井下煤炭开采中矿难时有发生,井下定位算法的精准度和稳定性关系到灾后救援的效率,一套行之有效定位系统可以很大程度上减少财产和生命损失。本文研究了现有的定位技术及其优缺点,重点探究了普适性较强的基于位置指纹的定位方法。论文提出了基于梯度提升回归树的井下定位算法用以提高定位系统的精准度,提出了自适应高斯加权滤波器预处理位置指纹集用以提高数据的稳定性和可靠性,该定位系统的建立分为位置指纹的采集、模型训练和在线定位三个阶段。离线采集阶段,本文充分考虑到井下巷道复杂的多径效应影响,普通的经验传播模型难以准确表达信号的传播损耗,因此采用射线追踪算法模拟井下信号多次发射叠加的结果,得到更加贴近真实环境的指纹数据集。此外由于井下信号的时变性严重,本文提出了自适应高斯加权滤波器用于滤除数据集中的奇异信号,与均值距离近的信号赋予更大的权值,距离远的信号赋予较小的权值,得到更为稳定可靠的训练数据集。模型训练阶段,本文提出基于梯度提升回归树(Gradient Boosting Regression Tree,GBRT)的井下定位算法,该算法可以看作前向分布算法和加法模型的组合体,对处理过的指纹数据集建立多颗连续的串行回归树,基于启发式搜索和均方误差最小化准则确定每棵回归树的最佳切分点,然后计算出回归树的拟合坐标和真实坐标之间的残差,以后的每一棵回归树则拟合上一棵回归树的残差值,最后把所有回归树的拟合坐标相加,就得到了梯度提升回归树模型。论文首先介绍了该算法的建立过程,然后分析了回归树深度、子采样比例、最大迭代次数和学习率四个参数对定位精度的影响,最终确定了适用于井下指纹数据集的模型参数。在线定位阶段,把位置坐标未知的信号强度向量输入到梯度提升回归树模型中,即可输出该信号强度向量所对应的坐标值,从而实现定位。论文最后对梯度提升回归树算法进行仿真验证算法的有效性和可靠性。在50个点的随机定位中,平均误差为0.54米,X轴上的平均误差为0.28米,Y轴上的平均误差为0.29米。然后对比了 K最近邻(K-Nearest Neighbor,KNN)、随机森林(Random Forest,RF)、支持向量机(Support Vector Machine,SVM)、神经网络多层感知器(Multi-layer Perceptron Regressor,MLPR)和GBRT五种算法的误差累积分布函数和行人轨迹定位结果,GBRT算法的定位结果都明显优于其他四种算法。考虑到行人走动的特性,论文最后对GBRT的定位结果进行5点平均滤波,滤波后的定位轨迹更加贴近真实轨迹。仿真结果表明,基于梯度提升回归树的井下定位算法精度较高,可以满足井下定位需求。