引言
随着无线局域网、智能终端的普及与发展，基于位置信息的需求不断增加。传统全球定位系统(Global Positioning System, GPS)［1］和基站定位技术能够满足室外场景的定位需求，然而室内环境复杂多变且信号弱，使得传统技术在此环境下定位精度低，无法满足人们对定位服务精度的需求［2］，因此室内定位吸引了众多学者的研究。
常见的室内定位技术有多种，如超宽带［3］、蓝牙［4］、射频识别和WiFi［5］等。因具有覆盖面积广、成本低等特点，WiFi设备已广泛部署在超市、医院、车站、教室等室内场景且随着移动智能设备的普及提升了数据测量和采集效率，WiFi指纹定位已成为该领域的研究热点［6］。
在当前的研究中，WiFi指纹定位是最普遍的室内定位方法。该方法利用接收信号强度与物理位置之间的某种映射关系进行定位，它包括离线数据采集和在线匹配两个阶段［7］。此外，在复杂室内环境如障碍物遮挡、多径效应、噪声［8］等影响下，接收信号存在不稳定性，导致采集的接收信号强度数据呈现波动性，其中的异常数据容易导致模型性能不稳定、精度低等问题，所以近年来相关算法被陆续提出。卡尔曼滤波(Kalman Filter，KF)算法［9-10］在处理含有高斯噪声的信号时性能较好，而粒子滤波(Particle Filter, PF)算法［11-12］可以滤除非高斯噪声，单一滤波算法不能完全消除干扰。文献［13］为优化测量数据值，采用均值滤波、高斯滤波、KF等混合滤波(Hybrid Filtering, HF)算法对其进行处理。文献［14］提出一种双滤波器集成算法,先利用KF获得平滑约束指纹，然后采用扩展卡尔曼滤波将处理后的指纹与运动传感器相结合完成定位。此外，在有WiFi设备覆盖的室内场景中，定位区域内采集的数据和特征越多，定位精度越高。文献［15］将静态环境下采集的原始数据和时频域波动参数共同作为输入训练决策树模型提升了定位精度，但在复杂动态环境(噪声、障碍物阻挡)下性能不理想，且未处理的异常数据会导致计算量增加。文献［16］首先将接收的信号强度转换成用于指纹定位的五个统计特征，然后利用聚类和行人航位推算算法结合完成目标的定位，但该方法需要高精度传感器从而增加了成本。随着机器学习算法的不断成熟，很多学者将机器学习算法与传统定位方法相结合，把坐标求解转化为分类预测问题。文献［17］提出改进接入点(Access Point, AP)选择策略并结合利用Bagging方法生成用于分类和匹配的模型来预测目标的位置，该方法虽然提升了精度，但传统Bagging方法构建的决策树模型容易产生过拟合且复杂度高的问题。文献［18］设计新型的迁移学习网络得到新的指纹库，完成对待测点位置预测，提高了室内定位的鲁棒性。文献［19］首先使用主成分分析对采集数据进行降维，再利用核岭回归算法对目标位置进行预测，但在此过程中会产生冗余信息从而增加计算量并影响算法性能。
基于以上研究，本文提出一种基于混合滤波、波动参数辅助的粒子群算法优化XGBoost的室内定位方法。该方法共分为两个阶段，在离线阶段，混合滤波是指利用粒子-卡尔曼滤波算法对每个采样点处数据优化的过程，首先采用对非高斯噪声效果较好的粒子滤波算法进行处理，然后将其输出作为卡尔曼滤波算法的输入进一步滤除高斯噪声，以最后的输出构建初始数据库；此外，计算可以体现数据细微波动的波动参数。其次，由于初始化参数的选取严重影响XGBoost的性能，采用粒子群算法(Particle Swarm Optimization，PSO)获取最优的参数提升XGBoost算法的预测精度，将波动参数和处理后的数据输入到算法中构建定位模型。在线匹配阶段，将目标点的样本经过混合滤波后送入训练好的定位模型中预测目标位置，同时将滤波后的待定位点的数据保存到初始数据库中完成数据库的更新。
本文详细内容请下载：
https://www.chinaaet.com/resource/share/2000006707
作者信息：
刘高辉，凌凤智
(西安理工大学自动化与信息工程学院，陕西西安710048)
