本发明公开了一种基于GRNN‑AdaBoost的多设备融合定位方法，其包括获取智能手机和智能手表采集的用户运动轨迹的惯导数据，并对智能手机和智能手表的惯导数据进行预处理得到测试样本；将测试样本输入采用自适应增强算法训练的GRNN网络模型中，并输出GRNN网络的多个强回归预测器得到的预测值；选取多个强回归预测器得到的预测值的中值作为用户最终的定位坐标。本方案的定位方法通过由多个强回归预测器组成的GRNN网络预测智能手机与智能手表收集的惯导数据的预测值，在通过取中值的方式就可以得到最终的准确位置。
1.基于GRNN-AdaBoost的多设备融合定位方法，其特征在于，包括：获取智能手机和智能手表采集的用户运动轨迹的惯导数据，并对智能手机和智能手表的惯导数据进行预处理得到测试样本；
将测试样本输入采用自适应增强算法训练的GRNN网络模型中，并输出GRNN网络的多个强回归预测器得到的预测值；
选取多个强回归预测器得到的预测值的中值作为用户最终的定位坐标；
A1、获取智能手机和智能手表采集的若干运动轨迹的惯导数据，并对所有的惯导数据集进行预处理；
A2、将预处理后同一条运动轨迹的智能手机和智能手表的惯导数据作为训练样本，实际真实的位置坐标作为真值，构成样本集：S＝{(xji，yi)}＝{(x11，x21，y1)，(x12，x22，y2)，…，(x1n，x2n，yn)}其中，j＝1，2；i＝1，2，...，n，S为运动轨迹的惯导数据集；xji为设备j的第i个惯导数据，yi为与xji对应的真实位置坐标数据，x1n为智能手机采集的惯导数据，x2n为智能手表采集的惯导数据，n为运动轨迹中惯导数据的总个数；
A3、初始化每个样本集的权重分布，并根据样本集中训练样本输入和输出的维度确定GRNN网络的结构和总迭代次数；
A4、根据所有样本集，采用自适应增强算法对GRNN网络进行训练得到数量等于样本集的强回归预测器，形成GRNN网络模型；步骤A4进一步包括：A41、采用具有权重分布Dt(xji)的样本集训练GRNN网络得到弱回归预测器，并计算弱回归预测器在样本集上的预测值与真实位置坐标数据的距离；
A42、根据距离，采用指数损失函数计算样本集中训练样本的损失函数Lt(xji)：其中，lt(xji)为弱回归预测器在xji上的预测值与训练样本的距离；
A43、根据损失函数，计算加权后的损失值，并采用加权后损失值计算弱回归预测器的权重：其中， 为样本集加权后的损失值；Dt(xji)为样本集第t次迭代的权重分布，t的初始值为1，D1(xji)为样本集的初始化权重分布；βt为弱回归预测器ft的权重；ft为运动轨迹在第t次迭代得到的弱回归预测器；ft(xji)为第t次迭代时的弱回归预测器ft对于数据xji的预测值；
A44、判断迭代次数t是否小于总迭代次数，若是，进入步骤A45；否则，进入步骤A46；
A45、根据当前迭代时弱回归预测器的权重和样本集权重分布，更新样本集的权重分布得到具有新权重分布的样本集，之后令t＝t+1，并进入步骤A41；
A46、采用训练集每次迭代时得到的弱回归预测器，构建强回归预测器为：其中，T为总迭代次数；
A47、判断是否存在样本集未得到强回归预测器，若是，选取一个未得到强回归预测器的样本集，返回步骤A41，否则，进入步骤A48；
A48、采用所有样本集对应的强回归预测器构成GRNN网络模型。
2.根据权利要求1所述的基于GRNN-AdaBoost的多设备融合定位方法，其特征在于，弱回归预测器在xji上预测值与训练样本的距离lt(xji)的计算公式为：lt(xji)＝|ft(xji)-yi|。
3.根据权利要求1所述的基于GRNN-AdaBoost的多设备融合定位方法，其特征在于，所述GRNN网络的结构包括输入层、模式层、求和层和输出层；输入层神经元的数目等于学习样本中输入向量的维数，各神经元将输入变量传递给模式层；
模式层神经元数目等于训练样本的数目n，模式层各神经元对应不同的训练样本，模式层神经元传递函数pi为：其中，X为训练样本；Xi为第i个神经元对应的学习样本；T为转置符号；σ为传递函数超参；
神经元i的输出为输入变量与其对应的训练样本X之间的欧拉距离平方的指数平方的指数形式；
第一种类型的计算公式为 其对所有模式层神经元的输出进行求和，模式层与各神经元的连接权值为1，传递函数第二种类型计算公式为 其对所有模式层的神经元进行
加权求和，模式层中第i个神经元与求和层中第j个分子求和神经元之间的连接权值为第i个输出样本Yi中的第j个元素，传递函数SNj为：输出层中的神经元数目等于学习样本中的输出向量的维数k，各神经元将求和层的输出相除，神经元j的输出对应估计结果 的第j个元素：
4.根据权利要求1所述的基于GRNN-AdaBoost的多设备融合定位方法，其特征在于，选取多个强回归预测器得到的预测值的中值的计算公式为：Y＝middle(fm(xji))，m＝1，2，...，M其中，m为运动轨迹；M为运动轨迹的总数。
5.根据权利要求1所述的基于GRNN-AdaBoost的多设备融合定位方法，其特征在于，总迭代次数为10，初始化每个样本集的权重分布的计算公式为：D1(xji)＝{w11，w12，…，w1n}，
其中，D1(xji)为样本集的初始化权重分布；w1i为样本集中第i个训练样本的权重。
6.根据权利要求1-5任一所述的基于GRNN-AdaBoost的多设备融合定位方法，其特征在于，对智能手机和智能手表的惯导数据进行预处理进一步包括：删除同一运动轨迹的惯导数据中不是唯一分配给给定参考点的数据；
保留已更新的同一运动轨迹的惯导数据中智能手机和智能手表间存在对应关系、且两者之间的最大时差不大于预设时差的数据；
整理并保留同一运动轨迹的惯导数据，以使每个数据只被选择一次，形成一对一的关系。
基于GRNN-AdaBoost的多设备融合定位方法
技术领域
[0001] 本发明涉及运动物体的定位，具体涉及一种基于GRNN-AdaBoost的多设备融合定位方法。
背景技术
[0002] 随着人们活动的室内空间越来越庞大和复杂，兴趣点(Points of Interest)越来越丰富，停车场、商场、机场等场所的定位和导引需求日趋强烈。同时，精准营销、智能制造、机器人、无人医疗护理等行业也需要计算机能够在室内识别特定对象的位置，这些需求为室内定位技术(IPS，Indoor Positioning System)带来巨大机会。而传统的定位技术(卫星定位、基站定位)却因技术限制，如卫星信号容易被建筑物阻隔，导致无法实现定位、移动基站定位精度低，定位能力有限而无法满足室内定位要求。近几年智能手机的普及以及移动互联网的兴起都为室内定位技术的发展奠定基础。Wi-Fi、蓝牙4.0、惯性传感器、地磁传感器等技术在消费者中的普及，为室内定位奠定了广泛的用户基础。
[0003] 随着科技的不断发展，智能手机和智能手表等移动智能设备越来越受大家欢迎，种类多样的传感器也使得用户可以收集到更加丰富的数据，目前常用的移动传感器有加速度传感器，陀螺仪和磁力计等。现有的定位方法中，行人航位推算(PDR)定位是一种基于传感器信息计算相对位置的定位方法，首先通过加速度传感器检测行人的步数并计算出步长，然后通过磁力计和陀螺仪计算出行人的航向角，最后获得人体移动的相对位置，从而实现定位。
[0004] 基于行人航位推算的依靠惯性传感器的定位方法无需提前部署额外设备，不容受外界环境影响，定位精度较高的特点。但是该定位方法只能获得相对位置信息，且需额外校正操作来降低漂移误差累积的影响，增加了定位计算量和能量消耗。对于较长的路径，单一的PDR技术存在累积误差的问题。
发明内容
[0005] 针对现有技术中的上述不足，本发明提供的基于GRNN-AdaBoost的多设备融合定位方法通过由多个强回归预测器组成的GRNN网络预测智能手机与智能手表收集的惯导数据的预测值，在通过取中值的方式就可以准确地得到最终的准确位置。
[0006] 为了达到上述发明目的，本发明采用的技术方案为：
[0007] 提供一种基于GRNN-AdaBoost的多设备融合定位方法，其包括：
[0008] 获取智能手机和智能手表采集的用户运动轨迹的惯导数据，并对智能手机和智能手表的惯导数据进行预处理得到测试样本；
[0009] 将测试样本输入采用自适应增强算法训练的GRNN网络模型中，并输出GRNN网络的多个强回归预测器得到的预测值；
[0010] 选取多个强回归预测器得到的预测值的中值作为用户最终的定位坐标。
[0011] 进一步地，所述GRNN网络的训练方法包括：
[0012] A1、获取智能手机和智能手表采集的若干运动轨迹的惯导数据，并对所有的惯导数据集进行预处理；
[0013] A2、将预处理后同一条运动轨迹的智能手机和智能手表的惯导数据作为训练样本，实际真实的位置坐标作为真值，构成样本集：
[0014] S＝{(xji，yi)}＝{(x11，x21，y1)，(x12，x22，y2)，…，(x1n，x2n，yn)}[0015] 其中，j＝1，2；i＝1，2，…，n，S为运动轨迹的惯导数据集；xji为设备j的第i个惯导数据，yi为与xji对应的真实位置坐标数据，x1n为智能手机采集的惯导数据，x2n为智能手表采集的惯导数据，n为运动轨迹中惯导数据的总个数；
[0016] A3、初始化每个样本集的权重分布，并根据样本集中训练样本输入和输出的维度确定GRNN网络的结构和总迭代次数；
[0017] A4、根据所有样本集，采用自适应增强算法对GRNN网络进行训练得到数量等于样本集的强回归预测器，形成GRNN网络模型。
[0018] 进一步地，步骤A4进一步包括：
[0019] A41、采用具有权重分布Dt(xji)的样本集训练GRNN网络得到弱回归预测器，并计算弱回归预测器在样本集上的预测值与真实位置坐标数据的距离；
[0020] A42、根据距离，采用指数损失函数计算样本集中训练样本的损失函数Lt(xji)：
[0021]
[0022] 其中，lt(xji)为弱回归预测器在xji上的预测值与训练样本的距离；
[0023] A43、根据损失函数，计算加权后的损失值，并采用加权后损失值计算弱回归预测器ft(xji)的权重：
[0024]
[0025] 其中， 为样本集加权后的损失值；Dt(xji)为样本集第t次迭代的权重分布，t的初始值为1，D1(xji)为样本集的初始化权重分布；βt为弱回归预测器ft的权重；ft为运动轨迹在第t次迭代得到的弱回归预测器；ft(xji)为第t次迭代时的弱回归预测器ft对于数据xji的预测值；
[0026] A44、判断迭代次数t是否小于总迭代次数，若是，进入步骤A45；否则，进入步骤A46；
[0027] A45、根据当前迭代时弱回归预测器的权重和样本集权重分布，更新样本集的权重分布得到具有新权重分布的样本集，之后令t＝t+1，并进入步骤A41；
[0028] A46、采用训练集每次迭代时得到的弱回归预测器，构建强回归预测器为：
[0029]
[0030] 其中，T为总迭代次数；
[0031] A47、判断是否存在样本集未得到强回归预测器，若是，选取一个未得到强回归预测器的样本集，返回步骤A41，否则，进入步骤A48；
[0032] A48、采用所有样本集对应的强回归预测器构成GRNN网络模型。
[0033] 本发明的有益效果为：本方案采用智能手机和智能手表作为采集数据源的设备，无需依靠易受场景影响的无线信号，应用范围更广，成本更低；采集的数据通过训练后GRNN网络的多个强回归预测器给出多个位置预测值，之后通过自适应增强算法取中值而得到运动轨迹的位置，采用已构建好的模型结合实时采集的数据进行定位，可以保证位置计算精度的同时还可以降低计算量。
[0034] 本方案在GRNN网络训练时，每次迭代时，一个样本集就可以产生一个弱回归预测器，多个样本集在多次迭代时可以训练形成多个弱回归预测器，采用加权的方式将多个弱回归预测器组成一个强回归预测器，通过多个样本集对应的强回归预测器构建形成最终的GRNN网络，通过该种方式训练得到的GRNN网络进行位置计算时可以大幅度提高定位精度。
附图说明
[0035] 图1为基于GRNN-AdaBoost的多设备定位方法的流程图。
[0036] 图2为自适应增强算法(AdaBoost)的算法结构图。
[0037] 图3为GRNN网络的算法结构图。
[0038] 图4为现有方法与本发明提出的方法的效果对比柱状图。
具体实施方式
[0039] 下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
[0040] 参考图1，图1示出了基于GRNN-AdaBoost的多设备融合定位方法，如图1所述，该方法包括步骤101至步骤103。
[0041] 在步骤101中，在获取智能手机和智能手表采集的用户运动轨迹的惯导数据，并对智能手机和智能手表的惯导数据进行预处理得到测试样本；
[0042] 在步骤102中，将测试样本输入采用自适应增强算法训练的GRNN网络模型中，并输出GRNN网络的多个强回归预测器得到的预测值；
[0043] 在步骤103中，选取多个强回归预测器得到的预测值的中值作为用户最终的定位坐标；选取多个强回归预测器得到预测值的中值的计算公式为：
[0044] Y＝middle(fm(xji))，m＝1，2，…，M
[0045] 其中，m为运动轨迹；M为运动轨迹的总数。
[0046] 在本发明的一个实施例中，GRNN网络的训练方法包括步骤A1至步骤A4。
[0047] 在步骤A1中，获取智能手机和智能手表采集的若干运动轨迹的惯导数据，并对所有的惯导数据集进行预处理。
[0048] 在训练过程中，本方案获取的若干运动轨迹的惯导数据是意大利国家研究委员会于2016年公开的多设备惯导数据集(数据集来源论文：2016-A multisource and multivariate dataset for indoor localization methods based on WLAN and geo-magnetic field fingerprinting)，该数据集的特点在于不仅有同时采集的智能手机与智能手表的惯导数据，如加速度计，磁力计，陀螺仪，还包括相对应的真实位置数据。
[0049] 多设备惯导数据集中每个用户的步行速度平均为0.6m/s时，不同设备(智能手机和智能手表)的内部传感器的采集频率为10HZ。
[0050] 实施时，本方案优选对智能手机和智能手表的惯导数据进行预处理包括：
[0051] 删除同一运动轨迹的惯导数据中不是唯一分配给给定参考点的数据；
[0052] 保留已更新的同一运动轨迹的惯导数据中智能手机和智能手表间存在对应关系、且两者之间的最大时差不大于预设时差的数据；
[0053] 整理并保留同一运动轨迹的惯导数据，以使每个数据只被选择一次，形成一对一的关系；本步骤的整理指：若同一数据被选择了多次，则删除部分，使该数据只保留一次。
[0054] 通过上述预处理可以剔除两个设备采集的同一用户运动轨迹在时间上存在的轻微偏移，以尽量保证完全同步。
[0055] 在步骤A2中，将预处理后同一条运动轨迹的智能手机和智能手表的惯导数据作为训练样本，实际真实的位置坐标作为真值，构成样本集：
[0056] S＝{(xji，yi)}＝{(x11，x21，y1)，(x12，x22，y2)，…，(x1n，x2n，yn)}[0057] 其中，j＝1，2；i＝1，2，…，n，S为运动轨迹的惯导数据集；xji为设备j的第i个惯导数据，yi为与xji对应的真实位置坐标数据，x1n为智能手机采集的惯导数据，x2n为智能手表采集的惯导数据，n为运动轨迹中惯导数据的总个数；
[0058] 在步骤A3中，初始化每个样本集的权重分布，并根据样本集中训练样本输入和输出的维度确定GRNN网络的结构和总迭代次数；
[0059] 在本方案中总迭代次数选为10，初始化每个样本集的权重分布的计算公式为：
[0060]
[0061] 其中，D1(xji)为样本集的初始化权重分布；w1i为样本集中第i个训练样本的权重。
[0062] 在步骤A4中，根据所有样本集，采用自适应增强算法对GRNN网络进行训练得到数量等于样本集的强回归预测器，形成GRNN网络模型。
[0063] 其中，步骤A4进一步包括：
[0064] A41、采用具有权重分布Dt(xji)的样本集训练GRNN网络得到弱回归预测器，并计算弱回归预测器在样本集上的预测值与真实位置坐标数据的距离lt(xji)：
[0065] lt(xji)＝|ft(xji)-yi|。
[0066] A42、根据距离，采用指数损失函数计算样本集中训练样本的损失函数Lt(xji)：
[0067]
[0068] 其中，lt(xji)为弱回归预测器在xji上的预测值与训练样本的距离；
[0069] A43、根据损失函数，计算加权后的损失值，并采用加权后损失值计算弱回归预测器ft(xji)的权重：
[0070]
[0071] 其中， 为样本集加权后的损失值；Dt(xji)为样本集第t次迭代的权重分布，t的初始值为1，D1(xji)为样本集的初始化权重分布；βt为弱回归预测器ft的权重；ft为运动轨迹在第t次迭代得到的弱回归预测器；ft(xji)为第t次迭代时的弱回归预测器ft对于数据xji的预测值。
[0072] A44、判断迭代次数t是否小于总迭代次数，若是，进入步骤A45；否则，进入步骤A46；
[0073] A45、根据当前迭代时弱回归预测器的权重和样本集权重分布，更新样本集的权重分布得到具有新权重分布的样本集，之后令t＝t+1，并进入步骤A41；
[0074] 步骤A45中更新样本集的权重分布的计算公式为：
[0075]
[0076] 其中，Zt为第t次迭代时的规范化算子。
[0077] A46、采用训练集每次迭代时得到的弱回归预测器，构建强回归预测器为：
[0078]
[0079] 其中，T为总迭代次数；
[0080] A47、判断是否存在样本集未得到强回归预测器，若是，选取一个未得到强回归预测器的样本集，返回步骤A41，否则，进入步骤A48；
[0081] A48、采用所有样本集对应的强回归预测器构成GRNN网络模型。
[0082] 其中步骤A41至步骤A46是采用一个样本集训练形成一个强回归预测器的过程，该部分实现思路可以参考图2。
[0083] 采用步骤A41至A48的方式进行GRNN网络训练，该过程通过自适应增强算法，通过多次迭代来增强回归预测器的效果，使得迭代T次后得到的回归预测器的预测效果最好。
[0084] 如图3所示，GRNN网络的结构包括输入层、模式层、求和层和输出层；输入层神经元的数目等于学习样本中输入向量的维数，各神经元将输入变量传递给模式层；
[0085] 模式层神经元数目等于训练样本的数目n，模式层各神经元对应不同的训练样本，模式层神经元传递函数pi为：
[0086]
[0087] 其中，X为训练样本；Xi为第i个神经元对应的学习样本；T为矩阵转置符号；σ为传递函数超参，取值为0.1；
[0088] 神经元i的输出为输入变量与其对应的训练样本X之间的欧拉距离平方的指数平方 的指数形式；
[0089] 求和层中使用两种类型神经元进行求和：
[0090] 第一种类型的计算公式为 其对所有模式层神经元的输出进行求和，模式层与各神经元的连接权值为1，传递函数
[0091] 第二种类型计算公式为 其对所有模式层的神经元进行加权求和，模式层中第i个神经元与求和层中第j个分子求和神经元之间的连接权值为第i个输出样本Yi中的第j个元素，传递函数SNj为：
[0092]
[0093] 输出层中的神经元数目等于学习样本中的输出向量的维数k，各神经元将求和层的输出相除，神经元j的输出对应估计结果 的第j个元素：
[0094]
[0095] 为了更好的体现本方案提供的定位方法的效果，下面结合具体实例进行说明：
[0096] 在相同配置条件的设备上运行本方案的定位方法和现有技术中的定位方法，在对模型进行训练时，采用相同的训练集进行测试，采用同一用户的同一运动轨迹的数据作为测试集。
[0097] 以CART决策树为基本模型的AdaBoost方法与本发明提出的方法进行效果对比，使用均方误差(MSE)以及均方根误差(RMSE)作为评价标准。
[0098] 以CART决策树为基本模型的AdaBoost方法与本发明提出的方法进行效果对比，如图4所示，使用以CART决策树为基本模型的AdaBoost方法得到X和Y方向上的均方误差分别为2.44m和3.62m，而使用本发明提出的方法得到的X和Y方向上的均方误差分别为0.32m和1.13m。
[0099] 使用以CART决策树为基本模型的AdaBoost方法得到X和Y方向上的均方误差分别为3.11m和4.55m，而使用本定位方法得到的X和Y方向上的均方误差分别为1.69m和2.18m。由此可以得到本定位方法比以CART决策树为基本模型的AdaBoost方法的效果更好。
