混构网融合高精度室内定位中的迁移学习理论和方法研究

As the development of internet-of-things(IOT), the unbiquitous hybrid networks may offer more fingerprints spaces for source localization. As compared with the isomorphism and heterogeneous networks, the fingerprints of hybrid networks show: (1) the location fingerprints have hardware、time, spatial and dimensional differences; (2) these fingerprints is the mixturecompound of label data and unlabel data; (3) the labels of these fingerprints may be inaccurate, inconsistent, and paradoxical; and (4) there are some distribution differences between training data and testing data across different networks and different domains. Based on this charateristc, we develop a research of transfer learning theory and methods in hybrid networks, which includes: (1) the research of manifold alignment in hybrid networks; (2) a self-learning baed transfer learning method by using the constraints from different networks and different domains; (3) an efficient compuational method for adaptive tranfer learning; and (4) a robust localization method based on fusing the knowledge from all networks and all domains. Our research will overcome the drawbacks of the isomorphism and heterogeneous networks and improve the using efficiency of environment information. As a result, it will build a new localization framework of hybrid networks.

随着物联网技术的飞速发展，无所不在的混构网络环境为目标定位提供了丰富的指纹空间。与同构和异构网的定位环境相比，混构网指纹存在如下特点：（1）位置指纹具有硬件差异性、时间差异性、空间差异性和维度差异性；（2）位置指纹为有标签及无标签数据的混合；（3）位置指纹标签具有不精确、非一致、矛盾性；（4）位置指纹具有跨网跨域的分布性差异。针对上述特点，本项目提出针对混构网融合的迁移学习理论和方法研究，主要包括：（1）混构网指纹的流行对齐方法；（2）跨网跨域互约束自学习知识迁移方法；（3）计算有效性的域自适应迁移学习方法；及（4）跨网跨域融合的稳健性定位方法。本项目的研究将克服传统同异构网络融合定位对所处环境信息的利用不足，充分提高指纹空间的利用效率，建立基于混构网融合高精度室内定位新框架。

无所不在的混构网络环境为目标定位提供了丰富的指纹空间。本课题主要研究内容包括：（1）混构网指纹的流行对齐方法；（2）跨网跨域互约束自学习知识迁移方法；（3）计算有效性的域自适应迁移学习方法；及（4）跨网跨域融合的稳健性定位方法。本项目的研究将克服传统同异构网络融合定位对所处环境信息的利用不足，充分提高指纹空间的利用效率，建立基于混构网融合高精度室内定位新框架。本课题组立足于项目成员在WLAN室内定位、GSM网络下的目标定位，可见光室内定位、无线传感器网络室内定位、机器学习及信息融合等领域的多年科研实践经验和研究成果，选取WLAN、GSM、可见光、惯性传感器及视频和图像等多个混构网环境进行跨网跨域迁移学习和融合定位等方面的理论探索和全面的实验分析与研究。经过四年的课题研究，课题组在混构网融合及迁移学习理论模型及算法等方面取得了丰硕的研究成果，已经发表包括中科院一区 TOP 期刊论文 12篇在内的高水平论文31 篇，申请及授权专利 24项（详见成果部分），成功完成了制定的研究计划。