朱顺涛， 卢先领

(江南大学 物联网工程学院，江苏 无锡 214122)

0 引 言

近年来，随着无线局域网(wireless local area network,WLAN)的广泛部署以及人们对于室内位置服务的需求与日俱增，WLAN室内定位技术引起了国内外学者的广泛关注[1,2]。根据定位原理的不同，WLAN室内定位技术可分为以下3类：最近接入点(access point,AP)定位、几何计算定位和位置指纹定位[3]。其中，位置指纹定位法凭借定位精度较高、对环境及设备要求低等优点，目前已经成为室内定位技术中的研究热点[4]。文献[5]提出了基于极限学习机(extreme learning machine, ELM)的指纹定位算法，大幅减少了离线阶段的训练时间。文献[6]在ELM中引入了二次锥规划提高定位算法的抗噪能力，缺点是未考虑室内环境的变化；文献[7]对ELM中的隐含层节点进行增量式添加，但由于隐含层节点参数随机分配，定位精度提高不明显。文献[8]提出了一种混沌优化的极限学习机(chaos extreme learning machine，CELM)算法，利用复合混沌优化和混沌尺度变化算法优化ELM的隐含层参数，提高了ELM的泛化性能，但CELM算法容易陷入局部最优，导致定位精度下降。

本文针对现有室内指纹定位算法在定位精度和对环境适应性这两方面缺乏综合考虑的问题，提出了一种基于并行混沌优化的在线连续极限学习机(parallel chaos online sequential-ELM，PCOS-ELM)的定位算法。通过对传统混沌优化二次载波部分进行并行化搜索，避免了在处理高维化问题时陷入局部最优；通过分块矩阵的运算法则对初始化定位模型进行在线连续学习，提高了算法对动态环境的适应性能。

1 CELM定位算法

设有N个位置指纹数据{(xj,tj)}j=1,2,…,N，隐含层节点个数为L，基于ELM的位置估计模型如下