融合PSO和SS‑ELM的蜂窝网无线定位方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN107124761A(43)申请公布日2017.09.01(21)申请号201710140253.2(22)申请日2017.03.10(71)申请人华南理工大学地址510640广东省广州市天河区五山路381号(72)发明人刘发贵覃亨锐(74)专利代理机构广州粤高专利商标代理有限公司44102代理人何淑珍(51)Int.Cl.H04W64/00(2009.01)G06N3/00(2006.01)G06K9/62(2006.01)权利要求书2页说明书6页附图3页(54)发明名称融合PSO和SS-ELM的蜂窝网无线定位方法(57)摘要本发明公开了融合PSO和SS-ELM的蜂窝网无线定位方法。本发明的实现包括使用有标签训练数据和无标签训练数据对SS-ELM的输出层权值参数β作进行训练，对SS-ELM进行训练的过程中引入PSO对SS-ELM的超参数进行自动优化，PSO的适应度值计算函数在训练的过程中使用了有标签训练数据和无标签训练数据对SS-ELM进行优化筛选得到最优的SS-ELM参数作为回归模型用于在线定位服务。本发明的实施分离线和在线两部分实施。本发明减少基于RSS指纹数据的蜂窝网络定位对有标签的RSS指纹数据的依赖，降低人工采集数据的成本，并减少算法训练过程中的人工调节参数的工作量。CN107124761ACN107124761A权利要求书1/2页1.融合PSO和SS-ELM的蜂窝网无线定位方法，其特征在于包括使用有标签训练数据和无标签训练数据对SS-ELM的输出层权值参数β作进行训练，在SS-ELM训练过程中使用PSO对SS-ELM的超参数进行自动优化，PSO的适应度值计算函数的计算涵盖了有标签训练数据和无标签训练数据，经过PSO优化筛选后得到的最优SS-ELM参数作为回归模型用于在线定位服务。2.根据权利要求1所述的融合PSO和SS-ELM的蜂窝网无线定位方法，其特征在于：以设备接收信号强度作为输入，对SS-ELM进行训练和优化得到SS-ELM参数作为回归模型提供蜂窝网络环境下的在线定位服务。3.根据权利要求1所述的一种融合PSO和SS-ELM的蜂窝网无线定位方法，其特征在于：在对SS-ELM输出层权值参数β的训练过程中同时使用了有标签训练数据和无标签训练数据。4.根据权利要求1所述的融合PSO和SS-ELM的蜂窝网无线定位方法，其特征在于：PSO算法的适应度值计算函数的计算涵盖了有标签训练和无标签训练数据，粒子适应度计算函数的具体定义为：其中i、j、k、N分别表示粒子的编号、有标签训练数据实例编号、标签向量的维度编号、标签向量总维度，l为训练数据集中有标签训练数据的数目，u为训练数据集中无标签训练数据的数目，表示SS-ELM在训练数据集上对有标签训练数据进行预测的标签预测值，Y表示有标签训练数据的标签实际值，为每次迭代训练中SS-ELM在训练集上做预测所产生的极端值的比例。5.根据权利要求1所述的融合PSO和SS-ELM的蜂窝网无线定位方法，其特征在于：在SS-ELM训练和优化的过程中使用PSO对SS-ELM的关键参数：范数超参数cβ、流形正则超参数λ进行调节和优化；PSO对SS-ELM超参数cβ、λ的优化计算方式具体如下：PSO在规定的搜索空间内随机地生成粒子，每一个粒子以一定的速度移动到全局搜索最优的解的位置；在粒子群算法的每一次迭代中每一个粒子都会根据自己的动量和自身最佳的位置Pb和全局最佳Pg位置的影响因素调整自己的速度,同时计算出自己在本次迭代中的位置；粒子群的搜索空间th的维度是2，总粒子群个数为n,某个粒子i每次迭代的位置可以表示为向量Xi＝(xi1,xi2),xi1∈[-10,0],xi2∈[-10,0]；粒子位置和超参数的关系表示为该粒子从搜索开始至今的个体最优位置表示为Pib＝(pi1,pi2)，粒子的运动速度表示为向量Vi＝(vi1,vi2,),全局最优位置Pg＝(pg1,pg2)，在每一次迭代粒子会更新当前的速度和位置，并根据粒子当前位置利用适度函数f(Xi)计算粒子适应度,更新个体最优位置和全局最优位置；PSO各变量在迭代中的更新可用下列的公式表示：vid(t+1)＝vid(t)+c1*rand()*[pid(t)-xid(t)]+c2*rand()2CN107124761A权利要求书2/2页xid(t+1)＝xid(t)+vid(t+1)1≤i≤n,1≤d≤2(5)其中正数c1,c2是加速度因子，rand()是0和1之间的随机数；vmax和vmin分别是粒子速度的上界和下界,t为算法迭代的代数；迭代过程中当全局最优位置所对应的粒子适应度收敛不再随着迭代发生变化时停止迭代计算，通过全局最优粒子位置和超参数的对应关系能得到最