本文版权为《邮电设计技术》所有，如需转载请联系《邮电设计技术》编辑部
摘要：随着室内定位需求的不断增加，基于指纹的定位方法由于低成本、易于实现、精度较高等优势被广泛使用。但指纹定位算法在离线阶段训练成本高，接收信号强度值易受环境和噪声的影响，对环境的动态变化缺乏灵活性。提出了一种基于特征降维的在线序列学习机算法（PCA-OS-ELM），PCA算法可以对原始的RSSI数据进降维，去除干扰信息，构造新的特征。OSELM 的快速学习能力可以降低离线阶段的训练成本，适应环境的动态变化。在2种不同的环境下进行了对比实验，结果表明所提出的算法能适应环境的动态变化，提高定位精度。
关键词：特征降维；在线序列学习机；室内定位；动态环境；指纹数据库
doi：10.12045/j.issn.1007-3043.2023.10.011
引言
随着无线技术的不断发展，基于位置服务的需求越来越广泛。由于全球定位系统技术（Global Positioning System，GPS）很成熟，对高精度定位技术的研究已逐渐从室外转移到室内。室内定位可采用位置指纹、测距定位等不同技术。位置指纹定位因定位精度高、扩展性强、易于实施等优点被广泛关注，但基于位置指纹的传统方案大多存在 2 个主要问题：一是在离线阶段消耗较高的时间成本；二是在在线阶段，当环境存在干扰时，指纹库难以实时反映接收信号强度值（Receive Signal Strength，RSS）的变化，从而明显影响定位精度。
在线顺序极限学习机（Online Sequential ExtremeLearning Machine，OS-ELM）算法适合在动态环境下进行室内定位，在变换的新环境中，只需在少量的参考点上采集新的指纹库数据信息，用来更新补充上一次训练模型的参数，就可以在新环境中对位置信息进行在线估计。在室内动态环境中，该算法相比于静态室内定位算法，在定位时间和性能上有较高的提升。然而，RSS 值容易受到路径衰减、多径效应、噪声干扰等影响，获得的 RSS 值是复杂的非线性分布。为了解决这个问题，本文提出了 PCA-OS-ELM 算法，利用主成分分析（ Principal Component Analysis，PCA）对训练数据集进行预处理，通过投影的方式，将收集到的高维数据以最小程度的数据损失投影到低维空间，降低训练数据集维数，达到简化数据结构的目的。同时，提取数据的主要特征成分，剔除受环境和噪声干扰的数据信息。PCA将原始RSS值转换为新函数，OS-ELM 通过新函数进行训练。该算法解决了环境和噪声对定位结果的干扰，并提高了算法的计算速度。
