一種基于wlan的室內定位方法

一種基于wlan的室內定位方法
【專利摘要】本發明公開了一種基于WLAN的室內定位方法，屬于室內無線通信和網絡【技術領域】。方法包括：將采樣點采集到的各個AP的RSSI數據預處理，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域劃分為多個定位子區域；針對每組特征向量，分別訓練出各自相應的分類模型；基于分類模型結合“投票”機制從所有子區域中選取票數最高的子區域集合；采用兩輪定位縮小子區域集合范圍，提高定位精度。本發明充分挖掘利用了RSSI的空間分布特征，解決了大范圍的室內定位搜索匹配空間過大，計算復雜度高等問題；建立新型定位模型，解決現有WLAN室內定位方法中，無法有效學習和適應RSSI信號由于非視距傳輸效應、RSSI衰減規律異常等原因造成的非線性、非高斯統計特性等問題。
【專利說明】—種基于WLAN的室內定位方法

【技術領域】
[0001 ] 本發明涉及一種WLAN室內定位領域的定位方法，屬于室內無線通信和網絡【技術領域】。

【背景技術】
[0002]近年來，隨著人們物質生活水平的不斷提高，人們對位置服務的需求也與日俱增，如在人員調度、資產管理、緊急救援、安全監控、安全調度、智能交通、地圖導航、出行指南等諸多方面對定位的廣泛需求；特別是在應對緊急情況是，如緊急救援、救災應急指揮調度等特殊應用場景下，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的深入研究，室內無線通信和網絡技術飛速發展，衍生出了基于 WLAN(Wireless Local Area Networks,無線局域網)，Bluetooth(藍牙)，WSN(wireless sensor network,無線傳感器網絡)等室內定位方式，以及基于指紋和概率法的室內定位方法。
[0004]基于WLAN，Bluetooth, WSN等的定位技術，通過在室內進行網格劃分，并在室內部署大量的AP (Access Point,訪問接入點)，終端檢測在每個網格內接收到的多個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點所發出的信號強度不同，將在各個網格中接收到的各個節點的RSSI作為該網絡的特征量以完成定位。
[0005]基于指紋的室內定位，通過采集室內區域內不同AP的RSSI，并將對應的無線接入點的地址和坐標存儲在數據庫中，終端用戶測量周圍無線信號強度，將它與預先存儲在數據庫中的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計特征，定位精度一般較加權最近鄰法要高。
[0007]然而，它們同樣存在各自的問題。基于指紋的室內定位方法，在實際應用中，對于大范圍的室內定位，存在空間匹配搜索范圍較大，計算復雜度高，存儲空間要求較大的不足，而基于概率法的室內定位方法，在實際應用中存在RSSI信號在某個固定的參考點上的概率分布呈現非高斯、非線性、多模態的特性，使得擬合出的概率分布函數與實際概率分布相差較大，從而導致定位時較大匹配誤差。


【發明內容】

[0008]本發明要解決的技術問題是:克服現有技術的什么不足，提供一種基于WLAN的室內定位方法，既能降低匹配搜索范圍，又能得到符合實際情況的預測模型，一定程度上降低了計算復雜度和時間復雜度。
[0009]本發明要解決的技術問題是:降低匹配搜索范圍，建立一種符合實際情況的預測模型，提供一種基于WLAN的室內定位方法，包括以下步驟實現:
[0010]步驟一:將采樣點采集到的各個AP的RSSI數據預處理，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數據進行必要的預處理包括:刪除RSSI小于-1OOdB的數據，刪除非定位AP的數據。所述刪除非定位AP的數據是指，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)或穩定性較差(方差大于20)，使用這些AP會增加計算復雜度，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據中提取多種可準確量化RSSI分布規律的特征向量。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據根據其采集位置標記上對應的采樣點編號；
[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)，從標記了采樣點的原始數據中提取出對應AP組合的RSSI向量以及相應的采樣點；
[0016]b.每個AP單獨作為一組，即將所有離線采集數據按照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)，從標記了采樣點的原始數據中提取出對應AP的RSSI —維向量以及相應的采樣點。
[0017]步驟二:對特征向量聚類分析，將待定位區域劃分為多個定位子區域，每個子區域反映了一種RSSI分布特征。
[0018]以步驟一中構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進行聚類分析。可選的，聚類分析采用可自動發現聚類數目的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先指定聚類數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找到一個最優的聚類數K，實現聚類劃分。X-means算法以貝葉斯信息準則為指導，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域內信號分布的聚集現象。
[0019]步驟三:針對每組特征向量結合聚類結果，分別訓練出各自相應的分類模型；基于分類模型結合“投票”機制從所有子區域中選取票數最高的子區域集合。其中包括:
[0020]離線階段，針對步驟二中提出的兩種構造方法所構造的特征向量，分別訓練出每種構造方法的每種特征向量所對應的支持向量機(Support Vector Machine, SVM)分類模型。SVM是建立在統計學習的VC維(VC dimens1n)理論和結構風險最小化(structuralrisk minimizat1n)原則基礎上的。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，是對數據的抽象描述，因此特征值的選取非常重要，能否準確的反映待分類數據特點將直接影響最終的分類效果。
[0021]在線階段，從實時數據提取分類特征向量，讀取離線階段訓練好的對應的SVM分類模型，根據所述支持向量多項式展開項值，計算待分類向量對應于不同區域的概率，結合“投票”機制從所有區域中選取票數最高的區域集R。
[0022]在線定位階段的具體操作包括:
[0023](I)讀取訓練好的SVM分類模型，計算支持向量多項式展開項值；
[0024](2)讀取當前采集到的RSSI，提取分類特征向量；
[0025](3)通過多項式核函數將分類特征向量映射到高維空間，并根據所述支持向量多項式展開項值計算待分類向量對應于不同區域的概率；
[0026](4)對于每個AP組(APi, APj),判斷劃分出的每個子區域是否符合條件，如果存在多個子區域符合條件，則SVM模型認為當前設備可能處于這幾個子區域的并集內；
[0027]所述符合條件的區域是指，當AP組(APi, APj)在某一子區域的預測概率大于某一閾值ε (0〈 ε〈I)時，就認為該區域是符合條件的；
[0028](5)結合“投票”機制從所有區域中選取票數最高的區域集R，具體步驟包括:
[0029]如果AP組(APpAPj)的樣本數據經過SVM預測被認定為在某一區域內，則該區域票數加I。從幾何上表現為選取被覆蓋次數最多的區域當作粗粒度的定位區域，每個區域的票數應當在O到^之間。
[0030]步驟四:采用兩輪定位縮小區域集范圍，提高定位精度。具體包括:
[0031](I)讀取訓練好的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)通過多項式核函數將分類特征向量映射到高維空間，并根據所述支持向量多項式展開項值計算待分類向量對應于不同區域的概率，從中選取步驟三中求出的粗粒度定位區域R內各個區域的概率；
[0034](4)對于每個APi,判斷劃分出的每個子區域是否符合條件，且該子區域是步驟三中求出的粗粒度定位區域R的子集，如果存在多個子區域符合條件，則SVM模型認為當前設備可能處于這幾個子區域的并集內；
[0035]所述符合條件的區域是指，當APi在某一區域的預測概率大于某一閾值ε (0〈 ε〈I)時，就認為該區域是符合條件的；
[0036](5)結合“投票”機制從R中選取票數最高的區域集R’，具體步驟包括:如果APi的樣本數據經過SVM預測被認定為在某一區域內，則該區域票數加I。從幾何上表現為選取被覆蓋次數最多的區域當作細粒度的定位區域，每個區域的票數應當在O到m之間。
[0037]本發明提供的技術方案的有益效果是:本發明充分挖掘利用了 RSSI的空間分布特征，降低了因區域劃分不當造成的定位區域偏差；建立新型定位模型，解決現有WLAN室內定位方法中，無法有效學習和適應RSSI信號的由于非視距傳輸效應、多徑傳播效應和RSSI衰減規律異常等原因造成的非線性、非高斯統計特性，以及大范圍的室內定位，搜索匹配空間過大，計算復雜度高等問題。

【專利附圖】

【附圖說明】
[0038]為了更清楚地說明本發明實施例中的技術方案，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明的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。
[0039]圖1為本發明方法實現流程圖；
[0040]圖2為本發明方法的聚類流程圖；
[0041]圖3為本發明方法的另一種聚類流程圖；
[0042]圖4為本發明方法的訓練流程圖；
[0043]圖5為本發明方法的一種粗粒度定位流程圖；
[0044]圖6為本發明方法的一種細粒度定位流程圖。

【具體實施方式】
[0045]下面結合流程圖和具體實施例對本發明具體實施方案做進一步說明。
[0046]圖2為本發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，掃描出的數據格式如表1所示。需要注意的是，每個校標點采集的數據條數不固定，因采集時間長短而異。如果當前位置未能采集到相應AP的RSSI，用-1OOdB填補。
[0048]表1掃描數據格式
[0049]

【權利要求】
1.一種基于WLAN的室內定位方法，其特征在于實現步驟如下: 步驟一:將采樣點采集到的各個AP的RSSI數據預處理，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，將待定位區域劃分為多個定位子區域； 步驟三:針對每組特征向量結合聚類結果，分別訓練出各自相應的分類模型；基于分類模型結合“投票”機制從所有子區域中選取票數最高的子區域集合； 步驟四:采用兩輪定位縮小子區域集合范圍，提高定位精度。
2.根據權利要求1所述的基于WLAN的室內定位方法，其特征在于:所述步驟一將采樣點采集到的各個AP的RSSI數據預處理，包括:刪除RSSI過低的數據，刪除非定位AP的數據，填補未被掃描到的RSSI數據； 所述刪除RSSI過低的數據是指，將RSSI強度低于某一閾值的數據刪除；所述刪除非定位AP的數據是指，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)或穩定性較差(即方差大于20)。
3.根據權利要求1所述的基于WLAN的室內定位方法，其特征在于:所述步驟一從預處理數據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，從預處理后的數據中提取出這些AP組合構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據按照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，從預處理后的數據中提取出這些AP構成的向量作為特征向量。
4.根據權利要求1所述的基于WLAN的室內定位方法，其特征在于:所述步驟二中，對特征向量聚類分析，將待定位區域劃分為多個定位子區域，具體步驟為:以步驟二中構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進行聚類分析，聚類分析采用可自動發現聚類數目的X-means算法。
5.根據權利要求1所述的基于WLAN的室內定位方法，其特征在于:所述步驟三，具體實現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造方法所構造的特征向量，分別訓練出每種構造方法的每種特征向量所對應的支持向量機(Support Vector Machine, SVM)分類模型；在線階段，從實時數據提取分類特征向量，讀取離線階段訓練好的SVM分類模型，根據所述支持向量多項式展開項值，計算待分類向量對應于不同區域的概率，結合“投票”機制從所有區域中選取票數最高的區域集R ; 所述投票機制是指，如果AP組(APi, APp的樣本數據經過SVM預測被認定為在某一區域內，則該區域票數加I ;遍歷所有AP組的EV (APi, APj)并投票，選定票數最多的區域作為定位的粗粒度定位區域，每個區域的票數應當在ο到f2之間。



^ m
6.根據權利要求5所述的基于WLAN的室內定位方法，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)讀取當前采集到的RSSI，提取分類特征向量； (3)通過多項式核函數將分類特征向量映射到高維空間，并根據所述支持向量多項式展開項值計算待分類向量對應于不同區域的概率； (4)對于每個AP組(APi,APj),判斷劃分出的每個子區域是否符合條件，如果存在多個子區域符合條件，則SVM模型認為當前設備可能處于這幾個子區域的并集內。
7.根據權利要求1所述的基于WLAN的室內定位方法，其特征在于:所述步驟四，采用兩輪定位縮小區域集范圍，具體實現為: (1)讀取訓練好的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)通過多項式核函數將分類特征向量映射到高維空間，并根據所述支持向量多項式展開項值計算待分類向量對應于不同區域的概率，從中選取步驟三中求出的粗粒度定位區域R內各個區域的概率； (4)對于每個APi,判斷劃分出的每個子區域是否符合條件，且該子區域是步驟三中求出的粗粒度定位區域R的子集，如果存在多個子區域符合條件，則SVM模型認為當前設備可能處于這幾個子區域的并集內； (5)結合“投票”機制從R中選取票數最高的區域集R’，具體步驟包括:如果APi的樣本數據經過SVM預測被認定為在某一區域內，則該區域票數加1，根據每個AP的定位區域投票，選定票數最多的區域作為定位的細粒度定位區域，每個區域的票數應當在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 優先權日:2014年9月10日
【發明者】諸彤宇, 劉帥, 宋志新 申請人:北京航空航天大學