近日，電子科技大學自動化工程學院謝永樂教授團隊，針對物聯網框架下室內定位預測的準確性和魯棒性，提出了一種新的核自適應濾波演算法，即基於核冪均值最小誤差準則（KMPE）的稀疏廣義學生核自適應濾波器（SGStKAF）。該濾波器使用了一種新的核函式——廣義學生核，得到了一種精度高、魯棒性強、計算效率高的非線性自適應濾波器。
該項研究成果日前在Elsevier旗下的刊物Information Sciences正式發表（中科院一區TOP期刊），論文題為《L1-norm constraint kernel adaptive filtering framework for precise and robust indoor localization under the internet of things》。論文第一作者為2020級碩士生趙欣，通訊作者為趙欣的碩士指導教師李西峰副教授，電子科技大學為第一作者單位。該研究得益於李西峰副教授的悉心指導，並得到謝永樂教授主持的國家自然科學基金“國家重大科研儀器研製”專案的支援。
隨著物聯網時代的到來，位置識別已成功應用於導航、機器人、人員管理等各個領域。到目前為止，位置資訊的可用性已經成為允許基於位置服務的通訊系統的一個關鍵因素。然而由於室內環境的複雜，傳統的GPS系統直接應用於室內定位時會大大降低定位精度。為了提高物聯網框架下室內定位預測的準確性和魯棒性，論文作者受到核自適應濾波（KAF）的啟發，提出了稀疏廣義學生核自適應濾波器。在該濾波器中，廣義學生t核能有效抑制突變噪聲；基於L2範數的損失函式保證了定點子迭代的可計算性，得到了更精確的解；神經網路的稀疏結構進一步壓縮了模型大小，減少了計算成本。
圖1：模擬場景
為了評估新的非線性自適應濾波器SGStKAF在室內定位的準確性和魯棒性，研究小組在模擬場景和真實場景分別進行了實驗。在模擬場景中（如圖1所示），包含100個固定訓練點位於11mX11m區域，其中所有藍色訓練點均勻分佈在整個房間內，隨機選取20個紅色測試點，環境干擾被建模為高斯脈衝混合噪聲；真實場景取自電子科技大學立人樓A區411的教室（如圖2所示），該場景存在較多障礙物，且背靠多媒體教室，存在著複雜干擾。
圖2：真實場景
以真實場景為例，將所提出的SGStKAF演算法與其他KAF相關演算法以及目前廣泛使用的室內定位方法進行了詳細的效能比較，實測證明本文演算法獲得了更好的效能：一方面，與其他所有KAF相關演算法相比，SGStKAF演算法的精度效能至少提高了5.90%，同時該演算法在真實場景中的位置預測MSE曲線收斂更快（見圖3）；另一方面，與傳統的室內定位演算法相比，所提出的演算法的精度至少提高了13.20%。
表1：真實場景中不同核自適應濾波演算法的效能比較
表2：真實場景中不同演算法比較
圖3：真實場景中基於KAF演算法的位置預測MSE
實測結果證明了該演算法在模擬和真實場景下解決室內定位問題的準確性、有效性和優越性。
