SAP)差异性度量准则，以获取基于规则的高区分度鲁棒性浅层特征。其次，提出了基于多层极速学习机的深度特征提取方法。该方法融合极速学习机和深度学习，能够快速、自动地获取无线信号的高层抽象表示和数据分布结构（本文称其为深度特征）。实验结果表明，提出的无线信号深浅特征提取方法，可以实现对原始无线信号高区分度鲁棒性的表征，提高室内定位精度。 提出了基于半监督深度神经网络的众包定位方法 针对定位模型由于大规模标定数据缺失导致定位精度难以提升这一问题，提出了半监督深度学习方法。该方法利用众包方式获取的非标定数据计算优化分类面，从而减少定位模型对标定数据的依赖，实现在少量标定数据下的高精度定位。实验结果表明，提出的半监督深度极速学习机能够利用众包非标定数据和少量标定数据实现在大量标定数据下才能达到的定位精度。 提出了基于增量式深浅神经网络的模型更新方法 针对室内情境随时间变化产生模型漂移导致定位精度降低这一问题，研究提出了基于增量式深浅神经网络的自适应模型更新方法。首先，提出了基于浅层神经网络的模型增量更新方法。该方法能够利用增量标定数据实现对定位模型的快速更新。其次，提出了基于深度神经网络的模型增量更新方法。该方法通过调整增量数据（标定数据和非标定数据）的贡献优化生成更新模型，使其适用于现有的定位情境，实现对模型的高精度更新。实验结果表明，提出的增量式模型更新方法可以解决模型漂移的问题，保证定位性能。 最后，基于本文的上述研究成果，设计并实现了一个渐进式自适应室内定位平台，能够在高动态室内情境下实现精准的定位。实验验证了该平台的可用性和高精度。