一种基于插值的室内指纹定位方法技术

一种基于插值的室内指纹定位方法，包括：步骤1，将已知位置的待处理RSSI(接收信号强度)值采用卡尔曼滤波处理；步骤2，将经处理的已知位置RSSI样本使用协同克里格插值算法对定位区域内的未知位置点的RSSI值进行最优、无偏、线性估计；步骤3，对所有信标节点重复步骤1和步骤2，将得到的所有单维指纹向量进行并集操作即可成功构建定位区域的多维指纹向量；步骤4，使用向量相似度匹配算法得到相似度从高到低的前number个向量对应的格子，即是节点定位的范围；步骤5，将得到的前nummber个格子采用K‑中心点聚类算法进行分类，提取出含格子数最多簇的簇首(簇的几何中心)作为节点的实际定位结果输出。

【技术实现步骤摘要】

本专利技术主要涉及无线传感器网络室内定位领域，涉及基于插值的室内指纹定位方法。
技术介绍
随着传感器网络的普及，用户对于传感器设备的实际位置信息重视程度越来越高。目前存在较多的无线定位技术，如GPS、AGPS等室外定位技术和外、WIFI、蓝牙等室内定位技术。其中GPS相对成熟，它采用基于信号传输时间差TDOA来定位，此定位技术在室外精度较高。在室内定位领域中，由于室内环境的复杂性和不可控性，因此很多室内定位技术都有特定的应用场景。目前国内外无线传感器网络室内定位技术取得了显著的成果,指纹定位技术和基于RSSI的定位技术备受广泛关注。指纹定位技术在室内定位领域取得了的一定的进展，如Ma YW等人研发的新颖指纹机制(NFM)室内定位系统，该系统使用接收器和发射器获取定位数据，并采用六个定位机制来提高定位精度。Modamed等人使用陀螺仪与指纹匹配算法相结合的室内定位方法对定位结果加以改进,但单陀螺仪的定向方法具有较大的局限性。李燕君等人提出利用众包更新指纹库的定位方法，但需定期对过期指纹进行筛减。肖亚龙等人基于不同位置之间信号强度差异表征对应物理空间距离，提出了一种基于多维标度和区域细化的无线室内定位方法，该方法有效地减少了训练阶段指纹采集的开销并且提高了定位精度。同时基于RSSI的定位技术的发展也十分迅速，如Sorour S等人利用相邻位置节点的RSSI固有空间相关性提出了一种基于流形对齐的定位方法，该方法使用获取的具有RSSI空间相关性的数据集和一部分参考信息，通过半监督学习算法得到待测的位置；但此方法需要对异常值进行过滤而且计算复杂度较高。高仁强等人提出了一种结合模糊数学逻辑(Fuzzy Logic)理论的WiFi定位算法，但手持设备接收信号波动性较大影响定位精度。石柯等人针对室内定位中环境复杂、信道拥塞等问题，提出了一种基于支持向量回归的802.11无线室内定位方法,该方法有效地提高了最终的定位精度。徐琨等人针对未知发射功率会降低网络定位性能的问题提出了一种针对未知发射功率的室内定位优化算法，该算法很好地提升了定位性能。基于传播损耗模型来提升定位精度也有一定的发展，如王跃等人针对室内定位接收功率干扰导致估计位置精度偏低的问题，提出了采用马儿可夫蒙特卡洛(MCMC)抽样来提高定位精度的室内定位算法。陈文建等人结合地理编码原理和二维码技术提出了QR(Quick Response)标识导向的室内定位方法，提升了创新应用的新平台。现存较多室内定位方法的定位精度都有显著的提升，但指纹定位法的精度明显高于传播模型法；由于传统基于RSSI指纹定位算法在建立指纹过程中工作量较大，需要对测量点逐个进行RSSI值测量，而这是一个繁琐且工作量很大的过程。
技术实现思路
本专利技术要解决现有技术的上述缺点，提出一种基于插值的室内指纹定位方法，该方法仅需测量定位区域内已知位置的少量样本节点的RSSI值就能对定位区域内的未知位置点RSSI值进行最优无偏估计，最后采用匹配算法计算出节点的实际位置，有效地解决了室内环境发生变化而导致繁琐的指纹重构问题。本专利技术所述的基于插值的室内指纹定位方法，包括如下步骤：步骤1，卡尔曼滤波；步骤11，以已知位置待处理的RSSI(接收信号强度)值为输入，由于RSSI值易受干扰噪声的影响，而卡尔曼滤波是高斯过程最优滤波的一种有效算法，经处理得到目标RSSI值；步骤2，协同克里格插值算法；步骤21，以步骤11获取的RSSI值为主变量、节点的LQI(通讯链路质量)值为辅变量作为输入，使用协同克里个插值算法对定位区域内的未知位置点的RSSI值进行最优、无偏、线性估计，具体步骤包括为：步骤211，使用协同克里格插值算法找到样本点之间的依存关系，首先利用配对关系Pairi＝(di,RSSIi)、Pairj＝(dj,LQIj)(di和dj分别表示两个传感器节点间的距离，RSSIi和LQIj表示传感器节点所获取的RSSI值和对应的LQI值)进行自相关性和互相关心过的空间建模，具体步骤包括为：步骤2111，根据测量的样本点在空间上的分布情况，分析自相关性的半变异函数，如公式(1)所示 γ ( h ) = 1 2 n Σ i = 1 n ( z ( x a ) - z ( x a + h ) ) 2 - - - ( 1 ) ]]>式(1)中n表示关系对Pairi的数量，z(xa)和z(xa+h)分别表示配对的两个节点的属性值(RSSI和LQI)，h表示两节点间距离，γ(h)表示半变异函数，通过公式(1)获得关系对Pairi和Pairj各自的半变异函数值；步骤2112，根据测量的样本点在空间上的分布情况，分析互相关性的半变异函数，如公式(2)示 γ i j ( h ) = 1 2 n Σ i = 1 n [ z i ( x a ) - z i ( x a + h ) ] × [ z j ( x a ) - z j ( x a + h ) ] - - - ( 2 ) ]]>式(2)中n表示Pair的数量，zi(xa)和zi(xa+h)分别表示两个节点的RSSI值，zj(xa)和zj(xa+h)分别本文档来自技高网...

【技术保护点】
一种基于插值的室内指纹定位方法，其特征在于，包括如下步骤：步骤1，卡尔曼滤波；步骤11，以已知位置待处理的接收信号强度RSSI值为输入，由于RSSI值易受干扰噪声的影响，而卡尔曼滤波是高斯过程最优滤波的一种有效算法，经处理得到目标RSSI值；步骤2，协同克里格插值算法；步骤21，以步骤11获取的RSSI值为主变量、节点的通讯链路质量LQI值为辅变量作为输入，使用协同克里个插值算法对定位区域内的未知位置点的RSSI值进行最优、无偏、线性估计，具体步骤包括为：步骤211，使用协同克里格插值算法找到样本点之间的依存关系，首先利用配对关系Pairi＝(di,RSSIi)、Pairj＝(dj,LQIj)进行自相关性和互相关心过的空间建模，di和dj分别表示两个传感器节点间的距离，RSSIi和LQIj表示传感器节点所获取的RSSI值和对应的LQI值，具体步骤包括为：步骤2111，根据测量的样本点在空间上的分布情况，分析自相关性的半变异函数，如公式(1)所示γ(h)=12nΣi=1n(z(xa)-z(xa+h))2---(1)]]>式(1)中n表示关系对Pairi的数量，z(xa)和z(xa+h)分别表示配对的两个节点的属性值RSSI和LQI，h表示两节点间距离，γ(h)表示半变异函数，通过公式(1)获得关系对Pairi和Pairj各自的半变异函数值；步骤2112，根据测量的样本点在空间上的分布情况，分析互相关性的半变异函数，如公式(2)示γij(h)=12nΣi=1n[zi(xa)-zi(xa+h)]×[zj(xa)-zj(xa+h)]---(2)]]>式(2)中n表示Pair的数量，zi(xa)和zi(xa+h)分别表示两个节点的RSSI值，zj(xa)和zj(xa+h)分别表示两个节点的LQI值，且距离均为h,γij(h)表示互半变异函数，通过公式(2)获得各个Pairi的半变异函数值；步骤2113，以步骤2111获取的关系对Pairi和Pairj各自的自相关的半变异函数和步骤2112获取的互相关的半变异函数为输入，接着采用最小二乘法进行拟合建立相关的半变异模型；步骤212，以步骤2113获取的自相关的和互相关的经验半变异模型为输入，对未知位置点的RSSI值进行预测，预测过程如下公式所示Z0i=Σ1mλiZi+Σ1nλjZj---(3)]]>式(3)中Z0i表示待估计位置的RSSI值，Zi和Zj分别表示距离待估计位置最近的节点测量得到的RSSI和LQI值，m和n分别代表RSSI和LQI所对应样本数量，同位属性m＝n，λi和λj分别代表RSSI和LQI的权重系数,具体计算过程如下：Σ1mλi=1;Σ1nλj=0---(4)]]>Σi=1mλiγ11(x1i-xi)+Σj=1nλjγ12(x2j-x1)+u1=γ11(x0-xi)---(5)]]>Σi=1mλiγ21(x1i-x1)+Σj=1nλjγ22(x2j-x1)+u2=γ12(x0-xj)---(6)]]>式(4)、式(5)和式(6)中γ11和γ22分别是Zi(RSSI)和Zj(LQI)的自变异函数的理想模型，γ12和γ21代表的是两变量的互变异函数的理想模型，其中γ12＝γ21，样本的权重系数λi和λj之和分别均为1，m和n分别为样本RSSI和LQI的数量，u1和u2为拉格朗日系数、权重系数λi和λj均可通过线性方程组(4)、(5)和(6)解得；步骤3，RSSI指纹建立；步骤31，采用步骤2的协同克里格插值算法可以建立一个信标节点对应在定位区域内的单维度指纹向量；步骤32，所有信标节点广播信号建立对应的单维度指纹向量，再对所有单维度指纹向量进行并集操作，具体步骤包括：步骤321，定位区域的长、宽分别为L和W，并将它划分为m行和n列，每个小格子的长和宽分别为Cl＝L/m、Cw＝W/N；步骤322，步骤321将定位区域D划分后，通过协同克里格插值算法计算每个小格子对应的RSSI值，这样就建立了信标节点A对应的单维度指纹fA，fA是一个m×n的指纹；步骤323，对信标节点B、C、D、E重复步骤322，分别构建单维度指纹fB、fC、fD和fE，最后对单维度指纹做并集建立定位区域的多维度指纹向量，那么第i个格子对应的5维向量就是五个单维度指纹在该位置的RSSI值的并集，i∈{1,2,3,…,m×n}，通过321、3...

【技术特征摘要】
1.一种基于插值的室内指纹定位方法，其特征在于，包括如下步骤：步骤1，卡尔曼滤波；步骤11，以已知位置待处理的接收信号强度RSSI值为输入，由于RSSI值易受干扰噪声的影响，而卡尔曼滤波是高斯过程最优滤波的一种有效算法，经处理得到目标RSSI值；步骤2，协同克里格插值算法；步骤21，以步骤11获取的RSSI值为主变量、节点的通讯链路质量LQI值为辅变量作为输入，使用协同克里个插值算法对定位区域内的未知位置点的RSSI值进行最优、无偏、线性估计，具体步骤包括为：步骤211，使用协同克里格插值算法找到样本点之间的依存关系，首先利用配对关系Pairi＝(di,RSSIi)、Pairj＝(dj,LQIj)进行自相关性和互相关心过的空间建模，di和dj分别表示两个传感器节点间的距离，RSSIi和LQIj表示传感器节点所获取的RSSI值和对应的LQI值，具体步骤包括为：步骤2111，根据测量的样本点在空间上的分布情况，分析自相关性的半变异函数，如公式(1)所示 γ ( h ) = 1 2 n Σ i = 1 n ( z ( x a ) - z ( x a + h ) ) 2 - - - ( 1 ) ]]>式(1)中n表示关系对Pairi的数量，z(xa)和z(xa+h)分别表示配对的两个节点的属性值RSSI和LQI，h表示两节点间距离，γ(h)表示半变异函数，通过公式(1)获得关系对Pairi和Pairj各自的半变异函数值；步骤2112，根据测量的样本点在空间上的分布情况，分析互相关性的半变异函数，如公式(2)示 γ i j ( h ) = 1 2 n Σ i = 1 n [ z i ( x a ) - z i ( x a + h ) ] × [ z j ( x a ) - z j ( x a + h ) ] - - - ( 2 ) ]]>式(2)中n表示Pair的数量，zi(xa)和zi(xa+h)分别表示两个节点的RSSI值，zj(xa)和zj(xa+h)分别表示两个节点的LQI值，且距离均为h,γij(h)表示互半变异函数，通过公式(2)获得各个Pairi的半变异函数值；步骤2113，以步骤2111获取的关系对Pairi和Pairj各自的自相关的半变异函数和步骤2112获取的互相关的半变异函数为输入，接着采用最小二乘法进行拟合建立相关的半变异模型；步骤212，以步骤2113获取的自相关的和互相关的经验半变异模型为输入，对未知位置点的RSSI值进行预测，预测过程如下公式所示 Z 0 i = Σ 1 m λ i Z i + Σ 1 n λ j Z j - - - ( 3 ) ]]>式(3)中Z0i表示待估计位置的RSSI值，Zi和Z...

【专利技术属性】
技术研发人员：毛科技，方飞，方凯，李鹏欢，孙俊生，施伟元，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江;33