SALC:基于骨架辅助学习的时变室内定位聚类方法
机器学习
2023-07-18 v1 人工智能
信号处理
摘要
无线室内定位近年来受到大量关注。利用从WiFi接入点(AP)获得的接收信号强度(RSS)建立指纹数据库是室内定位中广泛使用的方法。然而,现有文献对室内定位系统的时变问题研究不足。相比传统静态指纹,动态重建的数据库可适应高度变化的环境,从而实现定位精度的可持续性。为处理时变问题,我们提出骨架辅助的基于学习的聚类定位(SALC)系统,包括面向RSS的地图辅助聚类(ROMAC)、基于聚类的在线数据库建立(CODE)以及聚类缩放位置估计(CsLE)。SALC方案联合考虑基于骨架的最短路径(SSP)的相似性与参考点(RP)间时变的RSS测量。ROMAC将RP聚类为不同特征集,从而选择合适的监测点(MP)以增强位置估计。此外,CODE算法旨在建立自适应指纹数据库以缓解时变问题。最后,采用CsLE通过利用聚类信息与估计信号变化的优势来获取目标位置,从而对加权k近邻(WkNN)方法的权重进行重缩放。仿真与实验结果均表明,所提SALC系统能有效重建指纹数据库并提升位置估计精度,优于公开文献中的其他现有方案。
引用
@article{arxiv.2307.07650,
title = {SALC: Skeleton-Assisted Learning-Based Clustering for Time-Varying Indoor Localization},
author = {An-Hung Hsiao and Li-Hsiang Shen and Chen-Yi Chang and Chun-Jie Chiu and Kai-Ten Feng},
journal= {arXiv preprint arXiv:2307.07650},
year = {2023}
}