基于KDDA和SFLA-LSSVR算法的WLAN室內(nèi)定位算法

張 勇 李飛騰 王昱潔

1(合肥工業(yè)大學(xué)計(jì)算機(jī)與信息學(xué)院 合肥 230009)2 (蕪湖創(chuàng)業(yè)園留學(xué)人員博士后科研工作站 安徽蕪湖 241000) (hfgdwhb@163.com)

基于KDDA和SFLA-LSSVR算法的WLAN室內(nèi)定位算法

張 勇1,2李飛騰1王昱潔1

1(合肥工業(yè)大學(xué)計(jì)算機(jī)與信息學(xué)院 合肥 230009)2(蕪湖創(chuàng)業(yè)園留學(xué)人員博士后科研工作站 安徽蕪湖 241000) (hfgdwhb@163.com)

針對(duì)接收信號(hào)強(qiáng)度(received signal strength, RSS)的時(shí)變性降低WLAN室內(nèi)定位精度的問題，提出了一種基于核直接判別分析(kernel direct discriminant analysis, KDDA)和混洗蛙跳最小二乘支持向量回歸機(jī)(SFLA-LSSVR)的定位算法,該算法通過核函數(shù)策略將采集的各接入點(diǎn)(access point, AP)的RSS信號(hào)映射到非線性領(lǐng)域，有效提取了非線性定位特征，重組定位信息，去除冗余定位特征和噪聲；然后采用LSSVR算法構(gòu)建指紋點(diǎn)定位特征數(shù)據(jù)與物理位置的映射關(guān)系模型，采用SFLA算法優(yōu)化該關(guān)系模型的參數(shù)，并用該關(guān)系模型對(duì)測(cè)試點(diǎn)的位置進(jìn)行回歸預(yù)測(cè).實(shí)驗(yàn)結(jié)果表明:提出算法在相同的采樣次數(shù)下的定位精度明顯優(yōu)于WKNN,ANN,LSSVR算法，并且在相同的定位精度下，采樣次數(shù)較大減少，是一種性能良好的WLAN室內(nèi)定位算法.

接收信號(hào)強(qiáng)度;無線局域網(wǎng);室內(nèi)定位;核直接判別分析;混洗蛙跳算法;最小二乘支持向量回歸機(jī)

隨著智能手機(jī)的普及以及移動(dòng)互聯(lián)網(wǎng)的發(fā)展，室內(nèi)位置服務(wù)越來越受到重視，尤其在復(fù)雜的室內(nèi)環(huán)境，如機(jī)場(chǎng)大廳、醫(yī)院、地鐵站、地下停車場(chǎng)等環(huán)境中，常常需要確定用戶在室內(nèi)環(huán)境的位置信息[1].在室內(nèi)環(huán)境中，基于接收信號(hào)強(qiáng)度(received signal strength, RSS)的無線局域網(wǎng)(wireless local area network, WLAN)室內(nèi)定位技術(shù)[2]要比北斗、GPS、蜂窩網(wǎng)等定位技術(shù)的定位精度更高一些.該定位系統(tǒng)熱點(diǎn)廉價(jià)、部署容易、無需專門的硬件、接入方便，其帶寬高、穿透力強(qiáng)、覆蓋范圍廣，因此得到了廣泛的關(guān)注.

WLAN室內(nèi)定位主要方法有定位感知、幾何測(cè)量、場(chǎng)景分析等[3].場(chǎng)景分析法包括指紋識(shí)別法和信號(hào)傳播模型法.指紋識(shí)別法由于其算法靈活、定位相對(duì)準(zhǔn)確，成為了研究的熱門方向.

位置指紋定位算法[4]分為2個(gè)方面：1)離線階段無線電地圖(radio map)的建立方法；2)在線階段匹配radio map實(shí)現(xiàn)定位的方法.其中匹配定位算法主要有加權(quán)K鄰居(weightedk-nearest neighbors, WKNN)算法、人工神經(jīng)網(wǎng)絡(luò)(artificial neural network, ANN)算法[5]、概率法以及支持向量機(jī)(support vector machine, SVM)算法等.WKNN算法[6]找出多個(gè)測(cè)試點(diǎn)RSS和指紋點(diǎn)RSS有著最小距離的指紋點(diǎn)，然后根據(jù)距離的大小加權(quán)，將指紋點(diǎn)坐標(biāo)的加權(quán)值作為測(cè)試點(diǎn)的坐標(biāo)；WKNN算法簡(jiǎn)單且容易實(shí)現(xiàn)，但是由于其只是考慮到單一的測(cè)試點(diǎn)和指紋點(diǎn)之間的關(guān)系，而忽略了不同指紋點(diǎn)之間的RSS更深層次的關(guān)系，因此定位精度不高.文獻(xiàn)[7]提出一種基于BP神經(jīng)網(wǎng)絡(luò)定位的模型，由于BP神經(jīng)網(wǎng)絡(luò)本質(zhì)上是梯度下降法且是一種局部搜索的優(yōu)化方法，因此收斂速度慢且容易陷入局部最優(yōu).文獻(xiàn)[8]提出采用SVR構(gòu)建接收信號(hào)強(qiáng)度與物理位置的非線性映射關(guān)系，使得定位精度有所提高，但其受RSS的時(shí)變性影響較大.radio map的建立方法主要是RSS特征值法.

在WLAN室內(nèi)定位環(huán)境中，多徑效應(yīng)和人員走動(dòng)造成信號(hào)受到不規(guī)律干擾，陰影效應(yīng)造成信號(hào)損耗,以上這幾種影響使得在相同位置接收到各個(gè)接入點(diǎn)(access point, AP)的RSS值具有復(fù)雜的時(shí)變統(tǒng)計(jì)特性，從而降低了室內(nèi)定位的精度.在建立radio map過程中，如果直接采用各個(gè)AP的RSS值作為輸入的定位特征值，那么RSS信號(hào)的時(shí)變性、不同AP之間的相關(guān)性，以及判別能力弱的AP的RSS值將會(huì)受采集設(shè)備硬件所產(chǎn)生的噪聲和外界環(huán)境影響所產(chǎn)生的噪聲的影響比較大，以上3個(gè)因素對(duì)室內(nèi)定位的精度影響較大.針對(duì)這個(gè)問題，本文提出應(yīng)用基于核直接判別分析[9-10](kernel direct discriminant analysis, KDDA)變換將采集各個(gè)AP的原始RSS信號(hào)映射到高維非線性空間，挖掘非線性定位特征，提取主要定位特征.在在線匹配定位過程中，由于SVM在統(tǒng)計(jì)樣本量較少的情況下也能獲得良好的統(tǒng)計(jì)規(guī)律；混洗蛙跳算法[11](shuffled frog leaping algorithm, SFLA)因其容易實(shí)現(xiàn)和更強(qiáng)的全局優(yōu)化能力的特點(diǎn)而被廣泛應(yīng)用于多元函數(shù)優(yōu)化、帶約束優(yōu)化問題等.本文提出應(yīng)用基于混洗蛙跳算法優(yōu)化的最小二乘支持向量回歸機(jī)(SFLA-LSSVR)，首先使用最小二乘支持向量回歸機(jī)[12-14](least square support vector regression, LSSVR)來建立radio map與其對(duì)應(yīng)位置坐標(biāo)的非線性關(guān)系；其次，通過SFLA算法對(duì)LSSVR進(jìn)行參數(shù)優(yōu)化；最后，以優(yōu)化后的關(guān)系對(duì)測(cè)試點(diǎn)的位置進(jìn)行回歸預(yù)測(cè).通過實(shí)驗(yàn)對(duì)比驗(yàn)證了KDDA提取非線性定位特征的有效性及SFLA-LSSVR的參數(shù)優(yōu)化和建立回歸方程的優(yōu)勢(shì).同時(shí)通過與LSSVR,WKNN,ANN,KDDA-LSSVR算法的實(shí)驗(yàn)結(jié)果對(duì)比，表明了該算法具有較高的定位精度.

1 KDDA-SFLA-LSSVR算法

指紋識(shí)別算法是通過觀察者在場(chǎng)景中各個(gè)指紋點(diǎn)和測(cè)試點(diǎn)上測(cè)得來自各AP的信號(hào)強(qiáng)度值，然后將測(cè)試點(diǎn)的信號(hào)強(qiáng)度值和指紋點(diǎn)的信號(hào)強(qiáng)度值進(jìn)行匹配，預(yù)測(cè)出測(cè)試點(diǎn)的位置信息.指紋識(shí)別算法分為2個(gè)部分：離線階段和在線階段.

1) 離線階段.在場(chǎng)景中選定指紋點(diǎn)，然后采集各個(gè)指紋點(diǎn)上的RSS值，通過KDDA變換提取原始RSS樣本的定位特征值；將定位特征和相應(yīng)的指紋點(diǎn)位置為輸入樣本對(duì)，采用SFLA算法來優(yōu)化LSSVR算法的參數(shù)，完成LSSVR的學(xué)習(xí)訓(xùn)練過程，得出定位特征和物理位置的最小二乘支持向量回歸函數(shù).

2) 在線階段，在場(chǎng)景中選定測(cè)試點(diǎn)，將采集到的測(cè)試點(diǎn)RSS值通過KDDA變換，輸入構(gòu)建好的最小二乘支持向量回歸函數(shù)中，估計(jì)出測(cè)試點(diǎn)的實(shí)際位置.該定位算法的流程如圖1所示：

Fig. 1 KDDA-SFLA-LSSVR localization algorithm process圖1 KDDA-SFLA-LSSVR定位算法流程

1.1 KDDA變換原理

KDDA變換基本原理：通過建立從輸入空間到隱式的高維特征空間的非線性映射，使得在輸入空間非線性和復(fù)雜的分布模型在高維特征空間變得線性可分和簡(jiǎn)單化，再應(yīng)用常規(guī)的Fisher線性判別分析[15](linear discriminant analysis, LDA)提取有效的非線性定位特征.

設(shè)RSS樣本集為Zij∈N，定位環(huán)境中參考點(diǎn)的數(shù)目為C，每個(gè)樣本采集各AP的RSS值的次數(shù)為Ci，RSS樣本總數(shù)為表示使用AP的個(gè)數(shù)，Zij表示在第i個(gè)參考點(diǎn)上第j次采集各AP的RSS值，其中i=1,2,…,C，j=1,2,…,Ci.

將原始的RSS信號(hào)映射到高維非線性空間：Zij∈N→φ(Zij)∈F.特征空間F中的類間、類內(nèi)散度矩陣分別為

KDDA變換的優(yōu)化目標(biāo)是在F中找出最具判別力的M維基向量Ψ：

滿足式(3)的最具判別力基向量Ψ所提取的原始RSS樣本的定位特征具有類間離散度最大化、類內(nèi)離散度最小化，因此KDDA變換能最大程度上的區(qū)分不同參考點(diǎn)從而有效地判別定位.

KDDA變換首先計(jì)算出SBTW的特征值和相應(yīng)的特征向量，分別設(shè)為λi和ei，然后選取m個(gè)最大的特征值及其對(duì)應(yīng)的特征向量，m≤C-1.令：

E=(e1,e2,…,em)V=(v1,v2,…,vm)=ΦbE，

UTSBTWU=I.

計(jì)算出UTSWTHU的特征值和特征向量，分別記為λi和pi，其中i=1,2,…,m;然后選取最小的M(≤m)個(gè)特征值及其所對(duì)應(yīng)的特征向量，分別記為

Λw=diag(λ1,λ2,…,λM)，

P=(p1,p2,…,pM).

設(shè)矩陣Q=UP可以得到：

QTSWIHQ=ΛW，

那么最優(yōu)判別基向量可以表示為

因此RSS樣本集Zij在最優(yōu)判別基上的投影系數(shù)為

YZ=ΨT·φ(Z)=Θ·γ(φ(Z))，

其中,γ(φ(Z))為RSS樣本集Zij∈N的核矩陣：

Θ是一個(gè)M×L的變換矩陣：

1.2 SFLA-LSSVR算法

由式(11)得出通過KDDA變換分別得到新的指紋點(diǎn)定位特征樣本集Z′=Yzi∈M和新的測(cè)試點(diǎn)定位特征測(cè)試集T′=Ycj∈M；與其相對(duì)應(yīng)的物理坐標(biāo)分別為LPi=(xpi,ypi)和LQj=(xqj,yqj)，其中i=1,2,…,L，j=1,2,…,Qc，L為指紋點(diǎn)的總個(gè)數(shù)，Qc為測(cè)試點(diǎn)的總個(gè)數(shù).LSSVR是支持向量回歸機(jī)(support vector regression, SVR)的改進(jìn)，很好地解決了小樣本、非線性、高維數(shù)的問題，提高了求解速度和泛化能力.依據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)化最小原則，LSSVR優(yōu)化問題如下：

s.t.yi=ωTΦ(Z′)+b+ηi,

其中，i=1,2,…,L，ω為權(quán)系數(shù)，b為偏置，C為懲罰參數(shù)，ηi為誤差，Φ(·)為輸入空間到特征空間的映射.

可采用拉格朗日函數(shù)求解式(14)(15)：

其中，α=(a1,a2,…,ap)T，αi是拉格朗日乘子.

LSSVR使用的是參數(shù)相對(duì)少、適應(yīng)能力較強(qiáng)的徑向基核函數(shù)：

因此得出位置坐標(biāo)和RSS值的回歸函數(shù)分別是：

核寬度δ和懲罰參數(shù)C是LSSVR算法重要的2個(gè)參數(shù)，它們的選取直接影響著該算法的學(xué)習(xí)能力和泛化能力.

SFLA有著良好的全局優(yōu)化能力，并且參數(shù)設(shè)置比較簡(jiǎn)單，可以對(duì)LSSVR模型的(C,δ)的參數(shù)組合進(jìn)行優(yōu)化；因而采用SFLA和LSSVR的混合算法來計(jì)算最小二乘支持向量回歸函數(shù).

使用SFLA-LSSVR算法回歸預(yù)測(cè)步驟如下：

步驟1. 初始化種群，種群的數(shù)目F=M×N，M表示整個(gè)種群被分成子種群的個(gè)數(shù)，N表示每個(gè)子種群青蛙的個(gè)數(shù)，每個(gè)子種群最大迭代次數(shù)Nmax，在C∈[Cmin,Cmax]和δ∈[δmin,δmax]的范圍中隨機(jī)給每只青蛙一組參數(shù)序列(C,δ).

步驟2. 將整個(gè)種群中的F只青蛙按照指定的適應(yīng)度的降序排序，適應(yīng)度計(jì)算：

fit=1(1+E)，

步驟3. 將整個(gè)種群分成M組：Y1,Y2,…,YM，每組有N只青蛙，第1只青蛙進(jìn)入Y1，第2只青蛙進(jìn)入Y2，直到第M只青蛙進(jìn)入到Y(jié)M，然后再將第M+1只青蛙分入Y1，第M+2只青蛙分入Y2，以此類推，直到所有青蛙分配完畢.

步驟4. 用Pg表示整個(gè)種群中最好位置的青蛙，Pb表示本組位置最好的青蛙，Pw表示本組位置最差的青蛙，每次進(jìn)化中更新最差位置的青蛙：

蛙跳步長更新：

Si=rand()×(Pb-Pw).

位置更新：

Pw(k+1)=Pw(k)+Si，

其中，Smax≥Si≥-Smax，rand()∈[0,1]，k=1,2,…,N，Smax是允許青蛙移動(dòng)的最大距離.如果計(jì)算后新的解較優(yōu)，則用其替代最差個(gè)體，否則用Pg代替Pb重復(fù)上過程，如果還不能生成更好的青蛙，就隨機(jī)生成一個(gè)新的位置的青蛙取代原來最壞的青蛙Pw.

步驟5. 將青蛙混合，重新按照適應(yīng)度的值降序排序，并且及時(shí)更新Pg.每個(gè)子種群執(zhí)行著自身的局部搜索策略，直到子群體進(jìn)化到一定階段后，再將所有青蛙混合來實(shí)現(xiàn)各子種群之間的全局交換，全局交換和局部深度搜索的平衡策略使得該算法能夠跳出局部極值點(diǎn)，向著全局最優(yōu)的方向進(jìn)行.

步驟6. 達(dá)到最大迭代次數(shù)Nmax時(shí)，停止迭代，輸出(C,δ)最優(yōu)參數(shù)組合，轉(zhuǎn)入步驟7；否則跳轉(zhuǎn)至步驟3.

步驟7. 用優(yōu)化得到(C,δ)構(gòu)建最小二乘支持向量回歸函數(shù)，將T′輸入到回歸函數(shù)中，得出測(cè)試點(diǎn)的估計(jì)物理位置.

2 實(shí)驗(yàn)結(jié)果與分析

2.1 實(shí)驗(yàn)條件

實(shí)驗(yàn)環(huán)境如圖2所示，該室內(nèi)定位環(huán)境是在合肥工業(yè)大學(xué)逸夫樓6樓，定位區(qū)域包括辦公室、過道，辦公室內(nèi)有辦公桌椅、書柜等物品，墻的材料是混凝土，鋁合金窗戶和金屬門，其中辦公室為定位區(qū)域A，過道為定位區(qū)域B.實(shí)驗(yàn)選用6個(gè)型號(hào)為DWL-2414N的AP，固定高度為2 m，使用三星GT-N5110的平板電腦采集各AP的RSS值，采集位置離地高度是1.2 m.實(shí)驗(yàn)選取了25個(gè)指紋點(diǎn)和30個(gè)測(cè)試點(diǎn)，其中A區(qū)域選取9個(gè)指紋點(diǎn)和10個(gè)測(cè)試點(diǎn)，B區(qū)域選取16個(gè)指紋點(diǎn)和20個(gè)測(cè)試點(diǎn).指紋點(diǎn)的間距是3 m，測(cè)試點(diǎn)位置是隨機(jī)選取.每個(gè)位置采集200個(gè)樣本，每秒2個(gè)樣本.

Fig. 2 Experimental environment of WLAN indoor positioning圖2 WLAN 室內(nèi)定位實(shí)驗(yàn)環(huán)境

定義第i個(gè)測(cè)試點(diǎn)的定位誤差erri和平均定位誤差A(yù)verErr：

2.2 實(shí)驗(yàn)結(jié)果分析

為了驗(yàn)證KDDA-SFLA-LSSVR算法的有效性，實(shí)驗(yàn)對(duì)比了WKNN算法、ANN算法、LSSVR算法和KDDA-LSSVR算法.KDDA算法中m表示保留類間散度矩陣最大特征值所對(duì)應(yīng)的特征向量的個(gè)數(shù)，M表示保留類內(nèi)散度矩陣最小特征值所對(duì)應(yīng)的特征向量的個(gè)數(shù)，通過多次試驗(yàn)在50次、100次、150次、200次采樣樣本時(shí)最優(yōu)參數(shù)組合m和M的取值分別是：7，4；8，5；9，5；10，8.SFLA算法種群數(shù)目為1000，子種群數(shù)為100，迭代次數(shù)為6，Cmin，Cmax，δmin，δmax分別為0.01，1000，0.01，1000.KDDA算法和LSSVR都是選擇高斯核函數(shù)；WKNN算法的近鄰數(shù)K為3；ANN算法隱藏層神經(jīng)元數(shù)為20的6-20-2的3層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu).

圖3所示是在KDDA變換中參數(shù)m和M的變化對(duì)KDDA-LSSVR算法平均定位誤差的影響，實(shí)驗(yàn)使用了100個(gè)樣本.隨著m的增大，最優(yōu)平均定位誤差分別是2.285 m，2.122 m，1.989 m，1.913 m，2.062 m，其中m=8且M=5時(shí)，平均定位誤差最小.隨著m的變大，所獲得的類間離散度信息變大，定位特征的判別力變大，平均定位誤差減小；當(dāng)m=8且M=5時(shí)到達(dá)拐點(diǎn)，此時(shí)平均定位誤差最小；當(dāng)m繼續(xù)變大時(shí)，所加入的定位特征判別能力弱，且引入了采集設(shè)備硬件所產(chǎn)生的噪聲、外界環(huán)境影響所產(chǎn)生的噪聲等，導(dǎo)致平均定位誤差變大.

Fig. 3 The influence of parameters m and M on the average positioning error 圖3 參數(shù)m和M對(duì)平均定位誤差的影響

圖4所示的是使用SFLA優(yōu)化算法平均定位誤差的對(duì)比，對(duì)于由KDDA提取出的有效的定位特征通過LSSVR構(gòu)建定位特征和物理位置的映射關(guān)系的過程，SFLA有著良好的全局優(yōu)化LSSVR算法的核寬度參數(shù)δ和懲罰參數(shù)C的能力，使得LSSSVR有著更好的學(xué)習(xí)能力和泛化能力，在采樣次數(shù)為50，100，150，200次時(shí)，KDDA-LSSVR比KDDA-SFLA-LSSVR平均定位誤差分別高出11.03%，8.98%，7.61%，3.05%，結(jié)果表明使用SFLA優(yōu)化算法對(duì)KDDA-LSSVR算法的定位精度有著較大的提高.

Fig. 4 The average positioning error comparison for the use of SFLA optimization algorithm圖4 使用SFLA算法優(yōu)化算法平均定位誤差的對(duì)比

圖5所示的是在不同的采樣次數(shù)下4種定位算法平均定位誤差的對(duì)比.LSSVR算法平均定位精度要比WKNN和ANN算法高.WKNN算法沒有充分利用到RSS的統(tǒng)計(jì)特性，平均定位誤差最大；ANN算法利用到了RSS的統(tǒng)計(jì)特性，但是容易陷入局部最優(yōu)，平均定位精度要高于WKNN算法；LSSVR算法相對(duì)于ANN算法有著更快的求解速度和更好的泛化能力，因此以上3種算法中LSSVR算法平均定位精度最高.KDDA-SFLA-LSSVR算法定位精度明顯高于上面3種算法，在采樣次數(shù)為50次時(shí)，KDDA-SFLA-LSSVR算法平均定位誤差為1.985 m，小于上面3種算法在采樣次數(shù)200次時(shí)的平均定位誤差，它們分別是2.120 m，2.099 m，2.053 m，因而使用KDDA-SFLA-LSSVR算法能夠較大減少樣本的采樣次數(shù).KDDA算法對(duì)原始RSS信號(hào)進(jìn)行了有效的定位特征挖掘和提取，SFLA算法優(yōu)化LSSVR參數(shù)，使得KDDA-SFLA-LSSVR算法平均定位精度明顯要高于WKNN，ANN，LSSVR算法.

Fig. 5 The average positioning error comparison under four kinds of positioning algorithms圖5 4種定位算法平均定位誤差的對(duì)比

Fig. 6 The positioning error’s cumulative distribution probability under four kinds of positioning algorithms圖6 4種定位算法定位誤差累計(jì)概率分布對(duì)比

圖6所示的是在RSS信號(hào)采樣次數(shù)為150次時(shí)，4種定位算法定位誤差累計(jì)概率分布曲線圖.當(dāng)定位誤差小于等于2 m時(shí)，KDDA-SFLA-LSSVR算法累計(jì)概率是73.33%，WKNN，ANN，LSSVR算法的累計(jì)概率分別是43.33%，46.67%，60.00%，當(dāng)累計(jì)概率為50%時(shí)，KDDA-SFLA-LSSVR，LSSVR，ANN，WKNN算法定位誤差值分別為1.28 m，1.71 m，2.07 m，2.16 m，從統(tǒng)計(jì)學(xué)概率分布可以得出相比于其他3種算法，KDDA-SFLA-LSSVR算法有著更高的定位精度.

3 結(jié)束語

針對(duì)RSS的時(shí)變性影響WLAN室內(nèi)定位精度的問題，本文提出了一種基于KDDA和SFLA-LSSVR結(jié)合的WLAN室內(nèi)定位算法.一方面從理論分析說明了該算法的可行性，首先將原始的RSS信號(hào)通過KDDA算法映射到高維的非線性空間，挖掘出非線性定位特征，使得各樣本點(diǎn)之間離散度最大、樣本點(diǎn)內(nèi)部之間的離散度最小，去除冗余定位特征和噪聲;然后將提取出的定位特征和物理坐標(biāo)作為輸入樣本對(duì)輸入到LSSVR算法中來建立定位特征和物理位置的最小二乘支持向量回歸函數(shù)，通過SFLA算法優(yōu)化LSSVR算法的核寬度參數(shù)δ和懲罰參數(shù)C;最后將測(cè)試點(diǎn)RSS信號(hào)經(jīng)KDDA變換后輸入回歸函數(shù)，得到測(cè)試點(diǎn)估計(jì)位置.另一方面通過實(shí)驗(yàn)對(duì)比可以看出KDDA-SFLA-LSSVR算法在相同的采樣次數(shù)情況下的定位精度明顯高于WKNN，ANN，LSSVR算法，在定位精度相同的情況下能較大減少采樣樣本數(shù)，是一種性能良好的WLAN室內(nèi)定位方法.

[1]Yang Yinggu, Lo A, Niemegeers I. A survey of indoor positioning systems for wireless personal networks [J]. IEEE Communications Surveys & Tutorials, 2009, 11(1): 13-32

[2]Zhang Minghua, Zhang Shensheng, Cao Jian. Indoor location based on signal strength in wireless local area network [J]. Computer Science, 2007, 34(6): 68-75 (in Chinese)(張明華, 張申生, 曹健. 無線局域網(wǎng)中基于信號(hào)強(qiáng)度的室內(nèi)定位[J]. 計(jì)算機(jī)科學(xué), 2007, 34(6): 68-75)

[3]Du Feng, Tian Shiwei, Li Guangxia. WLAN positioning review[C/CD/OL] //Proc of the 5th China Satellite Navigation Conf. Beijing: CNKI, 2014 [2016-01-01]. http://www.docin.com/p-1412405289.html (in Chinese) (杜峰, 田世偉, 李廣俠. WLAN定位綜述[C/CD/OL]. //第5屆中國衛(wèi)星導(dǎo)航學(xué)術(shù)年會(huì)論文集. 北京: 中國知網(wǎng), 2014 [2016-01-01]. http://www.docin.com/p-1412405289.html)

[4]Liu Jianglong, Wan Yihe, Xu Baogen, et al. A novel indoor positioning method based on location fingerprinting [C] //Proc of the 9th Int Conf on Communications, Circuits and Systems (ICCCAS). Piscataway, NJ: IEEE, 2013: 239-242

[5]Borenovic M, Neskovic A. ANN based models for positioning in indoor WLAN environments [C] //Proc of the 19th Telecommunications Forum. Piscataway, NJ: IEEE, 2011: 305-312

[6]Zhang Guowei, Xu Zhan, Liu Dan. Research and improvement on indoor localization based on RSSI fingerprint database and K-nearest neighbor points [C] //Proc of the 9th Int Conf on Communications, Circuits and Systems (ICCCAS). Piscataway, NJ: IEEE, 2013: 68-71

[7]Li Ying, Hu Zhigang. An indoor location model based on BP neural network [J]. Computer Technology and Automation, 2007, 26(2): 78-80 (in Chinese)(李瑛, 胡志剛. 一種基于BP神經(jīng)網(wǎng)絡(luò)的室內(nèi)定位模型 [J]. 計(jì)算機(jī)技術(shù)與自動(dòng)化, 2007, 26(2): 78-80)

[8]Deng Zhian, Xu Yubing. A support vector regression algorithm for indoor positioning in wireless local area network [J]. Chinese Journal of Scientific Instrument, 2009, 30(6): 578-582 (in Chinese)(鄧志安, 徐玉濱. 基于支持向量機(jī)回歸算法的WLAN室內(nèi)定位系統(tǒng)[J]. 儀器儀表學(xué)報(bào), 2009, 30(6): 578-582)

[9]Lu J W, Plataniotis K N, Venetsanopoulos A N. Face recognition using kernel direct discriminant analysis algorithms [J]. IEEE Trans on Neural Networks, 2003, 14(1): 117-126

[10]Guo Jinyu, Li Yuan, Kong Xiaoguang, et al. Palm print identification based on local projection and kernel direct discriminant analysis [J]. Journal of Optoelectronics Laser, 2011, 22(1): 128-130 (in Chinese)(郭金玉, 李元, 孔曉光, 等. 基于局部保持投影和核直接判別分析的掌紋識(shí)別 [J]. 光電子激光, 2011, 22(1): 128-130)

[11]Hasanien H M. Shuffled frog leaping algorithm-based static synchronous compensator for transient stability improvement of a grid-connected wind farm [J]. IET Renewable Power Generation, 2014, 8(6): 722-730

[12]Mustafa M W, Sulaiman M H, Shareefh H, et al. Reactive power tracing in pool-based power system utilising the hybrid genetic algorithm and least squares support vector machine [J]. IET Generation, Transmission & Distribution, 2012, 6(2): 133-141

[13]Issac N S, Palanisamy P, Zhang W J, et al. Log-gabor wavelets based breast carcinoma classification using least square support vector machine [C] //Proc of the 4th IEEE Int Conf on Imaging Systems and Techniques (IST). Piscataway, NJ: IEEE, 2011: 219-223

[14]Suykens J A K, Gestel T V, Brabanter J D, et al. Least Square Support Vector Machines [M]. River Edge, NJ: World Scientific Publishing, 2002: 71-111

[15]Lu J W, Plataniotis K N, Venetsanopoulos A N. Face recognition using LDA-based algorithms[J]. IEEE Trans on Neural Networks, 2003, 14(1): 192-200

Indoor Positioning Algorithm for WLAN Based on KDDA and SFLA-LSSVR

Zhang Yong1,2, Li Feiteng1, and Wang Yujie1

1(School of Computer and Information, Hefei University of Technology, Hefei 230009)2(Post-Doctoral Research Center of Wuhu Overseas Student Pioneer Park, Wuhu, Anhui 241000)

The time-varying received signal strength (RSS) degrades the indoor positioning accuracy in wireless local area network (WLAN). A novel indoor positioning algorithm based on kernel direct discriminant analysis (KDDA) and shuffled frog leaping algorithm and least square support vector regression (SFLA-LSSVR) is proposed to address the problem. Firstly the proposed algorithm employs kernel function strategy to map RSS signal to the field of nonlinear, which is sampled from each access point (AP), and extracts nonlinear features effectively, and reconstructs the positioning information, and discards the redundant positioning features and noise. Secondly, LSSVR algorithm is employed to build the mapping relation model between positioning features and physical locations, and SFLA is employed to optimize the parameters of the relation model, and then test points’ locations are predicted by using the relation model. Experimental results show that the positioning accuracy of the proposed algorithm is much superior to WKNN, ANN, LSSVR algorithm under the condition of the same sampling numbers, and the number of RSS signal which is sampled from each AP is significantly reduced in the same positioning accuracy, and the proposed algorithm is a WLAN indoor positioning algorithm with good performance.

received signal strength (RSS); wireless local area network (WLAN); indoor positioning; kernel direct discriminant analysis (KDDA); shuffled frog leaping algorithm (SFLA); least square support vector regression (LSSVR)

Zhang Yong, born in 1973. Postdoctoral, associate professor. His main research interests include intelligent information processing, WLAN indoor positioning.

Li Feiteng, born in 1991. Master candidate. His main research interests include intelligent information processing, WLAN indoor positioning, pattern recognition.

Wang Yujie, born in 1980. PhD, lecturer. Her main research interests include intelligent information processing, pattern recognition.

2016-01-13；

2016-04-13

國家科技支撐計(jì)劃項(xiàng)目(2013BAH52F01) This work was supported by the National Key Technology Research & Development Program of China (2013BAH52F01).

李飛騰(18205697955@163.com)

TP393.17