基于深度负相关学习的室内WiFi指纹定位技术
【摘要】 本文提出了一种新的基于深度负相关学习的WiFi室内定位模型。通过负相关学习约束，多个学习器能学习到不同的表征特性，从而有效降低模型的过拟合，并极大地提升其泛化能力。同时该模型将负相关学习方法应用到去噪自编码器和回归预测器上，并利用深度学习方法使其很好地适应随环境和时间变化的RSSI信号，提高了在长时间间隔内的定位性能。利60d平均定位误差也仅为0.89m，误差仅用负相关学习方法使定位模型在初始时候的平均定位误差从1.57m下降为0.77m，0.12m，仅只增加验证了负相关学习能够削弱环境变化对定位的影响。
