一种基于组合排序分类的位置指纹定位方法技术

本发明专利技术提出了一种基于组合排序分类的位置指纹定位方法，包括步骤如下：步骤一：学习阶段；步骤二：位置指纹库分类；步骤三：定位阶段；步骤四：阈值判定。本发明专利技术通过在位置指纹定位算法中对位置指纹库进行组合排序分类处理，将位置指纹库划分成了多个子类，从而大大降低了在定位阶段的运算复杂度，达到定位实时性好的目的。相对于传统的定位算法，本发明专利技术更适合定位面积大、参考点密度高、信号源个数多的环境，反应迅速，误差较小。

【技术实现步骤摘要】
【专利摘要】本专利技术提出了，包括步骤如下：步骤一：学习阶段；步骤二：位置指纹库分类；步骤三：定位阶段；步骤四：阈值判定。本专利技术通过在位置指纹定位算法中对位置指纹库进行组合排序分类处理，将位置指纹库划分成了多个子类，从而大大降低了在定位阶段的运算复杂度，达到定位实时性好的目的。相对于传统的定位算法，本专利技术更适合定位面积大、参考点密度高、信号源个数多的环境，反应迅速，误差较小。【专利说明】
本专利技术涉及，属于室内定位与导航
。
技术介绍
随着科技的进步和社会的发展，对象的定位已经成为交通、安全、医疗等行业关注的焦点。如通过GPS(Global Positioning System)标签跟踪车辆位置、通过交通路口的摄像头捕捉实时交通流、百度地图软件、嘀嘀打车软件等都是定位技术的典型应用。然而在有些相对复杂的环境下，如室内、地下矿井、隧道、停车场等，现有的室外定位技术无法满足定位精度的要求。随着WLAN技术的成熟，W1-Fi网络的覆盖越来越广。尽管W1-Fi技术的设计初衷并不是为了定位，但是在IEEE802.11标准中，无线网卡或AP的电路能够测量接收信号强度指示(RSSI, Received Signal Strength Indicator)。根据无线信道的传输模型,接收信号的强度值在一定程度上能反应传输距离，因此绝大多数的W1-Fi定位系统都是利用RSS。W1-Fi定位的算法主要分为两大类:三角形算法和位置指纹识别算法。因为基于位置指纹识别的无线定位不需要知道AP的位置和准确的信道模型，所以不管在具体实施上还是定位性能上，相比基于三角形算法的定位都具有较大的优越性。位置指纹识别算法依靠的是预先建立起来的位置指纹数据库进行识别，主要分为学习阶段和定位阶段。在学习阶段首先选择合理的参考点分布，接着依次在所有参考点上测量来自不同AP的RSS值，并将以上信息存入位置指纹库。在定位阶段，将在待测点上测量到的周围AP的RSS值与位置指纹库中数据按照一定的算法匹配，计算出最终的位置坐标。常用的匹配算法有最邻近算法(Nearest neighbor in Signal Space, NNSS)、K-最邻近算法(KNNSS)等。然而，不管是NNSS算法还是KNNSS算法，其原理都是通过计算待定位点的信号强度值向量和所有样本点的信号强度值向量的距离来得到最终的定位结果的。该方法存在一个明显的缺点:计算复杂度会随着定位区域面积和信号源个数的增加而增加。因此，定位面积比较大的环境下，传统的定位算法具有很高的复杂度，造成定位时间太长而影响定位的实时性。
技术实现思路
针对现有技术的不足，本专利技术提出了。该定位方法适合大型室内定位环境，该定位方法的原理是，首先在学习阶段，将所有参考点的位置指纹库按照组合排序规则分为多个子类；在定位阶段，将待测点接收到的信号强度值向量按照相同的规则进行类别判定，找出其对应子类，然后运用KNNSS从该子类中计算出定位结果。本专利技术的技术方案如下:，包括步骤如下:设室内定位环境中分布着M个无线AP信号源和N个平均分布在室内空间的参考点，为保证定位精度，防止偶然误差，室内定位环境中的每个位置都能接收到至少两个无线信号源发出的无线信号，并且无线信号强度大于_98dBm ;确定分类时所选取有效信号源的个数为m,且m≤M ;步骤一:学习阶段在室内定位环境中每一个参考点处采样W1-Fi信号，并根据每个参考点接收到的信号强度值向量R= 建立位置指纹库，其中rapi表示该参考点接收到的第i个信号源的信号强度值；步骤二:位置指纹库分类首先设定参与分类的信号源个数的基准值m，针对每一个参考点的信号强度值向量，如果两个参考点Ri和&的信号强度值向量具同时满足以下条件，则将其归为同一子类:DRjPRj中前m大的信号强度值对应的信号源是同一信号源集合Sap ={AP。，AP1, AP2......APm_J，其中APi表示信号源编号；2)在满足I)的条件下，R = 中Sap对应的信号强度值的大小顺序是一致的:即如果分别对Ri和&中前m大的信号强度值进行由大到小排序，或由小到大排序，Ri和&中前m大的信号强度值排序之后，该m个信号强度值所对应的信号源编号顺序是一致的；如果不同时满足以上两个条件，则将Ri和&归为不同的子类；这样就将全部的位置指纹库划分为【权利要求】1.，其特征在于，该指纹定位包括步骤如下: 设室内定位环境中分布着M个无线AP信号源和N个平均分布在室内空间的参考点，室内定位环境中的每个位置都能接收到至少两个无线信号源发出的无线信号，并且无线信号强度大于_98dBm ;确定分类时所选取有效信号源的个数为m，且m < M ; 步骤一:学习阶段 在室内定位环境中每一个参考点处采样W1-Fi信号，并根据每个参考点接收到的信号强度值向量R= 建立位置指纹库，其中rapi表示该参考点接收到的第i个信号源的信号强度值； 步骤二:位置指纹库分类 首先设定参与分类的信号源个数的基准值m，针对每一个参考点的信号强度值向量，如果两个参考点Ri和&的信号强度值向量具同时满足以下条件，则将其归为同一子类: DRi和&中前m大的信号强度值对应的信号源是同一信号源集合Sap ={AP。，AP1, AP2......APm_J，其中APi表示信号源编号； 2)在满足I)的条件下，R= 中Sap对应的信号强度值的大小顺序是一致的:即如果分别对Ri和&中前m大的信号强度值进行由大到小排序，或由小到大排序，Ri和&中前m大的信号强度值排序之后，该m个信号强度值所对应的信号源编号顺序是一致的； 如果不同时满足以上两个条件，则将Ri和Rj归为不同的子类；这样就将全部的位置指纹库划分为 【文档编号】G06F17/30GK103901398SQ201410153087【公开日】2014年7月2日 申请日期:2014年4月16日 优先权日:2014年4月16日 【专利技术者】王洪君, 王光雷, 赵化森, 王琰, 郝计军, 唐瑞东 申请人:山东大学本文档来自技高网...

【技术保护点】
一种基于组合排序分类的位置指纹定位方法，其特征在于，该指纹定位包括步骤如下： 设室内定位环境中分布着M个无线AP信号源和N个平均分布在室内空间的参考点，室内定位环境中的每个位置都能接收到至少两个无线信号源发出的无线信号，并且无线信号强度大于‑98dBm；确定分类时所选取有效信号源的个数为m，且m≤M； 步骤一：学习阶段 在室内定位环境中每一个参考点处采样Wi‑Fi信号，并根据每个参考点接收到的信号强度值向量R＝[rap1,rap2......rapM]建立位置指纹库，其中rapi表示该参考点接收到的第i个信号源的信号强度值； 步骤二：位置指纹库分类 首先设定参与分类的信号源个数的基准值m，针对每一个参考点的信号强度值向量，如果两个参考点Ri和Rj的信号强度值向量具同时满足以下条件，则将其归为同一子类： 1)Ri和Rj中前m大的信号强度值对应的信号源是同一信号源集合SAP＝{AP0,AP1,AP2......APm‑1}，其中APi表示信号源编号； 2)在满足1)的条件下，R＝[rap1,rap2......rapM]中SAP对应的信号强度值的大小顺序是一致的：即如果分别对Ri和Rj中前m大的信号强度值进行由大到小排序，或由小到大排序，Ri和Rj中前m大的信号强度值排序之后，该m个信号强度值所对应的信号源编号顺序是一致的； 如果不同时满足以上两个条件，则将Ri和Rj归为不同的子类；这样就将全部的位置指纹库划分为个子类，即其中Ci表示同时满足以上两个条件的所有参考点的信号强度值构成集合；步骤三：定位阶段 首先，从待定位点接收到的信号强度值向量Rx＝[rap1,rap2......rapM] 找出前m个最大的信号强度值，然后再根据步骤二中的两个条件判决出Rx所属子类：即先对前m个信号强度值，按照与步骤二的2)相同的排序规则进行排序，根据该排序所对应信号源的编号顺序来判定Rx的位置指纹库Cx，其中Cx∈C； 然后，运用K最邻近结点算法计算出首次定位位置：即设Cx中前K个最邻近参考点的坐标集合是{(x1,y1),(x2,y2).......(xK‑1,yK‑1)}，待测点的首次定位坐标是：其中K为不小于2的正整数；步骤四：阈值判定 设定一个误差阈值V，如果本次定位位置(x,y)与上一次定位位置(xpre,ypre)的欧式距离超过V，则视为误差过大，将两个位置的平均值设定为本次定位位置，即再次计算(x,y)与(xpre,ypre)之间的欧式距离，直到位置距离不超过V，得到的定位位置(x,y)即为最终定位结果。...

【技术特征摘要】

【专利技术属性】
技术研发人员：王洪君，王光雷，赵化森，王琰，郝计军，唐瑞东，
申请(专利权)人：山东大学，
类型：发明
国别省市：山东;37