技术领域
[0001] 本
发明涉及智能交通的船载环境室内定位领域，尤其涉及一种基于CSI指纹特征迁移的船载环境室内定位方法，主要适用于在降低成本的
基础上提高定位
精度与减少定位计算量。
背景技术
[0002]
船舶作为一种重要的
水上交通运输工具，其自身安全保障和信息的捕获受到越来越多的关注，人们积极利用各种各样的手段提高船舶自身信息精细化程度，但是舱室众多、结构复杂、金属干扰严重的船载环境给传统
位置信息监测手段带来了一系列困境和约束。
[0003] 目前，无线室内定位方法众多，根据无线
信号在室内定位中的应用方式，可将现有定位方法分为基于模型计算的室内定位和基于特征库匹配的室内定位方法。基于模型计算的室内定位方法主要是根据无线
信号传输模型，利用无线链路信号强度，结合定位系统部署的相关物理空间信息，构建目标与部署设备之间的测距模型，进而实现目标位置计算。但这类定位方式通常依赖于多径效应较小的理想室内环境，且这类系统大都借助通用
软件无线电外设等实验室专用设备来保证信号数据的精准、稳定获取，其成本高昂，无法在大规模环境下部署使用。基于特征库匹配的无线室内定位方法核心思想是利用无线信号在不同位置上的空间差异性，将无线信号作为物理位置的特征(或称为“位置指纹”)，通过构建一个目标位置-信号特征关系的定位特征库，以特征识别和匹配的方式实现对目标位置的估计。特征库匹配定位方法的优势在于所需定位的参考测量
节点少，可在非视距路径下工作，降低了定位
硬件成本且可保证较高定位精度，但其问题是定位特征库会随环境变化而失效，人工采集定位特征的部署成本和特征库定期更新的维护成本过高，限制了其普适化和规模化应用。
[0004] 综上所述，尽管目前一些定位
算法已经相当成熟，但是较为复杂的船载环境对这些算法产生了极大的约束作用。因此，基于船载环境下室内定位仍然没有较全面、系统化、成本低的方法。
发明内容
[0005] 本发明的目的是克服
现有技术中存在的成本高、定位精度低、定位计算量大的
缺陷与问题，提供一种成本低、定位精度高、定位计算量小的基于CSI指纹特征迁移的船载环境室内定位方法。
[0006] 为实现以上目的，本发明的技术解决方案是：一种基于CSI指纹特征迁移的船载环境室内定位方法，该方法包括以下步骤：
[0007] A、采集离线数据，离线数据包括t-1、t时刻的船舶运动数据和t-1、t时刻的CSI数据，CSI数据采用矩阵形式表示；
[0008] B、利用主成分分析方法对CSI矩阵进行
降维处理，计算降维后的CSI矩阵与船舶运动数据之间的皮尔森相关系数，选取皮尔森相关系数最高的船舶运动数据作为船舶运动特征数据；
[0009] C、将船舶运动特征数据输入到卷积自
编码器得到船舶运动描述符；
[0010] D、设计一个基于
无监督学习的指纹漫游模型，具体包括以下步骤：
[0011] D1、利用
深度学习嵌入方法对t-1时刻的CSI矩阵进行特征嵌入，得到嵌入CSI矩阵；
[0012] D2、将船舶运动描述符和嵌入CSI矩阵一起输入到一个基于LSTM的指纹迁移模型，得到迁移CSI序列；
[0013] D3、将迁移CSI序列重构回CSI矩阵形式，得到离线迁移CSI矩阵；
[0014] E、利用深度学习策略来训练指纹漫游模型，以得到其中的参数；
[0015] F、先将采集的在线船舶运动数据和在线CSI数据依次经步骤B、步骤C、步骤D处理，得到迁移CSI指纹库，再利用
支持向量机算法进行分类，然后进行位置匹配得到用户实时位置。
[0016] 步骤A中，所述船舶运动数据为：
[0017] X＝[B；V；Ax；Ay；Az；L；M；T；P]；
[0018] 其中，B为光照强度；V为船舶的速度；Ax、Ay、Az分别为船舶在X、Y、Z坐标轴上的
加速度；L为船舶的位置坐标；M为磁
力仪测得的
磁性；T为船舶室内环境
温度；P为船舶室内
大气压。
[0019] 步骤B具体包括以下步骤：
[0020] B1、选取CSI矩阵前两个最大主成分，将其投影到特征子空间，计算公式如下：
[0021] Y＝ATH；
[0022] 其中，H为CSI矩阵，A为对应于前两个最大主成分的
特征向量构成的特征空间矩阵，AT为A的转置矩阵，Y为降维后的CSI矩阵；
[0023] B2、计算Y与船舶运动数据X的皮尔森相关系数ρXi，Yj，计算公式如下：
[0024]
[0025] 其中，Xi为第i个船舶运动数据，i＝1，2，...，9，X1为光照强度，X2为船舶的速度，X3为船舶在X坐标轴上的加速度，X4为船舶在Y坐标轴上的加速度，X5为船舶在Z坐标轴上的加速度，X6为船舶的位置坐标，X7为磁力仪测得的磁性，X8为船舶室内
环境温度，X9为船舶室内大气压；Yj为降维后的CSI矩阵的第j个主成分在特征子空间上的投影，j＝1，2； 分别为Xi、Yj的数学期望； 分别为Xi、Yj的标准差；
[0026] B3、选择皮尔森相关系数最高的船舶运动数据作为船舶运动特征数据，用矩阵I表示。
[0027] 步骤C具体包括以下步骤：
[0028] C1、将矩阵I输入到编码卷积层：
[0029] hc＝σc(I*Wc+bc)；
[0030] σc(x)＝max(0；x)
[0031] 其中，hc为编码卷积层的输出；σc(x)＝max(0，x)为ReLU激活函数，x为自变量；Wc为编码卷积层权值矩阵；bc为编码卷积层误差；
[0032] C2、将编码卷积层的输出hc输入到
池化层，乘以一个1×np维的向量进行下
采样，得到池化层的输出hm；
[0033] C3、对池化层的输出hm，通过如下公式映射到隐含层：
[0034]
[0035] 其中，hv为隐含层的输出；σd(x)为激活函数，x＝hm*Wd+bd；Wd为隐含层权值矩阵；bd为隐含层误差；
[0036] C4、将隐含层的输出hv输入到向上采样层，通过如下变换：
[0037]
[0038] 其中，yd为向上采样层的输出， 为Wd的逆矩阵，ad为向上采样层误差；
[0039] C5、将向上采样层的输出yd输入到解码卷积层，得到重构矩阵y：
[0040]
[0041] 其中， 为Wc的逆矩阵，ac为解码卷积层误差；
[0042] C6、通过构建重构矩阵y和输入矩阵I的均方误差函数，来训练卷积自编码器，求得卷积自编码器的权值矩阵Wc、Wd：
[0043]
[0044] 其中，n为训练卷积自编码器用的样本数量；
[0045] 则船舶运动描述符表示为：
[0046] v＝CAEWc，Wd (I)。
[0047] 步骤D1具体包括以下步骤：
[0048] 先利用快速傅里叶逆变换将CSI矩阵H从频域转换为时域，再将CSI矩阵H嵌入到稀疏空间，然后输出嵌入CSI矩阵HS：
[0049] HS＝WeH；
[0050] 其中，We为嵌入层的系数矩阵。
[0051] 步骤D2中，将船舶运动描述符和嵌入CSI矩阵HS输入基于LSTM的指纹迁移模型，得到迁移CSI序列Hg：
[0052]
[0053] 其中，θ为指纹迁移模型参数；vs，g＝(vs，vg)为船舶运动描述符，包括t-1时刻的船舶运动描述符vs和t时刻的船舶运动描述符vg；
[0054] 利用链式法建立迁移CSI序列Hg的联合概率模型：
[0055]
[0056] 其中，DT为滑动窗口的长度，即每次用来计算的样本数量；
[0057] 利用LSTM来估计序列
[0058]
[0059]
[0060]
[0061] 其中，ht为t时刻的隐含状态，ht-1为t-1时刻的隐含状态，t-1时刻隐含状态的初始值为vg；Ct为t时刻的单元状态，Ct-1为t-1时刻的单元状态，t-1时刻单元状态的初始值为vs；i为输入
门，决定是否读入下一个输入 f为遗忘门，决定是否忘记之前的状态Ct-1；O为输出门；σL为sigmoid激活函数；tanh为隐含状态的正切函数值； 为
t＝0，1，2…，i-1； 表示数组元素依次相乘；WL为LSTM的权值矩阵；g为一个变量。
[0062] 步骤D3中，通过如下公式将迁移CSI序列重构回CSI矩阵形式：
[0063]
[0064] 其中， 为离线迁移CSI矩阵，Wr为重构层的系数矩阵。
[0065] 步骤E中，利用深度学习策略来训练指纹漫游模型，建立如下损失函数：
[0066]
[0067] 其中，Flt为t时刻的离线CSI指纹数据，Xt为t时刻的离线船舶运动数据，Flt-1为t-1时刻的离线CSI指纹数据，Xt-1为t-1时刻的离线船舶运动数据，l为离线CSI矩阵H的标签；
[0068] 通过使损失函数Loss最小，学习得到嵌入层的系数矩阵We和重构层的系数矩阵Wr。
[0069] 与现有技术相比，本发明的有益效果为：
[0070] 本发明一种基于CSI指纹特征迁移的船载环境室内定位方法在充分考虑船舶环境复杂性的基础上，提出基于CSI指纹特征迁移的船载环境室内定位方法，该定位方法主要通过建库、迁移、匹配三个步骤实现定位；整个定位方法有效的解决了船舶动态环境多因素耦合作用下的定位特征迁移问题，在较低的成本代价下不仅保证了较高的定位精度，还大大减少了定位过程中的计算量。因此，本发明降低了成本、提高了定位精度、减少了定位计算量。
附图说明
[0071] 图1是本发明一种基于CSI指纹特征迁移的船载环境室内定位方法的
流程图。
[0072] 图2是本发明中卷积自编码器的原理图。
[0073] 图3是本发明中指纹漫游模型训练原理图。
[0074] 图4是本发明所提室内定位方法与其它几种室内定位方法的试验结果对比图。
具体实施方式
[0075] 以下结合附图说明和具体实施方式对本发明作进一步详细的说明。
[0076] 参见图1，一种基于CSI指纹特征迁移的船载环境室内定位方法，该方法包括以下步骤：
[0077] A、采集离线数据，离线数据包括t-1、t时刻的船舶运动数据和t-1、t时刻的CSI数据，CSI数据采用矩阵形式表示；
[0078] B、利用主成分分析方法对CSI矩阵进行降维处理，计算降维后的CSI矩阵与船舶运动数据之间的皮尔森相关系数，选取皮尔森相关系数最高的船舶运动数据作为船舶运动特征数据；
[0079] C、将船舶运动特征数据输入到卷积自编码器得到船舶运动描述符；
[0080] D、设计一个基于
无监督学习的指纹漫游模型，具体包括以下步骤：
[0081] D1、利用深度学习嵌入方法对t-1时刻的CSI矩阵进行特征嵌入，得到嵌入CSI矩阵；
[0082] D2、将船舶运动描述符和嵌入CSI矩阵一起输入到一个基于LSTM的指纹迁移模型，得到迁移CSI序列；
[0083] D3、将迁移CSI序列重构回CSI矩阵形式，得到离线迁移CSI矩阵；
[0084] E、利用深度学习策略来训练指纹漫游模型，以得到其中的参数；
[0085] F、先将采集的在线船舶运动数据和在线CSI数据依次经步骤B、步骤C、步骤D处理，得到迁移CSI指纹库，再利用支持向量机算法进行分类，然后进行位置匹配得到用户实时位置。
[0086] 步骤A中，所述船舶运动数据为：
[0087] X＝[B；V；Ax；Ay；Az；L；M；T；P]；
[0088] 其中，B为光照强度；V为船舶的速度；Ax、Ay、Az分别为船舶在X、Y、Z坐标轴上的加速度；L为船舶的位置坐标；M为磁力仪测得的磁性；T为船舶室内环境温度；P为船舶室内大气压。
[0089] 步骤B具体包括以下步骤：
[0090] B1、选取CSI矩阵前两个最大主成分，将其投影到特征子空间，计算公式如下：
[0091] Y＝ATH；
[0092] 其中，H为CSI矩阵，A为对应于前两个最大主成分的特征向量构成的特征空间矩阵，AT为A的转置矩阵，Y为降维后的CSI矩阵；
[0093] B2、计算Y与船舶运动数据X的皮尔森相关系数ρXi，Yj，计算公式如下：
[0094]
[0095] 其中，Xi为第i个船舶运动数据，i＝1，2，...，9，X1为光照强度，X2为船舶的速度，X3为船舶在X坐标轴上的加速度，X4为船舶在Y坐标轴上的加速度，X5为船舶在Z坐标轴上的加速度，X6为船舶的位置坐标，X7为磁力仪测得的磁性，X8为船舶室内环境温度，X9为船舶室内大气压；Yj为降维后的CSI矩阵的第j个主成分在特征子空间上的投影，j＝1，2； 分别为Xi、Yj的数学期望； 分别为Xi、Yj的标准差；
[0096] B3、选择皮尔森相关系数最高的船舶运动数据作为船舶运动特征数据，用矩阵I表示。
[0097] 步骤C具体包括以下步骤：
[0098] C1、将矩阵I输入到编码卷积层：
[0099] hc＝σc(I*Wc+bc)；
[0100] σc(x)＝max(0；x)
[0101] 其中，hc为编码卷积层的输出；σc(x)＝max(0，x)为ReLU激活函数，x为自变量；Wc为编码卷积层权值矩阵；bc为编码卷积层误差；
[0102] C2、将编码卷积层的输出hc输入到池化层，乘以一个1×np维的向量进行
下采样，得到池化层的输出hm；
[0103] C3、对池化层的输出hm，通过如下公式映射到隐含层：
[0104]
[0105] 其中，hv为隐含层的输出；σd(x)为激活函数，x＝hm*Wd+bd；Wd为隐含层权值矩阵；bd为隐含层误差；
[0106] C4、将隐含层的输出hv输入到向上采样层，通过如下变换：
[0107]
[0108] 其中，yd为向上采样层的输出， 为Wd的逆矩阵，ad为向上采样层误差；
[0109] C5、将向上采样层的输出yd输入到解码卷积层，得到重构矩阵y：
[0110]
[0111] 其中， 为We的逆矩阵，ac为解码卷积层误差；
[0112] C6、通过构建重构矩阵y和输入矩阵I的均方误差函数，来训练卷积自编码器，求得卷积自编码器的权值矩阵We，Wd：
[0113]
[0114] 其中，n为训练卷积自编码器用的样本数量；
[0115] 则船舶运动描述符表示为：
[0116] v＝CAEWc，Wd (I)。
[0117] 步骤D1具体包括以下步骤：
[0118] 先利用快速傅里叶逆变换将CSI矩阵H从频域转换为时域，再将CSI矩阵H嵌入到稀疏空间，然后输出嵌入CSI矩阵HS：
[0119] HS＝WeH；
[0120] 其中，We为嵌入层的系数矩阵。
[0121] 步骤D2中，将船舶运动描述符和嵌入CSI矩阵HS输入基于LSTM的指纹迁移模型，得到迁移CSI序列Hg：
[0122]
[0123] 其中，θ为指纹迁移模型参数；vs，g＝(vs，vg)为船舶运动描述符，包括t-1时刻的船舶运动描述符vs和t时刻的船舶运动描述符vg；
[0124] 利用链式法建立迁移CSI序列Hg的联合概率模型：
[0125]
[0126] 其中，DT为滑动窗口的长度，即每次用来计算的样本数量；
[0127] 利用LSTM来估计序列
[0128]
[0129] 其中，ht为t时刻的隐含状态，ht-1为t-1时刻的隐含状态，t-1时刻隐含状态的初始值为vg；Ct为t时刻的单元状态，Ct-1为t-1时刻的单元状态，t-1时刻单元状态的初始值为vs；i为输入门，决定是否读入下一个输入 f为遗忘门，决定是否忘记之前的状态Ct-1；o为输出门；σL为sigmoid激活函数；tanh为隐含状态的正切函数值； 为
t＝0，1，2…，i-1； 表示数组元素依次相乘；WL为LSTM的权值矩阵；g为一个变量。
[0130] 步骤D3中，通过如下公式将迁移CSI序列重构回CSI矩阵形式：
[0131]
[0132] 其中， 为离线迁移CSI矩阵，Wr为重构层的系数矩阵。
[0133] 步骤E中，利用深度学习策略来训练指纹漫游模型，建立如下损失函数：
[0134]
[0135] 其中，Flt为t时刻的离线CSI指纹数据，Xt为t时刻的离线船舶运动数据，Flt-1为t-1时刻的离线CSI指纹数据，Xt-1为t-1时刻的离线船舶运动数据，l为离线CSI矩阵H的标签；
[0136] 通过使损失函数Loss最小，学习得到嵌入层的系数矩阵We和重构层的系数矩阵Wr。
[0137] 本发明的原理说明如下：
[0138] 由于船舶运动导致船体
变形，无线信号的传播路径会发生变化，与之前的情况相比，路径功率会被削弱和延迟，这会给正常情况下的功率延迟剖面带来恒定的幅度缩放和时间延迟偏移。为了解决这一问题，利用深度学习嵌入方法对CSI数据进行特征嵌入，以提高CSI数据的
分辨率。
[0139] 利用快速傅里叶逆变换将CSI从频域转换为时域，同时对采样
频率偏移、分组边界检测等误差进行修正，然后将CSI矩阵嵌入到一个Ke×m维的稀疏空间中，其中Ke是嵌入层的神经元数目，以将CSI数据映射到高维空间，提高数据分辨率。即m×1维的CSI数据H乘以1×Ke维的矩阵We，矩阵We根据训练学习得到，最终输出嵌入CSI矩阵HS，即HS＝WeH。
[0141] 参见图1，一种基于CSI指纹特征迁移的船载环境室内定位方法，该方法包括以下步骤：
[0142] 利用一个TP-Link路由器作为信号发射端，一台配有Inter5300网卡、3根天线以及Linux系统的ThinkPad作为信号接收端，两台装有定制软件的手机用来收集GPS和船舶运动信息；
[0143] A、采集离线数据，离线数据包括t-1、t时刻的船舶运动数据和t-1、t时刻的CSI数据，CSI数据采用矩阵形式表示；
[0144] 所述船舶运动数据为：
[0145] X＝[B；V；Ax；Ay；Az；L；M；T；P]；
[0146] 其中，B为光照强度；V为船舶的速度；Ax、Ay、Az分别为船舶在X、Y、Z坐标轴上的加速度；L为船舶的位置坐标；M为磁力仪测得的磁性；T为船舶室内环境温度；P为船舶室内大气压；
[0147] 在一定区域内选取3×3分布的9个点，每个点之间相隔0.4m，每个点选取100个数据，共计100×9个数据作为指纹点并标注相应的标签；
[0148] B、对采集的CSI矩阵进行标准化处理后，利用主成分分析方法对CSI矩阵进行降维处理，计算降维后的CSI矩阵与船舶运动数据之间的皮尔森相关系数，选取皮尔森相关系数最高的船舶运动数据作为船舶运动特征数据；具体包括以下步骤：
[0149] B1、选取CSI矩阵前两个最大主成分，将其投影到特征子空间，计算公式如下：
[0150] Y＝ATH；
[0151] 其中，H为CSI矩阵，A为对应于前两个最大主成分的特征向量构成的特征空间矩T阵，A为A的转置矩阵，Y为降维后的CSI矩阵，它最大程度地保留了H中的信息；
[0152] B2、计算Y与船舶运动数据X的皮尔森相关系数ρXi，Yj，计算公式如下：
[0153]
[0154] 其中，Xi为第i个船舶运动数据，i＝1，2，...，9，X1为光照强度，X2为船舶的速度，X3为船舶在X坐标轴上的加速度，X4为船舶在Y坐标轴上的加速度，X5为船舶在Z坐标轴上的加速度，X6为船舶的位置坐标，X7为磁力仪测得的磁性，X8为船舶室内环境温度，X9为船舶室内大气压；Yj为降维后的CSI矩阵的第j个主成分在特征子空间上的投影，j＝1，2； 分别为Xi、Yj的数学期望； 分别为Xi、Yj的标准差；
[0155] B3、选择皮尔森相关系数最高的船舶运动数据作为船舶运动特征数据，用矩阵I表示；
[0156] C、将船舶运动特征数据输入到卷积自编码器得到船舶运动描述符；参见图2，具体包括以下步骤：
[0157] C1、将矩阵I输入到编码卷积层：
[0158]
[0159] 其中，hc为编码卷积层的输出；σc(x)＝max(0，x)为ReLU激活函数，x为自变量，x＝I*Wc+bc；Wc为编码卷积层权值矩阵；bc为编码卷积层误差；
[0160] C2、将编码卷积层的输出hc输入到池化层，乘以一个1×np维的向量进行下采样，得到池化层的输出hm，即对hc中每hp个相邻样本，取其中最大的样本来代表，这样可以在保留数据信息量的同时降低维数，并且防止过拟合；
[0161] C3、对池化层的输出hm，通过如下公式映射到隐含层：
[0162]
[0163] 其中，hv为隐含层的输出；σd(x)为激活函数，x＝hm*Wd+bd；Wd为隐含层权值矩阵；bd为隐含层误差；
[0164] C4、将隐含层的输出hv输入到向上采样层，通过如下变换：
[0165]
[0166] 其中，yd为向上采样层的输出， 为Wd的逆矩阵，ad为向上采样层误差；
[0167] C5、将向上采样层的输出yd输入到解码卷积层，得到重构矩阵y：
[0168]
[0169] 其中， 为We的逆矩阵，ac为解码卷积层误差；
[0170] C6、通过构建重构矩阵y和输入矩阵I的均方误差函数，来训练卷积自编码器，求得卷积自编码器的权值矩阵We，Wd：
[0171]
[0172] 其中，n为训练卷积自编码器用的样本数量；
[0173] 则船舶运动描述符表示为：
[0174] v＝CAEWc，Wd (I)；
[0175] D、设计一个基于无监督学习的指纹漫游模型，参见图3，具体包括以下步骤：
[0176] D1、利用深度学习嵌入方法对t-1时刻的CSI矩阵进行特征嵌入，得到嵌入CSI矩阵；具体包括以下步骤：
[0177] 先利用快速傅里叶逆变换将CSI矩阵H从频域转换为时域，再将CSI矩阵H嵌入到稀疏空间，然后输出嵌入CSI矩阵HS：
[0178] HS＝WeH；
[0179] 其中，We为嵌入层的系数矩阵；
[0180] D2、将船舶运动描述符和嵌入CSI矩阵一起输入到一个基于LSTM的指纹迁移模型，得到迁移CSI序列；
[0181] 将船舶运动描述符和嵌入CSI矩阵HS输入基于LSTM的指纹迁移模型，得到迁移CSI序列Hg：
[0182]
[0183] 其中，θ为指纹迁移模型参数；vs，g＝(vs，vg)为船舶运动描述符，包括t-1时刻的船舶运动描述符vs和t时刻的船舶运动描述符vg；
[0184] 利用链式法建立迁移CSI序列Hg的联合概率模型：
[0185]
[0186] 其中，DT为滑动窗口的长度，即每次用来计算的样本数量；i为第i个滑动窗口；
[0187] 利用LSTM来估计序列
[0188]
[0189] 其中，ht为t时刻的隐含状态，ht-1为t-1时刻的隐含状态，t-1时刻隐含状态的初始值为vg；Ct为t时刻的单元状态，Ct-1为t-1时刻的单元状态，t-1时刻单元状态的初始值为vs；i为输入门，决定是否读入下一个输入 f为遗忘门，决定是否忘记之前的状态Ct-1；O为输出门；σL为sigmoid激活函数；tanh为隐含状态的正切函数值； 为
t＝0，1，2...，i-1； 表示数组元素依次相乘；WL为LSTM的权值矩阵；g为一个变量；
[0190] D3、将迁移CSI序列重构回CSI矩阵形式，得到离线迁移CSI矩阵；
[0191] 由于步骤D1中通过CSI嵌入将CSI矩阵映射到了高维稀疏空间，故通过基于LSTM的指纹迁移模型得到的迁移CSI序列需要重构回原CSI矩阵的形式，通过如下公式将迁移CSI序列重构回CSI矩阵形式：
[0192]
[0193] 其中， 为离线迁移CSI矩阵，Wr为重构层的系数矩阵；
[0194] E、利用深度学习策略来训练指纹漫游模型，以得到其中的参数；
[0195] 利用深度学习策略来训练指纹漫游模型，建立如下损失函数：
[0196]
[0197] 其中，Flt为t时刻的离线CSI指纹数据，Flt＝(H1，H2...Hn；l)；Flt-1为t-1时刻的离线CSI指纹数据，Flt-1＝(H1，H2...Hn；l)；Xt为t时刻的离线船舶运动数据；Xt-1为t-1时刻的离线船舶运动数据；l为离线CSI矩阵H的标签；CSI指纹数据中l为CSI矩阵H的标签，试验中取l＝9，即9个位置，取n＝100，即每个位置取100个CSI矩阵；
[0198] 通过使损失函数Loss最小，学习得到嵌入层的系数矩阵We和重构层的系数矩阵Wr，用以后续位置匹配；
[0199] F、先将采集的在线船舶运动数据X′和在线CSI数据H′依次经步骤B、步骤C、步骤D处理，得到在线迁移CSI矩阵 即指纹库 再利用RBF扩展的支持向量机算法进行分类，看实时CSI矩阵属于哪个位置l，然后进行位置匹配得到用户实时位置。
[0200] 参见图4，本设计所提的室内定位方法与Pilot(基于WiFi的指纹室内定位系统，在进行指纹匹配时，是把在线实测指纹与指纹库中的所有指纹进行指纹匹配)、LiFs(通过在室内预先部署多个参考点，将参考点上各无线
访问接入点的WiFi信号的RSS平均值保存下来，建立指纹
数据库，当用户发送定位
请求和其他当前的指纹信息后，LiFs会在指纹数据库中找出它认为的最佳匹配，然后依此计算并返回最终定位)、SpotFi(设备以不同WiFi接入点的信号强度为指示，测定它们的距离，然后利用这些WiFi接入点的已知位置数据，测定自身的位置)、AutoFi(参考论文《Taming the Inconsistency of Wi-Fi Fingerprints for Device-Free Passive Indoor Localization》，该论文提出了AutoFi定位方法，并对其进行了详细论述)室内定位方法相比，在精准度方面有较大的提高。
