文档介绍：第 37 卷 第 6 期 电 子 科 技 大 学 学 报
2008年11月 年来机器学习中最有影
非直达波传播带来的误差由环境决定，随着环境不 响的成果之一，可成功克服神经网络的上述缺陷。
同而呈不同的误差分布，抑制非直达波实质上就是 文献[8]提出利用最小二乘支持向量机(LS-SVM)抑
抑制环境对定位精度的影响。 制非直达波误差，该方法通过对一定数量位置估计
目前抑制非直达波误差的方法主要有：(1) 利用 样本的学习，得到定位系统无线传播信道的系统函
散射体信息[2]；(2) 进行加权和约束[3]；(3) 直达波 数的估计，对未知TOA数据的移动台进行位置估计。
鉴别[4]。由于非直达波误差是由环境决定的，上述 尽管支持向量机方法具有较好的推广能力，但
几何的方法不能有效地抑制非直达波误差，因此出 由于SVM的最优超平面最终只由少部分样本构成，
现了一些学习型算法。文献[5]利用克利金(Kriging) 因此SVM对噪声点或野值非常敏感，容噪性较差。
数据内插法建立NLOS误差数据库进行定位。文献[6] 针对这种情况，模糊支持向量机方法(FSVM)在SVM
提出利用神经网络学习方法抑制非直达波误差，取 的基础上，将模糊数学引入其中，对不同的样本采
得了一定效果。但神经网络训练过程遵循经验风险 用不同的模糊隶属度，以致在构造目标函数时，不
最小化准则，存在过拟合、网络层次节点不易确定、 同的样本有不同的贡献，对含有噪声与野值的样本
效率取决于样本的复杂性等固有缺陷。文献[7]利用 赋予较小的权值，在一定的程度上可消除噪声与野
核函数等方法描述测试数据与训练数据之间的相似 值的影响。
收稿日期： 2007 - 07 - 02；修回日期：2008 - 01 - 15
基金项目：国家自然科学基金(60372022；607721467)
作者简介：万 群(1971 - )，男，教授，博士生导师，主要从事移动定位、 电 子 科 技 大 学 学 报