基于迁移学习的动态环境室内定位方法研究

doi:10.11896/jsjkx.230300137

计算机科学››2024,第51卷››问题（5）: 277-283.数字对象标识：1896年10月10日/jsjkx.230300137

基于迁移学习的动态环境室内定位方法研究

王佳昊¹,付一夫¹,冯海男¹,任昱衡²

1电子科技大学信息与软件工程学院成都 610051
2白俄罗斯国立大学国际商学院明斯克 220071

收稿日期:2023-03-16 修回日期:2023-06-30 出版日期:2024-05-15 发布日期:2024-05-08
作者简介:(wangzh@uestc.edu.cn)
基金资助:
电子科技大学-智小金-智能家居联合研究中心项目（H04W210180）；内江市科技孵化和成果转化专项资金（2021KJFH004）；四川省科学技术厅重点研发计划高新技术领域重点研发项目（2022YFG0212）；四川省科技支撑项目（2021YFG0024）

基于迁移学习的动态室内定位算法

王家豪¹，傅义夫¹，海南丰¹、任玉恒²

1电子科技大学信息与软件工程学院，成都610051
2白俄罗斯共和国明斯克白俄罗斯国立大学商学院，邮编：220071

收到：2023-03-16 修订过的：2023-06-30 在线：2024-05-15 出版：2024-05-08
关于作者：王家豪，1978年生，博士，副教授，中国共产党党员（编号：27769M）。他的主要研究兴趣包括物联网、信息安全和数据挖掘。
傅逸夫，1998年生，硕士，中共党员（No.67870G）。他的主要研究兴趣包括室内定位、迁移学习和数据挖掘。
支持单位：
电子科技大学-直小经智能家居联合研究中心（H04W210180）、内江市科技孵化转化基金（2021KJFH004）、重点研发计划-高新技术领域重点研发项目（2022YFG0212）、四川省科技支撑计划（2021YFG0024）。

摘要/摘要

摘要：随着智能家居应用的不断深化,基于无线局域网信号的室内定位技术也受到了广泛关注。在实际应用中,大多数室内定位算法采集得到的训练数据和测试数据通常并非来自于同一理想环境,各种环境条件变化以及信号漂移导致采集得到的训练数据和测试数据间的概率分布不同。传统定位模型在面对不同分布的训练数据和测试数据时无法保证具有良好的定位精度,常出现算法定位精度大幅降低,甚至算法不可用等问题。面对这一难点,迁移学习中的域适应方法作为一种可以有效解决训练样本和测试样本概率分布不一致的学习问题被广泛应用于室内定位领域。文中结合域适应学习和机器学习算法,提出了一种基于特征迁移的室内定位算法（基于全局和局部度量自适应的传递学习定位算法，TL-GLMA）TL-GLMA公司在定位阶段通过特征迁移方式将两域原始数据映射至高维空间,从而在最小化两域数据的分布差异的同时保留两域数据内部的局部几何属性,并利用映射后的独立同分布数据训练分类器,从而实现目标定位。实验结果表明,TL-GLMA公司能够有效减少环境变化带来的干扰,提升定位精度。

关键词: 室内定位, Wi-Fi信息，环境适应, 迁移学习, 域适应

摘要：随着智能家居的发展，基于Wi-Fi信号的定位技术也得到了广泛的研究。在实际应用中，室内定位算法所采集的训练数据和测试数据通常不来自相同的理想条件。各种环境条件和信号漂移的变化会导致训练数据和测试数据之间的概率分布不同。现有的定位算法在面对这些不同的概率分布时无法保证稳定的精度，导致室内定位算法的定位精度大大降低，且不可行。考虑到这些困难，在过去的研究中，转移学习中的领域自适应技术被证明是解决不一致概率分布问题的一个很有前景的解决方案。本文将领域自适应学习和机器学习算法相结合，提出了一种基于特征转移的室内定位算法TL-GLMA。TL-GLMA通过特征转移将两个域的原始数据映射到高维空间，以最小化两个域之间的分布差异，保持局部几何特性。此外，由于映射的数据是独立的且分布一致的，TL-GLMA可以使用它来训练分类器，以获得更好的定位结果。实验结果表明，TL-GLMA可以有效地减少环境变化带来的干扰，提高定位精度。

关键词： 室内位置， Wi-Fi信号，环境适应，转移学习，域适应

中图分类号:

TP393型

王佳昊, 付一夫, 冯海男, 任昱衡.基于迁移学习的动态环境室内定位方法研究[J] ●●●●。计算机科学, 2024, 51(5): 277-283. https://doi.org/10.11896/jsjkx.230300137

王家浩、傅毅夫、冯海南、任玉恒。基于迁移学习的动态室内定位算法[J] ●●●●。计算机科学，2024，51（5）：277-283。https://doi.org/10.11896/jsjkx.230300137

参考文献

[1] IRSAN F A S，AMINAH N S，DJAMAL M.RSSI-WIFI基于支持向量机（SVM）的室内位置跟踪系统[C]//2022电气、计算机、通信和机电工程国际会议（ICECCME）。IEEE，2022:1-5。
[2] XUE W，HUA X，LI Q，et al.一种新的基于RSSI不均匀空间分辨率的室内定位加权算法[J]。IEEE接入，2018，6:25658-26595。
[3] JEDARI E，WU Z，RASHIDZADEH R，et al.基于Wi-Fi的室内定位，采用随机森林分类器[C]//2015国际室内定位与导航会议（IPIN）。IEEE，2015年1月5日。
[4] YANG Z，ZHOU Z，LIU Y.从RSSI到CSI：通过信道响应进行室内定位[J]。ACM计算调查（CSUR），2013,46（2）：1-32。
[5] 王旭，高磊，毛泽东，等。基于CSI的室内定位指纹识别：一种深度学习方法[J]。IEEE车辆技术汇刊，2016，66（1）：763-776。
[6] 宋琦，郭S，刘X，等。基于NB-IoT振幅指纹的室内定位[J]。IEEE物联网杂志，2017,5（3）：1494-1504。
[7] 张毅，QU C，王毅.利用LSTM的特征优化机制实现基于CSI的室内定位方法[J]。IEEE传感器杂志，2020,20（9）：4868-4878。
[8] 张伟，刘凯，张伟，等.室内外无线定位的深度神经网络[J]。神经计算，2016194:279-287。
[9] 陈Z，邹H，杨继发，等.基于局部特征的深度LSTM的WiFi指纹室内定位[J]。IEEE系统杂志，2019,14（2）：3001-3010。
[10] 唐X，唐X，郝Z，等.一种基于CSI和Wi-Fi信号的无设备室内定位方法[J]。传感器，2019,19（14）：3233。
[11] CAI C，DENG L，ZHENG M，et al.PILC：基于卷积神经网络的被动室内定位[C]//2018通用定位、室内导航和基于位置的服务（UPINLBS）。IEEE，2018:1-6。
[12] PANS，TSANGI，KWOKJ，等.基于转移成分分析的领域适应[J]。IEEE神经网络汇刊，2011,22（2）：199-210。
[13] 尹毅，杨霞，李鹏，等.基于细粒度子载波信息的动态室内环境传递学习定位[J]。传感器，2021,21（3）：1015。
[14] LONG M，WANG J，DING G，等.基于联合分布自适应的传递特征学习[C]//IEEE计算机视觉国际会议论文集.2013:2200-2207。
[15] 王杰，陈毅，郝S，等.迁移学习中的均衡分布自适应[C]//2017 IEEE国际数据挖掘会议（ICDM）。IEEE，2017年：1129-1134。
[16] 孙B，冯J，SAENKO K.令人沮丧的简单域适配回归[C]//AAAI人工智能会议论文集.2016。
[17] 王杰，陈毅，于赫，等。利用域内结构进行轻松迁移学习[C]//2019 IEEE多媒体与博览会国际会议（ICME）。IEEE，2019:1210-1215。
[18] 郭X，王磊，李磊，等.基于全局和局部结构一致性约束的转移知识辅助定位[J]。IEEE接入，2019,7:32102-32117。
[19] 李华，赵明.基于混合域转移学习的室内定位[J]。IEEE接入，2020,8:130527-130539。
[20] 于聪，王杰，陈毅，等.基于动态对抗自适应网络的迁移学习[C]//2019 IEEE数据挖掘国际会议（ICDM）。IEEE，2019:778-786。
[21]朱毅，庄芳，王杰，等.用于图像分类的深子域自适应网络[J]。IEEE神经网络和学习系统汇刊，2020,32（4）：1713-1722。
[22]BORGWARDT K M，GRETTON A，RASCH MJ等。通过核最大均值差异整合结构化生物数据[J]。生物信息学，2006，22（14）：e49-e57。
[23]BEN-DAVID S，BLITZER J，CRAMMER K，等.领域适应表征分析[J]。神经信息处理系统进展，2006,19（1）：137-144。
[24]蒋M，黄伟，黄Z，等.通过降维实现领域自适应学习的全局和局部度量集成[J]。IEEE控制论汇刊，2015,47（1）：38-51。

韵律学

已查看

全文

摘要

引用

共享

讨论

基于迁移学习的动态环境室内定位方法研究

基于迁移学习的动态室内定位算法

PDF（PC）

摘要/摘要

引用本文

使用本文

参考文献

相关文章0

韵律学

本文评价

推荐阅读0