基于LS-SVM的位置指纹室内定位

计算机工程与应用 ›› 2016, Vol. 52 ›› Issue (9): 122-125.

基于LS-SVM的位置指纹室内定位

韦燕华，周彦，王冬丽

湘潭大学信息工程学院，湖南湘潭 411105

出版日期:2016-05-01 发布日期:2016-05-16

Location fingerprints based indoor positioning using least squares support vector machines

WEI Yanhua, ZHOU Yan, WANG Dongli

College of Information Engineering, Xiangtan University, Xiangtan, Hunan 411105, China

Online:2016-05-01 Published:2016-05-16

摘要/Abstract

摘要： 基于无线接入点（Access Point，AP）接收信号强度（Received Signal Strength，RSS）的位置指纹室内定位技术近几年已经成为国内外位置感知研究的热点。提出了基于最小二乘支持向量机（Least Squares Support Vector Machines，LS-SVM）的位置指纹定位方法。给出了基于LS-SVM的指纹定位模型，描述了LS-SVM指纹样本训练的具体实现过程。重点在于将定位问题转化为一个多类别分类问题，并分别采用一对一（OAO）和一对多（OAA）方法将其转化为多个二值分类问题。仿真结果表明，LS-SVM较传统支持向量机（SVMs）、K近邻（k-Nearest Neighbors，K-NN）定位方法的分类准确率高且计算代价小，平均分类准确率达92.00%。

关键词: 位置指纹, 最小二乘支持向量, 室内定位

Abstract: Location fingerprints based indoor positioning, which uses wireless AP Received Signal Strength（RSS）, has become a popular research topic during the last a few years. Least Squares Support Vector Machines（LS-SVMs） based fingerprint-positioning is proposed in this paper. First, fingerprint based indoor positioning by LS-SVMs is given. Then, the detailed LS-SVM training process of fingerprinting samples is described. It focuses on how to transfer the positioning problem to a multi-class classification problem, which is handled by One-Against-One（OAO） and One-Against-All（OAA） approach respectively. Simulation results show that the proposed method has higher accuracy（average of 92.00%） and lower computational cost compared with traditional Support Vector Machines（SVMs） and k-Nearest Neighbors（K-NNs）.

Key words: location fingerprints, Least Squares Support Vector Machine（LS-SVM）, indoor positioning

韦燕华，周彦，王冬丽. 基于LS-SVM的位置指纹室内定位[J]. 计算机工程与应用, 2016, 52(9): 122-125.

WEI Yanhua, ZHOU Yan, WANG Dongli. Location fingerprints based indoor positioning using least squares support vector machines[J]. Computer Engineering and Applications, 2016, 52(9): 122-125.

[1]	李中道，刘元盛，常飞翔，张军，路铭. 室内环境下UWB与LiDAR融合定位算法研究[J]. 计算机工程与应用, 2021, 57(6): 260-266.
[2]	於小杰，贺勇，刘盛华. 一种用于无人机室内定位的改进ORB光流算法[J]. 计算机工程与应用, 2021, 57(4): 266-271.
[3]	温廷新，孔祥博. 不平衡样本下的金融市场极端风险预警研究[J]. 计算机工程与应用, 2020, 56(8): 256-260.
[4]	杨锦朋，常俊，余江，李晓薇. 免校准的跨异构设备的室内定位方法[J]. 计算机工程与应用, 2020, 56(2): 248-254.
[5]	郑晨辉，陈璟，张雨婷，薛伟. 融合粒子滤波与蓝牙地标矫正的定位算法[J]. 计算机工程与应用, 2020, 56(13): 273-278.
[6]	胡东海，邵元，陈莹，夏士雄. 基于改进粒子滤波的室内自适应定位算法[J]. 计算机工程与应用, 2019, 55(9): 65-71.
[7]	何伟健，陆江城，朱耀磷，李学聪. RFID旋转天线中的椭圆模型室内定位算法[J]. 计算机工程与应用, 2019, 55(9): 87-93.
[8]	王盛，杨信丰. 基于EEMD-GWO-LSSVM的公共交通短期客流预测[J]. 计算机工程与应用, 2019, 55(20): 216-221.
[9]	陆文星，李楚. 改进PSO算法优化LSSVM模型的短期客流量预测[J]. 计算机工程与应用, 2019, 55(18): 247-255.
[10]	邓辉，罗倩，王岩. 基于IMF能量矩和Bayes-LSSVM的滚动轴承诊断[J]. 计算机工程与应用, 2019, 55(17): 156-161.
[11]	夏宇声，刘凯，张浩，金飞宇，郑林江. 基于多边限定的室内定位方法设计与系统实现[J]. 计算机工程与应用, 2019, 55(11): 250-256.
[12]	薛伟，陈璟，张熠. 基于深度学习的Wi-Fi与iBeacon融合的室内定位方法[J]. 计算机工程与应用, 2019, 55(1): 29-34.
[13]	贾松达1，庞宇松1，2，阎高伟1. 多任务LS-SVM在时间序列预测中的应用[J]. 计算机工程与应用, 2018, 54(3): 233-237.
[14]	周水生，王保军，安亚利. 基于LS-SVM方法求高阶线性ODE近似解[J]. 计算机工程与应用, 2018, 54(23): 51-56.
[15]	杨斌，李灯熬，赵菊敏. 基于区域划分的局部更新指纹定位算法[J]. 计算机工程与应用, 2018, 54(17): 56-61.