买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：陕西智引科技有限公司

摘要：本发明属于矿井下定位通信技术领域，提出一种基于欧氏距离及图拉普拉斯矩阵强约束的自适应多视图聚类算法的5G矿井下定位方法，包括训练阶段和实时定位阶段，所述训练阶段包括采样阶段和聚类阶段，该方法将采样点处的三个信号强度参数以及位置信息保存起来形成三个视图的数据库，并使用欧氏距离及图拉普拉斯矩阵强约束的自适应多视图聚类算法对数据库进行聚类从而得到每一类的标签信息；5G终端根据实时测得的AP信号强度，与数据库中的聚类标签信息进行比较，并采用欧几里得距离公式计算出终端的位置，通讯效果好且有利于提高定位准确度。

主权项：1.一种基于欧氏距离及图拉普拉斯矩阵强约束的自适应多视图聚类算法的5G矿井下定位方法，包括训练阶段和实时定位阶段，所述训练阶段包括采样阶段和聚类阶段，其特征在于：采样阶段：包括以下步骤：C1、设n个采样点的位置信息为x1,y1，x2,y2，x3,y3，……，xn,yn，其中，n为采样点的个数，每个采样点获取d个5GAP的信号强度，第i个采样点的RSSI表示为RSRP表示为ri2＝{ri12,ri22,...,rid2}，RSRQ表示为ri3＝{ri13,ri23,...,rid3}；C2、将每个采样点的位置信号分别与其三个信号强度参数信息RSSI、RSRP、RSRQ进行组合，得到三个d+2维的高维数据点：聚类阶段：在采样阶段一获得三组n个且维度为d+2的向量，所有向量组合得到三个维度为d+2×n的矩阵，统一表示为：Xv表示第v个视图的数据矩阵；对三个矩阵采用欧氏距离和图拉普拉斯矩阵的强约束的自适应多视图聚类算法进行聚类，该算法具体包括以下步骤：J1、建立目标函数，即其中，si是一个向量，其第j个元素是相似度矩阵S中的sij；LS＝DS-ST-S2为拉普拉斯矩阵，S∈Rn×n，DS度矩阵是对角线元素为di＝∑jsij+sji2的对角矩阵；是向量的二范数的平方，它是向量中所有元素的平方和，Tr·是矩阵的迹，它是矩阵对角线上元素之和；FT是矩阵F的转置；α和λ是人工设定的参数；J2、对S和F求偏导，目标函数等价于： 其中，由于使用的是循环迭代的求解算法，因此在求解过程中wv可以被视为常数，并且这个加权的系数本身是由三个信号参数的数据得到的，在迭代的过程中实现了自适应加权的功能，可综合考虑三个视图的差异；J3、使用循环迭代方法对目标函数进行求解，并且每一步中分别更新S和F；当求解S时，使用上一步得到的S计算wv并进行加权计算公式，即：在求解F时，由于s可以被视为常数，故矩阵F的求解问题简化为一个经典的谱聚类求解，即：J4、在得到矩阵F之后，对这个矩阵使用k-means算法，得到k个类别的集合C＝{c1,c2,c3,…,ck}，这一步将n个数据点分为了k个类别，每一个类别中的数据点彼此的相似度更高；实时定位阶段：包括以下步骤：S1、对于采集的样本中每一个类别中的数据点，去掉它们的位置信息xi，yi，只保留RSSI的数据ri＝{ri1，ri2，…，rid}；S2、对于每一个类别，求这些类别中的数据点的信号强度均值，得到k个均值点rk＝{rk1，rk2，…，rkd}；S3、对于高维的数据点，欧氏距离越接近，则两个数据点的相似度就越高，分别求这k个均值点和检测到的信号点的信号强度向量的欧氏距离，得到其中最小值对应的类别；S4、确定S3得到类别之后，对这一类别中的所有向量的位置信息部分求均值，估算出检测点的位置R1。

全文数据：

权利要求：

百度查询： 陕西智引科技有限公司 一种基于欧氏距离及图拉普拉斯矩阵强约束的自适应多视图聚类算法的5G矿井下定位方法