一種基于wlan的室內(nèi)定位方法
【專利摘要】本發(fā)明公開了一種基于WLAN的室內(nèi)定位方法，屬于室內(nèi)無線通信和網(wǎng)絡(luò)【技術(shù)領(lǐng)域】。方法包括：將采樣點采集到的各個AP的RSSI數(shù)據(jù)預(yù)處理，從中提取出一維和二維向量分別作為特征向量；對特征向量聚類分析將待定位區(qū)域劃分為多個定位子區(qū)域；針對每組特征向量，分別訓(xùn)練出各自相應(yīng)的分類模型；基于分類模型結(jié)合“投票”機制從所有子區(qū)域中選取票數(shù)最高的子區(qū)域集合；采用兩輪定位縮小子區(qū)域集合范圍，提高定位精度。本發(fā)明充分挖掘利用了RSSI的空間分布特征，解決了大范圍的室內(nèi)定位搜索匹配空間過大，計算復(fù)雜度高等問題；建立新型定位模型，解決現(xiàn)有WLAN室內(nèi)定位方法中，無法有效學(xué)習(xí)和適應(yīng)RSSI信號由于非視距傳輸效應(yīng)、RSSI衰減規(guī)律異常等原因造成的非線性、非高斯統(tǒng)計特性等問題。
【專利說明】—種基于WLAN的室內(nèi)定位方法

【技術(shù)領(lǐng)域】
[0001 ] 本發(fā)明涉及一種WLAN室內(nèi)定位領(lǐng)域的定位方法，屬于室內(nèi)無線通信和網(wǎng)絡(luò)【技術(shù)領(lǐng)域】。

【背景技術(shù)】
[0002]近年來，隨著人們物質(zhì)生活水平的不斷提高，人們對位置服務(wù)的需求也與日俱增，如在人員調(diào)度、資產(chǎn)管理、緊急救援、安全監(jiān)控、安全調(diào)度、智能交通、地圖導(dǎo)航、出行指南等諸多方面對定位的廣泛需求；特別是在應(yīng)對緊急情況是，如緊急救援、救災(zāi)應(yīng)急指揮調(diào)度等特殊應(yīng)用場景下，定位信息更顯得尤為重要。
[0003]隨著普適計算機和分布式通信技術(shù)的深入研究，室內(nèi)無線通信和網(wǎng)絡(luò)技術(shù)飛速發(fā)展，衍生出了基于 WLAN(Wireless Local Area Networks,無線局域網(wǎng))，Bluetooth(藍牙)，WSN(wireless sensor network,無線傳感器網(wǎng)絡(luò))等室內(nèi)定位方式，以及基于指紋和概率法的室內(nèi)定位方法。
[0004]基于WLAN，Bluetooth, WSN等的定位技術(shù)，通過在室內(nèi)進行網(wǎng)格劃分，并在室內(nèi)部署大量的AP (Access Point,訪問接入點)，終端檢測在每個網(wǎng)格內(nèi)接收到的多個AP的RSSI (Received Signal Strength Indicat1n,接收信號強度指示)，由于不同位置接收到的各個信號節(jié)點所發(fā)出的信號強度不同，將在各個網(wǎng)格中接收到的各個節(jié)點的RSSI作為該網(wǎng)絡(luò)的特征量以完成定位。
[0005]基于指紋的室內(nèi)定位，通過采集室內(nèi)區(qū)域內(nèi)不同AP的RSSI，并將對應(yīng)的無線接入點的地址和坐標存儲在數(shù)據(jù)庫中，終端用戶測量周圍無線信號強度，將它與預(yù)先存儲在數(shù)據(jù)庫中的RSSI適量進行匹配定位，從而得到被定位終端用戶的坐標信息。
[0006]概率法利用參考點上的已有訓(xùn)練樣本，得出各個參考點上的RSSI信號概率分布。一般采用高斯函數(shù)進行概率分布擬合，得出各個參考點的高斯概率分布的均值和帶寬。概率法充分利用了信號分布的統(tǒng)計特征，定位精度一般較加權(quán)最近鄰法要高。
[0007]然而，它們同樣存在各自的問題?；谥讣y的室內(nèi)定位方法，在實際應(yīng)用中，對于大范圍的室內(nèi)定位，存在空間匹配搜索范圍較大，計算復(fù)雜度高，存儲空間要求較大的不足，而基于概率法的室內(nèi)定位方法，在實際應(yīng)用中存在RSSI信號在某個固定的參考點上的概率分布呈現(xiàn)非高斯、非線性、多模態(tài)的特性，使得擬合出的概率分布函數(shù)與實際概率分布相差較大，從而導(dǎo)致定位時較大匹配誤差。


【發(fā)明內(nèi)容】

[0008]本發(fā)明要解決的技術(shù)問題是:克服現(xiàn)有技術(shù)的什么不足，提供一種基于WLAN的室內(nèi)定位方法，既能降低匹配搜索范圍，又能得到符合實際情況的預(yù)測模型，一定程度上降低了計算復(fù)雜度和時間復(fù)雜度。
[0009]本發(fā)明要解決的技術(shù)問題是:降低匹配搜索范圍，建立一種符合實際情況的預(yù)測模型，提供一種基于WLAN的室內(nèi)定位方法，包括以下步驟實現(xiàn):
[0010]步驟一:將采樣點采集到的各個AP的RSSI數(shù)據(jù)預(yù)處理，從中提取出一維和二維向量分別作為特征向量。
[0011]對掃描到的RSSI數(shù)據(jù)進行必要的預(yù)處理包括:刪除RSSI小于-1OOdB的數(shù)據(jù)，刪除非定位AP的數(shù)據(jù)。所述刪除非定位AP的數(shù)據(jù)是指，刪除不適于定位的AP的RSSI。不適于定位AP的特征為強度過低(RSSI小于-95dB)或穩(wěn)定性較差(方差大于20)，使用這些AP會增加計算復(fù)雜度，降低定位精度，因此予以排除。
[0012]采用不同提取方法從原始數(shù)據(jù)中提取多種可準確量化RSSI分布規(guī)律的特征向量。包括以下步驟:
[0013](I)將掃描到的所有AP按照MAC地址升序排序，將離線采集時掃描到的所有原始數(shù)據(jù)根據(jù)其采集位置標記上對應(yīng)的采樣點編號；
[0014](2)可以按照以下兩種方法提取各自的特征向量:
[0015]a.將排序后的AP兩兩組合，即將AP按照MAC地址分成￡7:組，每組AP表示為
(APi^Pj)(其中，0〈i〈j彡m，m代表所有AP的個數(shù))，從標記了采樣點的原始數(shù)據(jù)中提取出對應(yīng)AP組合的RSSI向量以及相應(yīng)的采樣點；
[0016]b.每個AP單獨作為一組，即將所有離線采集數(shù)據(jù)按照AP的MAC地址分成m組，每組AP表示為APi (其中，0〈i ( m，m代表所有AP的個數(shù))，從標記了采樣點的原始數(shù)據(jù)中提取出對應(yīng)AP的RSSI —維向量以及相應(yīng)的采樣點。
[0017]步驟二:對特征向量聚類分析，將待定位區(qū)域劃分為多個定位子區(qū)域，每個子區(qū)域反映了一種RSSI分布特征。
[0018]以步驟一中構(gòu)造的特征向量為輸入，以特征向量之間的距離作為相似度度量函數(shù)進行聚類分析?？蛇x的，聚類分析采用可自動發(fā)現(xiàn)聚類數(shù)目的X-means算法。X_means聚類算法改進了 K-means算法，在算法初始運算時無須預(yù)先指定聚類數(shù)K，只需指定一個K的取值范圍[K1，K2] (Κ1〈Κ2)，算法將在指定的范圍內(nèi)找到一個最優(yōu)的聚類數(shù)K，實現(xiàn)聚類劃分。X-means算法以貝葉斯信息準則為指導(dǎo)，不斷遍歷不同類簇的聚類中心即代表不同的信號特征，信號特征反映了在某一區(qū)域內(nèi)信號分布的聚集現(xiàn)象。
[0019]步驟三:針對每組特征向量結(jié)合聚類結(jié)果，分別訓(xùn)練出各自相應(yīng)的分類模型；基于分類模型結(jié)合“投票”機制從所有子區(qū)域中選取票數(shù)最高的子區(qū)域集合。其中包括:
[0020]離線階段，針對步驟二中提出的兩種構(gòu)造方法所構(gòu)造的特征向量，分別訓(xùn)練出每種構(gòu)造方法的每種特征向量所對應(yīng)的支持向量機(Support Vector Machine, SVM)分類模型。SVM是建立在統(tǒng)計學(xué)習(xí)的VC維(VC dimens1n)理論和結(jié)構(gòu)風(fēng)險最小化(structuralrisk minimizat1n)原則基礎(chǔ)上的。SVM通過對分類精度(對特定樣本的分類正確性)和分類能力(對任意樣本進行無錯誤分類)進行折衷，以期使分類器獲得最好的推廣能力。特征值作為SVM分類器的輸入，是對數(shù)據(jù)的抽象描述，因此特征值的選取非常重要，能否準確的反映待分類數(shù)據(jù)特點將直接影響最終的分類效果。
[0021]在線階段，從實時數(shù)據(jù)提取分類特征向量，讀取離線階段訓(xùn)練好的對應(yīng)的SVM分類模型，根據(jù)所述支持向量多項式展開項值，計算待分類向量對應(yīng)于不同區(qū)域的概率，結(jié)合“投票”機制從所有區(qū)域中選取票數(shù)最高的區(qū)域集R。
[0022]在線定位階段的具體操作包括:
[0023](I)讀取訓(xùn)練好的SVM分類模型，計算支持向量多項式展開項值；
[0024](2)讀取當(dāng)前采集到的RSSI，提取分類特征向量；
[0025](3)通過多項式核函數(shù)將分類特征向量映射到高維空間，并根據(jù)所述支持向量多項式展開項值計算待分類向量對應(yīng)于不同區(qū)域的概率；
[0026](4)對于每個AP組(APi, APj),判斷劃分出的每個子區(qū)域是否符合條件，如果存在多個子區(qū)域符合條件，則SVM模型認為當(dāng)前設(shè)備可能處于這幾個子區(qū)域的并集內(nèi)；
[0027]所述符合條件的區(qū)域是指，當(dāng)AP組(APi, APj)在某一子區(qū)域的預(yù)測概率大于某一閾值ε (0〈 ε〈I)時，就認為該區(qū)域是符合條件的；
[0028](5)結(jié)合“投票”機制從所有區(qū)域中選取票數(shù)最高的區(qū)域集R，具體步驟包括:
[0029]如果AP組(APpAPj)的樣本數(shù)據(jù)經(jīng)過SVM預(yù)測被認定為在某一區(qū)域內(nèi)，則該區(qū)域票數(shù)加I。從幾何上表現(xiàn)為選取被覆蓋次數(shù)最多的區(qū)域當(dāng)作粗粒度的定位區(qū)域，每個區(qū)域的票數(shù)應(yīng)當(dāng)在O到^之間。
[0030]步驟四:采用兩輪定位縮小區(qū)域集范圍，提高定位精度。具體包括:
[0031](I)讀取訓(xùn)練好的SVM分類模型，計算支持向量多項式展開項值；
[0032](2)讀取當(dāng)前采集到的RSSI，提取分類特征向量，并對分類特征進行標準化；
[0033](3)通過多項式核函數(shù)將分類特征向量映射到高維空間，并根據(jù)所述支持向量多項式展開項值計算待分類向量對應(yīng)于不同區(qū)域的概率，從中選取步驟三中求出的粗粒度定位區(qū)域R內(nèi)各個區(qū)域的概率；
[0034](4)對于每個APi,判斷劃分出的每個子區(qū)域是否符合條件，且該子區(qū)域是步驟三中求出的粗粒度定位區(qū)域R的子集，如果存在多個子區(qū)域符合條件，則SVM模型認為當(dāng)前設(shè)備可能處于這幾個子區(qū)域的并集內(nèi)；
[0035]所述符合條件的區(qū)域是指，當(dāng)APi在某一區(qū)域的預(yù)測概率大于某一閾值ε (0〈 ε〈I)時，就認為該區(qū)域是符合條件的；
[0036](5)結(jié)合“投票”機制從R中選取票數(shù)最高的區(qū)域集R’，具體步驟包括:如果APi的樣本數(shù)據(jù)經(jīng)過SVM預(yù)測被認定為在某一區(qū)域內(nèi)，則該區(qū)域票數(shù)加I。從幾何上表現(xiàn)為選取被覆蓋次數(shù)最多的區(qū)域當(dāng)作細粒度的定位區(qū)域，每個區(qū)域的票數(shù)應(yīng)當(dāng)在O到m之間。
[0037]本發(fā)明提供的技術(shù)方案的有益效果是:本發(fā)明充分挖掘利用了 RSSI的空間分布特征，降低了因區(qū)域劃分不當(dāng)造成的定位區(qū)域偏差；建立新型定位模型，解決現(xiàn)有WLAN室內(nèi)定位方法中，無法有效學(xué)習(xí)和適應(yīng)RSSI信號的由于非視距傳輸效應(yīng)、多徑傳播效應(yīng)和RSSI衰減規(guī)律異常等原因造成的非線性、非高斯統(tǒng)計特性，以及大范圍的室內(nèi)定位，搜索匹配空間過大，計算復(fù)雜度高等問題。

【專利附圖】

【附圖說明】
[0038]為了更清楚地說明本發(fā)明實施例中的技術(shù)方案，下面將對實施例描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。
[0039]圖1為本發(fā)明方法實現(xiàn)流程圖；
[0040]圖2為本發(fā)明方法的聚類流程圖；
[0041]圖3為本發(fā)明方法的另一種聚類流程圖；
[0042]圖4為本發(fā)明方法的訓(xùn)練流程圖；
[0043]圖5為本發(fā)明方法的一種粗粒度定位流程圖；
[0044]圖6為本發(fā)明方法的一種細粒度定位流程圖。

【具體實施方式】
[0045]下面結(jié)合流程圖和具體實施例對本發(fā)明具體實施方案做進一步說明。
[0046]圖2為本發(fā)明方法的聚類流程圖，該流程屬于離線階段的一部分。具體可以包括如下步驟:
[0047]201、在每個校標點使用智能手機高頻掃描周邊AP信號，掃描出的數(shù)據(jù)格式如表1所示。需要注意的是，每個校標點采集的數(shù)據(jù)條數(shù)不固定，因采集時間長短而異。如果當(dāng)前位置未能采集到相應(yīng)AP的RSSI，用-1OOdB填補。
[0048]表1掃描數(shù)據(jù)格式
[0049]

【權(quán)利要求】
1.一種基于WLAN的室內(nèi)定位方法，其特征在于實現(xiàn)步驟如下: 步驟一:將采樣點采集到的各個AP的RSSI數(shù)據(jù)預(yù)處理，從中提取出一維和二維向量分別作為特征向量； 步驟二:對特征向量聚類分析，將待定位區(qū)域劃分為多個定位子區(qū)域； 步驟三:針對每組特征向量結(jié)合聚類結(jié)果，分別訓(xùn)練出各自相應(yīng)的分類模型；基于分類模型結(jié)合“投票”機制從所有子區(qū)域中選取票數(shù)最高的子區(qū)域集合； 步驟四:采用兩輪定位縮小子區(qū)域集合范圍，提高定位精度。
2.根據(jù)權(quán)利要求1所述的基于WLAN的室內(nèi)定位方法，其特征在于:所述步驟一將采樣點采集到的各個AP的RSSI數(shù)據(jù)預(yù)處理，包括:刪除RSSI過低的數(shù)據(jù)，刪除非定位AP的數(shù)據(jù)，填補未被掃描到的RSSI數(shù)據(jù)； 所述刪除RSSI過低的數(shù)據(jù)是指，將RSSI強度低于某一閾值的數(shù)據(jù)刪除；所述刪除非定位AP的數(shù)據(jù)是指，刪除不適于定位的AP的RSSI，不適于定位AP的特征為強度過低(即RSSI小于-95dB)或穩(wěn)定性較差(即方差大于20)。
3.根據(jù)權(quán)利要求1所述的基于WLAN的室內(nèi)定位方法，其特征在于:所述步驟一從預(yù)處理數(shù)據(jù)中提取出一維和二維向量分別作為特征向量，包括: (1)將掃描到的所有AP按照MAC地址升序排序； (2)按照以下兩種方法提取一維和二維向量作為特征向量: a.將排序后的AP兩兩組合，將AP按照MAC地址分成組，每組AP表示為(APi,APj)，其中，0〈i〈j ( m，m代表所有AP的個數(shù)，從預(yù)處理后的數(shù)據(jù)中提取出這些AP組合構(gòu)成的向量作為特征向量； b.每個AP單獨作為一組，即將所有離線采集數(shù)據(jù)按照AP的MAC地址分成m組，每組AP表示為APi,其中，0〈i < m，m代表所有AP的個數(shù)，從預(yù)處理后的數(shù)據(jù)中提取出這些AP構(gòu)成的向量作為特征向量。
4.根據(jù)權(quán)利要求1所述的基于WLAN的室內(nèi)定位方法，其特征在于:所述步驟二中，對特征向量聚類分析，將待定位區(qū)域劃分為多個定位子區(qū)域，具體步驟為:以步驟二中構(gòu)造的特征向量為輸入，以特征向量之間的距離作為相似度度量函數(shù)進行聚類分析，聚類分析采用可自動發(fā)現(xiàn)聚類數(shù)目的X-means算法。
5.根據(jù)權(quán)利要求1所述的基于WLAN的室內(nèi)定位方法，其特征在于:所述步驟三，具體實現(xiàn)過程包括離線階段和在線階段；離線階段，針對步驟二中提出的兩種構(gòu)造方法所構(gòu)造的特征向量，分別訓(xùn)練出每種構(gòu)造方法的每種特征向量所對應(yīng)的支持向量機(Support Vector Machine, SVM)分類模型；在線階段，從實時數(shù)據(jù)提取分類特征向量，讀取離線階段訓(xùn)練好的SVM分類模型，根據(jù)所述支持向量多項式展開項值，計算待分類向量對應(yīng)于不同區(qū)域的概率，結(jié)合“投票”機制從所有區(qū)域中選取票數(shù)最高的區(qū)域集R ; 所述投票機制是指，如果AP組(APi, APp的樣本數(shù)據(jù)經(jīng)過SVM預(yù)測被認定為在某一區(qū)域內(nèi)，則該區(qū)域票數(shù)加I ;遍歷所有AP組的EV (APi, APj)并投票，選定票數(shù)最多的區(qū)域作為定位的粗粒度定位區(qū)域，每個區(qū)域的票數(shù)應(yīng)當(dāng)在ο到f2之間。



^ m
6.根據(jù)權(quán)利要求5所述的基于WLAN的室內(nèi)定位方法，其特征在于:所述在線定位階段的具體操作包括: (1)讀取訓(xùn)練好的SVM分類模型，計算支持向量多項式展開項值； (2)讀取當(dāng)前采集到的RSSI，提取分類特征向量； (3)通過多項式核函數(shù)將分類特征向量映射到高維空間，并根據(jù)所述支持向量多項式展開項值計算待分類向量對應(yīng)于不同區(qū)域的概率； (4)對于每個AP組(APi,APj),判斷劃分出的每個子區(qū)域是否符合條件，如果存在多個子區(qū)域符合條件，則SVM模型認為當(dāng)前設(shè)備可能處于這幾個子區(qū)域的并集內(nèi)。
7.根據(jù)權(quán)利要求1所述的基于WLAN的室內(nèi)定位方法，其特征在于:所述步驟四，采用兩輪定位縮小區(qū)域集范圍，具體實現(xiàn)為: (1)讀取訓(xùn)練好的SVM分類模型，計算支持向量多項式展開項值； (2)讀取當(dāng)前采集到的RSSI，提取分類特征向量，并對分類特征進行標準化； (3)通過多項式核函數(shù)將分類特征向量映射到高維空間，并根據(jù)所述支持向量多項式展開項值計算待分類向量對應(yīng)于不同區(qū)域的概率，從中選取步驟三中求出的粗粒度定位區(qū)域R內(nèi)各個區(qū)域的概率； (4)對于每個APi,判斷劃分出的每個子區(qū)域是否符合條件，且該子區(qū)域是步驟三中求出的粗粒度定位區(qū)域R的子集，如果存在多個子區(qū)域符合條件，則SVM模型認為當(dāng)前設(shè)備可能處于這幾個子區(qū)域的并集內(nèi)； (5)結(jié)合“投票”機制從R中選取票數(shù)最高的區(qū)域集R’，具體步驟包括:如果APi的樣本數(shù)據(jù)經(jīng)過SVM預(yù)測被認定為在某一區(qū)域內(nèi)，則該區(qū)域票數(shù)加1，根據(jù)每個AP的定位區(qū)域投票，選定票數(shù)最多的區(qū)域作為定位的細粒度定位區(qū)域，每個區(qū)域的票數(shù)應(yīng)當(dāng)在O到m之間。
【文檔編號】G01S5/02GK104185275SQ201410458932
【公開日】2014年12月3日 申請日期:2014年9月10日 優(yōu)先權(quán)日:2014年9月10日
【發(fā)明者】諸彤宇, 劉帥, 宋志新 申請人:北京航空航天大學(xué)