改进的核极限学习机定位算法

杨晋生,郭雪亮,陈为刚

(天津大学 微电子学院，天津 300072)

0 引 言

近年来，随着神经网络的发展越来越成熟，神经网络被广泛应用于人工控制、图像分析、智能预测等各个领域。由于神经网络具有抗干扰能力强、非线性映射能力强、自学习能力强等优点，许多学者将神经网络应用在无线定位领域。例如：径向基(radial basis function,RBF)、反向传播(back propagation,BP)、支持向量机[3](support vector machine,SVM)、极限学习机[4](extreme learning machine,ELM)等神经网络都被应用到了无线定位中。神经网络定位主要分为2部分：训练和预测。训练阶段，主要是将样本数据输入到神经网络中进行训练，得到预测模型；预测阶段，主要是将预测数据输入预测模型中得到预测结果。其中，样本数据主要由测量点到各个接收点的信号强度(received signal strength, RSS)[5]和测量点的位置坐标组成。

ELM是由Huang等提出的一种新的神经网络算法，相较于其他神经网络算法，ELM神经网络具有泛化能力强和学习速度快的优点。因此，被广泛应用在室内无线定位领域。基于ELM神经网络的定位方法主要分为2类：①利用ELM的分类特性，针对预测区域建立指纹数据库，通过指纹匹配的方式得到定位结果。文献[4-7]中的做法就是先建立指纹数据库，然后用ELM神经网络对指纹进行匹配。然而，这种建立指纹库的方法存在一个严重的缺点，就是没有充分考虑到信号强度受噪声的干扰导致指纹与位置坐标不是唯一对应的问题。为此，文献[8]采用序贯极限学习机对指纹数据库进行不定时的更新，这一做法在一定程度上避免了噪声的干扰，但是仍然对指纹的不唯一性考虑不足，定位精度不高；……