基于KELM的位置指纹室内定位方法研究

计算机工程与应用 ›› 2016, Vol. 52 ›› Issue (9): 78-83.

基于KELM的位置指纹室内定位方法研究

郭伯勋，李军

兰州交通大学自动化与电气工程学院，兰州 730070

出版日期:2016-05-01 发布日期:2016-05-16

Kernel extreme learning machine for indoor positioning in location fingerprinting

GUO Boxun, LI Jun

School of Electrical Engineering and Automation, Lanzhou Jiaotong University, Lanzhou 730070, China

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

摘要/Abstract

摘要： 考虑到位置指纹的非线性特性，提出基于核极限学习机（KELM）的位置指纹定位方法。KELM以其快速学习的特点，同时拥有紧密的网络结构，有效解决传统定位算法离线学习时间长和鲁棒性差的问题。通过改变离线数据收集环境，采用不同Wi-Fi接入点作信号源来分析KELM算法的定位性能，实验结果表明，同等条件下与基本ELM、SVM和kNN等位置指纹定位方法相比，KELM表现出更好的定位能力。

关键词: 室内定位, 位置指纹, 核极限学习机, Wi-Fi

Abstract: A feedforward neural network named Kernel Extreme Learning Machine is applied to the problem of indoor fingerprint positioning based on the nolinear location fingerprinting. The fast learning speed and tightness of the network can reduce algorithm offline learning time and improve its robustness. By changing the environment of offline data and adopting different Wi-Fi access points, localization performance of KELM is analysed. Under the same condition, experimental results suggest that KELM has stronger capability than ELM, SVM and kNN etc.

Key words: indoor positioning, location fingerprinting, Kernel Extreme Learning Machine（KELM）, Wi-Fi

郭伯勋，李军. 基于KELM的位置指纹室内定位方法研究[J]. 计算机工程与应用, 2016, 52(9): 78-83.

GUO Boxun, LI Jun. Kernel extreme learning machine for indoor positioning in location fingerprinting[J]. Computer Engineering and Applications, 2016, 52(9): 78-83.

[1]	刘建华, 王楠, 白明辰. 手机室内场景要素实例化现实增强方法研究进展[J]. 计算机工程与应用, 2024, 60(7): 58-69.
[2]	王恒, 吴波, 王振明, 于剑峰. 基于深度估计网络SS-Net的SLAM系统[J]. 计算机工程与应用, 2022, 58(24): 265-275.
[3]	张力, 常俊, 武浩, 黄彬, 刘欢. 深度残差收缩网络下的定位与行为联合识别[J]. 计算机工程与应用, 2022, 58(21): 205-212.
[4]	马靖煊, 王红雨, 曹彦, 乔文超, 韩佼志, 吴昌学. 面向嵌入式平台的单目ORB-SLAM稠密化建图实现[J]. 计算机工程与应用, 2022, 58(16): 213-218.
[5]	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.
[6]	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.
[7]	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.
[8]	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.
[9]	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.
[10]	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.
[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]	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.
[14]	朱琼琼1，李平1，杨程1，2，胡检华1. 自适应AP选择无线室内定位算法[J]. 计算机工程与应用, 2018, 54(14): 120-126.
[15]	顾军华1，3，许鹏2，3，董瑶1，3，董永峰1，3，白振东1，3. 基于克里金插值的自适应VIRE室内定位算法研究[J]. 计算机工程与应用, 2018, 54(12): 100-104.