專利名稱：一種定位方法和裝置的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及無(wú)線通信應(yīng)用領(lǐng)域，特別涉及一種定位方法和裝置。
背景技術(shù)：
隨著物聯(lián)網(wǎng)應(yīng)用的不斷擴(kuò)大和深入，位置感知計(jì)算(Location-aware Computing)、基于位置的服務(wù)(LBS，Location-based Services)顯得越來(lái)越重要，離開位置 信息，感知數(shù)據(jù)也失去了應(yīng)用價(jià)值。由于RSSI (Received signal strength index，接收信 號(hào)強(qiáng)度指示)無(wú)需額外的硬件裝置，成本低，能滿足大規(guī)模應(yīng)用要求，目前，室內(nèi)定位大多 采用基于RSSI的定位方式。在現(xiàn)有技術(shù)中，基于RSSI的定位方式主要通過(guò)測(cè)距的方法實(shí)現(xiàn)，根據(jù)需要通過(guò)物 理手段直接測(cè)量節(jié)點(diǎn)間的距離，以判斷定位目標(biāo)的位置。在對(duì)節(jié)點(diǎn)間的距離測(cè)量時(shí)，需要獲 取目標(biāo)的接收發(fā)射信號(hào)的信號(hào)強(qiáng)度。定位目標(biāo)根據(jù)接收到的信號(hào)強(qiáng)度，計(jì)算信號(hào)在傳播過(guò) 程中的損耗，使用理論或經(jīng)驗(yàn)的信號(hào)傳播模型將傳播損耗轉(zhuǎn)化為距離，通過(guò)該距離計(jì)算與 信號(hào)發(fā)射器的距離，達(dá)到定位的目的。但是，在發(fā)明人實(shí)現(xiàn)本發(fā)明的過(guò)程中，發(fā)現(xiàn)現(xiàn)有技術(shù)至少存在如下問(wèn)題定位環(huán)境通常相對(duì)復(fù)雜，尤其表現(xiàn)在對(duì)室內(nèi)環(huán)境進(jìn)行定位時(shí)，信號(hào)微弱，且多徑、 反射現(xiàn)象嚴(yán)重，測(cè)距過(guò)程很容易受其影響產(chǎn)生測(cè)距誤差，且由此帶來(lái)的定位誤差容易造成 累積，影響定位精度。并且，在進(jìn)行定位時(shí)，定位目標(biāo)經(jīng)常處于移動(dòng)的狀態(tài)，每一次定位都是 獨(dú)立的，不能體現(xiàn)定位目標(biāo)前后位置的相關(guān)性，缺乏定位精度。

發(fā)明內(nèi)容
為了解決現(xiàn)有技術(shù)中定位存在的問(wèn)題，本發(fā)明提出了一種定位方法和裝置。所述 技術(shù)方案如下本發(fā)明實(shí)施例提出了一種定位方法，所述方法包括獲取未知位置的無(wú)線信號(hào)及所述無(wú)線信號(hào)的信號(hào)強(qiáng)度和所述無(wú)線信號(hào)所屬的預(yù) 先布設(shè)的信標(biāo)節(jié)點(diǎn)的ID (Identity，標(biāo)識(shí)碼)；對(duì)所述無(wú)線信號(hào)所屬的預(yù)先布設(shè)的信標(biāo)節(jié)點(diǎn)的ID和信號(hào)強(qiáng)度進(jìn)行處理得到未知 位置特征；獲取所述未知位置的上一個(gè)位置的坐標(biāo)，并根據(jù)所述上一個(gè)位置的坐標(biāo)對(duì)定位區(qū) 域內(nèi)預(yù)先劃分的網(wǎng)格進(jìn)行剔除；根據(jù)所述未知位置特征和所述定位區(qū)域內(nèi)進(jìn)行網(wǎng)格剔除后的剩余網(wǎng)格的重心坐 標(biāo)計(jì)算得到所述未知位置的坐標(biāo)。進(jìn)一步地，在獲取未知位置的無(wú)線信號(hào)及該無(wú)線信號(hào)的信標(biāo)節(jié)點(diǎn)和信號(hào)強(qiáng)度之 前，所述方法還包括獲取所述定位區(qū)域內(nèi)的網(wǎng)格的信號(hào)特征；通過(guò)訓(xùn)練建立網(wǎng)格分類模型；
相應(yīng)地，所述根據(jù)所述未知位置特征和所述定位區(qū)域內(nèi)進(jìn)行網(wǎng)格剔除后的剩余網(wǎng) 格的重心坐標(biāo)計(jì)算得到所述未知位置的坐標(biāo)，具體的為，根據(jù)所述未知位置特征和所述網(wǎng) 格分類模型對(duì)所述定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格進(jìn)行排序，并獲取排序靠前的約定個(gè)網(wǎng)格的 重心坐標(biāo)，根據(jù)所述排序靠前的約定個(gè)網(wǎng)格的重心坐標(biāo)計(jì)算得到所述未知位置的坐標(biāo)。進(jìn)一步地，獲取定位區(qū)域內(nèi)的網(wǎng)格的信號(hào)特征，具體包括采用在所述每一個(gè)網(wǎng)格中自由移動(dòng)的方式逐一的采集所述定位區(qū)域內(nèi)的每一個(gè) 網(wǎng)格的多個(gè)位置的信號(hào)特征，并將所述定位區(qū)域內(nèi)的每一個(gè)網(wǎng)格的多個(gè)位置的信號(hào)特征集 合起來(lái)作為所述定位區(qū)域內(nèi)的網(wǎng)格的信號(hào)特征。進(jìn)一步地，所述采集所述每一個(gè)網(wǎng)格的多個(gè)位置的信號(hào)特征中的一個(gè)位置的信號(hào) 特征，具體包括接收當(dāng)前位置可得到的無(wú)線信號(hào)，測(cè)量并讀取得到所述無(wú)線信號(hào)中的信標(biāo)節(jié)點(diǎn)ID 和所述當(dāng)前位置接收到的每個(gè)ID的信標(biāo)節(jié)點(diǎn)的無(wú)線信號(hào)的信號(hào)強(qiáng)度，并將當(dāng)前位置接收 不到的所述預(yù)先布設(shè)的信標(biāo)節(jié)點(diǎn)的無(wú)線信號(hào)的信號(hào)強(qiáng)度設(shè)置為默認(rèn)值；對(duì)所述每個(gè)ID的信標(biāo)節(jié)點(diǎn)的無(wú)線信號(hào)的信號(hào)強(qiáng)度進(jìn)行濾波處理；將所述進(jìn)行濾波處理后得到的所述每個(gè)ID的信標(biāo)節(jié)點(diǎn)的無(wú)線信號(hào)的信號(hào)強(qiáng)度保 存為所述當(dāng)前位置的信號(hào)特征；其中，所述信號(hào)特征在保存時(shí)，每個(gè)經(jīng)過(guò)濾波處理后的無(wú)線信號(hào)的信號(hào)強(qiáng)度與所 述無(wú)線信號(hào)的信號(hào)強(qiáng)度所屬的信標(biāo)節(jié)點(diǎn)的ID相對(duì)應(yīng)。進(jìn)一步地，所述通過(guò)訓(xùn)練建立網(wǎng)格分類模型，具體包括對(duì)所述信號(hào)特征進(jìn)行歸一化處理，并將歸一化處理結(jié)果作為所述網(wǎng)格的網(wǎng)格特 征；根據(jù)所述網(wǎng)格特征建立所述網(wǎng)格分類模型的訓(xùn)練集；取所述訓(xùn)練集中的每個(gè)樣本中的預(yù)設(shè)部分輸入到SVM (support vector machines，支持向量機(jī))中建立訓(xùn)練模型；將所述訓(xùn)練集中每個(gè)樣本中的剩余部分輸入到SVM中進(jìn)行測(cè)試，判斷所述訓(xùn)練模 型的準(zhǔn)確率，并根據(jù)所述準(zhǔn)確率調(diào)整訓(xùn)練模型參數(shù)，將所述準(zhǔn)確率達(dá)到最高時(shí)得出的訓(xùn)練 模型作為網(wǎng)格分類模型；其中，所述訓(xùn)練集中每個(gè)樣本中的剩余部分為所述訓(xùn)練集中除去所述每個(gè)樣本中 的預(yù)設(shè)部分后剩余的部分。進(jìn)一步地，對(duì)所述信標(biāo)節(jié)點(diǎn)和信號(hào)強(qiáng)度進(jìn)行處理得到未知位置特征，具體包括對(duì)所述信號(hào)強(qiáng)度進(jìn)行濾波處理，得到所述信號(hào)強(qiáng)度的濾波處理結(jié)果；對(duì)所述濾波處理結(jié)果進(jìn)行歸一化處理，得到所述信號(hào)強(qiáng)度的歸一化處理結(jié)果；將所述信號(hào)強(qiáng)度的歸一化處理結(jié)果與所述信號(hào)強(qiáng)度所屬的預(yù)先布設(shè)的信標(biāo)節(jié)點(diǎn) 的ID相對(duì)應(yīng)保存得到未知位置特征。進(jìn)一步地，根據(jù)所述上一個(gè)位置的坐標(biāo)對(duì)定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格進(jìn)行剔除， 具體包括根據(jù)所述上一個(gè)位置的坐標(biāo)和所述定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格的重心坐標(biāo)計(jì)算 所述上一個(gè)位置與所述定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格的距離，將與所述上一個(gè)位置的距離大 于預(yù)定值的網(wǎng)格進(jìn)行剔除。
進(jìn)一步地，根據(jù)所述未知位置特征和所述網(wǎng)格分類模型對(duì)所述定位區(qū)域內(nèi)預(yù)先劃 分的網(wǎng)格進(jìn)行排序，具體包括將所述未知位置特征和所述網(wǎng)格分類模型輸入到SVM中，采用一比一的分類策略 對(duì)所述定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格進(jìn)行分類，并得出每?jī)深惖姆诸惤Y(jié)果，將所述分類結(jié)果 對(duì)應(yīng)的網(wǎng)格的投票值遞增1，當(dāng)所有分類運(yùn)算結(jié)束后，根據(jù)所述定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格 中每個(gè)網(wǎng)格的投票值從高到低進(jìn)行排序，其中，在對(duì)所述定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格進(jìn)行 排序時(shí)，將所述定位區(qū)域內(nèi)被剔除的網(wǎng)格置為排序的末尾。一種定位裝置，所述裝置包括無(wú)線信號(hào)獲取模塊，用于獲取未知位置的無(wú)線信號(hào)及所述無(wú)線信號(hào)的信號(hào)強(qiáng)度和 所述無(wú)線信號(hào)所屬的預(yù)先布設(shè)的信標(biāo)節(jié)點(diǎn)的標(biāo)識(shí)碼ID ；未知位置特征獲取模塊，用于對(duì)所述無(wú)線信號(hào)獲取模塊獲取的所述無(wú)線信號(hào)所屬 的預(yù)先布設(shè)的信標(biāo)節(jié)點(diǎn)的ID和信號(hào)強(qiáng)度進(jìn)行處理得到未知位置特征；剔除模塊，用于獲取所述未知位置的上一個(gè)位置的坐標(biāo)，并根據(jù)所述上一個(gè)位置 的坐標(biāo)對(duì)定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格進(jìn)行剔除；計(jì)算模塊，用于根據(jù)所述未知位置特征獲取模塊獲取的所述未知位置特征和所述 剔除模塊對(duì)所述定位區(qū)域內(nèi)進(jìn)行網(wǎng)格剔除后的剩余網(wǎng)格的重心坐標(biāo)計(jì)算得到所述未知位 置的坐標(biāo)。進(jìn)一步地，所述裝置還包括信號(hào)特征獲取模塊，用于獲取所述定位區(qū)域內(nèi)的網(wǎng)格的信號(hào)特征；網(wǎng)格分類模型建立模塊，用于通過(guò)訓(xùn)練建立網(wǎng)格分類模型；相應(yīng)地，所述計(jì)算模塊，具體包括排序單元，用于根據(jù)所述未知位置特征獲取模塊獲取的所述未知位置特征和所述 網(wǎng)格分類模型建立模塊建立的所述網(wǎng)格分類模型對(duì)所述定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格進(jìn)行 排序；未知位置坐標(biāo)計(jì)算單元，用于獲取排序靠前的約定個(gè)網(wǎng)格的重心坐標(biāo)，根據(jù)所述 排序靠前的約定個(gè)網(wǎng)格的重心坐標(biāo)計(jì)算得到所述未知位置的坐標(biāo)。進(jìn)一步地，所述信號(hào)特征獲取模塊，具體包括信號(hào)特征采集單元，用于采用在所述每一個(gè)網(wǎng)格中自由移動(dòng)的方式逐一的采集所 述定位區(qū)域內(nèi)的每一個(gè)網(wǎng)格的多個(gè)位置的信號(hào)特征；信號(hào)特征存儲(chǔ)單元，用于將所述信號(hào)特征采集單元采集的所述定位區(qū)域內(nèi)的每一 個(gè)網(wǎng)格的多個(gè)位置的信號(hào)特征集合起來(lái)作為所述定位區(qū)域內(nèi)的網(wǎng)格的信號(hào)特征。進(jìn)一步地，所述信號(hào)特征采集單元，具體用于接收當(dāng)前位置可得到的無(wú)線信號(hào)，測(cè) 量并讀取得到所述無(wú)線信號(hào)中的信標(biāo)節(jié)點(diǎn)ID和所述當(dāng)前位置接收到的每個(gè)ID的信標(biāo)節(jié)點(diǎn) 的無(wú)線信號(hào)的信號(hào)強(qiáng)度，并將當(dāng)前位置接收不到的所述預(yù)先布設(shè)的信標(biāo)節(jié)點(diǎn)的無(wú)線信號(hào)的 信號(hào)強(qiáng)度設(shè)置為默認(rèn)值，對(duì)所述每個(gè)ID的信標(biāo)節(jié)點(diǎn)的無(wú)線信號(hào)的信號(hào)強(qiáng)度進(jìn)行濾波處理， 將所述進(jìn)行濾波處理后得到的所述每個(gè)ID的信標(biāo)節(jié)點(diǎn)的無(wú)線信號(hào)的信號(hào)強(qiáng)度保存為所述 當(dāng)前位置的信號(hào)特征，其中，所述信號(hào)特征在保存時(shí)，每個(gè)經(jīng)過(guò)濾波處理后的無(wú)線信號(hào)的信 號(hào)強(qiáng)度與所述無(wú)線信號(hào)的信號(hào)強(qiáng)度所屬的信標(biāo)節(jié)點(diǎn)的ID相對(duì)應(yīng)。進(jìn)一步地，所述網(wǎng)格分類模型建立模塊，具體包括
網(wǎng)格特征獲取單元，用于對(duì)所述信號(hào)特征獲取模塊獲取的所述信號(hào)特征進(jìn)行歸一 化處理，并將歸一化處理結(jié)果作為所述網(wǎng)格的網(wǎng)格特征；訓(xùn)練集建立單元，用于根據(jù)所述網(wǎng)格特征獲取單元獲取的網(wǎng)格特征建立所述網(wǎng)格 分類模型的訓(xùn)練集；訓(xùn)練模型建立單元，用于從所述訓(xùn)練集建立單元建立的所述訓(xùn)練集中的每個(gè)樣本 中取出預(yù)設(shè)的部分輸入到SVM中建立訓(xùn)練模型；網(wǎng)格分類模型建立單元，用于將所述訓(xùn)練集建立單元建立的訓(xùn)練集中的每個(gè)樣本 的剩余部分輸入到SVM中進(jìn)行測(cè)試，判斷所述訓(xùn)練模型建立單元建立的訓(xùn)練模型的準(zhǔn)確 率，并根據(jù)所述準(zhǔn)確率調(diào)整訓(xùn)練模型參數(shù)，將所述準(zhǔn)確率達(dá)到最高時(shí)得出的訓(xùn)練模型作為 網(wǎng)格分類模型；其中，所述訓(xùn)練集中每個(gè)樣本中的剩余部分為所述訓(xùn)練集中除去所述每個(gè)樣本中 的預(yù)設(shè)部分后剩余的部分。進(jìn)一步地，所述未知位置特征獲取模塊，具體包括濾波單元，用于對(duì)所述信號(hào)強(qiáng)度進(jìn)行濾波處理，得到所述信號(hào)強(qiáng)度的濾波處理結(jié) 果；歸一化單元，用于對(duì)所述濾波單元得到的濾波處理結(jié)果進(jìn)行歸一化處理，得到所 述信號(hào)強(qiáng)度的歸一化處理結(jié)果；未知位置特征獲取單元，用于將所述歸一化單元得到的所述信號(hào)強(qiáng)度的歸一化處 理結(jié)果與所述信號(hào)強(qiáng)度所屬的預(yù)先布設(shè)的信標(biāo)節(jié)點(diǎn)的ID相對(duì)應(yīng)保存得到未知位置特征。進(jìn)一步地，所述剔除模塊，具體包括坐標(biāo)獲取單元，用于獲取所述未知位置的上一個(gè)位置的坐標(biāo)；距離計(jì)算單元，用于根據(jù)所述上一個(gè)位置的坐標(biāo)和所述定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng) 格的重心坐標(biāo)計(jì)算所述上一個(gè)位置與所述定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格的距離；剔除單元，用于根據(jù)所述距離計(jì)算單元計(jì)算得出的所述上一個(gè)位置與所述定位區(qū) 域內(nèi)預(yù)先劃分的網(wǎng)格的距離，將所述與所述上一個(gè)位置的距離大于預(yù)定值的網(wǎng)格進(jìn)行剔 除。進(jìn)一步地，所述排序單元，具體用于將所述未知位置特征獲取模塊獲取的所述未 知位置特征和所述網(wǎng)格分類模型建立模塊建立的所述網(wǎng)格分類模型輸入到SVM中，采用一 比一的分類策略對(duì)所述定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格進(jìn)行分類，并得出每?jī)深惖姆诸惤Y(jié)果， 將所述分類結(jié)果對(duì)應(yīng)的網(wǎng)格的投票值遞增1，當(dāng)所有分類運(yùn)算結(jié)束后，根據(jù)所述定位區(qū)域內(nèi) 預(yù)先劃分的網(wǎng)格中每個(gè)網(wǎng)格的投票值從高到低進(jìn)行排序，其中，在對(duì)所述定位區(qū)域內(nèi)預(yù)先 劃分的網(wǎng)格進(jìn)行排序時(shí)，將所述定位區(qū)域內(nèi)被剔除的網(wǎng)格置為排序的末尾。本發(fā)明實(shí)施例提供的技術(shù)方案的有益效果是本發(fā)明實(shí)施例所提供的用于定位的 方法，不需要進(jìn)行測(cè)距，因此不會(huì)產(chǎn)生測(cè)距誤差，進(jìn)行定位時(shí)的精度高，受信號(hào)影響程度小， 并且能夠體現(xiàn)動(dòng)態(tài)定位過(guò)程中上一個(gè)位置與當(dāng)前位置的相關(guān)性，減小定位誤差。


為了更清楚地說(shuō)明本發(fā)明實(shí)施例的技術(shù)方案，下面將對(duì)實(shí)施例中使用的附圖并做 簡(jiǎn)單地介紹，顯而易見(jiàn)地，下面所列附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。圖1為本發(fā)明實(shí)施例1所提供的一種定位方法的流程圖；圖2為本發(fā)明實(shí)施例2所提供的一種定位方法的流程圖；圖3為本發(fā)明實(shí)施例3所提供的一種定位裝置的結(jié)構(gòu)示意圖；圖4為本發(fā)明實(shí)施例3所提供的一種定位裝置的第二種結(jié)構(gòu)示意圖；圖5為本發(fā)明實(shí)施例3所提供的一種定位裝置中計(jì)算模塊的結(jié)構(gòu)示意圖；圖6為本發(fā)明實(shí)施例3所提供的一種定位裝置中信號(hào)特征獲取模塊的結(jié)構(gòu)示意 圖；圖7為本發(fā)明實(shí)施例3所提供的一種定位裝置中網(wǎng)格分類模型建立模塊的結(jié)構(gòu)示 意圖；圖8為本發(fā)明實(shí)施例3所提供的一種定位裝置中未知位置特征獲取模塊的結(jié)構(gòu)示 意圖；圖9為本發(fā)明實(shí)施例3所提供的一種定位裝置中剔除模塊的結(jié)構(gòu)示意圖。
具體實(shí)施例方式為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合附圖對(duì)本發(fā)明實(shí)施方 式作進(jìn)一步地詳細(xì)描述。實(shí)施例1本發(fā)明實(shí)施例1提出了一種定位的方法，其流程如圖1所示，包括步驟101、獲取未知位置的無(wú)線信號(hào)及該無(wú)線信號(hào)的信號(hào)強(qiáng)度和該無(wú)線信號(hào)所屬 的預(yù)先布設(shè)的信標(biāo)節(jié)點(diǎn)的標(biāo)識(shí)碼ID ；步驟102、對(duì)無(wú)線信號(hào)所屬的預(yù)先布設(shè)的信標(biāo)節(jié)點(diǎn)的ID和信號(hào)強(qiáng)度進(jìn)行處理得到 未知位置特征；步驟103、獲取未知位置的上一個(gè)位置的坐標(biāo)，并根據(jù)該上一個(gè)位置的坐標(biāo)對(duì)定位 區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格進(jìn)行剔除；步驟104、根據(jù)未知位置特征和定位區(qū)域內(nèi)進(jìn)行網(wǎng)格剔除后的剩余網(wǎng)格的重心坐 標(biāo)計(jì)算得到未知位置的坐標(biāo)。本發(fā)明實(shí)施例所提供的用于定位的方法，不需要進(jìn)行測(cè)距，因此不會(huì)產(chǎn)生測(cè)距誤 差，進(jìn)行定位時(shí)的精度高，受信號(hào)影響程度小，并且能夠體現(xiàn)動(dòng)態(tài)定位過(guò)程中上一個(gè)位置與 當(dāng)前位置的相關(guān)性，減小定位誤差。實(shí)施例2本發(fā)明實(shí)施例2提出了一種定位的方法，是在實(shí)施例1基礎(chǔ)上改進(jìn)而來(lái)，其流程如 圖2所示，包括步驟201、獲取未知位置的無(wú)線信號(hào)，并獲取該無(wú)線信號(hào)所屬的預(yù)先布設(shè)的信標(biāo)節(jié) 點(diǎn)的ID和該無(wú)線信號(hào)的信號(hào)強(qiáng)度；其中，在未知位置使用無(wú)線信號(hào)接收裝置對(duì)無(wú)線信號(hào)進(jìn)行接收，無(wú)線信號(hào)接收裝 置在接收到無(wú)線信號(hào)后，可以讀取該無(wú)線信號(hào)中的信標(biāo)節(jié)點(diǎn)ID和該無(wú)線信號(hào)的信號(hào)強(qiáng)度。 并且，在未知位置無(wú)線信號(hào)接收裝置接收到的無(wú)線信號(hào)為多個(gè)，為由不同ID的預(yù)先布設(shè)的 信標(biāo)節(jié)點(diǎn)所發(fā)送，且對(duì)同一 ID的信標(biāo)節(jié)點(diǎn)發(fā)送的無(wú)線信號(hào)接收多個(gè)。
需要說(shuō)明的是，當(dāng)未知位置不能接收到定位區(qū)域內(nèi)所有預(yù)先布設(shè)的信標(biāo)節(jié)點(diǎn)所發(fā) 出的無(wú)線信號(hào)時(shí)，將未知位置不能接收到的信標(biāo)節(jié)點(diǎn)的無(wú)線信號(hào)的信號(hào)強(qiáng)度設(shè)為默認(rèn)值， 例如，可以為-lOOdbm。在本實(shí)施例中，獲取未知位置的無(wú)線信號(hào)前，還可以包括建立網(wǎng)格分類模型。其 中，該建立網(wǎng)格分類模型的過(guò)程包括步驟2011-2014，具體如下2011、對(duì)定位區(qū)域進(jìn)行網(wǎng)格劃分；在本步驟中，對(duì)定位區(qū)域進(jìn)行網(wǎng)格劃分，具體的為將有定位需求的定位區(qū)域進(jìn)行 網(wǎng)格劃分，每個(gè)網(wǎng)格為一個(gè)單元，并分別對(duì)劃分得到的網(wǎng)格設(shè)置網(wǎng)格屬性，保存在位置指紋 數(shù)據(jù)庫(kù)。其中，上述網(wǎng)格屬性至少包括網(wǎng)格編號(hào)、網(wǎng)格重心坐標(biāo)。定位區(qū)域包括室外環(huán)境和室內(nèi)環(huán)境，室內(nèi)環(huán)境可以為工作室、休息室、衛(wèi)生間、大 廳、走廊以及樓層之間的樓梯區(qū)域等。相應(yīng)地，此時(shí)網(wǎng)格屬性還應(yīng)該包括樓層編號(hào)等，用以 確定當(dāng)前網(wǎng)格在定位區(qū)域中的位置。需要說(shuō)明的是，在對(duì)定位區(qū)域進(jìn)行網(wǎng)格劃分時(shí)，根據(jù)定位的精度需求確定網(wǎng)格的 大小，當(dāng)需提高定位的精度時(shí)，應(yīng)縮小網(wǎng)格的大小。例如，當(dāng)定位需求精度較高時(shí)，可將定位 區(qū)域劃分為多個(gè)米級(jí)網(wǎng)格，當(dāng)定位精度較低時(shí)，即區(qū)域性定位(比如工作室、休息室、衛(wèi)生 間)，可將整個(gè)房間劃分為一個(gè)網(wǎng)格。上述網(wǎng)格進(jìn)行劃分時(shí)，可以為二維或三維空間，相應(yīng) 地，網(wǎng)格重心坐標(biāo)為二維或三維坐標(biāo)。2012、對(duì)定位區(qū)域布設(shè)信標(biāo)節(jié)點(diǎn)；在本步驟中，對(duì)定位區(qū)域布設(shè)信標(biāo)，優(yōu)選地為為定位區(qū)域布置信標(biāo)節(jié)點(diǎn)，使得在 定位區(qū)域內(nèi)的任一個(gè)位置均可以收到3個(gè)以上的可識(shí)別的不同的信標(biāo)節(jié)點(diǎn)的無(wú)線信號(hào)。信標(biāo)節(jié)點(diǎn)具體為無(wú)線信號(hào)發(fā)射裝置，例如可以為無(wú)線局域網(wǎng)AP(ACCeSS Point，接 入點(diǎn))或無(wú)線傳感器網(wǎng)絡(luò)WSN(Wireless Sensor Networks)節(jié)點(diǎn)，用以向周圍不斷發(fā)射無(wú) 線信號(hào)(即廣播信息)，無(wú)線信號(hào)中帶有信標(biāo)節(jié)點(diǎn)ID，無(wú)線信號(hào)接收裝置在接收到無(wú)線信號(hào) 后，可以根據(jù)接收到的無(wú)線信號(hào)分辨出接收到的當(dāng)前無(wú)線信號(hào)來(lái)自哪一信標(biāo)節(jié)點(diǎn)，在定位 區(qū)域的任一位置應(yīng)可以接收到3個(gè)-75dbm以上信號(hào)強(qiáng)度的來(lái)自不同信標(biāo)的無(wú)線信號(hào)。同 時(shí)，在對(duì)信標(biāo)設(shè)置時(shí)，應(yīng)考慮無(wú)冗余，使得保證每個(gè)網(wǎng)格內(nèi)接收到的無(wú)線信號(hào)具有差異性。在本實(shí)施例中，以對(duì)定位區(qū)域內(nèi)預(yù)先布設(shè)的信標(biāo)節(jié)點(diǎn)的個(gè)數(shù)為5個(gè)為例進(jìn)行說(shuō) 明，且上述5個(gè)信標(biāo)節(jié)點(diǎn)的ID分別為001、002、003、004、005。2013、獲取定位區(qū)域內(nèi)的網(wǎng)格的信號(hào)特征；在本實(shí)施例中，獲取定位區(qū)域內(nèi)的網(wǎng)格的信號(hào)特征，具體的為在定位區(qū)域內(nèi)對(duì)每 個(gè)網(wǎng)格逐一獲取該網(wǎng)格的信號(hào)特征，并且在獲取每一個(gè)網(wǎng)格的信號(hào)特征時(shí)，采用移動(dòng)采集 的方式在每個(gè)網(wǎng)格內(nèi)自由移動(dòng)獲取該網(wǎng)格中多個(gè)位置的無(wú)線信號(hào)，并對(duì)無(wú)線信號(hào)進(jìn)行處理 得到該網(wǎng)格的信號(hào)特征。下面具體以采集一個(gè)網(wǎng)格中的多個(gè)位置中的一個(gè)位置的信號(hào)特征進(jìn)行說(shuō)明獲取 信號(hào)特征的方法，具體見(jiàn)步驟2013a到步驟2013c 2013a、使用無(wú)線信號(hào)接收裝置接收當(dāng)前位置可得到的全部無(wú)線信號(hào)，測(cè)量并讀取 無(wú)線信號(hào)中的信標(biāo)節(jié)點(diǎn)ID和當(dāng)前位置接收到的每個(gè)ID的信標(biāo)節(jié)點(diǎn)的無(wú)線信號(hào)的信號(hào)強(qiáng) 度；
其中，在對(duì)無(wú)線信號(hào)進(jìn)行采集時(shí)，可以選取在每一個(gè)網(wǎng)格中進(jìn)行自由移動(dòng)的方式， 例如，測(cè)試人員可以手持無(wú)線信號(hào)接收裝置，在當(dāng)前網(wǎng)格中自由移動(dòng)，可以將無(wú)線信號(hào)接收 裝置設(shè)置為每5ms采集一次無(wú)線信號(hào)，并根據(jù)此無(wú)線信號(hào)得到一條無(wú)線信號(hào)樣本，每個(gè)網(wǎng) 格的無(wú)線信號(hào)采集時(shí)間為50ms，則可得到10條無(wú)線信號(hào)樣本。在本實(shí)施例中，將無(wú)線信號(hào)接收裝置當(dāng)前正在采集無(wú)線信號(hào)時(shí)所處的位置定義為 當(dāng)前位置。下面舉例說(shuō)明對(duì)當(dāng)前位置進(jìn)行無(wú)線信號(hào)采集得到一條無(wú)線信號(hào)樣本的過(guò)程；例如，無(wú)線信號(hào)接收裝置在當(dāng)前位置可獲得12個(gè)無(wú)線信號(hào)，讀取得到此12 個(gè)無(wú)線信號(hào)中的信標(biāo)節(jié)點(diǎn)的ID分別為001、002、003、004，并讀取此12個(gè)無(wú)線信號(hào) 的信號(hào)強(qiáng)度，得到ID為001的信標(biāo)節(jié)點(diǎn)的信號(hào)強(qiáng)度分別為48dbm、-30dbm、-29dbm, ID為002的信標(biāo)節(jié)點(diǎn)的信號(hào)強(qiáng)度分別為-50dbm、-51dbm、-52dbm, ID為003的信標(biāo)節(jié) 點(diǎn)的信號(hào)強(qiáng)度分別為-20dbm、-20dbm、-21dbm, ID為004的信標(biāo)節(jié)點(diǎn)的信號(hào)強(qiáng)度分別 為-30dbm、-30dbm、-31dbm，未接收到ID為005的信標(biāo)節(jié)點(diǎn)的無(wú)線信號(hào)，將ID為005的信 標(biāo)節(jié)點(diǎn)的信號(hào)強(qiáng)度設(shè)為默認(rèn)值-lOOdbm、-lOOdbm、_100dbm，并且得到的信號(hào)強(qiáng)度與預(yù)先布 設(shè)的信標(biāo)節(jié)點(diǎn)的ID需要相對(duì)應(yīng)。2013b、對(duì)步驟2013a中獲得的無(wú)線信號(hào)樣本進(jìn)行濾波處理，得到當(dāng)前位置的信號(hào) 特征；需要說(shuō)明的是，對(duì)步驟2013a中獲得的每個(gè)ID的信標(biāo)節(jié)點(diǎn)的信號(hào)強(qiáng)度進(jìn)行濾波處 理具體的為，通過(guò)濾波的方法去掉步驟2013a中獲取的無(wú)線信號(hào)樣本中的每個(gè)ID的信標(biāo)節(jié) 點(diǎn)的無(wú)線信號(hào)的信號(hào)強(qiáng)度中震蕩的值，進(jìn)行限幅，并取均值，得到當(dāng)前位置的信號(hào)特征，并 作為當(dāng)前位置所屬的網(wǎng)格的一條信號(hào)特征進(jìn)行保存。其中，每一條信號(hào)特征在保存時(shí)，每個(gè)經(jīng)過(guò)濾波處理后的無(wú)線信號(hào)的信號(hào)強(qiáng)度與 該無(wú)線信號(hào)的信號(hào)強(qiáng)度所屬的信標(biāo)節(jié)點(diǎn)的ID相對(duì)應(yīng)。在采集完上述當(dāng)前位置的信號(hào)特征后，使用同步驟2013a到201 的方法，獲取當(dāng) 前網(wǎng)格內(nèi)下一個(gè)位置的無(wú)線信號(hào)并得到下一條信號(hào)特征，直到當(dāng)前網(wǎng)格的信號(hào)特征獲取結(jié) 束，例如，在本實(shí)施例中，每隔5ms采集一次無(wú)線信號(hào)，共采集50ms，則在當(dāng)前網(wǎng)格內(nèi)可獲取 10條信號(hào)特征，當(dāng)前網(wǎng)格的信號(hào)特征獲取結(jié)束，將這10條信號(hào)特征作為一個(gè)集合進(jìn)行存儲(chǔ) 即為當(dāng)前網(wǎng)格的信號(hào)特征。其中，在每次的無(wú)線信號(hào)采集時(shí)，自由移動(dòng)無(wú)線信號(hào)接收裝置。按照上述方法，對(duì)每一個(gè)網(wǎng)格內(nèi)的信號(hào)特征進(jìn)行獲取，直到定位區(qū)域內(nèi)所有的網(wǎng) 格的信號(hào)特征都獲取結(jié)束。將獲取的定位區(qū)域內(nèi)所有的網(wǎng)格的信號(hào)特征存儲(chǔ)在位置指紋 庫(kù)，并且在保存時(shí)，信號(hào)特征與其所屬的網(wǎng)格相對(duì)應(yīng)。進(jìn)一步地，在獲得網(wǎng)格的信號(hào)特征后，還可以包括對(duì)網(wǎng)格的信號(hào)特征中的數(shù)值取 倒數(shù)。2014、通過(guò)訓(xùn)練建立網(wǎng)格分類模型。在本實(shí)施例中，通過(guò)訓(xùn)練得出網(wǎng)格分類模型的方法見(jiàn)步驟201 到2014d，具體 為2014a、對(duì)每個(gè)網(wǎng)格內(nèi)的每一條信號(hào)特征進(jìn)行歸一化處理，并將歸一化處理結(jié)果作 為所述網(wǎng)格的網(wǎng)格特征存入位置指紋庫(kù)；
12
需要說(shuō)明的是，對(duì)信號(hào)特性進(jìn)行歸一化，目的是使信號(hào)特征的值保持在一個(gè)范圍 內(nèi)以得到網(wǎng)格特征，優(yōu)選地，可以采取如下公式進(jìn)行信號(hào)強(qiáng)度的歸一化處理y = (x-MinValue)/(MaxValue-MinValue)其中，χ為進(jìn)行歸一化處理前信號(hào)特征的值，y為進(jìn)行歸一化處理后得到的信號(hào)特 征的值，MaxValueJinValue分別為與X在同一網(wǎng)格內(nèi)獲取的同一 ID的信標(biāo)節(jié)點(diǎn)的信號(hào)特 征的最大值和最小值。在對(duì)全部信號(hào)特征進(jìn)行歸一化處理后，將每個(gè)網(wǎng)格的歸一化處理結(jié)果存為一個(gè)樣 本，作為該網(wǎng)格的網(wǎng)格特征存入位置指紋庫(kù)。2014b、建立網(wǎng)格分類模型的訓(xùn)練集；具體地，網(wǎng)格分類模型使用SVM進(jìn)行構(gòu)造，在本實(shí)施例中，定位區(qū)域被預(yù)先劃分為 N個(gè)網(wǎng)格，因此網(wǎng)格分類模型的訓(xùn)練集中包括N個(gè)樣本，每一個(gè)樣本為一個(gè)網(wǎng)格的網(wǎng)格特 征，也就是本實(shí)施例中應(yīng)包括N個(gè)網(wǎng)格特征。其中，在SVM中每個(gè)樣本包括多維，在本實(shí)施 例中體現(xiàn)為，維數(shù)與定位區(qū)域內(nèi)預(yù)先布設(shè)的信標(biāo)節(jié)點(diǎn)的個(gè)數(shù)相同，當(dāng)預(yù)先布設(shè)的信標(biāo)節(jié)點(diǎn) 的個(gè)數(shù)為5個(gè)時(shí)，則每個(gè)樣本空間為5維，每一維中的數(shù)據(jù)為該網(wǎng)格中獲取的同一 ID的信 標(biāo)節(jié)點(diǎn)的信號(hào)強(qiáng)度的歸一化處理結(jié)果。2014c、取訓(xùn)練集中每個(gè)樣本的預(yù)設(shè)部分輸入SVM中建立訓(xùn)練模型；具體地，取訓(xùn)練集中每個(gè)樣本的預(yù)設(shè)部分輸入SVM中建立訓(xùn)練模型，在將訓(xùn)練集 輸入SVM進(jìn)行運(yùn)算前，采用相同的規(guī)則將每個(gè)樣本分為預(yù)設(shè)部分和剩余部分，將每個(gè)樣本 的的預(yù)設(shè)部分輸入到SVM中，運(yùn)算得出訓(xùn)練模型。其中，因在本實(shí)施例中存在N個(gè)網(wǎng)格，因此將對(duì)N個(gè)網(wǎng)格的定位分為N類問(wèn)題，使 用SVM對(duì)每?jī)蓚€(gè)網(wǎng)格進(jìn)行一對(duì)一的分類，具體的為將所有的網(wǎng)格的網(wǎng)格特征作為樣本，并 將每個(gè)樣本中的預(yù)設(shè)部分輸入到SVM中進(jìn)行運(yùn)算，可得出NX (N-I)/2個(gè)SVM分類器，并將 這NX (N-I)/2個(gè)SVM分類器組合為訓(xùn)練模型。2014d、將訓(xùn)練集中每個(gè)樣本的剩余部分輸入到SVM中對(duì)訓(xùn)練模型進(jìn)行測(cè)試，判斷 訓(xùn)練模型的準(zhǔn)確率，并根據(jù)準(zhǔn)確率調(diào)整訓(xùn)練模型參數(shù)，當(dāng)訓(xùn)練模型的準(zhǔn)確率達(dá)到最高時(shí)，將 此時(shí)的訓(xùn)練模型作為網(wǎng)格分類模型。其中，上述訓(xùn)練模型參數(shù)包括懲罰系數(shù)、損失函數(shù)的系數(shù)、核函數(shù)的類型等，SVM為 現(xiàn)有技術(shù)，這里不再贅述。上述訓(xùn)練集中每個(gè)樣本中的剩余部分為訓(xùn)練集中除去上述每個(gè)樣本中的預(yù)設(shè)部 分的部分。步驟202、對(duì)上述信號(hào)強(qiáng)度所屬的信標(biāo)節(jié)點(diǎn)ID和該信號(hào)強(qiáng)度進(jìn)行處理，得到未知 位置特征；其中，對(duì)信號(hào)強(qiáng)度進(jìn)行處理，得到未知位置特征具體的為，對(duì)信號(hào)強(qiáng)度進(jìn)行濾波處 理，得到濾波處理結(jié)果，對(duì)該濾波處理結(jié)果進(jìn)行歸一化處理，得到歸一化處理結(jié)果，將歸一 化處理結(jié)果保存為未知位置特征，并且在保存時(shí)，將歸一化處理結(jié)果與信號(hào)強(qiáng)度所屬的信 標(biāo)節(jié)點(diǎn)的ID相對(duì)應(yīng)；對(duì)無(wú)線信號(hào)的信號(hào)強(qiáng)度進(jìn)行濾波處理和歸一化處理的方法與步驟201中相同，這 里不再贅述。其中，該未知位置特征與網(wǎng)格特征相同，分為多維，維數(shù)與定位區(qū)域內(nèi)預(yù)先布設(shè)的信標(biāo)節(jié)點(diǎn)的個(gè)數(shù)相同，每一維為該未知位置接收到的同一 ID的信標(biāo)節(jié)點(diǎn)的信號(hào)強(qiáng)度的歸
一化處理結(jié)果。步驟203、讀取未知位置的上一個(gè)位置的坐標(biāo)，并計(jì)算上一個(gè)位置與各個(gè)網(wǎng)格的距 離，剔除與上一個(gè)位置的距離大于預(yù)定值的網(wǎng)格；需要說(shuō)明的是，讀取未知位置的上一個(gè)位置的坐標(biāo)，其中，上一個(gè)位置的坐標(biāo)可以 通過(guò)以下方式獲得在本次定位前，對(duì)上一個(gè)位置定位得到的坐標(biāo)，該坐標(biāo)具體的為對(duì)上一個(gè)位置進(jìn) 行定位時(shí)，確定的上一個(gè)位置的坐標(biāo)。例如，在定位過(guò)程中，通常是采用動(dòng)態(tài)定位的方式，即 目標(biāo)移動(dòng)時(shí)，對(duì)目標(biāo)進(jìn)行連續(xù)定位，此時(shí)上一個(gè)位置的坐標(biāo)即進(jìn)行連續(xù)定位時(shí)上一個(gè)點(diǎn)的 位置的坐標(biāo)；或，在本次定位前，目標(biāo)未進(jìn)入定位區(qū)域，則將目標(biāo)進(jìn)入定位區(qū)域的初始位置的坐標(biāo) 作為上一個(gè)位置的坐標(biāo)。其中，剔除與上一個(gè)位置的距離大于預(yù)定值的網(wǎng)格，具體的為，將被剔除掉的網(wǎng)格 的投票值設(shè)置為0，并在本次定位完成前，上述被剔除掉的網(wǎng)格的投票值持續(xù)固定為0。步驟204、將未知位置特征使用一比一的策略與定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格進(jìn)行 投票，并按投票值由高到低進(jìn)行排序；在本步驟中，將未知位置特征使用一比一的策略與定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格進(jìn) 行投票，并進(jìn)行投票排序，具體地為將未知位置特征和網(wǎng)格分類模型輸入到SVM中采用一 比一的分類策略對(duì)定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格進(jìn)行分類，并得出每?jī)深惖姆诸惤Y(jié)果，將分 類結(jié)果對(duì)應(yīng)的網(wǎng)格投票值遞增1，按照此方法進(jìn)行分類結(jié)束后，根據(jù)每個(gè)網(wǎng)格的投票值從高 到低對(duì)網(wǎng)格進(jìn)行排序。其中，進(jìn)行分類前，給定位區(qū)域內(nèi)每個(gè)未被剔除的網(wǎng)格設(shè)定投票值， 并且投票值初始均為0，在步驟203中被剔除的網(wǎng)格的投票值設(shè)置為本次定位結(jié)束前固定 為0。步驟205、讀取投票值排名靠前的約定個(gè)數(shù)的網(wǎng)格的重心坐標(biāo)，根據(jù)上述約定個(gè)數(shù) 的網(wǎng)格的重心坐標(biāo)計(jì)算得到未知位置的坐標(biāo)。在本步驟中，根據(jù)上述約定個(gè)數(shù)的網(wǎng)格的重心坐標(biāo)計(jì)算得到未知位置的坐標(biāo)具體 的為假設(shè)約定個(gè)數(shù)的網(wǎng)格為投票值排名最前的K個(gè)網(wǎng)格，讀取這K個(gè)網(wǎng)格的重心坐標(biāo)，以 這K個(gè)網(wǎng)格距離上一個(gè)位置的距離為權(quán)重計(jì)算得出未知位置的坐標(biāo)。例如有定位需求的定位區(qū)域劃分網(wǎng)格時(shí)為二維網(wǎng)格，在計(jì)算未知位置坐標(biāo)時(shí)，使 用投票排名前兩名的網(wǎng)格，且分別為S1、S2，其中，Sl的坐標(biāo)為(X1，Y1)，S2的坐標(biāo)為(X2， Y2)，Sl到上一個(gè)位置的距離為Dl，S2到上一個(gè)位置的距離為D2，優(yōu)選地，可以采用如下公 式計(jì)算未知位置的坐標(biāo)X = [D2/(D1+D2)]*X1+[D1/(D1+D2)]*X2 ；Y= [D2/(D1+D2)]*Y1+[D1/(D1+D2)]*Y2其中，(X，Y)為計(jì)算后得到的未知位置的坐標(biāo)。當(dāng)Sl的坐標(biāo)為(10，5)，S2的坐標(biāo) 為00，10)，Sl到上一個(gè)位置的距離為4，S2到上一個(gè)位置的距離為6，則可以采用上述公 式計(jì)算未知位置的坐標(biāo)X = [6/ (4+6) ] *10+ [4/ (4+6) ] *20 = 14
Y = [6/ (4+6) ] *5+ [4/ (4+6) ] *10 = 7因此，計(jì)算得到未知位置的坐標(biāo)為(14，7)。需要說(shuō)明的是，本實(shí)施例中，在對(duì)未知位置的坐標(biāo)進(jìn)行計(jì)算時(shí)，不只上述一種方 法，還可以將上一點(diǎn)的坐標(biāo)加入到公式中作為權(quán)重的一個(gè)參考量，或?qū)?quán)重參考量進(jìn)行預(yù) 設(shè)，或?qū)⒐竭M(jìn)行變形，這都是本領(lǐng)域技術(shù)人員很容易想到的，都應(yīng)屬于本發(fā)明的保護(hù)范圍。進(jìn)一步地，在計(jì)算得到未知位置的坐標(biāo)后，還可以包括對(duì)計(jì)算得到的未知位置的 坐標(biāo)使用濾波算法進(jìn)行濾波，使得得到的未知位置的坐標(biāo)更加準(zhǔn)確，并將進(jìn)行濾波后的未 知位置的坐標(biāo)作為最終定位結(jié)果，并將此結(jié)果作為下一次定位的依據(jù)。例如，在本實(shí)施例 中，可以將計(jì)算得到的未知位置的坐標(biāo)使用卡爾曼濾波方法，加入上一個(gè)位置的坐標(biāo)、定位 目標(biāo)的移動(dòng)速度等，進(jìn)行卡爾曼濾波，得到最終的定位結(jié)果。本發(fā)明實(shí)施例所提供的用于定位的方法，不需要進(jìn)行測(cè)距，因此不會(huì)產(chǎn)生測(cè)距誤 差，進(jìn)行定位時(shí)的精度高，受信號(hào)影響程度小，并且能夠體現(xiàn)動(dòng)態(tài)定位過(guò)程中上一個(gè)位置與 當(dāng)前位置的相關(guān)性，減小定位誤差。實(shí)施例3本發(fā)明實(shí)施例3提出了一種定位裝置，其結(jié)構(gòu)如圖3所示，包括無(wú)線信號(hào)獲取模塊301，用于獲取未知位置的無(wú)線信號(hào)及該無(wú)線信號(hào)的信號(hào)強(qiáng)度 和所屬的預(yù)先布設(shè)的信標(biāo)節(jié)點(diǎn)的標(biāo)識(shí)碼ID ；未知位置特征獲取模塊302，用于對(duì)無(wú)線信號(hào)獲取模塊301獲取的無(wú)線信號(hào)所屬 的預(yù)先布設(shè)的信標(biāo)節(jié)點(diǎn)的ID和信號(hào)強(qiáng)度進(jìn)行處理得到未知位置特征；剔除模塊303，用于獲取未知位置的上一個(gè)位置的坐標(biāo)，并根據(jù)上一個(gè)位置的坐標(biāo) 對(duì)定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格進(jìn)行剔除；計(jì)算模塊304，用于根據(jù)未知位置特征獲取模塊302獲取的未知位置特征和剔除 模塊303對(duì)定位區(qū)域內(nèi)進(jìn)行網(wǎng)格剔除后的剩余網(wǎng)格的重心坐標(biāo)計(jì)算得到未知位置的坐標(biāo)。進(jìn)一步地，如圖4所示，上述定位裝置還可以包括信號(hào)特征獲取模塊305，用于獲取定位區(qū)域內(nèi)的網(wǎng)格的信號(hào)特征；網(wǎng)格分類模型建立模塊306，用于通過(guò)訓(xùn)練建立網(wǎng)格分類模型；相應(yīng)地，如圖5所示，計(jì)算模塊304，具體包括排序單元3041，用于根據(jù)未知位置特征獲取模塊302獲取的未知位置特征和網(wǎng)格 分類模型建立模塊306建立的網(wǎng)格分類模型對(duì)定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格進(jìn)行排序；未知位置坐標(biāo)計(jì)算單元3042，用于獲取排序靠前的約定個(gè)網(wǎng)格的重心坐標(biāo)，根據(jù) 排序靠前的約定個(gè)網(wǎng)格的重心坐標(biāo)計(jì)算得到未知位置的坐標(biāo)。其中，排序單元3041，具體用于將未知位置特征獲取模塊302獲取的未知位置特 征和網(wǎng)格分類模型建立模塊306建立的網(wǎng)格分類模型輸入到SVM中，采用一比一的分類策 略對(duì)定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格進(jìn)行分類，并得出每?jī)深惖姆诸惤Y(jié)果，將分類結(jié)果對(duì)應(yīng)的 網(wǎng)格的投票值遞增1，當(dāng)所有分類運(yùn)算結(jié)束后，根據(jù)定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格中每個(gè)網(wǎng)格 的投票值從高到低進(jìn)行排序，其中，在對(duì)定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格進(jìn)行排序時(shí)，將定位區(qū) 域內(nèi)被剔除的網(wǎng)格置為排序的末尾。未知位置坐標(biāo)計(jì)算單元3042，具體用于獲取排序單元3041得到的排名靠前的約定個(gè)網(wǎng)格的重心坐標(biāo)，并以上一個(gè)位置與排名靠前的約定個(gè)網(wǎng)格的距離作為權(quán)重，根據(jù)排 名靠前的約定個(gè)網(wǎng)格的重心坐標(biāo)計(jì)算得出未知位置的坐標(biāo)。進(jìn)一步地，如圖6所示，信號(hào)特征獲取模決305，具體包括信號(hào)特征采集單元3051，用于采用在每一個(gè)網(wǎng)格中自由移動(dòng)的方式逐一的采集定 位區(qū)域內(nèi)的每一個(gè)網(wǎng)格的多個(gè)位置的信號(hào)特征；信號(hào)特征存儲(chǔ)單元3052，用于將信號(hào)特征采集單元3051采集的定位區(qū)域內(nèi)的每 一個(gè)網(wǎng)格的多個(gè)位置的信號(hào)特征集合起來(lái)作為定位區(qū)域內(nèi)的網(wǎng)格的信號(hào)特征。其中，信號(hào)特征采集單元3052，具體用于，接收當(dāng)前位置可得到的無(wú)線信號(hào)，測(cè)量 并讀取得到所述無(wú)線信號(hào)中的信標(biāo)節(jié)點(diǎn)ID和所述當(dāng)前位置接收到的每個(gè)ID的信標(biāo)節(jié)點(diǎn)的 無(wú)線信號(hào)的信號(hào)強(qiáng)度，并將當(dāng)前位置接收不到的所述預(yù)先布設(shè)的信標(biāo)節(jié)點(diǎn)的無(wú)線信號(hào)的信 號(hào)強(qiáng)度設(shè)置為默認(rèn)值，對(duì)所述每個(gè)ID的信標(biāo)節(jié)點(diǎn)的無(wú)線信號(hào)的信號(hào)強(qiáng)度進(jìn)行濾波處理，將 所述進(jìn)行濾波處理后得到的所述每個(gè)ID的信標(biāo)節(jié)點(diǎn)的無(wú)線信號(hào)的信號(hào)強(qiáng)度保存為所述當(dāng) 前位置的信號(hào)特征，其中，所述信號(hào)特征在保存時(shí)，每個(gè)經(jīng)過(guò)濾波處理后的無(wú)線信號(hào)的信號(hào) 強(qiáng)度與所述無(wú)線信號(hào)的信號(hào)強(qiáng)度所屬的信標(biāo)節(jié)點(diǎn)的ID相對(duì)應(yīng)。進(jìn)一步地，如圖7所示，網(wǎng)格分類模型建立模塊306，具體包括網(wǎng)格特征獲取單元3061，用于對(duì)信號(hào)特征獲取模塊305獲取的信號(hào)特征進(jìn)行歸一 化處理，并將歸一化處理結(jié)果作為網(wǎng)格的網(wǎng)格特征；訓(xùn)練集建立單元3062，用于根據(jù)網(wǎng)格特征獲取單元3061獲取的網(wǎng)格特征建立網(wǎng) 格分類模型的訓(xùn)練集；訓(xùn)練模型建立單元3063，用于從訓(xùn)練集建立單元3062建立的訓(xùn)練集中的每個(gè)樣 本中取出預(yù)設(shè)的部分輸入SVM中建立訓(xùn)練模型；網(wǎng)格分類模型建立單元3064，用于將訓(xùn)練集建立單元3063建立的訓(xùn)練集中的每 個(gè)樣本的剩余部分輸入到SVM中進(jìn)行測(cè)試，判斷訓(xùn)練模型建立單元3063建立的訓(xùn)練模型的 準(zhǔn)確率，并根據(jù)準(zhǔn)確率調(diào)整訓(xùn)練模型參數(shù)，將準(zhǔn)確率達(dá)到最高時(shí)得出的訓(xùn)練模型作為網(wǎng)格 分類模型；其中，所述訓(xùn)練集中每個(gè)樣本中的剩余部分為訓(xùn)練集中除去每個(gè)樣本中的預(yù)設(shè)部 分后剩余的部分。進(jìn)一步地，如圖8所示，未知位置特征獲取模塊301，具體包括濾波單元3011，用于對(duì)信號(hào)強(qiáng)度進(jìn)行濾波處理，得到信號(hào)強(qiáng)度的濾波處理結(jié)果；歸一化單元3012，用于對(duì)濾波單元3011得到的濾波處理結(jié)果進(jìn)行歸一化處理，得 到信號(hào)強(qiáng)度的歸一化處理結(jié)果；未知位置特征獲取單元3013，用于將歸一化單元3013得到的信號(hào)強(qiáng)度的歸一化 處理結(jié)果與信號(hào)強(qiáng)度所屬的預(yù)先布設(shè)的信標(biāo)節(jié)點(diǎn)的ID相對(duì)應(yīng)保存得到未知位置特征。進(jìn)一步地，剔除模塊303，如圖9所示，具體包括坐標(biāo)獲取單元3031，用于獲取未知位置的上一個(gè)位置的坐標(biāo)；距離計(jì)算單元3032，用于根據(jù)上一個(gè)位置的坐標(biāo)和定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格的 重心坐標(biāo)計(jì)算上一個(gè)位置與定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格的距離；剔除單元3033，用于根據(jù)距離計(jì)算單元3032計(jì)算得出的上一個(gè)位置與定位區(qū)域 內(nèi)預(yù)先劃分的網(wǎng)格的距離，將與上一個(gè)位置的距離大于預(yù)定值的網(wǎng)格進(jìn)行剔除。
本發(fā)明實(shí)施例所提供的定位裝置，不需要進(jìn)行測(cè)距，因此不會(huì)產(chǎn)生測(cè)距誤差，進(jìn)行 定位時(shí)的精度高，受信號(hào)影響程度小，并且能夠體現(xiàn)動(dòng)態(tài)定位過(guò)程中上一個(gè)位置與當(dāng)前位 置的相關(guān)性，減小定位誤差。需要說(shuō)明的是上述實(shí)施例提供的定位裝置，僅以上述各功能模塊的劃分進(jìn)行舉 例說(shuō)明，實(shí)際應(yīng)用中，可以根據(jù)需要而將上述功能分配由不同的功能模塊完成，即將裝置的 內(nèi)部結(jié)構(gòu)劃分成不同的功能模塊，以完成以上描述的全部或者部分功能。另外，上述實(shí)施例 提供的定位裝置與定位方法實(shí)施例屬于同一構(gòu)思，其具體實(shí)現(xiàn)過(guò)程詳見(jiàn)方法實(shí)施例，這里 不再贅述。上述本發(fā)明實(shí)施例序號(hào)僅僅為了描述，不代表實(shí)施例的優(yōu)劣。本發(fā)明實(shí)施例中的全部或部分步驟，可以利用軟件實(shí)現(xiàn)，相應(yīng)的軟件程序可以存 儲(chǔ)在可讀取的存儲(chǔ)介質(zhì)中，如光盤或硬盤等。以上僅為本發(fā)明的較佳實(shí)施例，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則 之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。
權(quán)利要求
1.一種定位方法，其特征在于，所述方法包括獲取未知位置的無(wú)線信號(hào)及所述無(wú)線信號(hào)的信號(hào)強(qiáng)度和所述無(wú)線信號(hào)所屬的預(yù)先布 設(shè)的信標(biāo)節(jié)點(diǎn)的標(biāo)識(shí)碼ID ；對(duì)所述無(wú)線信號(hào)所屬的預(yù)先布設(shè)的信標(biāo)節(jié)點(diǎn)的ID和信號(hào)強(qiáng)度進(jìn)行處理得到未知位置 特征；獲取所述未知位置的上一個(gè)位置的坐標(biāo)，并根據(jù)所述上一個(gè)位置的坐標(biāo)對(duì)定位區(qū)域內(nèi) 預(yù)先劃分的網(wǎng)格進(jìn)行剔除；根據(jù)所述未知位置特征和所述定位區(qū)域內(nèi)進(jìn)行網(wǎng)格剔除后的剩余網(wǎng)格的重心坐標(biāo)計(jì) 算得到所述未知位置的坐標(biāo)。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，在獲取未知位置的無(wú)線信號(hào)及該無(wú)線信 號(hào)的信標(biāo)節(jié)點(diǎn)和信號(hào)強(qiáng)度之前，所述方法還包括獲取所述定位區(qū)域內(nèi)的網(wǎng)格的信號(hào)特征； 通過(guò)訓(xùn)練建立網(wǎng)格分類模型；相應(yīng)地，所述根據(jù)所述未知位置特征和所述定位區(qū)域內(nèi)進(jìn)行網(wǎng)格剔除后的剩余網(wǎng)格的 重心坐標(biāo)計(jì)算得到所述未知位置的坐標(biāo)，具體的為，根據(jù)所述未知位置特征和所述網(wǎng)格分 類模型對(duì)所述定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格進(jìn)行排序，并獲取排序靠前的約定個(gè)網(wǎng)格的重心 坐標(biāo)，根據(jù)所述排序靠前的約定個(gè)網(wǎng)格的重心坐標(biāo)計(jì)算得到所述未知位置的坐標(biāo)。
3.根據(jù)權(quán)利要求2所述的方法，其特征在于，獲取定位區(qū)域內(nèi)的網(wǎng)格的信號(hào)特征，具體 包括采用在所述每一個(gè)網(wǎng)格中自由移動(dòng)的方式逐一的采集所述定位區(qū)域內(nèi)的每一個(gè)網(wǎng)格 的多個(gè)位置的信號(hào)特征，并將所述定位區(qū)域內(nèi)的每一個(gè)網(wǎng)格的多個(gè)位置的信號(hào)特征集合起 來(lái)作為所述定位區(qū)域內(nèi)的網(wǎng)格的信號(hào)特征。
4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述采集所述每一個(gè)網(wǎng)格的多個(gè)位置的 信號(hào)特征中的一個(gè)位置的信號(hào)特征，具體包括接收當(dāng)前位置可得到的無(wú)線信號(hào)，測(cè)量并讀取得到所述無(wú)線信號(hào)中的信標(biāo)節(jié)點(diǎn)ID和 所述當(dāng)前位置接收到的每個(gè)ID的信標(biāo)節(jié)點(diǎn)的無(wú)線信號(hào)的信號(hào)強(qiáng)度，并將當(dāng)前位置接收不 到的所述預(yù)先布設(shè)的信標(biāo)節(jié)點(diǎn)的無(wú)線信號(hào)的信號(hào)強(qiáng)度設(shè)置為默認(rèn)值； 對(duì)所述每個(gè)ID的信標(biāo)節(jié)點(diǎn)的無(wú)線信號(hào)的信號(hào)強(qiáng)度進(jìn)行濾波處理； 將所述進(jìn)行濾波處理后得到的所述每個(gè)ID的信標(biāo)節(jié)點(diǎn)的無(wú)線信號(hào)的信號(hào)強(qiáng)度保存為 所述當(dāng)前位置的信號(hào)特征；其中，所述信號(hào)特征在保存時(shí)，每個(gè)經(jīng)過(guò)濾波處理后的無(wú)線信號(hào)的信號(hào)強(qiáng)度與所述無(wú) 線信號(hào)的信號(hào)強(qiáng)度所屬的信標(biāo)節(jié)點(diǎn)的ID相對(duì)應(yīng)。
5.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述通過(guò)訓(xùn)練建立網(wǎng)格分類模型，具體包括對(duì)所述信號(hào)特征進(jìn)行歸一化處理，并將歸一化處理結(jié)果作為所述網(wǎng)格的網(wǎng)格特征； 根據(jù)所述網(wǎng)格特征建立所述網(wǎng)格分類模型的訓(xùn)練集；取所述訓(xùn)練集中的每個(gè)樣本中的預(yù)設(shè)部分輸入到支持向量機(jī)SVM中建立訓(xùn)練模型； 將所述訓(xùn)練集中每個(gè)樣本中的剩余部分輸入到SVM中進(jìn)行測(cè)試，判斷所述訓(xùn)練模型的 準(zhǔn)確率，并根據(jù)所述準(zhǔn)確率調(diào)整訓(xùn)練模型參數(shù)，將所述準(zhǔn)確率達(dá)到最高時(shí)得出的訓(xùn)練模型作為網(wǎng)格分類模型；其中，所述訓(xùn)練集中每個(gè)樣本中的剩余部分為所述訓(xùn)練集中除去所述每個(gè)樣本中的預(yù) 設(shè)部分后剩余的部分。
6.根據(jù)權(quán)利要求1所述的方法，其特征在于，對(duì)所述信標(biāo)節(jié)點(diǎn)和信號(hào)強(qiáng)度進(jìn)行處理得 到未知位置特征，具體包括對(duì)所述信號(hào)強(qiáng)度進(jìn)行濾波處理，得到所述信號(hào)強(qiáng)度的濾波處理結(jié)果； 對(duì)所述濾波處理結(jié)果進(jìn)行歸一化處理，得到所述信號(hào)強(qiáng)度的歸一化處理結(jié)果； 將所述信號(hào)強(qiáng)度的歸一化處理結(jié)果與所述信號(hào)強(qiáng)度所屬的預(yù)先布設(shè)的信標(biāo)節(jié)點(diǎn)的ID 相對(duì)應(yīng)保存得到未知位置特征。
7.根據(jù)權(quán)利要求1所述的方法，其特征在于，根據(jù)所述上一個(gè)位置的坐標(biāo)對(duì)定位區(qū)域 內(nèi)預(yù)先劃分的網(wǎng)格進(jìn)行剔除，具體包括根據(jù)所述上一個(gè)位置的坐標(biāo)和所述定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格的重心坐標(biāo)計(jì)算所述 上一個(gè)位置與所述定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格的距離，將與所述上一個(gè)位置的距離大于預(yù) 定值的網(wǎng)格進(jìn)行剔除。
8.根據(jù)權(quán)利要求2所述的方法，其特征在于，根據(jù)所述未知位置特征和所述網(wǎng)格分類 模型對(duì)所述定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格進(jìn)行排序，具體包括將所述未知位置特征和所述網(wǎng)格分類模型輸入到SVM中，采用一比一的分類策略對(duì)所 述定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格進(jìn)行分類，并得出每?jī)深惖姆诸惤Y(jié)果，將所述分類結(jié)果對(duì)應(yīng) 的網(wǎng)格的投票值遞增1，當(dāng)所有分類運(yùn)算結(jié)束后，根據(jù)所述定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格中每 個(gè)網(wǎng)格的投票值從高到低進(jìn)行排序，其中，在對(duì)所述定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格進(jìn)行排序 時(shí)，將所述定位區(qū)域內(nèi)被剔除的網(wǎng)格置為排序的末尾。
9.一種定位裝置，其特征在于，所述裝置包括無(wú)線信號(hào)獲取模塊，用于獲取未知位置的無(wú)線信號(hào)及所述無(wú)線信號(hào)的信號(hào)強(qiáng)度和所述 無(wú)線信號(hào)所屬的預(yù)先布設(shè)的信標(biāo)節(jié)點(diǎn)的標(biāo)識(shí)碼ID ；未知位置特征獲取模塊，用于對(duì)所述無(wú)線信號(hào)獲取模塊獲取的所述無(wú)線信號(hào)所屬的預(yù) 先布設(shè)的信標(biāo)節(jié)點(diǎn)的ID和信號(hào)強(qiáng)度進(jìn)行處理得到未知位置特征；剔除模塊，用于獲取所述未知位置的上一個(gè)位置的坐標(biāo)，并根據(jù)所述上一個(gè)位置的坐 標(biāo)對(duì)定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格進(jìn)行剔除；計(jì)算模塊，用于根據(jù)所述未知位置特征獲取模塊獲取的所述未知位置特征和所述剔除 模塊對(duì)所述定位區(qū)域內(nèi)進(jìn)行網(wǎng)格剔除后的剩余網(wǎng)格的重心坐標(biāo)計(jì)算得到所述未知位置的 坐標(biāo)。
10.根據(jù)權(quán)利要求9所述的裝置，其特征在于，所述裝置還包括 信號(hào)特征獲取模塊，用于獲取所述定位區(qū)域內(nèi)的網(wǎng)格的信號(hào)特征； 網(wǎng)格分類模型建立模塊，用于通過(guò)訓(xùn)練建立網(wǎng)格分類模型； 相應(yīng)地，所述計(jì)算模塊，具體包括排序單元，用于根據(jù)所述未知位置特征獲取模塊獲取的所述未知位置特征和所述網(wǎng) 格分類模型建立模塊建立的所述網(wǎng)格分類模型對(duì)所述定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格進(jìn)行排 序；未知位置坐標(biāo)計(jì)算單元，用于獲取排序靠前的約定個(gè)網(wǎng)格的重心坐標(biāo)，根據(jù)所述排序靠前的約定個(gè)網(wǎng)格的重心坐標(biāo)計(jì)算得到所述未知位置的坐標(biāo)。
11.根據(jù)權(quán)利要求10所述的裝置，其特征在于，所述信號(hào)特征獲取模塊，具體包括信號(hào)特征采集單元，用于采用在所述每一個(gè)網(wǎng)格中自由移動(dòng)的方式逐一的采集所述定 位區(qū)域內(nèi)的每一個(gè)網(wǎng)格的多個(gè)位置的信號(hào)特征；信號(hào)特征存儲(chǔ)單元，用于將所述信號(hào)特征采集單元采集的所述定位區(qū)域內(nèi)的每一個(gè)網(wǎng) 格的多個(gè)位置的信號(hào)特征集合起來(lái)作為所述定位區(qū)域內(nèi)的網(wǎng)格的信號(hào)特征。
12.根據(jù)權(quán)利要求11所述的裝置，其特征在于，所述信號(hào)特征采集單元，具體用于接收 當(dāng)前位置可得到的無(wú)線信號(hào)，測(cè)量并讀取得到所述無(wú)線信號(hào)中的信標(biāo)節(jié)點(diǎn)ID和所述當(dāng)前 位置接收到的每個(gè)ID的信標(biāo)節(jié)點(diǎn)的無(wú)線信號(hào)的信號(hào)強(qiáng)度，并將當(dāng)前位置接收不到的所述 預(yù)先布設(shè)的信標(biāo)節(jié)點(diǎn)的無(wú)線信號(hào)的信號(hào)強(qiáng)度設(shè)置為默認(rèn)值，對(duì)所述每個(gè)ID的信標(biāo)節(jié)點(diǎn)的 無(wú)線信號(hào)的信號(hào)強(qiáng)度進(jìn)行濾波處理，將所述進(jìn)行濾波處理后得到的所述每個(gè)ID的信標(biāo)節(jié) 點(diǎn)的無(wú)線信號(hào)的信號(hào)強(qiáng)度保存為所述當(dāng)前位置的信號(hào)特征，其中，所述信號(hào)特征在保存時(shí)， 每個(gè)經(jīng)過(guò)濾波處理后的無(wú)線信號(hào)的信號(hào)強(qiáng)度與所述無(wú)線信號(hào)的信號(hào)強(qiáng)度所屬的信標(biāo)節(jié)點(diǎn) 的ID相對(duì)應(yīng)。
13.根據(jù)權(quán)利要求10所述的裝置，其特征在于，所述網(wǎng)格分類模型建立模塊，具體包括網(wǎng)格特征獲取單元，用于對(duì)所述信號(hào)特征獲取模塊獲取的所述信號(hào)特征進(jìn)行歸一化處 理，并將歸一化處理結(jié)果作為所述網(wǎng)格的網(wǎng)格特征；訓(xùn)練集建立單元，用于根據(jù)所述網(wǎng)格特征獲取單元獲取的網(wǎng)格特征建立所述網(wǎng)格分類 模型的訓(xùn)練集；訓(xùn)練模型建立單元，用于從所述訓(xùn)練集建立單元建立的所述訓(xùn)練集中的每個(gè)樣本中取 出預(yù)設(shè)的部分輸入到SVM中建立訓(xùn)練模型；網(wǎng)格分類模型建立單元，用于將所述訓(xùn)練集建立單元建立的訓(xùn)練集中的每個(gè)樣本的剩 余部分輸入到SVM中進(jìn)行測(cè)試，判斷所述訓(xùn)練模型建立單元建立的訓(xùn)練模型的準(zhǔn)確率，并 根據(jù)所述準(zhǔn)確率調(diào)整訓(xùn)練模型參數(shù)，將所述準(zhǔn)確率達(dá)到最高時(shí)得出的訓(xùn)練模型作為網(wǎng)格分 類模型；其中，所述訓(xùn)練集中每個(gè)樣本中的剩余部分為所述訓(xùn)練集中除去所述每個(gè)樣本中的預(yù) 設(shè)部分后剩余的部分。
14.根據(jù)權(quán)利要求9所述的裝置，其特征在于，所述未知位置特征獲取模塊，具體包括 濾波單元，用于對(duì)所述信號(hào)強(qiáng)度進(jìn)行濾波處理，得到所述信號(hào)強(qiáng)度的濾波處理結(jié)果； 歸一化單元，用于對(duì)所述濾波單元得到的濾波處理結(jié)果進(jìn)行歸一化處理，得到所述信號(hào)強(qiáng)度的歸一化處理結(jié)果；未知位置特征獲取單元，用于將所述歸一化單元得到的所述信號(hào)強(qiáng)度的歸一化處理結(jié) 果與所述信號(hào)強(qiáng)度所屬的預(yù)先布設(shè)的信標(biāo)節(jié)點(diǎn)的ID相對(duì)應(yīng)保存得到未知位置特征。
15.根據(jù)權(quán)利要求9所述的裝置，其特征在于，所述剔除模塊，具體包括 坐標(biāo)獲取單元，用于獲取所述未知位置的上一個(gè)位置的坐標(biāo)；距離計(jì)算單元，用于根據(jù)所述上一個(gè)位置的坐標(biāo)和所述定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格的 重心坐標(biāo)計(jì)算所述上一個(gè)位置與所述定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格的距離；剔除單元，用于根據(jù)所述距離計(jì)算單元計(jì)算得出的所述上一個(gè)位置與所述定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格的距離，將所述與所述上一個(gè)位置的距離大于預(yù)定值的網(wǎng)格進(jìn)行剔除。
16.根據(jù)權(quán)利要求10所述的裝置，其特征在于，所述排序單元，具體用于將所述未知位 置特征獲取模塊獲取的所述未知位置特征和所述網(wǎng)格分類模型建立模塊建立的所述網(wǎng)格 分類模型輸入到SVM中，采用一比一的分類策略對(duì)所述定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格進(jìn)行分 類，并得出每?jī)深惖姆诸惤Y(jié)果，將所述分類結(jié)果對(duì)應(yīng)的網(wǎng)格的投票值遞增1，當(dāng)所有分類運(yùn) 算結(jié)束后，根據(jù)所述定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格中每個(gè)網(wǎng)格的投票值從高到低進(jìn)行排序， 其中，在對(duì)所述定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格進(jìn)行排序時(shí)，將所述定位區(qū)域內(nèi)被剔除的網(wǎng)格 置為排序的末尾。
全文摘要
本發(fā)明提出了一種定位方法和裝置，屬于無(wú)線通信應(yīng)用領(lǐng)域。方法包括獲取未知位置的無(wú)線信號(hào)，獲取無(wú)線信號(hào)的信號(hào)強(qiáng)度和所屬的預(yù)先布設(shè)的信標(biāo)節(jié)點(diǎn)的標(biāo)識(shí)碼ID，對(duì)信標(biāo)節(jié)點(diǎn)的ID和信號(hào)強(qiáng)度進(jìn)行處理得到未知位置特征，獲取未知位置的上一個(gè)位置的坐標(biāo)，并根據(jù)上一個(gè)位置的坐標(biāo)對(duì)定位區(qū)域內(nèi)預(yù)先劃分的網(wǎng)格進(jìn)行剔除，使用支持向量機(jī)對(duì)定位區(qū)域內(nèi)的網(wǎng)格進(jìn)行排序，并獲取排序靠前的約定個(gè)網(wǎng)格的重心坐標(biāo)，通過(guò)計(jì)算得出未知位置的坐標(biāo)。本發(fā)明提供的用于定位的定位方法和裝置，不需要進(jìn)行測(cè)距，因此不會(huì)產(chǎn)生測(cè)距誤差，進(jìn)行定位時(shí)的精度高，受信號(hào)影響程度小，并且能夠體現(xiàn)動(dòng)態(tài)定位過(guò)程中上一個(gè)位置與當(dāng)前位置的相關(guān)性，減小定位誤差。
文檔編號(hào)H04B17/00GK102098780SQ20101060291
公開日2011年6月15日 申請(qǐng)日期2010年12月14日 優(yōu)先權(quán)日2010年12月14日
發(fā)明者劉文龍, 劉晨, 劉雯, 史丹丹, 孫子硯, 崔艷雯, 徐連明, 方靈, 朱宇佳, 李欣欣, 畢乾, 王珂, 盛慶, 裘昕, 鄧中亮 申請(qǐng)人:北京郵電大學(xué)