基于位置指纹算法的室内定位优化方法技术

本发明专利技术公开了一种基于位置指纹算法的室内定位优化方法。本发明专利技术在现有的位置指纹定位方法的基础上，对信号强度采集、指纹库密度、指纹库精度、定位效率、设备误差进行了对应的优化处理，从而实现对定位过程的精度提升和效率提升。本发明专利技术在定位处理过程中，无需额外硬件的支持，因此其具有较低的定位成本。在信号强度测量精准，以及位置指纹库的精度和密度较高的情况下，本发明专利技术可以提供较高定位精度。

【技术实现步骤摘要】
基于位置指纹算法的室内定位优化方法技术邻域本专利技术属于室内定位
，具体涉及一种基于位置指纹算法的室内定位方法。
技术介绍
指纹定位算法通过RSSI(ReceivedSignalStrengthIndication，接收信号强度指示)信息之间的相关性完成定位，通过将定位点处的RSSI信息与位置指纹的RSSI信息进行匹配来实现定位坐标的估算。指纹定位算法的定位原理如图1所示，其定位过程分为两个阶段：一、离线训练阶段：在区域中选择n个点作为参考点进行位置指纹采集，从而完成位置指纹库的构建，其中，位置指纹由参考点处的位置坐标和RSSI信息构成；二、在线定位阶段：采集定位点处的RSSI信息，并将采集到的RSSI信息与位置指纹库中的位置指纹进行匹配，筛选出匹配度最高的前K个位置指纹实现位置估算。位置指纹定位常用的算法包括最近邻法、K近邻法(KNN)、加权K近邻法(WKNN)。最近邻算法依据样本之间的相似度进行定位，其核心思想是在位置指纹库中选取与定位点处RSSI向量最相似的参考点的坐标作为定位节点的坐标，其中，RSSI向量之间的相似度通过RSSI向量之间的欧氏距离来判断，欧式距离越小，表示两个RSSI向量之间的相似度越高。RSSI向量之间的欧式距离其中rssii表示在定位节点处的第i个无线AP(接入节点)的信号强度，rssik,i表示位置指纹库中第k个参考点处的第i个无线AP的信号强度，m表示无线AP的个数。K近邻算法作为最近邻算法的改进，其也是依据节点之间的相似度来进行定位。在定位时，K近邻算法会在位置指纹库中选出与定位节点之间相似度最高的K个参考点，并计算K个参考点所组成的多边形的质心，质心所在的位置即为定位节点的位置：其中，(xi,yi)表示参考点的坐标。加权K近邻算法是对K近邻算法的改进，进一步降低了定位过程中的误差。相比于K近邻算法，加权K近邻算法在得到K个相似度最高的参考点之后，不是直接计算K个参考点组成的多边形的质心，而是根据每个参考点与定位节点之间的相似度对参考点的坐标位置进行加权，加权相加的结果即为最终的定位结果：其中，di表示节点之间RSSI向量的欧式距离，(xi,yi)表示参考点的坐标。加权K近邻算法通过加权来控制参考点对定位点的影响，使定位的结果更加准确。但是，现有的位置指纹定位方法在指纹采集过程中，只是简单的进行RSSI信息采集来构建位置指纹库，其指纹采集精度存不够；而在构建位置指纹库时，只是简单的通过人工采集的方式进行构建，一旦位置指纹库的密度要求提高，其构建工作量将会大量增加；并且对于位置指纹库中存在的噪点，未采用任何的方式进行去除，其位置指纹库中的指纹精准度有待进一步提升；同时，在匹配位置指纹时，采用的方式为逐个匹配，其匹配处理的时间复杂度相对较高，另外，对于设备差异性带来的定位误差并未进行特殊的处理，对定位结果会带来一定的定位误差。
技术实现思路
本专利技术的专利技术目的在于：针对上述存在的问题，提供一种有效提升定位精确度并指纹匹配处理时间复杂度的定位优化方法。本专利技术的基于位置指纹算法的室内定位优化方法包括下列步骤：构建位置指纹库步骤：101：在待定位区域部署m个无线接入设备，设置n个参考点(例如对室内平面图进行网格划分，将网格点作为参考点)，并记录各参考点的位置信息；102：多次采集每个参考点对每个无线接入设备的接收信号强度值rssi，在每次采集时，若当前采集到的rssi满足|rssi-μ|＞1.96σ，则剔除当前采集到的rssi，其中σ、μ分别表示接收信号强度的高斯分布的标准差和均值；并对多次采集结果进行均值滤波平滑处理，得到每个参考点对每个无线接入设备的接收信号强度值，记为rssik,i，其中k为参考点标识符，i为无线接入设备标识符；由同一参考点的m组接收信号强度值构成该参考点的信号强度向量，记为RSSIk＝(rssik,1,rssik,2,…,rssik,n)，将各参考点的信号强度向量和位置信息组合成位置指纹并保存到位置指纹库中；103：对位置指纹库进行密度增强处理：通过多项式曲面拟合的方式增加数据库中的位置指纹；再对增加后的数据库进行邻域滤波法筛选位置指纹库噪点：遍历位置指纹库中的每个参考点，将当前参考点作为中心点c，并基于中心点c的P邻域，计算中心点c与各邻域点xp之间的平均相似度其中P为预设的邻域数，下标p为邻域点xp的点标识符，表示中心点c和邻域点xp之间的信号强度向量的欧式距离；以及将各邻域点xp的P邻域中的中心点c剔除，得到各邻域点xp的个邻域点下标j为邻域点的点标识符，再计算各邻域点xp的平均相似度其中表示点xp与点之间的信号强度向量的欧式距离，从而得到中心点c的所有邻域点的平均相似度的均值若则将当前中心点c记为噪点z；基于各噪点z的P邻域的接收信号强度值更新噪点z的接收信号强度值rssiz,i为：其中表示噪点z的邻域点对第i个无线接入设备的接收信号强度值，其中，j表示邻域点的点标识符，表示邻域点的权值，且Lz,j表示噪点z的邻域点与噪点z的两坐标点之间的欧式距离，从而得到噪点z所对应的参考点的新的信号强度向量；104：采用K均值聚类对位置指纹库进行聚类处理，并判断各类簇的群数是否不超过群数阈值，若是，则保存当前类簇，否则继续对得到的类簇进行K均值聚类处理，直到得到的类簇的群数不超过群数阈值，从而得到构建好的位置指纹库；实时定位匹配步骤：201：采集待定位点处的m组接收信号强度值，得到待定位点的信号强度向量RSSIt；202：基于差值的加权K近邻法在位置指纹库中获取待定位点的匹配结果：将待定位点的信号强度向量RSSIt中的各分量减去RSSIt中的最小分量，得到差值向量ΔRSSIt；将RSSIt或ΔRSSIt与保存的类簇的各聚类中心进行相似度匹配(信号强度向量间的欧式距离越小则相似度越高)，查找相似度最高的类簇；基于差值向量ΔRSSIt，在相似度最高的类簇中查找相似度最高的前K个位置指纹，采用加权K近邻算法对K个位置指纹对应的位置坐标进行加权相加，得到定位点的定位坐标；203：对定位相对坐标进行经纬度坐标转换，得到待定位点的位置信息。综上所述，由于采用了上述技术方案，本专利技术的有益效果是：(1)指纹采集精度提升：现有的方法在指纹采集过程中，只是简单的进行RSSI信息采集来构建位置指纹库；本专利技术中对RSSI信息进行了高斯滤波和均值滤波，有效提高了采集的RSSI信息的准确性。(2)位置指纹库密度增强：现有的方法在构建位置指纹库时，只是简单的通过人工采集的方式进行构建，一旦位置指纹库的密度要求提高，其构建工作量将会大量增加；本专利技术采用多项式曲面拟合的方式，在原有位置指纹库密度较小的情况下，通过数据拟合的方式增加数据库中的指纹数量，达到增加位置指纹库密度的目的，进而提高位置指纹定位算法的定位精度。(3)有效去除位置指纹库中的噪点，使位置指纹库中的指纹精准度更高，从而为定位算法的在线定位阶段提供高精度的数据支持。(4)定位效率提升：在现有的方法中，对于位置指纹库的匹配时逐个进行匹配，其从位置指纹库匹配过程的时间复杂度为O(n)；而本专利技术中，通过K-means聚类算法对位置指纹库进行聚类分析后，通过先匹配聚类中心，再匹配类簇的方式，可将定位过程的时间复杂度降低到O(logn本文档来自技高网...

【技术保护点】
基于位置指纹算法的室内定位优化方法，其特征在于，包括下列步骤：构建位置指纹库步骤：101：在待定位区域部署m个无线接入设备，设置n个参考点，并记录各参考点的位置信息；102：多次采集每个参考点对每个无线接入设备的接收信号强度值rssi，在每次采集时，若当前采集到的rssi满足|rssi‑μ|＞1.96σ，则剔除当前采集到的rssi，其中σ、μ分别表示接收信号强度的高斯分布的标准差和均值；并对多次采集结果进行均值滤波平滑处理，得到每个参考点对每个无线接入设备的接收信号强度值，记为rssik,i，其中k为参考点标识符，i为无线接入设备标识符；由同一参考点的m组接收信号强度值构成该参考点的信号强度向量，记为RSSIk＝(rssik,1,rssik,2,…,rssik,n)，将各参考点的信号强度向量和位置信息组合成位置指纹并保存到位置指纹库中；103：对位置指纹库进行密度增强处理：通过多项式曲面拟合的方式增加数据库中的位置指纹；再对增加后的数据库进行邻域滤波法筛选位置指纹库噪点：遍历位置指纹库中的每个参考点，将当前参考点作为中心点c，并基于中心点c的P邻域，计算中心点c与各邻域点xp之间的平均相似度...

【技术特征摘要】
1.基于位置指纹算法的室内定位优化方法，其特征在于，包括下列步骤：构建位置指纹库步骤：101：在待定位区域部署m个无线接入设备，设置n个参考点，并记录各参考点的位置信息；102：多次采集每个参考点对每个无线接入设备的接收信号强度值rssi，在每次采集时，若当前采集到的rssi满足|rssi-μ|＞1.96σ，则剔除当前采集到的rssi，其中σ、μ分别表示接收信号强度的高斯分布的标准差和均值；并对多次采集结果进行均值滤波平滑处理，得到每个参考点对每个无线接入设备的接收信号强度值，记为rssik,i，其中k为参考点标识符，i为无线接入设备标识符；由同一参考点的m组接收信号强度值构成该参考点的信号强度向量，记为RSSIk＝(rssik,1,rssik,2,…,rssik,n)，将各参考点的信号强度向量和位置信息组合成位置指纹并保存到位置指纹库中；103：对位置指纹库进行密度增强处理：通过多项式曲面拟合的方式增加数据库中的位置指纹；再对增加后的数据库进行邻域滤波法筛选位置指纹库噪点：遍历位置指纹库中的每个参考点，将当前参考点作为中心点c，并基于中心点c的P邻域，计算中心点c与各邻域点xp之间的平均相似度其中P为预设的邻域数，下标p为邻域点xp的点标识符，表示中心点c和邻域点xp之间的信号强度向量的欧式距离；以及将各邻域点xp的P邻域中的中心点c剔除，得到各邻域点xp的个邻域点下标j为邻域点的点标识符，再计算各邻域点xp的平均相似度其中表示点xp与点之间的信号强度向量的欧式距离，从而得到中心点c的所有邻域点的平均相似度的均值若则...

【专利技术属性】
技术研发人员：邢建川，董科廷，韩保祯，张易丰，丁志新，康亮，王翔，侯鑫宇，王书琪，邵慧，陈朝阳，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51