高动态室内无线环境中渐进式自适应定位方法研究

目前室内定位模型的实际可用性是许多基于位置的服务（LBS）系统遇到的瓶颈问题之一。在室内高动态环境中，传统的基于信号传播模型的定位方法无法获得足够的定位精度，其后发展的"指纹"定位方法虽可获得较高精度，但其模型训练需要巨量的人工标定数据，且其依赖于环境中固定的无线基站设施，同样存在实用障碍。本项目面向实际高动态无线环境中的定位需求，重点研究不依赖于大量人工标定工作的渐进式（Coarse To Fine）自适应定位模型和方法：1)在训练数据稀疏时，研究免标定多终端协同定位方法以获得有限精度的定位服务；2)在获取一定数量的用户参与共享数据后，研究基于流形约束的半异构定位方法从而获得高定位精度；3)进一步针对无线环境的高动态特性问题，研究增量式极速定位方法，从而实现定位模型自适应更新。项目拟在真实环境中面向具体应用搭建研究平台以满足对模型和方法的实际可用性度量。

本项目针对高动态室内环境下的室内定位问题，具体对不同的定位场景、不同的数据分布以及不同终端协同等问题, 依据渐进式Coarse-To-Fine定位框架展开定位方法研究。项目成果在以下几方面有所产出：基于WiFi信号传播特性的差异性度量方法，基于极速学习的异构特征指纹定位方法，基于极速学习的半监督定位方法，基于时效特性的定位模型更新方法，以及基于深度学习的增量定位方法等。共发表和接收学术论文28篇，其中国际期刊6篇，刊源包括Neurocomputing、Pervasive Mobile Computing、Neural Computing and Applications等。相关领域知名国际会议13篇，包括Ubicomp，IJCNN等。国内核心期刊9篇，包括计算机学报、软件学报、计算机辅助设计与图形学学报等。申请发明专利2项，软件著作权2项。共参加国际、国内学术会议10人次，出访4人次，并有2名博士生，4名硕士生基于此课题中的研究内容进行学位论文研究；完成既定任务。