引言

隨著無線局域網、智能終端的普及與發展，基于位置信息的需求不斷增加。傳統全球定位系統(Global Positioning System, GPS)［1］和基站定位技術能夠滿足室外場景的定位需求，然而室內環境復雜多變且信號弱，使得傳統技術在此環境下定位精度低，無法滿足人們對定位服務精度的需求［2］，因此室內定位吸引了眾多學者的研究。

常見的室內定位技術有多種，如超寬帶［3］、藍牙［4］、射頻識別和WiFi［5］等。因具有覆蓋面積廣、成本低等特點，WiFi設備已廣泛部署在超市、醫院、車站、教室等室內場景且隨著移動智能設備的普及提升了數據測量和采集效率，WiFi指紋定位已成為該領域的研究熱點［6］。

在當前的研究中，WiFi指紋定位是最普遍的室內定位方法。該方法利用接收信號強度與物理位置之間的某種映射關系進行定位，它包括離線數據采集和在線匹配兩個階段［7］。此外，在復雜室內環境如障礙物遮擋、多徑效應、噪聲［8］等影響下，接收信號存在不穩定性，導致采集的接收信號強度數據呈現波動性，其中的異常數據容易導致模型性能不穩定、精度低等問題，所以近年來相關算法被陸續提出。卡爾曼濾波(Kalman Filter，KF)算法［9-10］在處理含有高斯噪聲的信號時性能較好，而粒子濾波(Particle Filter, PF)算法［11-12］可以濾除非高斯噪聲，單一濾波算法不能完全消除干擾。文獻［13］為優化測量數據值，采用均值濾波、高斯濾波、KF等混合濾波(Hybrid Filtering, HF)算法對其進行處理。文獻［14］提出一種雙濾波器集成算法,先利用KF獲得平滑約束指紋，然后采用擴展卡爾曼濾波將處理后的指紋與運動傳感器相結合完成定位。此外，在有WiFi設備覆蓋的室內場景中，定位區域內采集的數據和特征越多，定位精度越高。文獻［15］將靜態環境下采集的原始數據和時頻域波動參數共同作為輸入訓練決策樹模型提升了定位精度，但在復雜動態環境(噪聲、障礙物阻擋)下性能不理想，且未處理的異常數據會導致計算量增加。文獻［16］首先將接收的信號強度轉換成用于指紋定位的五個統計特征，然后利用聚類和行人航位推算算法結合完成目標的定位，但該方法需要高精度傳感器從而增加了成本。隨著機器學習算法的不斷成熟，很多學者將機器學習算法與傳統定位方法相結合，把坐標求解轉化為分類預測問題。文獻［17］提出改進接入點(Access Point, AP)選擇策略并結合利用Bagging方法生成用于分類和匹配的模型來預測目標的位置，該方法雖然提升了精度，但傳統Bagging方法構建的決策樹模型容易產生過擬合且復雜度高的問題。文獻［18］設計新型的遷移學習網絡得到新的指紋庫，完成對待測點位置預測，提高了室內定位的魯棒性。文獻［19］首先使用主成分分析對采集數據進行降維，再利用核嶺回歸算法對目標位置進行預測，但在此過程中會產生冗余信息從而增加計算量并影響算法性能。

基于以上研究，本文提出一種基于混合濾波、波動參數輔助的粒子群算法優化XGBoost的室內定位方法。該方法共分為兩個階段，在離線階段，混合濾波是指利用粒子-卡爾曼濾波算法對每個采樣點處數據優化的過程，首先采用對非高斯噪聲效果較好的粒子濾波算法進行處理，然后將其輸出作為卡爾曼濾波算法的輸入進一步濾除高斯噪聲，以最后的輸出構建初始數據庫；此外，計算可以體現數據細微波動的波動參數。其次，由于初始化參數的選取嚴重影響XGBoost的性能，采用粒子群算法(Particle Swarm Optimization，PSO)獲取最優的參數提升XGBoost算法的預測精度，將波動參數和處理后的數據輸入到算法中構建定位模型。在線匹配階段，將目標點的樣本經過混合濾波后送入訓練好的定位模型中預測目標位置，同時將濾波后的待定位點的數據保存到初始數據庫中完成數據庫的更新。

本文詳細內容請下載：

http://www.tom3567.com/resource/share/2000006707

作者信息：

劉高輝，凌鳳智

(西安理工大學自動化與信息工程學院，陜西西安710048)