一种基于集成学习和相对定位的双尺度定位算法
专利汇可以提供一种基于集成学习和相对定位的双尺度定位算法专利检索，专利查询，专利分析的服务。并且基于 集成学习 和相对 定位 的双尺度定位方法。包含两个阶段的定位处理，首先，第一阶段基于集成学习的大尺度定位方法是针对跨楼、跨楼层和多区域的室内定位方法。是为了解决现实生活中大型建筑体内部署AP数量较多易导致收集的 位置 指纹 数据库 维度高、稀疏值多，使定位 算法 在实际应用中定位 精度 不高的问题。在大尺度方面引入集成学习技术，将定位问题转化为分类问题，建立位置指纹与目标 建筑物 、目标楼层、目标区域的映射关系。其次，第二阶段基于相对定位的小尺度定位算法主要是针对小区域范围内的定位，利用相邻 节点 之间的距离信息形成未知节点的相对坐标，从而确定物体的位置。最后融合双尺度定位结果，使用链表法进行存储。，下面是一种基于集成学习和相对定位的双尺度定位算法专利的具体信息内容。
1.大尺度的集成学习定位的具体方法：
步骤一、对开放的指纹数据库中的位置指纹进行特征约简。收缩自编码器(Contractive Auto-encoders,CAE)是一种确定型模型。在保持了自编码器的特性，即很好地重建输入信号的同时对输入数据一定程度下的扰动具有不变性。我们使用CAE编码和解码过程以极小化重构代价函数为目标输出训练结果，通过学习得到CAE网络函数f，训练后的结果作为第二隐层的输入特征，继续进行训练得到第二隐层的网络函数，然后不断重复上述过程，对CAE的各个隐层进行迭代训练，完成编码和解码过程。从输入数据中提取更丰富、更具表达能力的特征以达到空间降维的目的。
步骤二、将约简后的数据集按照一定比例切割为训练集与测试集，训练集占80％，测试集占20％
步骤三、使用CAE-XGBoost机器学习算法来完成分类任务
分别从建筑分类、楼层分类和区域分类进行详细的定位数据描述。其中各阶段定位过程使用的RSS是经过CAE特征约简的。Ri＝[RSSI1,RSSI2,…,RSSIL],i＝1,2,…L作为约简之后的特征。
(1)建筑分类
train_B012和test_B012数据集分别由train和test数据集创建。train_B012和test_B012数据集的属性是{Ri，BuildingID}。
(2)楼层分类
train和test数据集包含三栋建筑物。train_B0_F0123、train_B1_F0123和train_B2_F01234数据集由train_B012组成，test_B0_F012、test_B1_F0123和test_B2_F01234数据集由test_B012组成。不同于步骤一中建筑分类数据集的是，这六个数据集只包含一个建筑和该建筑的所有楼层信息。楼层分类各数据集的属性有{Ri，BuildingID，FloorID}。
(3)区域分类
已经划分为楼层分类的数据集将根据区域再次划分。例如，train_B0_F0_R、train_B0_F1_R、train_B0_F2_R和train_B0_F3_R的数据集是由train_B0_F0123数据集创建的，test_B0_F0_R、test_B0_F1_R、test_B0_F2_R和test_B0_F3_R的数据集是由test_B0_F0123数据集创建的。对其余建筑物的训练集与测试数据集执行相同的分割操作。同时定义了一种基于空间和相对位置进行分割的新特征，该特征是空间和相对位置信息的组合，称为区域。将新定义的特征添加到区域分类的数据集中。区域分类的属性有{Ri，BuildingID，Floor，Region}。
步骤四、将约简之后的指纹数据库特征按照定位建筑、定位楼层、定位区域的顺序依次输入到XGBoost模型中将具体的BuildingID，FloorID，Region分别定义为对应的标签作为XGBoost的模型输出。
步骤五、离线阶段训练基于CAE-XGBoost的室内定位算法模型
步骤六、在线阶段，利用分类输出的BuildingID，FloorID，Region标签就可以判断当前节点所处位置。从而可以完成从一个大范围内定位到一个小区域。
2.小尺度的相对定位的具体方法：
步骤一、当某节点i根据竞争机制当选发起点后，以该点为坐标原点，建立极坐标系。
步骤二、建立极坐标以后，确定节点j和k的相对坐标。
步骤三、利用两个已知节点的坐标确定未知节点的坐标。
步骤四、将定位的节点存放到定位表里。
步骤五、已经定位的节点充当锚节点的角色，继续对邻居节点按照步骤三进行定位步骤六、将新定位的节点和数据表里的节点进行对比，若数据表里存在，则不再执行定位，如果数据表里不存在，还按照步骤三进行定位。
步骤七、不断重复步骤五的过程。
3.基于集成学习与相对定位的双尺度定位方法，其特征在于：根据大规模目标定位区域采集的数据集都具有稀疏性的特点，提出了基于CAE-XGBoost的两阶段定位模型。首先将CAE集成为可训练的特征提取器，从采集的位置指纹数据库中自动训练以获取高维特征中最具表征能力的指纹特征；然后将XGBoost作为网络顶层的识别器，将原始的预测物理坐标的室内定位算法转换为通过预测符号位置进行分类的室内定位算法，从而将原始的定位问题转化为分类问题，以应用现有的分类算法进行快速分类，满足未来大规模位置感知服务所需的定位实时性和准确性要求。在小区域范围内提出的相对定位对不宜部署锚节点和锚节点数量较少的监控区域内的节点定位提出了可行性算法，具有十分重要的意义。
一种基于集成学习和相对定位的双尺度定位算法
1、技术领域
3、发明内容
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种信息处理方法及装置、设备、存储介质 | 2020-05-08 | 587 |
| 一种医疗数据脱敏、关联系统及方法 | 2020-05-08 | 4 |
| 用于立体车库的车辆数据处理方法、系统和存储介质 | 2020-05-08 | 442 |
| 基于大数据实时网络流量异常检测方法 | 2020-05-08 | 966 |
| 一种道路表面信息采集系统 | 2020-05-08 | 382 |
| 联锁仿真系统行车模拟的实现方法、存储介质和电子设备 | 2020-05-11 | 901 |
| 一种适用于HEVC标准的帧内预测编码单元划分方法 | 2020-05-08 | 401 |
| 一种考勤方法 | 2020-05-11 | 706 |
| 敏感数据的传输方法和系统、电子设备、存储介质 | 2020-05-08 | 140 |
| 自主多租户数据库云服务框架 | 2020-05-08 | 605 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
