高效实时的物联网定位技术研究

The localization technology of the internet of things (IOT) has been intensively studied worldwide. However, with the development of the localization requirements, it does not provide efficient location based services in some specific applications where some factors, such as the estimation precision, cost, limit the system performance. In this project, the problems of base station placement, the power allocation and the position estimation are studied with the optimization theory and the machine learning technique. Our research topics can be listed as follows. (1) the base station placement in multiple trajectories. (2) power allocation for multiple target. (3) the position estimation by the kernel function based machine learning. The goal of the project is to improve the positioning performance by the solutions of the above problems. Specially, the use efficiencies of base station resource and power resource can be improved dramatically with the proposed optimal base station placement algorithm and the optimal power allocation algorithms respectively. Meanwhile, the real-time of the IOT positioning system can also be increased with the proposed position estimation by the kernel function based machine learning technique. Through the study of this project, it can provide necessary theory and technical support for IOT application and development.

当前物联网定位技术已经开展了大量的研究工作，随着定位需求的不断增长，在某些场合与应用中受限于精度、成本等因素，有效的定位服务尚待改善。本项目将利用最优化理论和机器学习算法，来有效解决物联网定位中的基站节点布设，功率资源分配和目标位置估计等一系列问题。具体研究内容包括(1) 多轨迹下的物联网基站布设问题；(2) 多目标的功率分配问题；(3) 基于核函数的机器学习目标估计。本项目的目标是通过上述问题的研究来提高物联网定位系统的定位性能；通过基于优化理论的基站布设和功率分配算法，提高物联网定位系统中的基站节点资源和功率资源的使用效率；通过基于核函数的机器学习位置估计算法，提高物联网定位的实时性。本项目的研究将会为物联网的应用和发展提供必要的理论和技术支撑。

本项目利用最优化理论和机器学习算法，有效解决了物联网定位中的基站节点布设，功率资源分配和目标位置估计问题。本项目的研究成果能够提高定位系统的定位性能，资源使用效率和定位实时性。其研究成果为物联网的应用和发展提供必要的理论和技术支撑。.四年来本项目着重就如下几个方面开展了细致的研究工作：(1) 多轨迹下的物联网基站布设问题；(2) 多目标的功率分配问题；(3) 基于核函数的机器学习目标估计 (4) 基于WiFi信号信道状态信息定位技术。(5) 图像定位技术。.通过本课题的研究达到了下列目标：(1) 提出多轨迹下基于线性加权和的基站布设算法。(2)提出多轨迹下基于极大极小法的基站布设算法。(3)提出了多目标节点下基于评价函数法的功率分配算法。(4)提出了协作定位系统中的功率分配算法。(5)提出了基于混合核函数的机器学习定位算法。(6)提出基于广义多核学习的机器学习定位算法。(7)提出了基于极限学习机的多楼层定位算法。(8)提出了基于多核极限学习机和迭代自组织数据分析聚类技术的定位算法。(9)提出了半监督条件下基于ELM理论和ISODATA聚类的定位算法。(10)提出了基于在线极限学习机和层次聚类技术的安全定位算法。 (11)提出了基于极限学习机ELM-AdaBoost分类学习的CSI和RSSI定位算法。(12)提出了基于支持向量回归学习的CSI和RSSI定位算法。(13)提出了基于卷积神经网络（CNN）和支持向量机（SVM）的CSI感知算法。(14)提出了基于多任务卷积神经网络的无线感知算法。(15)提出了基于主成分分析和支持向量机的无线感知算法。(16)提出了基于CSI幅度和相位信息前端融合的卷积神经网络（CNN）定位算法。(17)提出了基于CSI图像特征提取的双流卷积神经网络目标定位算法。(18)提出基于单个双目摄像头的双流卷积神经网络定位算法。(19)提出基于多个双目摄像头的双流卷积神经网络定位算法。(20)提出基于双目摄像头的联合人员识别和位置估计算法。(21)提出基于图像相似度和反向传播神经网络(BPNN)回归学习的定位算法。.通过本课题的研究，发表了37篇学术论文，其中SCI收录15篇，EI收录17篇，申请了29项专利，授权10项发明专利。利用该项目培养博士研究生1名，硕士研究生19名。参加国内国际会议并在大会上做报告交流16次。