基于时间序列融合的室内定位方法

提出了一种基于拉依达准则-相关系数-卷积神经网络（Pauta criterion-correlation coefficient-convolutional neural networks，P-C-CNN）的时间序列融合定位算法。P-C-CNN方法整合了不同节点以及不同时间序列的数据点，利用时间和空间数据的相互关联性，提高了室内定位的精度和可靠性。首先，该方法使用拉依达准则-相关系数（Pauta criterion-correlation coefficient， P-C）算法对到达角度（Angle of arrival， AOA）-接收信号强度（Received signal strength， RSS）数据的异常值进行剔除，提高了训练数据的质量。其次，算法对数据进行随机间隔选取，从而缩短模型训练时间，同时较好地模拟在线定位阶段数据选取的不确定性，减少模型对训练数据的过度拟合。再次，传统单帧信息训练方法由于噪声混杂无法稳定提取信息特征，所提算法在连续采集的时间序列数据中，融合随机选取固定长度的多帧AOA-RSS数据，然后利用卷积神经网络（Convolutional neural networks， CNN）进行特征提取，避免了单帧信号定位中误差波动较大的问题。最后，通过大量实际测试，验证了所提方法的有效性。实验结果表明，在典型室内环境中，与仅采用RSS数据或者AOA信息的指纹定位算法相比，本文算法的分类准确率由91.6%提高到了96.4%，定位精度从1.3 m提高到了0.3 m；与传统基于模型的AOA-RSS联合定位相比，本文算法能较好解决实测中多径效应等干扰因素的影响，定位精度从1.1 m提高到了0.3 m。