申请/专利权人：安徽理工大学

申请日：2022-03-22

公开（公告）日：2024-04-26

公开（公告）号：CN114679779B

主分类号：H04W64/00

分类号：H04W64/00;H04W4/02;G06F18/2135;G06F18/214;G06F18/243;G06F18/2413;G06F18/25;G06N5/01;G06N20/00

优先权：

专利状态码：有效-授权

法律状态：2024.04.26#授权;2022.07.15#实质审查的生效;2022.06.28#公开

摘要：在室内环境下的定位一直存在很多问题未被解决。由于信号的严重衰减和多径效应，通用的室外定位系统如GPS并不能在室内环境下有效的工作，同时定位的准确性也是存在的一个问题。在室内场景下，人们更希望得到精确的位置信息，由于室内环境复杂楼层位置的变化导致的定位效果差以及定位服务不精准的问题尤为突出，显然GPS定位系统不能满足室内环境精准定位的需求。凭借着当今网络的广泛使用，以及无线网络的大量普及和自身成本低等优势，基于WIFI信号的定位技术已经成为了室内定位技术的首选。本发明通过采样各个无线AP接入点在室内不同位置RSS信号强度的数据信息，将室内划分为多个小网格作为对应各个位置中的RSS标签，而各个RSS数据信息作为标签对应的属性值，二者组合成一个数据集。通过多个点的采样，经过改进的KNNK最近邻算法联合随机森林算法的融合模型，在获取新的RSS数据时，通过混合模型获取当前位置的标签信息网格位置，达到定位效果。

主权项：1.一种基于改进KNN融合随机森林算法的WIFI定位方法，其特征在于，该方法具体包括如下步骤：步骤1：采集WIFI信号组合，构建数据集；步骤2：对数据进行预处理，使用主成分分析法进行特征提取；特征提取是机器学习中常用的数据处理方式，一般出现在实际搭建模型之前，以达到特征空间维度的变化；步骤3：搭建并训练模型，设置权重；步骤4：改进KNN模型，传统的KNN模型是将所有维度用于计算距离，然而当某一维度有较大差异时会影响整体的判断，为了解决这一问题构造了基于降维的KNN，以三维样本数据X1,X2,X3为例：使用改进KNN计算公式为： 式中：X′1,X′2,X′3为测试数据，d为样本数据与测试数据之间的距离；对于N维特征向量而言，同时对N-1维特征向量进行隶属度计算，由于单个误差数据会影响N-1个计算指标，因此该模型要求有两个相似权重即视为一类；步骤5：融合随机森林算法；改进KNN算法增加了计算成本，其输入样本量应该尽可能的小，为了防止样本量较小导致的模型欠拟合问题，采用改进KNN与随机森林算法联合的模型；随机森林是一种通过多棵决策树进行优化决策的算法；对于特征选取，使用基尼指数增益值ΔGiniA作为决策树选择特征的依据，其公式为：ΔGiniA＝GiniD-GiniAD 式中：选取属性为A，k表示数据集D被分为k个Dj数据集；步骤6：实际数据输入混合分类算法模型得到整合后结果。

全文数据：

权利要求：

百度查询： 安徽理工大学 一种基于改进KNN融合随机森林算法的WIFI定位方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD